一种基于深度神经网络的静脉识别系统技术方案

本发明专利技术公开了一种基于深度神经网络的静脉识别系统，所述的系统包括：训练深度神经网络模型、注册数据、识别匹配三个部分。本发明专利技术公开的一种基于深度神经网络的静脉识别系统，加快了识别匹配的速度，同时，又具有较高的识别率。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于深度神经网络的静脉识别系统，所述的系统包括：训练深度神经网络模型、注册数据、识别匹配三个部分。本专利技术公开的一种基于深度神经网络的静脉识别系统，加快了识别匹配的速度，同时，又具有较高的识别率。【专利说明】一种基于深度神经网络的静脉识别系统
本专利技术涉及静脉识别
，特别涉及基于深度神经网络的静脉识别
。
技术介绍
目前，静脉识别主要通过红外线CXD摄像头获取手指、手掌或手背静脉的图像，运用先进的滤波、图像二值化、细化手段对数字图像提取特征，将静脉的数字图像存贮在计算机系统中。静脉比对时，实时采取静脉图，提取特征，采用复杂的匹配算法同存储在主机中静脉特征值比对匹配，从而对个人进行身份鉴定，确认身份。 由于静脉的图像为红外的图像，因而具有信噪比低、对比度低等方面的特征。当前现有的静脉识别系统在提取特征方面需要耗费较长的处理时间，并具有相当的难度。此外，当前这种基于滤波、二值化、细化等方法提取特征的静脉识别系统，在匹配的过程中，需要耗费的时间也较长。
技术实现思路
鉴于静脉识别中存在的问题，本专利技术提出一种基于深度神经网络的静脉识别系统，规避了人为设计、提取静脉识别图像特征的困难，并能够快速地进行匹配识别过程。 本专利技术所提出的基于深度神经网络的静脉识别系统，包括SlOO训练模型、S200注册数据、S300识别匹配三大部分。图1给出了该系统的总体流程图。 本专利技术所述的深度神经网络，包含一个输入层、多个隐含层和一个输出层。其中，输入层的每个节点对应输入图像的一个像素作为输入；模型中处于相邻两层的任意两个节点之间都存在一条带有权重的边；输出层具有多个节点，这些节点的输出值按照指定的顺序形成输出向量。图2给出了深度神经网络的结构示意图。 在SlOO训练模型部分，包括S110-S140的步骤。 SllO通过静脉采集装置采集大量志愿者的人体某目标部位(如手指、手掌、手背等)的静脉红外图像。 S120截取图像中相应的目标区域并进行尺寸、灰度归一化。 S130将这些大量归一化后的目标区域图像(以下简称ROI图像)送入深度神经网络模型进行训练。训练的第一阶段按照输入层、隐含层、输出层的顺序逐层进行。S131-S136给出了训练深度神经网络的一层的过程。 S131初始化当前层(第i层)与下一层(第i+Ι层)节点间的权重。 S132根据当前层节点的值的集合{PJ、当前层与下一层节点间的权重值集合{Wi(i+1)}经由当前层与下一层的编码器Ei(i+1)计算得出下一层的节点值集合{Pi+1}。其中，编码器Ei(i+1)既可以是线性变换，也可以是非线性变换。公式(I)为编码器变换示意公式。 Pi+1 = Ei(i+1) (Pi，Wi(i+1)) (I)。 S133将下一层的节点值集合{Pi+1}、当前层与下一层节点间的权重值集合{Wi(i+1)}经由当前层与下一层的解码器D (i+m计算得出当前层的解码集合{PDJ。公式(2)为解码器变换示意公式。 PDi = D (i+1)i (Pi+i ? Wi(i+i))(2)。 S134根据计算当前层节点的值得集合{PJ与当前层的解码集合IPDJ的误差DEVi0公式(3)为误差DEVi的计算公式。 DEVi = Σ (P1- PDJ)2(3)。 S135根据DEVi调整当前层与下一层节点间的权重值集合{Wi(i+1)}，并根据公式 (I)更新下一层的节点值集合{Pi+1}。 S136重复S132-S135的过程，直至当前层的训练次数或DEVi达到要求为止。 S140对S130训练得到的深度神经网络模型进行参数调优。S141-S145给出了参数调优的具体过程。 S141将ROI图像送入S130训练得到的深度神经网络模型，逐层根据公式(I )，经由各层节点的编码器，得到输出层的输出节点的值的集合{Pwt}。 S142将最终得到输出层的输出节点的值的集合{Pwt}逐层根据公式(2)，逆向经由各层节点的解码器，直至输入层，得到解码集合{PD}。 S143计算输入的ROI图像集合{R0I}与解码集合{PD}的误差DEV。公式(4)为误差DEV的计算公式。 DEV = Σ (R01- PD)2。 (4)。 S144根据计算的DEV，对深度神经网络模型的参数进行微调。 S145重复S141-S144的过程，直至调优次数或DEV达到要求为止。 在S200注册数据阶段，包括S210-S230步骤。 S210通过静脉采集装置采集注册人员的人体目标部位的静脉红外图像。 S220截取图像中相应的目标区域并进行尺寸、灰度归一化。 S230将ROI图像输入训练好的深度神经网络模型的输入层，经由深度神经网络模型，而后存储深度神经网络输出的特征向量。 在S300识别匹配阶段，包括S310-S350步骤。 S310通过静脉采集装置采集待识别人员的人体目标部位的静脉红外图像。 S320截取图像中相应的目标区域并进行尺寸、灰度归一化。 S330将ROI图像输入训练好的深度神经网络模型的输入层，经由深度神经网络模型，得到该待识别静脉图像样本的特征向量。 S340将S330得到的特征向量与已注册的静脉数据库的特征向量计算距离。 S350若距离值小于训练数据中训练出的距离阈值，则判定待识别匹配的样本与所选取的已注册的静脉样本源于同一人的同一采集部位；否则，判定二者不源于同一人的同一采集部位。 本专利技术的有益效果是，一方面，免去了传统识别匹配过程前大量的图像处理、提取特征的操作，只需将静脉图像送入深度神经网络，即可生成特征向量；另一方面，在识别匹配过程中具有较高的识别率。【专利附图】【附图说明】 图1给出了基于深度神经网络的静脉识别系统的总体流程图。 图2给出了深度神经网络的结构示意图。 图3给出了训练一层深度神经网络的流程图。 图4给出了深度神经网络参数调优的流程图。【权利要求】1.一种基于深度神经网络的静脉识别系统，其特征在于:包括训练深度神经网络模型、注册数据、识别匹配三大部分。2.根据权利要求1所述的深度神经网络模型，其特征在于:包含一个输入层、多个隐含层和一个输出层。3.根据权利要求1所述的深度神经网络模型，其特征在于:源于相邻层的任意两个节点存在一条带有权重的边。4.根据权利要求1所述的深度神经网络模型，其特征在于:每两个相邻层之间分别存在一个编码器和一个解码器。5.根据权利要求4所述的编码器和解码器，其特征在于，编码器既可以是线性变换，也可以是非线性变换。6.根据权利要求1所述的训练深度神经网络模型，其特征在于:对训练集的静脉图像截取目标区域；对截取的区域依次进行灰度、区域尺寸大小的归一化；将每幅归一化后的图像的像素对应深度神经网络模型的输入层的一个节点输入深度神经网络模型；训练首先按照输入层、隐含层、输出层的顺序逐层根据相应层的编码器进行编码，而后将相应层的编码结果通过相应层的解码器进行解码，通过计算相应层的输入与解码的结果的误差来调整相应层的权重；在深度神经网络的权重训练完成后，进行参数调优。7.根据权利要求6所述的参数调优，其特征在于，将训练集的静脉图像本文档来自技高网...

【技术保护点】
一种基于深度神经网络的静脉识别系统，其特征在于：包括训练深度神经网络模型、注册数据、识别匹配三大部分。

【技术特征摘要】

【专利技术属性】
技术研发人员：朱毅，
申请(专利权)人：朱毅，
类型：发明
国别省市：福建;35