[发明专利]一种基于神经网络学习的手指静脉图像识别方法

说明书

本发明公开了一种基于神经网络学习的手指静脉图像识别方法，包括以下步骤：S1：获取及预处理手指静脉图像；S2：根据S1提取手指静脉图像特征；S3：根据S2进行特征匹配与识别；S4：根据S3进行实验并分析结果；解决了以往技术中由于对比损失以及三元组损失对训练样本的利用率不够高而导致模型效果欠佳的问题；并通过在系统中融入手指静脉图像质量的判断，解决了由于图像质量不合格而导致的识别准确率降低的问题。

技术领域

本发明涉及手指静脉图像识别领域，特别是一种基于神经网络学习的手指静脉图像识别方法。

背景技术

相比于密码、钥匙、身份证等传统身份鉴别信息，人体生物特征因具有“随身携带”、随时随地可用、不易遗忘和丢失等优点，使得金融、安防、日常出勤管理、个人物品保管等领域更青睐于通过生物特征进行个人身份识别与验证。相比于指纹和人脸等外部特征，手指静脉属于人体内部结构，不易受到外部环境的影响，并且静脉识别属于活体识别，难以被复制，其安全等级更高。同时，由于手指静脉脉络分布的随机性，使得不同个体之间手指静脉脉络分布存在差异性，即使是双胞胎的静脉分布特征也不相同，这就奠定了手指静脉用于身份识别的基础。

影响手指静脉识别系统精度的主要因素为：采集到的静脉图像质量好坏以及静脉图像特征提取是否有效，二者均是为了保障手指静脉图像中的特征能充分提取与表达。传统静脉图像特征提取方法主要是通过人工设计特征提取算法，例如：提取血管结构的标志性特征(线性形状、曲率、细节点等)来代表静脉脉络的特征；利用单维或多维的主分量分析方法寻找静脉图像或所提特征的低维表达，从而有效缩减了特征向量的维数；利用静脉图像全局或局部的统计信息来表达图像的特征，以局部二值模式(Local Binary Pattern,LBP)为典型代表；另外，一些在计算机视觉上广泛应用的尺度不变特征提取技术(ScaleInvariant Feature Transform,SIFT)也被用于静脉特征表达。

得益于神经网络技术的发展，近年来计算机视觉中许多问题都借助于神经网络模型来自适应地捕获目标图像的有效特征，已有学者将典型的卷积神经网络模型用于手指静脉识别问题中。例如：陶志勇等在AlexNet模型基础上提出了Im-AlexNet模型并用于手指静脉识别中，有效减小了模型参数量，提高了识别准确率。但由于分类网络输出节点固定，使得识别系统只能识别有限数量的人群。Tang和Xie将度量学习应用于手指静脉识别中，Tang利用预训练模型作为教师网络，轻量级网络作为学生网络，将两者结合为一个孪生网络结构，构造对比损失(Contrastive Loss)量化样本对之间的距离，训练出的网络性能良好。Xie研究了影响网络识别率的因素，通过三元组损失(Triplet Loss)训练得到最优的哈希模型，取得较好的手指静脉识别结果。虽然度量学习解决了分类网络结构的问题，但是其中的对比损失以及三元组损失对训练样本的利用率还不够高，导致模型效果欠佳。

为了克服上述方法存在的缺陷，我们基于度量学习的方法，提出采用基于平滑平均准确度损失函数(SmoothAverage Precision Loss,Smooth-AP)来训练卷积神经网络的思路，有效提高了网络识别手指静脉图像的性能。并且，构建了如下的识别系统：个人身份注册时，利用训练好的卷积神经网络将输入的手指静脉图像转变为其对应的特征向量并存储，从而完成个人身份数据库的构建；当识别个人身份时，利用网络提取待识别手指静脉图像的特征，并通过与个人身份数据库中已有的特征进行匹配得到待识别人的身份。另外，为了保证网络输入端的手指静脉图像质量达到一定要求，我们在图像采集后加入了基于神经网络的图像质量判断模块，进一步增强了整个手指静脉识别系统的稳定性和可靠性。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于神经网络学习的手指静脉图像识别方法，解决了以往技术中由于对比损失以及三元组损失对训练样本的利用率不够高而导致模型效果欠佳的问题；并通过在系统中融入手指静脉图像质量的判断，解决了由于图像质量不合格而导致的识别准确率降低的问题。

本发明的技术方案为：一种基于神经网络学习的手指静脉图像识别方法，包括以下步骤：