一种基于长期递归卷积神经网络的手指静脉认证方法技术

本发明专利技术提供了一种基于长期递归卷积神经网络的手指静脉认证方法，首先手指静脉图像进行标记、创建标签序列，然后训练长期递归卷积神经网络，对手指静脉分隔进行纹理标识和空间依赖性表示；对概率支持向量机进行训练，以计算对应的像素点属于静脉的概率；最后通过增强的汉明距离对同一样本的任意两幅图像在不同空间位移时的非重叠区域进行计算，从而对所有增强图像进行两两匹配。该方法可以快速、高效地对手指静脉进行记录和识别，能有效提高手指静脉认证的准确性。

A finger vein authentication method based on long-term recursive convolution neural network

【技术实现步骤摘要】
一种基于长期递归卷积神经网络的手指静脉认证方法
本专利技术属于手指静脉认证
，特别涉及一种基于长期递归卷积神经网络的手指静脉认证方法。
技术介绍
生物特征识别技术是利用人体生物学特征或者行为特征进行身份认证的技术，其中行为特征主要包括签名、语音、步态等，生物学特征可分为外部生物特征(指纹、掌型、虹膜视、脸型等)以及内部生物特征(手指静脉、手背静脉和手掌静脉等)其中，由于指纹识别具有唯一性、稳定性、易用性等优点，应用极为广泛。但是，在指纹识别中，必须要求使用者在录入指纹时保持手指洁净、光滑，因为任何存在于指纹上的脏东西或污点都能给识别带来困难，且指纹易于伪造，严重影响了指纹识别技术的安全性。与外部生物特征相比，内部生物特征很难盗取和伪造，因此具有更高的安全性能。在内部生物特征中，手指静脉特征具有高度的普遍性和唯一性，因此有望以此开发出全新的身份认证技术。手指静脉识别通常利用透射光或反射光两种方式获取手指静脉图像，然后从手指静脉图像中提取静脉特征，进行特征匹配，从而实现了手指静脉识别，确认使用者身份。为此，在手指静脉识别过程中，由于手指静脉图像的采集受多种因素的影响，如环境光、环境温度、光散射，所以手指静脉识别仍然面临着严峻的挑战。在实际应用中这些因素很难被控制和克服，所以采集的图像中包含了许多模糊区域，在这些区域中，手指静脉特征与背景之间的区分度很差，一般情况下，匹配图像中模糊区域会导致认证精度的大大降低。目前基于手工特征的方法很难有效地提取到手指静脉纹路信息，导致认证效率和准确性有限。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于长期递归卷积神经网络的手指静脉认证方法。本专利技术具体技术方案如下：本专利技术提供了一种基于长期递归卷积神经网络的手指静脉认证方法，包括如下步骤：S1：对输入的手指静脉样本图像进行二值化，根据像素值从手指静脉样本二值图像的所有像素点中筛选出静脉像素点和背景像素点，并分别进行标记；在所述手指静脉样本二值图像中，筛选出若干像素点，并分别沿指定的C个方向θ提取多个子块构建训练集，每个像素点构建C个标签序列，其中C为不小于2的自然数；S2：通过训练长期递归卷积神经网络LRCNN，以学习对手指静脉纹理的表示和空间依赖性表示；S3：根据所述标签序列，分别为每个所述训练集生成C个训练数据集，并分别用每个所述训练数据集单独训练一个LRCNN，输出一个C维向量作为特征向量；S4：通过所述特征向量对概率支持向量机P-SVM进行训练，以计算对应的所述像素点属于所述静脉像素点的概率；S5：分别根据每个所述训练集生成一个增强图像，并对增强图像进行二值化的函数进行优化；S6：利用优化的函数计算任意两幅图像在不同空间位移时的非重叠区域，从而对所有所述增强图像进行两两匹配。进一步地，步骤S1的具体方法如下：S1.1：分别采用至少两种不同的方法对输入的手指静脉样本图像进行二值化，得到至少两张不同的二值图像，并计算所有所述二值图像的均值，得到均值图像F，作为手指静脉样本二值图像；以像素值0代表背景、像素值1代表静脉，对所述手指静脉样本二值图像中的所有像素点F(x,y)进行标记，如果F(x,y)＝1，标记为静脉像素点；如果F(x,y)＝0，则标记为背景像素点；其他区域不进行标记；S1.2：在所述手指静脉样本二值图像中选择一个经过标记的像素点c0，沿C个延伸方向θ确定k-1个相邻像素点，共产生k个像素点，然后以k个像素点为中心点得到k个子块作为训练集，并根据每个所述像素点的标签对所述训练集构建标签序列，并采用如下方式对延伸方向θ进行量化；其中i＝1,2,…,C；经过量化，得到C个标签序列，其中C为不小于2的自然数。进一步地，所述延伸方向θ∈{0°，45°，90°，135°}，此时C为4。进一步地，步骤S2的具体方法如下：S2.1：构建卷积神经网络CNN模型，以学习对手指静脉分隔的纹理表示，产生一个特征序列；所述CNN模型包括一个输入层、三个卷积层、两个最大池化层和一个全连接层；所述卷积层使用修正线性单元(y＝max(0.x))对隐层神经元进行激活；所述池化层使用如下最大池化方法提取局部信息：其中，rk表示经第k个滤波器卷积后输出的特征图，表示在Ik内的非重叠区域r×r通过池化操作后提取的特征；S2.2：构建长短期记忆网络LSTM模型，通过所述特征序列映射到隐藏状态来模拟空间依赖性，以学习对手指静脉分隔的空间依赖性表示。进一步地，三个所述卷积层中卷积核的数量分别为24,48以及100，且大小均为5。进一步地，步骤S3的具体方法如下：所述手指静脉样本图像上的任意像素点l∈{0，1}，沿着方向θ*产生了序列使用步骤S1中提供的作为标签，将所述训练集表示为其中N是训练数据库中手指静脉图像序列的数量，此时第i个训练集为分别用每个训练集单独训练LRCNN，并产生预测分数，将C个LRCNN的输出组合成一个C维向量作为特征向量。进一步地，步骤S4的具体方法如下：从带有标签l∈{0，1}像素的C个所述标签序列中提取出向量v，则通过所述特征向量对概率支持向量机P-SVM进行训练、获得对应的所述像素点属于所述静脉像素点的概率值p：其中：p的范围为0～1；ε(v)是二分类SVM的输出，v是输入的特征向量，w和γ是P-SVM训练的参数；从所述标签序列中继续提取向量，通过上述方法进行计算，得到所有像素点属于所述静脉像素点的概率值p。进一步地，步骤S5的具体方法如下：S5.1：将所述训练集中的所有子块分成N类，每类中包括M个子块；将第N类中的第M个子块的增强图像xm，n通过如下方法进行二值化，得到二值图像，并映射到汉明空间中：bm，n＝0.5×(sgn(xm，n-T)+1)其中：当z≤0时，sgn＝-1；当z＞0时，sgn＝1；T∈[0，1]；S5.2：通过汉明距离对任意两张所述二值图像进行匹配，当两张所述二值图像属于同一类时产生类内匹配分数，反之则产生类间匹配分数，一共生成个真匹配分数以及a2＝N×(N-1)×M×M/2个假匹配分数并通过如下方法进行特征编码、得到编码静脉图像：其中，|·|代表绝对值运算，u1(T)和u2(T)是Ω1和Ω2的均值，D1(T)和D2(T)是Ω1和Ω2的方差，并据此确定最佳的T值。进一步地，步骤S6的具体方法如下：利用优化的函数计算任意两幅图像之间的最小非重叠量，以此对所有所述增强图像进行两两匹配：B和Q的大小均为I×J，将Q的高度和宽度扩展到2E+I和2H+J，得到扩展图像方法如下：Q和B的匹配距离计算如下：其中，Φ(V)是矩阵V中值为-1的个数；U是值为-1、大小为I×J的矩阵；Hamdistance代表了B和Q的汉明距离；是在水平和垂直方向上平移距离e和h产生的矩阵；d(Q，B)是Q和B在扩展区域内不同空间变化的最小非重叠量。本专利技术的有益效果如下：本专利技术提供了一种基于长期递归卷积神经网络的手指静脉认证方法，首先手指静脉图像进行标记、创建标签序列，然后训练长期递归卷积神经网络，对手指静脉分隔进行纹理标识和空间依赖性表示；对概率支持向量机进行训练，以计算对应的像素点属于静脉的概率；最后通过增强的汉明距离对同一样本的任意两幅图像在不同空间位移时的非重叠区域进行计算，从而对所有增强图像进行两两匹配。该本文档来自技高网...

【技术保护点】
1.一种基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，包括如下步骤：S1：对输入的手指静脉样本图像进行二值化，根据像素值从手指静脉样本二值图像的所有像素点中筛选出静脉像素点和背景像素点，并分别进行标记；在所述手指静脉样本二值图像中，筛选出若干像素点，并分别沿指定的C个方向θ提取多个子块构建训练集，每个像素点构建C个标签序列，其中C为不小于2的自然数；S2：通过训练长期递归卷积神经网络LRCNN，以学习对手指静脉纹理的表示和空间依赖性表示；S3：根据所述标签序列，分别为每个所述训练集生成C个训练数据集，并分别用每个所述训练数据集单独训练一个LRCNN，输出一个C维向量作为特征向量；S4：通过所述特征向量对概率支持向量机P‑SVM进行训练，以计算对应的所述像素点属于所述静脉像素点的概率；S5：分别根据每个所述训练集生成一个增强图像，并对将增强图像进行二值化的函数进行优化；S6：利用优化的函数计算任意两幅图像在不同空间位移时的非重叠区域，从而对所有所述增强图像进行两两匹配。

【技术特征摘要】
1.一种基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，包括如下步骤：S1：对输入的手指静脉样本图像进行二值化，根据像素值从手指静脉样本二值图像的所有像素点中筛选出静脉像素点和背景像素点，并分别进行标记；在所述手指静脉样本二值图像中，筛选出若干像素点，并分别沿指定的C个方向θ提取多个子块构建训练集，每个像素点构建C个标签序列，其中C为不小于2的自然数；S2：通过训练长期递归卷积神经网络LRCNN，以学习对手指静脉纹理的表示和空间依赖性表示；S3：根据所述标签序列，分别为每个所述训练集生成C个训练数据集，并分别用每个所述训练数据集单独训练一个LRCNN，输出一个C维向量作为特征向量；S4：通过所述特征向量对概率支持向量机P-SVM进行训练，以计算对应的所述像素点属于所述静脉像素点的概率；S5：分别根据每个所述训练集生成一个增强图像，并对将增强图像进行二值化的函数进行优化；S6：利用优化的函数计算任意两幅图像在不同空间位移时的非重叠区域，从而对所有所述增强图像进行两两匹配。2.如权利要求1所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S1的具体方法如下：S1.1：分别采用至少两种不同的方法对输入的手指静脉样本图像进行二值化，得到至少两张不同的二值图像，并计算所有所述二值图像的均值，得到均值图像F，作为手指静脉样本二值图像；以像素值0代表背景、像素值1代表静脉，对所述手指静脉样本二值图像中的所有像素点F(x,y)进行标记，如果F(x,y)＝1，标记为静脉像素点；如果F(x,y)＝0，则标记为背景像素点；其他区域不进行标记；S1.2：在所述手指静脉样本二值图像中选择一个经过标记的像素点c0，沿C个延伸方向θ确定k-1个相邻像素点，共产生k个像素点，然后以k个所述像素点为中心点得到k个子块作为训练集，并根据每个所述像素点的标签对所述训练集构建标签序列，并采用如下方式对延伸方向θ进行量化；其中i＝1,2,…,C；经过量化，得到C个标签序列，其中C为不小于2的自然数。3.如权利要求2所述的基于长期递归卷积神经网络的手指静脉认证方法方法，其特征在于，所述延伸方向θ∈{0°，45°，90°，135°}，此时C为4。4.如权利要求2所述的基于长期递归卷积神经网络的手指静脉认证方法，其特征在于，步骤S2的具体方法如下：S2.1：构建卷积神经网络CNN模型，以学习对手指静脉分隔的纹理表示，产生一个特征序列；所述CNN模型包括一个输入层、三个卷积层、两个最大池化层和一个全连接层；所述卷积层使用修正线性单元(y＝max(0.x))对隐层神经元进行激活；所述池化层使用如下最大池化方法提取局部信息：其中，rk表示经第k个滤波器卷积后输出的特征图，表示在Ik内的非重叠区域r×r通过池化操作后提取的特征；S2.2：构建长短期记忆网络LSTM模型，通过所述...

【专利技术属性】
技术研发人员：秦华锋，曹晓莉，唐灿，
申请(专利权)人：重庆工商大学，
类型：发明
国别省市：重庆,50