[发明专利]一种基于结构特征学习的手指静脉识别方法

权利要求书

1.一种基于结构特征学习的手指静脉识别方法，其特征在于，包括以下步骤：

第一步，获取手指静脉注意力特征，用于提取手指静脉像素点特征；

第二步，基于兴趣区域的特点，引入图论技术和度量学习模型，获得结构特征；

第三步，利用识别器对结构图进行识别分类。

2.根据权利要求1所述的基于结构特征学习的手指静脉识别方法，其特征在于：所述第一步中，利用浅层特征学习模型提取手指静脉像素点特征。

3.根据权利要求2所述的基于结构特征学习的手指静脉识别方法，其特征在于：包括训练阶段和特征分类阶段。

4.根据权利要求3所述的基于结构特征学习的手指静脉识别方法，其特征在于：所述训练阶段包括手指静脉浅层特征学习，结构特征学习和识别器训练。

5.根据权利要求4所述的基于结构特征学习的手指静脉识别方法，其特征在于：采用PSPnet模型作为所述注意力特征学习模型，获得的概率图即为手指静脉的注意力特征。

6.根据权利要求5所述的基于结构特征学习的手指静脉识别方法，其特征在于：所述第二步中，将注意力特征映射中的每个元素看作图的一个节点，利用图论技术提取每个节点的局部信息。

7.根据权利要求1所述的基于结构特征学习的手指静脉识别方法，其特征在于：所述第二步中，引入度量学习框架中的近邻成分分析来更好地学习两个节点之间的相似度，两个节点之间的相似度作为结构图的边，完成结构图的构建。

8.根据权利要求1所述的基于结构特征学习的手指静脉识别方法，其特征在于：为了有效地处理图结构特征，所述第三步中，采用图卷积神经网络作为识别器。

9.根据权利要求3所述的基于结构特征学习的手指静脉识别方法，其特征在于：所述特征分类阶段，包括以下步骤：

首先，将测试图像输入浅层特征学习模型，获得该图像的注意力特征映射映射；

然后，将浅层特征映射中的每个元素看作图的一个节点，提取每个节点的局部信息；并引入度量学习框架中的近邻成分分析(Neighbourhood Components Analysis，NCA)来学习两个节点之间的相似度，将两个节点之间的相似度作为结构图的边，完成结构图的构建。

最后，将结构图输入到训练好的识别模型，获得识别结果。