[发明专利]基于多通道卷积神经网络的掌静脉识别方法

说明书

基于多通道卷积神经网络的掌静脉识别方法，输入手掌静脉图像，并备份原图像，保存为A图像库；ROI区域定位；直方均衡化处理；使用多通道ResNet152网络融合识别。本发明能够减小图像噪音对网络识别的影响，使用直方均衡化能解决图像在定位后灰度分布过于集中、静脉特征不明显等缺点，有效提取出不明显的细小静脉信息，从而增强静脉特征，使用了多通道ResNet152神经网络，融合了整体和局部特征进行识别。原始图像所在通道不进行预处理，更大程度上保留图像的特征信息，实现对特征图像的宏观特征识别；另一个通道采用ROI定位和直方均衡化的结合处理，更注重对特征图像的细微特征识别，有利于提取局部静脉特征。通过使用上述网络结构，可提高掌静脉识别的准确率。

技术领域

本发明属于生物特征识别领域，具体涉及一种基于多通道卷积神经网络的掌静脉识别方法，旨在提高掌静脉识别的精度。

背景技术

静脉识别是基于人体皮肤下的静脉血管图像进行身份认证的一种技术。静脉识别具有的唯一性、活体性、植根于皮下以及无法伪造等特点，使其迅速成为生物识别领域的热点。静脉识别技术的研究对象有手指静脉、手背静脉和手掌静脉等。相对于手指静脉，手掌静脉的面积更大并且静脉信息更丰富；相对于手背静脉，手掌静脉不会受到毛发的影响。因此，掌静脉识别在图像采集、特征提取等方面更具有优势。

在掌静脉识别中，主要有图像采集、图像预处理、特征提取以及特征匹配等环节。其中，图像预处理和特征提取是两个较为重要的环节。在图像预处理环节中，由于采集图像的灰度分布在较窄的区间，导致图像细节不够清晰。通常可使用直方均衡化方法进行修正，以扩大图像的灰度间距，增大反差，使图像的细节变得更加清晰，实现增强手掌局部细小静脉纹理的目的。但使用直方均衡化对图像进行预处理，也会导致图片背景噪音增大，进而影响最终的识别准确率。在特征提取环节中，常用的特征提取方法有局部二进制模式(LocalBinary Pattern，LBP)、线性局部二进制模式以及最大曲率方法(Maximum CurvatureMethod，MCM)等，可参照论文《掌静脉识别算法研究》(颜学葵，华南理工大学)和“StatisticalAnalysis ofResulting Palm vein Image through EnhancementOperations”(Shriram D.Raut；Vikas T.Humbe，DOI:10.5815/ijieeb.2013.06.06)，这些特征提取方法有一定效果，但也会不同程度上导致一部分特征的缺失。以基于局部二进制模式的方法为例，对于图像中细小的静脉纹路，它难以提取出有效静脉特征。同时，对于图像中灰度值过低或过高区域，背景信息常被误判为静脉特征。

发明内容

针对上述缺陷，本发明提出一种基于多通道卷积神经网络的掌静脉识别方法。该方法将不同视角下提取出的掌静脉图像整体特征和局部特征结合，并使用加权融合的方式进行特征融合，结合了ROI(Region OfInterest)区域定位和直方均衡化两种方法，并采用双通道的ResNet152网络。两个通道分别兼顾特征图像的整体和局部细节特征。第一个通道输入采集到的原图像，以保证图像整体上的特征完整性；第二个通道输入感兴趣区域定位及直方均衡化处理后的掌静脉图像，图像经过处理后噪声大幅度下降，同时局部细节静脉特征被增强。两个通道分别独立对特征图像整体和局部进行特征提取。最后，通过对两个通道输出结果进行加权融合得到识别结果。两个通道相互协作、相互制约，能有效提高网络识别准确率。本方法可以有效提高掌静脉图像的识别准确率。

基于多通道卷积神经网络的掌静脉识别方法，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：