[发明专利]一种基于深度学习的静脉显像方法和装置

说明书

本发明提供了一种基于深度学习的静脉显像方法和装置，所述方法包括：从数据库中获取同帧成对的彩色和近红外格式的手臂图像，对于彩色图像进行随机色相饱和度操作；搭建适合于嵌入式设备的深度学习网络，将获得的成对手臂图像送入网络进行训练，经过调整参数后获取效果最好的深度学习模型；将训练好的深度学习模型以及框架部署到嵌入式设备上，并运用基于训练集图像的色差消除方法，可以通过嵌入式设备连接的相机来拍摄手臂彩色图像来进行静脉显像。本发明通过设计适用于嵌入式设备的静脉显像算法，提高静脉显像的准确性和鲁棒性，实现了静脉显像工作的小型化和便携性，具有很大的实用价值。

技术领域

本发明属于计算机视觉和图像处理技术领域，尤其涉及一种基于深度学习的静脉显像方法和装置。

背景技术

如今静脉识别技术已经得到了商业化的应用，但是这类产品往往是基于超声波造影或者是利用近红外通道相机来进行拍摄静脉图像从而进行识别操作，但是这些方法往往设备体积较大或是造价昂贵，如何简单、高效且准确地实现静脉显像是目前静脉识别技术接下来面临的挑战。

现有的对于可见光的静脉显像技术主要有两类：基于光学原理的静脉显像方法、基于深度学习的静脉显像方法。

基于光学原理的方法实现了通过可见光图像将隐藏的静脉空间分布显示出来，具有较高的研究价值和实用价值，为研究者们进一步发掘静脉这种生物特征识别技术的巨大潜力提供了较大的便利。但是，该方法存在的主要问题是计算模型是基于单个像素的，因此每个点是孤立的，由映射函数得到的近红外图像噪声比较大，并且不利于嵌入式设备的移植。基于深度学习的方法不需要了解光学原理中复杂的细节，让卷积神经网络通过大量数据的训练从而学习到图像中的特征以及可见光与近红外图像之间的映射关系，这种方法以图像而非单个像素作为模型的输入，可有效降低噪声，但是对于网络模型的构建，参数的选择等方面提出了较高的要求。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的静脉显像方法和装置，所述方法包括如下步骤：

步骤1，对包含静脉数据的图像进行数据增强；对于静脉数据进行随机色度和饱和度、随机移位刻度旋转、随机水平旋转、随机顶点旋转等操作，并截取成对的静脉片段；

步骤2，建立深度学习的网络模型，设计训练方案，对网络模型进行训练，得到训练好的模型；

首先构建了基于残差结构的卷积神经网络层作为特征提取器，并使用迁移学习的方法加快模型收敛的速度，随后添加空洞卷积的模块达到所需要的精度而降低网络的深度和参数的复杂度，最后通过转置卷积层作为解码器得到静脉的显像图像并使用Sigmoid激活函数来优化模型。

步骤3，采集测试图像，消除色差后输入到训练好的模型中，得到输出结果。步骤1包括如下步骤：

步骤1-1，从静脉数据库读取到包含静脉数据的RGB图像，通过公式(1)得到图像亮度Y，通过公式(2)、(3)得到色度偏红U和偏紫V：

Y＝0.299*r+0.587*g+0.114*b   (1)

U＝0.1687*r-0.3313*g+0.5*b+128   (2)

V＝0.5*r-0.4187*g-0.0813*b+128   (3)

其中，r表示包含静脉数据的RGB图像的红色通道分量，g表示包含静脉数据的RGB图像的绿色通道分量，b表示包含静脉数据的RGB图像的蓝色通道分量；

由公式(4)通过随机r值达到随机色度和饱和度的效果：

其中r范围为(0，5)；

步骤1-2，对于包含静脉数据的RGB图像，同时进行水平镜像、垂直镜像以及围绕图像中心随机旋转操作，并进行仿射变换；