[发明专利]一种基于多语义特征融合网络的指静脉识别方法

权利要求书

1.一种基于多语义特征融合网络的指静脉识别方法，其特征在于，包括以下步骤：

S1、采集指静脉图像，并进行数据增强，制作训练集、测试集；

S2、搭建特征提取网络；

特征提取网络包括输入层、改进的残差模块、特征融合预处理模块、池化层和全连接层；

其中所述的输入层依次包括卷积层、批量正则化层和激活层所述的改进的残差模块包括两个卷积层、两个批量正则化层、一个激活层和一个注意力机制层，依次为一个批量正则化层，一个卷积层，一个激活层，然后再经过一个卷积层，一个批量正则化层，最后经过一个注意力机制层；所述的特征融合预处理模块依次包括批量正则化层、卷积层、激活层和池化层；

S3、构建损失函数；

网络模型的损失函数采用Softmax损失函数与中心损失函数共同约束，使得网络能够更好的聚拢类内图像距离，增加类间图像距离，提高网络的分类能力，进而拥有更加准确的特征表征能力；

S4、训练网络；

将S1制作好的训练集输入S3构建的特征提取网络中，直到训练精度恒定，完成特征提取网络的训练，并保存特征提取网络模型；

S5、测试网络；

将测试集中的待分类图像输入到S4保存的特征提取网络模型中，获取待分类图像的图像特征，并且对特征进行匹配计算，获取识别结果。

2.根据权利要求1所述的一种基于多语义特征融合网络的指静脉识别方法，其特征在于，S1具体操作如下：

采集指静脉图像，并通过旋转、平移、缩放、亮度变换、添加噪声对现有指静脉图像进行处理，得到数据增强的样本图像，将获得的样本图像分为训练集和测试集。

3.根据权利要求2所述的一种基于多语义特征融合网络的指静脉识别方法，其特征在于，S2搭建特征提取网络，具体操作如下：

特征提取网络包括输入层、改进的残差模块、特征融合预处理模块、池化层和全连接层；将指静脉图像输入网络输入层处理，经过3个改进的残差块后提取图像较浅层特征，并进行特征融合前的预处理得到特征x₁；再经过4个改进的残差块后提取图像较深层特征，并进行特征融合前的预处理得到特征x₂；然后经过6个改进的残差块后提取图像深层特征，并进行特征融合前的预处理得到特征x₃；最后经过3个改进的残差块提取图像网络最深层特征，然后将提取的不同层语义特征融合，在经过池化层后输入全连接层，进行分类；

所述的输入层，包括普通卷积操作(Conv2D)，具体参数为：输入通道为1，输出通道为64，卷积核大小为3×3，步长为1，Padding为1；再经过批量正则化(Batch Normalization,BN)和激活函数(Activation)，其中激活函数采用PRelu；

所述的改进的残差模块包括两个卷积层、两个批量正则化层、一个激活层和一个注意力机制层；依次为一个批量正则化层，一个卷积层，一个激活层，然后再经过一个卷积层，一个批量正则化层，最后经过一个注意力机制层；当模块的输入与输出通道维度不相等时，需要经过卷积操作升维，使得二者保持通道维度一致，具体参数为：卷积核大小为1×1，步长根据输入通道与输出通道的倍数关系决定；所述的注意力机制层采用SE注意力机制，使得网络模型可以自动学习特征图各通道的重要程度；

特征融合预处理模块依次包括卷积层、批量正则化层、激活层和池化层，为了确保网络进行特征融合时，网络浅层到高层特征能够具有相同权重，需要保持特征图大小一致，因此需要对特征图进行预处理，同时对不同层特征进行非线性映射，起到激活作用。