[发明专利]一种基于深度学习算法的多样本混合掌静脉识别方法

权利要求书

1.一种基于深度学习算法的多样本混合掌静脉识别方法，其特征在于，包括以下步骤：

S1、采集多波段的手掌静脉图像并进行预处理；

S2、利用深度学习图像融合方法对预处理后的图像进行图像融合；

具体过程为：

S201、将预处理后的图像输入至VGG16网络中，利用VGG16网络的多级特征提取模块提取5级深度图像特征，将5级深度图像特征输入至VGG16网络的相邻特征提取模块得到4级深度图像特征；

S202、将4级深度图像特征输入VGG16网络的权重归一化融合模块进行不同模态间特征的精确融合得到最终融合特征；

S203、将最终融合特征输入至VGG16网络的图像重构模块得到融合图像；

S3、利用深度学习图像关键点定位方法确定融合图像中的掌静脉关键点；

S4、基于掌静脉关键点截取最大化感兴趣区域；

S5、利用生成网络和判别网络从最大化感兴趣区域中提取静脉特征，得到静脉图像特征；

S6、通过特征搜索和匹配计算得到每张静脉特征图像与预设模板图像的汉明距离；

S7、将多波段下每张静脉特征图对应的汉明距离进行加权得到最终汉明距离，若最终汉明距离小于或等于预设阈值则当前判定手掌图像与模板图像匹配，若最终汉明距离大于预设阈值则当前判定手掌图像与模板图像不匹配。

2.根据权利要求1所述的一种基于深度学习算法的多样本混合掌静脉识别方法，其特征在于，所述采集多波段的手掌静脉图像即分别在波长760nm、810nm、850nm、940nm、960nm近红外光下分时采集手掌静脉图像，图像采集的帧率为120帧/秒；

所述预处理包括：灰度均衡化、非线性变换、旋转、空间域增强及频率域增强。

3.根据权利要求1所述的一种基于深度学习算法的多样本混合掌静脉识别方法，其特征在于，VGG16网络每一个分支得到的每一级图像特征表示为：

其中，表示第n(n=1,2,3,4,5)个分支得到的融合后的第r(r=1,2,3,4)级图像特征；cat()表示级联操作；conv()表示卷积操作；表示滤波器的参数集；表示神经网络的激活函数；表示第n个分支中VGG16网络第r个相邻特征提取模块得到的图像特征，表示第n个分支中VGG16网络第r+1个相邻特征提取模块得到的图像特征；

在步骤S202中特征融合的表达式为：

其中，cat()表示级联操作；conv()表示卷积操作；表示滤波器的参数集；表示神经网络的激活函数；，分别表示当前级的融合特征与前一级权重归一化融合模块的输出，表示当前级权重归一化融合模块的输出；融合图像的表达式为：

其中，conv()表示卷积操作；表示滤波器的参数集；表示神经网络的激活函数。

4.根据权利要求1所述的一种基于深度学习算法的多样本混合掌静脉识别方法，其特征在于，步骤S3的具体过程为：

S301、对现有的深度信念网络进行全局训练，利用训练后的深度信念网络提取LBP纹理特征；

S302、利用图像的LBP纹理特征得到手掌图像的关键点类标值，识别出掌静脉的关键点;

S303、利用并行卷积神经网络对识别出的关键点进行精准定位，得到预定义关键点。

5.根据权利要求4所述的一种基于深度学习算法的多样本混合掌静脉识别方法，其特征在于，所述预定义关键点包括：每两根手指之间的凹点、每根手指根部中点、手腕两侧点、手腕中点、拇指根部外侧点及小指根部外侧点，将每两根手指之间的凹点、每根手指根部中点、手腕两侧点、手腕中点、食指根部外侧点、拇指根部外侧点及小指根部外侧点依次连线得到的封闭区域即为最大化感兴趣区域。