[发明专利]手指静脉识别方法、装置、电子设备及可读存储介质

说明书

本公开提供了一种基于多视图特征融合及联合贝叶斯识别模型的手指静脉识别方法和装置，该方法包括：利用手指静脉图像获取手指轮廓图像和手指静脉感兴趣区域图像；将所述手指轮廓图像输入第一分支卷积神经网络，提取手指轮廓特征；将所述手指静脉感兴趣区域图像输入第二分支卷积神经网络，提取手指静脉主特征；将所述手指轮廓特征和所述手指静脉主特征串联，以生成融合特征向量；计算所述融合特征向量和训练集中多个类别身份向量中的每个类别身份向量之间的相似度得分；以及根据多个所述相似度得分确定所述手指静脉图像的类别。

技术领域

本公开涉及生物识别技术领域，尤其涉及一种手指静脉识别方法、装置、电子设备及可读存储介质。

背景技术

近年来，生物特征识别技术发展迅速，手指静脉识别在生物特征识别领域受到了广泛的关注。手指静脉识别依靠反应手指静脉网络分布的图像来进行身份识别，可利用的特征相比于指纹等生物特征少。而在通用的手指静脉识别技术中，为了去除背景因素、手指倾斜及放置位置对识别结果的影响，仅依靠手指静脉感兴趣区域图像(ROI图像)的单一视图进行识别使得可用信息有限，导致手指静脉识别精度不高。

现有技术中，也有研究者将手指的一些软生物特征应用到手指静脉识别中，如通过使用手指背部纹理作为软生物特征并结合手指静脉信息提高模型识别的鲁棒性，但是手指背部纹理会根据手指的弯曲程度的变化而发生大的变化，并且在采集手指背部的图象时很难控制手指的弯曲角度，这些都会引入其他的冗余信息和不确定性；采用手指的宽度作为软生物特征方法忽略了手指轮廓的连续性和拐点的信息；另外，采用手指指尖角度作为软生物特征的方法只能在特定的手指静脉数据集上使用，该方法不具有普适性；采用手指静脉背景的强度分布作为软生物特征的方法在很大程度上取决于外界的光照，这将导致软生物特征的不稳定，并且手指的前景和背景信息不容易分离。

因此，在实现本公开构思的过程中，发明人发现，相关技术中至少存在如下问题：手指静脉进行识别的可用信息有限，采用相关技术对手指静脉识别的精度不高。

发明内容

有鉴于此，本公开提供了一种手指静脉识别方法、装置、电子设备及可读存储介质。

本公开的一个方面提供了一种手指静脉识别方法，包括：利用手指静脉图像获取手指轮廓图像和手指静脉感兴趣区域图像；将手指轮廓图像输入第一分支卷积神经网络，提取手指轮廓特征；将手指静脉感兴趣区域图像输入第二分支卷积神经网络，提取手指静脉主特征；将手指轮廓特征和手指静脉主特征串联，以生成融合特征向量；计算融合特征向量和多个类别身份向量中的每个类别身份向量之间的相似度得分；以及根据多个相似度得分确定手指静脉图像的类别。

根据本公开的实施例，其中，其特征在于，计算融合特征向量x与类别身份向量μ生成相似性得分r，其计算公式为：

r(x，μ)＝x^TBx+μ^THμ-2x^THμ

式中S_μ和S_ε分别表示训练集中融合特征向量的类内协方差矩阵和类间协方差矩阵。。

根据本公开的实施例，上述手指静脉识别方法训练集中融合特征向量的类内协方差矩阵和类间协方差矩阵使用期望算法进行更新；第一分支卷积神经网络和第二分支卷积神经网络的参数集θ和类别身份向量μ使用随机梯度下降法更新。

根据本公开的实施例，上述手指静脉识别方法类内协方差矩阵、类间协方差矩阵、参数集以及类别身份向量的更新效果以手指静脉识别损失L_JBS为判断依据，手指静脉识别损失L_JBS通过联合贝叶斯识别损失函数计算生成，其公式为：