[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

说明书

本发明公开了一种基于深度学习算法的多样本混合掌静脉识别方法及系统，方法包括以下步骤：S1、采集多波段的手掌静脉图像并进行预处理；S2、对预处理后的图像进行图像融合；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、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，根据最终汉明距离大小判定手掌图像与模板图像是否匹配。本发明通实现了对具有区分性信息的静脉特征有效提取，同时提高了掌静脉识别的精度。

技术领域

本发明涉及静脉识别技术领域，更具体地，涉及一种基于深度学习算法的多样本混合掌静脉识别方法及系统。

背景技术

手掌静脉识别是一种新颖的生物特征识别方法，具备很多独特优势，主要应用于公司和商业等部门的身份鉴别和验证系统中。人体的手掌静脉，是一种稳定且唯一的生物特征。静脉信息隐藏在表皮下，结构复杂很难被复制，手掌静脉识别是一种“活体识别”技术。手掌静脉识别的高安全性使其成为近年生物特征识别研究的新热点。

手掌静脉识别系统由图像采集、预处理、特征提取和特征匹配四个部分组成。由于手掌静脉的采集受多种因素的影响，使得采集的静脉图像中不仅包含着静脉而且包含着噪声和不规则的阴影，使得具有区分性信息的静脉特征很难被有效提取，从而导致识别精度的降低。

现有技术公开了一种基于改进残差网络的非接触式掌静脉识别方法，所述的非接触式掌静脉识别方法包括以下步骤：1）采集同一手掌的两张红外图像；2）定位手掌的ROI区域；3）掌静脉注册；4）掌静脉验证；5）掌静脉验证判定：设定识别阈值T，计算特征向量和注册模板的距离，若该距离小于设定的识别阈值T，则判定为该掌静脉验证成功，反之，验证失败；该方案在静脉特征提取不能无法克服噪声和不规则的阴影的影响，无法提取具有区分性信息的静脉特征。

发明内容

本发明提供一种基于深度学习算法的多样本混合掌静脉识别方法及系统，能够有效提取具有区分性信息的静脉特征，同时提高了掌静脉识别的精度。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

本发明第一方面提供了一种基于深度学习算法的多样本混合掌静脉识别方法，包括以下步骤：

本发明第一方面提供了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；

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。

进一步的，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。

进一步的，步骤S2的具体过程为：