[发明专利]基于深度学习的掌纹细节点真伪甄别方法及系统

权利要求书

1.基于深度学习的掌纹细节点真伪甄别方法，其特征是，包括：

获取待识别的掌纹图像；

对待识别的掌纹图像进行预处理，得到待识别掌纹图像的细节点描述信息和细节点邻域图像；

将待识别掌纹图像的细节点描述信息和细节点邻域图像，输入到训练后的卷积神经网络中，得到掌纹细节点真伪甄别结果；

所述卷积神经网络，其网络结构包括：

输入层，所述输入层，用于输入带有细节点描述信息的细节点邻域图像；

所述输入层，分别与第一通道、第二通道、第三通道和第四通道连接；

所述第一通道，包括：依次连接的卷积核为3*3的卷积层A1和卷积核为1*1的卷积层A2；

所述第二通道，包括：依次连接的卷积核为4*4的卷积层B1、卷积核为4*4的卷积层B2和卷积核为3*3的卷积层B3；

所述第三通道，包括：依次连接的卷积核为3*3的卷积层C1和卷积核为3*3的卷积层C2；

所述第四通道，包括：依次连接的卷积核为5*5的卷积层D1和卷积核5*5的卷积层D2；

其中，卷积层A2与第一深度连接层depth concatenation连接；

其中，卷积层B3与第一深度连接层depth concatenation连接；

其中，卷积层C2与第二深度连接层depth concatenation连接；

其中，卷积层D2与第二深度连接层depth concatenation连接；

第二深度连接层depth concatenation通过依次串联的3*3的卷积层E1和3*3的卷积层E2与第一深度连接层depth concatenation连接；

第一深度连接层depth concatenation通过第五通道与融合层连接；

其中，第五通道，包括依次串联的3*3的卷积层F1、1*1的卷积层F2、第一全连接层和第二全连接层；其中，串联的3*3的卷积层F1与第一深度连接层depth concatenation连接，第二全连接层与融合层连接；

所述输入层与融合层连接；所述融合层与第三全连接层连接；所述第三全连接层通过softmax分类器与输出层连接。

2.如权利要求1所述的基于深度学习的掌纹细节点真伪甄别方法，其特征是，对待识别的掌纹图像进行预处理，得到待识别掌纹图像的细节点描述信息和细节点邻域图像；具体包括：

对待识别的掌纹图像进行细节点提取，得到细节点集合；其中，所述细节点集合，包括：若干个真细节点和若干个伪细节点；所述细节点集合中的每个细节点均包含位置和方向；

根据细节点位置，提取64*64像素的邻域图像；

对待识别的掌纹图像进行图像配准处理，获取旋转平移矩阵；

将旋转平移矩阵、和细节点的位置和方向信息，作为待识别掌纹图像的细节点描述信息；将64*64像素的邻域图像，作为细节点邻域图像。

3.如权利要求2所述的基于深度学习的掌纹细节点真伪甄别方法，其特征是，所述对待识别的掌纹图像进行细节点提取，得到细节点集合；是利用自动指纹识别系统，对待识别的掌纹图像进行细节点提取，得到细节点集合。

4.如权利要求1所述的基于深度学习的掌纹细节点真伪甄别方法，其特征是，其中，卷积层A1用于输入16*16的细节点邻域图像；其中，所述16*16的细节点邻域图像是从64*64像素的邻域图像中得到的；

其中，卷积层B1用于输入48*48的细节点邻域图像；其中，所述48*48的细节点邻域图像是从64*64像素的邻域图像中得到的；

其中，卷积层C1用于输入32*32的细节点领域图像；其中，所述32*32的细节点邻域图像是从64*64像素的邻域图像中得到的；

其中，卷积层D1用于输入64*64的细节点邻域图像；其中，所述64*64的细节点邻域图像是从64*64像素的邻域图像中得到的。