[发明专利]基于融合深度网络的掌纹识别方法

权利要求书

1.一种基于融合深度网络的掌纹识别方法，其特征在于，

方法步骤中包含：

构建掌纹图像数据集及用于掌纹识别的M-CNN网络模型；

使用掌纹图像数据集对M-CNN网络模型进行训练，根据训练结果对M-CNN网络模型进行优化调整，保存训练完成的模型及权重，得到改进M-CNN网络模型，并将输出的特征向量对应存入样本库内以用作后续匹配识别；

使用改进M-CNN网络模型对需要识别的目标掌纹图像进行检测匹配识别，获得识别目标身份信息；其中，

构建掌纹图像数据集的方法步骤中包含：

获得多个掌纹图像，定位得到掌纹感兴趣区域图像；

对掌纹感兴趣区域图像进行处理，并提取对应特征图；

对每张掌纹感兴趣区域图像和对应特征图进行身份信息的分类标记，获得带有身份信息的掌纹图像数据，多个掌纹图像数据形成掌纹图像数据集；

M-CNN网络模型包括用于提取掌纹图像关键点特征的M-CNN-1基于改进的残差网络分支和用于提取掌纹图像纹理特征的M-CNN-2卷积神经网络分支；其中，

掌纹图像数据集中的掌纹感兴趣区域图像用于训练M-CNN-1基于改进的残差网络分支；

掌纹图像数据集中的特征图用于训练M-CNN-2卷积神经网络分支；

M-CNN网络模型的工作方法包含：

M-CNN-1基于改进的残差网络分支的工作方法，调整输入的掌纹感兴趣区域图像的尺寸；对调整尺寸后的掌纹感兴趣区域图像依次进行初卷积、最大池化操作，获得特征层一；依次对特征层一的Block1层进行一次ConvBlock和两次IdentityBlock操作、Block2层进行一次ConvBlock和三次IdentityBlock操作、Block3层进行一次ConvBlock和三次IdentityBlock操作、Block4层进行一次ConvBlock和两次IdentityBlock操作，获得特征层二，将特征层二作为特征向量P1进行输出；

M-CNN-2卷积神经网络分支的工作方法，调整输入的特征图的尺寸；对调整尺寸后的特征图进行初卷积操作，获得特征层A；对特征层A依次进行最大池化、卷积、卷积、最大池化、卷积、卷积、最大池化操作，获得特征层B，将特征层B作为特征向量P2进行输出；

将特征向量P1和特征向量P2串联拼接，并接入全连接层。

2.根据权利要求1所述的基于融合深度网络的掌纹识别方法，其特征在于，

获得多个掌纹图像的方法步骤中包含：

使用公开的掌纹图像和/或使用图像采集设备拍摄掌纹图像。

3.根据权利要求1所述的基于融合深度网络的掌纹识别方法，其特征在于，

对掌纹感兴趣区域图像进行处理的方法步骤中包含：

对掌纹感兴趣区域图像进行去噪、掌纹图像信息增强、灰度化、归一化及旋转。