[发明专利]基于多通道卷积神经网络的掌静脉识别方法

权利要求书

1.基于多通道卷积神经网络的掌静脉识别方法，其特征在于：所述方法包括：

步骤1，输入手掌静脉图像，并备份原图像，保存为A图像库；

步骤2，ROI区域定位；对输入的掌静脉图像进行ROI区域定位，将定位后的图像区域截取并保存为B图像库；其中，ROI区域定位主要分为边缘检测和设定阈值两个步骤进行；

步骤3，直方均衡化处理；对B图像库中的所有图像进行直方均衡化处理；

步骤4，使用多通道ResNet152网络融合识别；具体步骤为：

步骤4.1，将A图像库和B图像库所保存的特征图像一一对应进行分组、标注标签，并进行测试图像集和训练图像集的划分；

步骤4.2，使用两个通道的ResNet152神经网络，将A图像库和B图像库所保存的特征图像分别作为两个通道进行输入；

步骤4.3，最后将两个通道的结果进行加权融合得到最终结果，由输出层对概率最大的标签进行相应身份信息的输出。

2.根据权利要求1所述的基于多通道卷积神经网络的掌静脉识别方法，其特征在于：所述步骤2包括如下分步骤：

步骤2.1，边缘检测；对于掌静脉图像对其进行二值化操作，基本分离出手掌和背景；对得到的二值化图像逐行和逐列进行像素检索，最终通过检测得出每一行、列的二值像素个数比；根据该个数比能够得到手掌的四周边缘所在图中位置，由此完成图像的边缘检测；

步骤2.2，设定阈值并截取图像；在边缘检测后，得到手掌处于原图片中的位置，之后进行阈值设定；阈值设定即设置手掌中心目标区域与手掌边缘的像素距离，设为0-25像素，该目标区域即为ROI区域；完成阈值设定后，对得到的ROI区域进行截取，并存入B图像库。

3.根据权利要求1所述的基于多通道卷积神经网络的掌静脉识别方法，其特征在于：所述步骤3中，直方均衡化处理具体为：

先将图像数值化，再使用累积分布函数的线性插值，计算掌静脉新的像素值，使得静脉和背景的对比度加强，静脉的纹路更有效地被识别到；直方图均衡化的公式如下：

其中，S_k为此灰度级经过函数映射后的值，k指当前灰度级，n是静脉图像的像素和，n_j为此灰度级的像素数量，L为图像中的灰度级总数；

通过直方图均衡化处理后，原图的直方图统计像素值重新均衡分布在0-250之间，增加图像的对比，使得静脉与背景对比度更大，以突出掌静脉纹路，便于后续静脉的识别。

4.根据权利要求1所述的基于多通道卷积神经网络的掌静脉识别方法，其特征在于：所述步骤3中，对B图像库中所有图片依次进行直方均衡化处理，并覆盖B图像库原图像。

5.根据权利要求1所述的基于多通道卷积神经网络的掌静脉识别方法，其特征在于：所述步骤4.2中，采用的双通道ResNet152网络中，两个通道相互独立，每个通道输入图像先经过卷积核大小为7×7，通道数为64的卷积层，进入最大池化层；之后依次进入通道数为256的3个残差块结构、通道数为512的8个残差块结构，通道数为1024的36个残差块结构，最后进入通道数为2048的3个残差块结构，单通道输出结果后将进行特征融合。

6.根据权利要求5所述的基于多通道卷积神经网络的掌静脉识别方法，其特征在于：残差块中，通过两个1×1卷积核的卷积层降低计算量并控制输入输出通道数，通过3×3卷积核的卷积层进行特征提取，使用relu函数作为激活函数。