一种非接触掌纹身份认证方法技术

本发明专利技术提供一种非接触掌纹身份认证方法，包括如下步骤：获取训练样本图像和测试样本图像，所述训练样本图像和所述测试样本图像包括至少一组握拳的手掌图像和展开手掌的手掌图像；降低所述训练样本图像和所述测试样本图像的分辨率，提取所述训练样本图像和所述测试样本图像的ROI；对所述训练样本图像的ROI进行变换扩充所述训练样本图像的ROI；通过基于卷积神经网络的双网络深度学习，提取出所述训练样本图像的ROI中旋转、透视、亮度变换无关的全局特征与局部特征，根据所述测试样本图像与所述训练样本图像的全局特征与局部特征的相似度进行身份认证。在保证识别速度的情况下提高基于智能移动终端采集的非接触掌纹识别准确率。

A non contact palmprint identity authentication method

The invention provides a non-contact palmprint authentication method, which comprises the following steps: acquiring a training sample image and a test sample image, the training sample image and the test sample image comprising at least a set of palm images for clenching a fist and a palm image for opening a palm; reducing the training sample image and the test sample The resolution of the image, extracting the ROI of the training sample image and the test sample image, transforming and expanding the ROI of the training sample image, and extracting the rotation, perspective and brightness of the ROI of the training sample image by dual network depth learning based on convolution neural network. Transform independent global features and local features, and authenticate the identity according to the similarity between global features and local features of the test sample image and the training sample image. The accuracy of non-contact palmprint recognition based on smart mobile terminal acquisition is improved while the recognition speed is guaranteed.

【技术实现步骤摘要】
一种非接触掌纹身份认证方法
本专利技术涉及生物特征识别
，尤其涉及一种非接触掌纹身份认证方法。
技术介绍
近年来，智能手机和iPad等智能移动终端设备已经越来越广泛地出现在人们的生活中。当人们享受这些移动设备带来的方便性时，由此发生的诈骗和身份盗窃也迅速增加。特别是伴随着手机银行和电子商务等移动互联网应用的推广，制约其发展的安全问题变得更加突出。例如，由于智能终端键盘的输入比较麻烦，许多用户的密码都很简单，甚至有相当一部分智能终端用户嫌麻烦而不设置密码。在智能终端丢失或者被盗用时，简单的密码很容易被破解，或者由于根本没有密码，在智能终端用户发现丢失或者被盗并采取补救措施之前，一些个人资料已经被窃取或者手机银行被盗用，造成重大经济损失。此外，密码还有容易遗忘的特点，在合法的智能终端用户忘了密码的情况下，给用户带来了极大的不便甚至损失，如在移动证券交易中，由于忘记密码而无法交易时，有可能给合法的智能终端用户造成不可挽回的损失。可以说，如果能很好的解决智能终端的安全问题，手机银行等应用将会获得巨大的、更进一步的发展。生物特征识别技术可以辅助或替代传统的身份认证，提高移动互联网的安全性。同其它生物特征识别相比，非接触式的掌纹识别有很多优点。表1是几种常见生物识别技术和掌纹技术的对比：表1.主流生物特征性能对比下面从几个方面简单分析一下。(1)安全性。人的手掌为柔性结构，很难以完整的、平展的状态暴漏于外界。而指纹、人脸、虹膜等特征，经常以完整的、平展的状态暴漏于外界，容易被盗取，引发安全问题。掌纹在目前主流生物特征中，安全性仅次于视网膜与掌静脉。(2)易用性。掌纹图像可在低分辨率下识别而不需要专有的传感器或高分辨率的要求。普通的智能终端摄像头即可满足采集要求。而掌静脉采集需要特殊设备，视网膜采集伴随强光刺激，虹膜采集可能伴有光刺激且存在一定的对焦问题。并且，非接触掌纹的采集类似于扫描二维码，如图1所示，易于被用户接受，容易在手机商城、手机银行等项目中进行推广。(3)适用性。掌纹在某些环境下，具有更强的适用性。例如，在浴室、泳池的更衣室中，如需通过生物特征开箱，虹膜、人脸等需要广角摄像头定位的生物特征无法适用。并且由于人手潮湿，指纹等接触式生物特征也无法适用。而非接触式掌纹可仿照接触式掌纹，构造一个嵌入墙体的半封闭采集结构，适用于此种环境。尽管近几年来，非接触式掌纹识别取得了一些成果，已有若干原型系统开发出来。但如图1所示，基于智能移动终端的掌纹采集由于没有辅助的装置来固定手掌的位置，且没有背景遮挡装置，导致手掌所处的背景比较复杂，而且自由度很大，现有的掌纹识别算法不能有效实施。且目前并无公开的基于智能移动终端采集的大型掌纹数据库，开发人员面临严重的训练样本不足问题，使得基于智能移动终端的非接触掌纹没有满意的身份认证准确率。
技术实现思路
本专利技术为了解决现有技术中非接触掌纹识别的问题，提供一种非接触掌纹身份认证方法。为了解决上述问题，本专利技术采用的技术方案如下所述：一种非接触掌纹身份认证方法，包括如下步骤：S1：获取训练样本图像和测试样本图像，所述训练样本图像和所述测试样本图像包括至少一组握拳的手掌图像和展开手掌的手掌图像；S2：降低所述训练样本图像和所述测试样本图像的分辨率，提取所述训练样本图像和所述测试样本图像的ROI；S3：对所述训练样本图像的ROI进行变换扩充所述训练样本图像的ROI；S4：通过基于卷积神经网络的双网络深度学习，提取出所述训练样本图像的ROI中旋转、透视、亮度变换无关的全局特征与局部特征，根据所述测试样本图像与所述训练样本图像的全局特征与局部特征的相似度进行身份认证。优选地，步骤S2中提取所述训练样本图像和所述测试样本图像的ROI包括如下特征：S21：获取所述握拳的手掌图像和所述展开手掌的手掌图像并转化成对应的灰度图像，同时把分辨率从1280*720降低至320*180；S22：对所述灰度图像进行平滑处理，得到所述握拳的手掌图像的灰度图像和所述展开手掌的手掌图像的灰度图像的差分图像；S23：对所述差分图像进行双阈值分割，得到掌纹预分割图像；S24：利用所述掌纹预分割图像标记训练样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于训练样本图像的肤色模型；利用所述掌纹预分割图像标记所述测试样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于测试样本图像的肤色模型；将所述训练样本图像的肤色模型和所述测试样本图像的肤色模型的均值作为最终的肤色模型；定义肤色相似度为：其中Ps为最终的肤色模型，i表示当前测试样本中的像素索引，x＝[CbCr]T表示训练样本和测试样本像素在YCbCr色度空间中的值；对PSSimility进行双阈值分割，并采用形态学膨胀填补小的内部孔洞，得到测试样本图像的的掌纹分割图像；S25：计算掌纹分割图像的重心，从重心出发，搜寻最大半径，确定最终的圆心与半径，并映射回展开手掌的手掌图像得到ROI。优选地，步骤S3中所述变换包括：S31：对所述训练样本图像的ROI进行透视变换；S32：对所述训练样本图像的ROI进行旋转变换；S33：对所述训练样本图像的ROI进行背景消除和亮度变换。优选地，步骤S4包括如下步骤：S41：对扩充后的所述训练样本图像的ROI提取全局特征；S42：对扩充后的所述训练样本图像的ROI恢复分辨率，然后提取局部特征；S43：对测试样本图像的ROI与训练样本图像的ROI的全部特征和局部特征对比进行身份认证。优选地，所述步骤S41包括如下步骤：S411：采用网络结构在每一个卷积层并行使用至少一个卷积核提取特征，卷积层的激活映射为：其中，W表示每个神经元的权重，b表示偏置，i表示卷积核序号，l表示层数；S412：把所述网络结构的最后一个全连接层去除，添加一个间隙层；在所述间隙层对最后一个卷积层进行平均池化，如下所示：其中，Hi(x,y)表示第i个激活单元在坐标(x,y)的值；S413：在所述间隙层添加一个权重w来表达每个像素的分类表现力，最终的Softmax层表示为：其中，表示在全局特征下第c类的分类分数，表示一个像素在第i层对第c类的表达力权重。S414：获取权重w后，每个像素的分类表达力为：优选地，所述步骤S42包括：恢复扩充后的所述训练样本图像的ROI的分辨率到1280*720；并在恢复分辨率后的所述训练样本图像的ROI中取出表达力最强的至少一个像素，同时，将所述训练样本图像恢复分辨率到1280*720，映射得到所述训练样本图像中最具表达力的像素，以每个所述最具表达力的像素为中心取一个邻域；若所述领域中包含其他所述表达力最强的要素，不重复取领域。优选地，所述表达力最强的像素的数量和所述领域的大小由穷举法从实验得到。优选地，所述训练样本图像和所述测试样本图像的相似度定义为：其中w代表权重，w∈[0,1]，wA+wL＝1，wA为全局特征，为局部特征，为全局特征的相似度，为局部特征的相似度。优选地，其特征在于，所述wA和wL通过穷举法从实验获得最佳权重。本专利技术的有益效果为：提供一种非接触掌纹身份认证方法，通过构建训练样本图像和测试样本图像，基于简单交互操作的图像差分和从测试样本图像中建立肤色模型，在基于智能移动终端采集的非接触掌纹采集环境下，能够消本文档来自技高网...

【技术保护点】
1.一种非接触掌纹身份认证方法，其特征在于，包括如下步骤：S1：获取训练样本图像和测试样本图像，所述训练样本图像和所述测试样本图像包括至少一组握拳的手掌图像和展开手掌的手掌图像；S2：降低所述训练样本图像和所述测试样本图像的分辨率，提取所述训练样本图像和所述测试样本图像的ROI；S3：对所述训练样本图像的ROI进行变换扩充所述训练样本图像的ROI；S4：通过基于卷积神经网络的双网络深度学习，提取出所述训练样本图像的ROI中旋转、透视、亮度变换无关的全局特征与局部特征，根据所述测试样本图像与所述训练样本图像的全局特征与局部特征的相似度进行身份认证。

【技术特征摘要】
1.一种非接触掌纹身份认证方法，其特征在于，包括如下步骤：S1：获取训练样本图像和测试样本图像，所述训练样本图像和所述测试样本图像包括至少一组握拳的手掌图像和展开手掌的手掌图像；S2：降低所述训练样本图像和所述测试样本图像的分辨率，提取所述训练样本图像和所述测试样本图像的ROI；S3：对所述训练样本图像的ROI进行变换扩充所述训练样本图像的ROI；S4：通过基于卷积神经网络的双网络深度学习，提取出所述训练样本图像的ROI中旋转、透视、亮度变换无关的全局特征与局部特征，根据所述测试样本图像与所述训练样本图像的全局特征与局部特征的相似度进行身份认证。2.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，步骤S2中提取所述训练样本图像和所述测试样本图像的ROI包括如下特征：S21：获取所述握拳的手掌图像和所述展开手掌的手掌图像并转化成对应的灰度图像，同时把分辨率从1280*720降低至320*180；S22：对所述灰度图像进行平滑处理，得到所述握拳的手掌图像的灰度图像和所述展开手掌的手掌图像的灰度图像的差分图像；S23：对所述差分图像进行双阈值分割，得到掌纹预分割图像；S24：利用所述掌纹预分割图像标记训练样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于训练样本图像的肤色模型；利用所述掌纹预分割图像标记所述测试样本图像中的掌纹区域，并转换到YCbCr色度空间，建立基于测试样本图像的肤色模型；将所述训练样本图像的肤色模型和所述测试样本图像的肤色模型的均值作为最终的肤色模型；定义肤色相似度为：其中Ps为最终的肤色模型，i表示当前测试样本中的像素索引，x＝[CbCr]T表示训练样本和测试样本像素在YCbCr色度空间中的值；对PSSimility进行双阈值分割，并采用形态学膨胀填补小的内部孔洞，得到测试样本图像的的掌纹分割图像；S25：计算掌纹分割图像的重心，从重心出发，搜寻最大半径，确定最终的圆心与半径，并映射回展开手掌的手掌图像得到ROI。3.如权利要求1所述的非接触掌纹身份认证方法，其特征在于，步骤S3中所述变换包括：S31：对所述训练样本图像的ROI进行透视变换；S32：对所述训练样本图像的ROI进行旋转变换；S33：对所...

【专利技术属性】
技术研发人员：李钦，赖红，王文丹，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：广东,44