一种基于属性学习的手指静脉识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于属性学习的手指静脉识别方法及装置，该方法包括：获取手指静脉图像库，进行数据增广形成训练集；针对手指静脉的特点设计可解释性属性，在训练集中分别针对每个可解释性属性建立其对应的属性学习模型用于获取可解释性属性的值；为了进一步提高特征的区分性，提出了基于区分性辅助branch的卷积神经网络作为区分性属性的学习模型，并设计新的Inter‑intra损失函数，增强区分性属性学习模型的区分性；获取待识别图像，根据全部属性学习模型确定待识别图像的属性特征，进行手指静脉识别。相比较传统的特征，本发明专利技术提出的方法提高现有特征的可解释性，识别精度以及识别效率。

【技术实现步骤摘要】
一种基于属性学习的手指静脉识别方法及装置
本专利技术属于手指静脉识别的
，涉及一种基于属性学习的手指静脉识别方法及装置，尤其是涉及一种基于可解释性属性学习和区分性属性学习的手指静脉识别方法及装置。
技术介绍
近年来，生物识别在信息安全、电子商务等领域起着越来越重要的作用。手指静脉作为一种新兴的生物特征受到越来越多研究者的关注。相比较指纹、人脸等较为成熟的生物特征，手指静脉具有内部特征、活体识别、非接触式采集，采集设备体积小且成本较小等优点。鉴于手指静脉的这些优点，手指静脉识别技术已广泛应用到考勤、汽车锁、ATM等领域。传统的手指静脉识别技术主要包括图像增强，特征提取，分类等过程。图像增强主要用于增强图像的质量、去除噪声。特征提取用于提取图像的量化特征，表示图像的特点。分类则是基于提取的图像特征进行身份识别。在整个过程中，特征提取是关键一环，特征提取的好坏直接影响到下一步的识别性能。例如，现有的手指静脉识别领域中的特征提取主要分为基于纹理的特征提取、基于纹路的特征提取、基于学习的特征提取、基于融合特征的提取等四类方法。基于纹理的特征提取方法主要提取指静脉的纹理信息。基于纹路的特征提取方法主要提取指静脉的拓扑结构信息。基于学习的特征提取方法通过机器学习方法从已有的数据中学习相关的特征。基于融合特征的提取方法则是将各种特征进行融合来提高识别精度。虽然现有的特征在一定程度上都能取得较好的效果，然而这些特征仍存在一定的局限性：(1)可解释性较差。很难根据提取的特征直观地判断其所代表的物理意义。而增强特征的可解释性，让人更容易理解，对让人接受手指静脉识别具有重要的意义。(2)忽略了特征的区分性。现有的方法在提取图像特征时，并未考虑到图像特征之间的区分性。而图像特征的区分性信息对于提高最后的手指静脉识别性能具有重要的意义。综上所述，现有技术在手指静脉识别中如何直观地对图像特征进行表示、提高图像特征之间的分区性的问题，以及如何提高手指静脉识别的识别精度和识别效率的问题，尚缺乏有效的解决方案。
技术实现思路
针对现有技术中存在的不足，解决现有技术在手指静脉识别中如何直观地对手指静脉识别中特征进行表示、提高手指静脉识别中特征之间的分区性的问题，以及如何提高手指静脉识别的识别精度和识别效率的问题，本专利技术提供了一种基于属性学习的手指静脉识别方法及装置，相比较传统的手指静脉识别中提取的特征，本专利技术有效提高现有手指静脉识别中特征的可解释性和图像特征之间的分区性，有效提高手指静脉识别的识别精度以及识别效率。本专利技术的第一目的是提供一种基于属性学习的手指静脉识别方法。为了实现上述目的，本专利技术采用如下一种技术方案：一种基于属性学习的手指静脉识别方法，该方法包括：获取手指静脉图像库，进行数据增广形成训练集；预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别。在本专利技术中，第一次提出手指静脉识别中的可解释性属性的定义；比较于传统的手指静脉识别中的特征提取方法，本专利技术提取的属性特征中，可解释性属性具有更好的解释意义，可以直观地对图像特征进行表示。作为进一步的优选方案，在本方法中，进行数据增广形成训练集的具体步骤包括：分别将手指静脉图像库中的每一幅训练图像中进行加噪和旋转处理得到新的训练图像；在进行加噪和旋转处理时对手指静脉图像库中的每一幅训练图像进行不同参数的设置；将新的训练图像加入手指静脉图像库中，形成训练集。作为进一步的优选方案，在本方法中，根据手指静脉的特点预设若干可解释性属性，采用卷积神经网络作为可解释性属性学习模型；采用卷积神经网络构建一个可解释性属性的学习模型的具体步骤包括：根据手指静脉的特点预设若干可解释性属性，可解释性属性的属性值作为训练图像的标签；根据训练和其对应的标签，采用卷积神经网络模型进行训练，获得可解释性属性学习模型。作为进一步的优选方案，该方法还包括区分性属性的学习：从训练集中获取可解释性属性无法区分的用户的手指静脉图像；构造与无法区分的用户数量相同的区分性属性，分别用于区分一个用户与其他用户。作为进一步的优选方案，该方法还包括：采用最小化的最小二乘损失函数和间内损失函数计算分区性辅助分支参数，建立引入分区性辅助分支的区分性属性学习模型。在本专利技术中，基于获取的不易区分用户的手指静脉图像，建立区分性属性学习模型。提出区分性辅助branch卷积神经网络学习作为区分性属性学习模型。不同于传统的卷积神经网络，本专利技术提出的区分性卷积神经网络引入了区分性辅助branch，并设计了新的Inter-intra损失函数，用于增强特征的区分性。在本专利技术中，基于可解释性属性的识别结果，学习出区分性属性，对可解释性属性进行较好的互补。另外，由于最后获得的属性是二值的，且是少量的，可以提高计算机的存储计算效率。作为进一步的优选方案，在本方法中，所述最小二乘损失函数包括用于保证训练误差最小的拟合项和用于提高网络泛化能力的正则化项；所述间内损失函数包括用于保证最小化类内差异性的拟合项和用于最大化类间的差异的正则化项。作为进一步的优选方案，采用随机梯度下降法对最小二乘损失函数和间内损失函数进行优化求解。作为进一步的优选方案，根据全部属性学习模型确定待识别图像的属性特征的具体步骤包括：将待识别图像输入全部属性学习模型中，所述全部属性学习模型包括可解释性属性学习模型和区分性属性学习模型；根据全部属性学习模型的输出结果得到待识别图像的属性特征。本专利技术的第二目的是提供一种计算机可读存储介质。为了实现上述目的，本专利技术采用如下一种技术方案：一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备设备的处理器加载并执行以下处理：获取手指静脉图像库，进行数据增广形成训练集；预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别。本专利技术的第三目的是提供一种基于属性学习的手指静脉识别装置。为了实现上述目的，本专利技术采用如下一种技术方案：一种基于属性学习的手指静脉识别装置，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下处理：获取手指静脉图像库，进行数据增广形成训练集；预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别。本专利技术的有益效果：(1)本专利技术所述的一种基于属性学习的手指静脉识别方法及装置，第一次提出手指静脉识别中的可解释性属性的定义，并提出了相关的属性学习模型；比较于传统的手指静脉识别中的特征提取方法，本专利技术提取的属性特征中，可解释性属性能够增强属性对目标的直观表达能力，具有更好的解释意义，可以直观地对图像特征进行表示；(2)本专利技术所述的一种基于属性学习的手指静脉识别方本文档来自技高网...

【技术保护点】
一种基于属性学习的手指静脉识别方法，其特征在于，该方法包括：获取手指静脉图像库，进行数据增广形成训练集；预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别。

【技术特征摘要】
1.一种基于属性学习的手指静脉识别方法，其特征在于，该方法包括：获取手指静脉图像库，进行数据增广形成训练集；预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别。2.如权利要求1所述的方法，其特征在于，在本方法中，进行数据增广形成训练集的具体步骤包括：进行数据增广形成训练集的具体步骤包括：分别将手指静脉图像库中的每一幅训练图像中进行加噪和旋转处理得到新的训练图像；在进行加噪和旋转处理时对手指静脉图像库中的每一幅训练图像进行不同参数的设置；将新的训练图像加入手指静脉图像库中，形成训练集。3.如权利要求2所述的方法，其特征在于，在本方法中，根据手指静脉的特点预设若干可解释性属性，采用卷积神经网络作为可解释性属性学习模型，具体步骤包括：根据手指静脉的特点预设若干可解释性属性，可解释性属性的属性值作为训练图像的标签；根据训练和其对应的标签，采用卷积神经网络模型进行训练，获得可解释性属性学习模型。4.如权利要求3所述的方法，其特征在于，该方法还包括区分性属性的学习：从训练集中获取可解释性属性无法区分的用户的手指静脉图像；构造与无法区分的用户数量相同的区分性属性，分别用于区分一个用户与其他用户。5.如权利要求4所述的方法，其特征在于，该方法还包括：采用最小化的最小二乘损失函数和间内损失函数计算分区性辅助分支参数，建立引入分区性辅助分支的区分性属性学习模型。6.如权利要求5所述的方法，其特征在于，在本方法中，所述最小...

【专利技术属性】
技术研发人员：袭肖明，尹义龙，孟宪静，杨璐，
申请(专利权)人：山东财经大学，
类型：发明
国别省市：山东,37