[发明专利]基于融合深度网络的掌纹识别方法

说明书

本发明公开了一种基于融合深度网络的掌纹识别方法，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。本发明可对掌纹身份进行高效、准确识别。

技术领域

本发明涉及一种基于融合深度网络的掌纹识别方法。

背景技术

随着科学与技术的快速发展，全球对信息安全的重视程度日益增长。而作为信息安全领域重要的一环——身份实名认证，就显得尤为重要。传统的身份识别方法如密码、证件等已经跟不上社会发展的需要。人体生物特征由于其唯一性、普适性、安全性等优点成为未来身份认证的趋势。掌纹由于其具有唯一性和终生不变性的特点且具有丰富的用于身份认证的信息，掌纹图像采集也很方便，用户接受程度高，因此基于掌纹的身份识别具有相当大的价值与意义。

掌纹图像的特征提取对于掌纹图像的识别至关重要，现有的掌纹特征提取方法大多是基于纹理的特征提取方法、基于结构的特征提取方法、基于编码的特征提取方法以及基于子空间的特征提取方法等。但这些传统的方法都需要人为设计特征，计算量大，实现起来也比较复杂。

近年来深度学习在图像识别方面应用十分广泛，它具有很强的自学习能力能够自动提取特征，学习得到适合的特征提取器和分类器，算法结构及运算相当简洁，可迁移性强，对图像噪声的鲁棒性与泛化能力强，已经受到生物识别领域的青睐。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于融合深度网络的掌纹识别方法，它可对掌纹身份进行高效、准确识别。

为了解决上述技术问题，本发明的技术方案是：一种基于融合深度网络的掌纹识别方法，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。

进一步，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。

进一步，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。

进一步，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。

进一步，通过改进圆形LBP算法提取处理后的掌纹感兴趣区域图像的对应特征图，改进圆形LBP算法为：

以所选像素点为圆心，在半径为R的圆形邻域内取P个采样点，通过式(1)计算每个采样点的坐标；

x_p＝x_c+R*cos(2πp/P)，y_p＝y_c-R*sin(2πp/P)   (1)