一种基于卷积神经网络的手指静脉识别方法及系统技术方案

本发明专利技术提供了一种基于卷积神经网络的手指静脉识别方法及系统，该方法包括采集原始注册的手指静脉图像；将原始注册的所述手指静脉图像进行处理，由所述手指静脉图像中提取手指静脉感兴趣区域图像；通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉深度特征，并将其输入到支持向量机中进行分类得到手指静脉增强图像；通过二值化增强图像得到手指静脉特征图像；利用该模型对预识别的所述手指静脉图像进行特征提取，并匹配这些特征实现身份认证。本发明专利技术能够有效地提取手指静脉特征，明显改善手指静脉识别系统的识别精度。

【技术实现步骤摘要】

本专利技术属于生物特征识别
，特别涉及一种基于卷积神经网络的手指静脉识别方法及系统。
技术介绍
生物特征识别技术是利用人体生物特征或者行为特征进行人体身份认证，其中，行为特征包括签名、语音、步态等，人体生物特征主要包括两大类：外部生物特征，如指纹、掌型、虹膜视、脸型等；内部生物特征，如手指静脉、手背静脉和手掌静脉等，在外部生物特征中，由于指纹识别具有很强的唯一性、稳定性、易用性等特点，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，甚至出现一种用硅树脂制造的克隆指纹，导致指纹识别技术的安全系数比较低，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，因为手指静脉特征具有很强的普遍性和唯一性，因此，手指静脉识别成为近年来生物识别技术开辟的新领域。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。为了实现有效地通过手指静脉特征识别实现使用者身份认证，目前学者提出了不同的方法来提取手指静脉的网络纹理结构，这些方法在不同的手指静脉数据库上取得不错的识别效果。例如现有专利公开号为CN105518716A公开的手指静脉识别方法及装置，该技术中假设手指静脉像素点的灰度值是线形分布，然后建立数学模型检测其分布特征实现对手指静脉纹路特征的提取，该专利提供的方法在具体使用时存在以下缺陷：1)在很多情况下，这些假设条件不成立。例如，一些手指静脉特征经过噪声腐蚀后，它们分布不具备明显的谷形或者线形特征。相反地，一些背景区域在噪声的干扰下产生一些与假设相似的分布特性。因此，这些方法的识别性能有限；2)由于图像像素点对应的区域能够产生不同的分布，因此不可能研究所有与静脉特征相关的分布；3)通常情况下，即使知道了静脉像素灰度值的分布，但是由于这些分布相当复杂，因此也很难建立有效的数学模型去提取每个分布的特征。因此，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，导致认证系统的识别性能有限。
技术实现思路
为了解决现有的手指静脉识别技术中手指静脉图形不清晰，无法有效地提取到手指静脉纹路信息，进而导致认证系统的识别性能有限等问题，本专利技术提供了一种能够准确的提取图像手指静脉纹路信息，减少提取错误特征和漏掉真实特征，同时可以提高整个系统的识别精度的基于卷积神经网络的手指静脉识别方法及系统。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卷积神经网络的手指静脉识别方法，该方法包括以下步骤：S1、采集原始注册的手指静脉图像；S2、将原始注册的所述手指静脉图像进行处理，由所述手指静脉图像中提取手指静脉感兴趣区域图像；S3、通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉深度特征，并经过概率支持向量机得到手指静脉特征图像，具体方法如下：S3-1、选取所述手指静脉感兴趣区域作为训练图像，在所述训练图像的清晰区域中标注背景像素点和静脉像素点，同时分别以所述背景像素点和所述静脉像素点为中心划分为若干背景子块和静脉子块，并分别对所述背景子块和所述静脉子块标注标签，若干标注有标签的所述背景子块和所述静脉子块组成训练样本集合；S3-2、将所述训练样本集合输入至所述卷积神经网络中进行分类模型的训练，所述卷积神经网络对应每个标注有标签的所述背景子块和所述静脉子块均输出一个深度特征向量，若干所述深度特征向量组成深度特征向量集合；S3-3、将步骤S3-2中组成的所述深度特征向量集合通过概率支持向量机进行分类计算若干所述深度特征向量属于手指静脉特征的概率值；S3-4、将步骤S3-3中得到的所述概率值显示在一个矩阵中得到增强的手指静脉特征图像；S3-5、对步骤S3-4中得到的所述手指静脉特征图像进行二值化处理即得到手指静脉网络结构；S4、采集待识别的所述手指静脉图像，并依次经过步骤S2、步骤S3的处理，同时根据所述手指静脉特征图像进行匹配和认证：S4-1、将待识别的所述手指静脉图像首先经过S2处理得到待识别的手指静脉感兴趣区域图像，然后以每个像素点为中心，将待识别的手指静脉感兴趣区域图像经过步骤S3-1处理分为若干个子块，然后经过步骤S3-2、S3-3、S3-4和S3-5处理得到待识别的手指静脉特征图像；S4-2、将原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像进行延伸得到模板图像，将待识别的所述手指静脉特征图像在所述模板图像上沿水平或垂直方向平移，并计算不同位置时两幅所述手指静脉特征图像中手指静脉特征的重合度；S4-3、选取所有位置上对应的最大重合度作为两幅所述手指静脉特征图像的匹配分数，若所述匹配分数小于预设的阈值，则认证失败，反之，则认证成功。进一步的，步骤S2中，所述手指静脉感兴趣区域的提取方法包括以下步骤：S2-1、对所述手指静脉图像的边缘进行检测得到手指边缘图像，同时将所述手指静脉图像进行二值化处理得到二值图像，然后将所述二值图像减去所述手指边缘图像即得到差值图像；S2-2、通过预设的阈值将所述差值图像中剔除面积较小的噪声和背景区域，即得到仅含有手指区域的二值图像；S2-3、对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理并进行相乘后即得到所述手指静脉感兴趣区域图像。进一步的，步骤S2-3中，对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理的方法包括以下步骤：①旋转方向的纠正：计算所述差值图像的p+q阶距mpq及重心和其p+q阶中心距upq的计算如下通过上面等式计算矩u11、u12和u22，然后下面的公式计算旋转角度θ：利用计算得到的所述旋转角度θ对原始的所述手指静脉图像和仅含有手指区域的二值图像进行纠正；②平移方向的纠正：计算所述差值图像的中心距u00，u10和u01，并利用中心距u00，u10和u01计算出其水平方向和竖直方向的偏移量Vx＝u10/u00和Vy＝u01/u00，利用计算得到的所述偏移量对步骤①中纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像在水平和垂直方向进行归一化处理；③计算平移和旋转后的所述手指静脉感兴趣区域图像：将经过步骤①和步骤②纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像进行相乘得到仅含有手指区域的灰度图像，即为所述手指静脉感兴趣区域图像。进一步的，步骤S3-3中，所述概率支持向量机通过以下公式计算所述深度特征向量集合内若干所述深度特征向量属于手指静脉特征的概率值P，其中,ξ(v)表示概率支持向量机的输出值，ω和γ表示概率支持向量机训练得到的两个参数。优选的，步骤S3中所述的卷积神经网络由依次配合使用的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全链接层和输出层组成。优选的，所述本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的手指静脉识别方法，其特征在于，该方法包括以下步骤：S1、采集原始注册的手指静脉图像；S2、将原始注册的所述手指静脉图像进行处理，由所述手指静脉图像中提取手指静脉感兴趣区域图像；S3、通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉深度特征，并经过概率支持向量机得到手指静脉特征图像，具体方法如下：S3‑1、选取所述手指静脉感兴趣区域作为训练图像，在所述训练图像的清晰区域中标注背景像素点和静脉像素点，同时分别以所述背景像素点和所述静脉像素点为中心划分为若干背景子块和静脉子块，并分别对所述背景子块和所述静脉子块标注标签，若干标注有标签的所述背景子块和所述静脉子块组成训练样本集合；S3‑2、将所述训练样本集合输入至所述卷积神经网络中进行分类模型的训练，所述卷积神经网络对应每个标注有标签的所述背景子块和所述静脉子块均输出一个深度特征向量，若干所述深度特征向量组成深度特征向量集合；S3‑3、将步骤S3‑2中组成的所述深度特征向量集合通过概率支持向量机进行分类计算若干所述深度特征向量属于手指静脉特征的概率值；S3‑4、将步骤S3‑3中得到的所述概率值显示在一个矩阵中得到增强的手指静脉特征图像；S3‑5、对步骤S3‑4中得到的所述手指静脉特征图像进行二值化处理即得到手指静脉网络结构；S4、采集待识别的所述手指静脉图像，依次经过步骤S2、步骤S3的处理，同时根据所述手指静脉特征图像进行匹配和认证：S4‑1、将待识别的所述手指静脉图像首先经过S2处理得到待识别的手指静脉感兴趣区域图像，然后以每个像素点为中心，将待识别的手指静脉感兴趣区域图像经过步骤S3‑1处理分为若干个子块，然后经过步骤S3‑2、S3‑3、S3‑4和S3‑5处理得到待识别的手指静脉特征图像；S4‑2、将原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像进行延伸得到模板图像，将待识别的所述手指静脉特征图像在所述模板图像上沿水平或垂直方向平移，并计算不同位置时两幅所述手指静脉特征图像中手指静脉特征的重合度；S4‑3、选取所有位置上对应的最大重合度作为两幅所述手指静脉特征图像的匹配分数，若所述匹配分数小于预设的阈值，则认证失败，反之，则认证成功。...

【技术特征摘要】
1.一种基于卷积神经网络的手指静脉识别方法，其特征在于，该方法包括以下步骤：S1、采集原始注册的手指静脉图像；S2、将原始注册的所述手指静脉图像进行处理，由所述手指静脉图像中提取手指静脉感兴趣区域图像；S3、通过卷积神经网络提取所述手指静脉感兴趣区域中的手指静脉深度特征，并经过概率支持向量机得到手指静脉特征图像，具体方法如下：S3-1、选取所述手指静脉感兴趣区域作为训练图像，在所述训练图像的清晰区域中标注背景像素点和静脉像素点，同时分别以所述背景像素点和所述静脉像素点为中心划分为若干背景子块和静脉子块，并分别对所述背景子块和所述静脉子块标注标签，若干标注有标签的所述背景子块和所述静脉子块组成训练样本集合；S3-2、将所述训练样本集合输入至所述卷积神经网络中进行分类模型的训练，所述卷积神经网络对应每个标注有标签的所述背景子块和所述静脉子块均输出一个深度特征向量，若干所述深度特征向量组成深度特征向量集合；S3-3、将步骤S3-2中组成的所述深度特征向量集合通过概率支持向量机进行分类计算若干所述深度特征向量属于手指静脉特征的概率值；S3-4、将步骤S3-3中得到的所述概率值显示在一个矩阵中得到增强的手指静脉特征图像；S3-5、对步骤S3-4中得到的所述手指静脉特征图像进行二值化处理即得到手指静脉网络结构；S4、采集待识别的所述手指静脉图像，依次经过步骤S2、步骤S3的处理，同时根据所述手指静脉特征图像进行匹配和认证：S4-1、将待识别的所述手指静脉图像首先经过S2处理得到待识别的手指静脉感兴趣区域图像，然后以每个像素点为中心，将待识别的手指静脉感兴趣区域图像经过步骤S3-1处理分为若干个子块，然后经过步骤S3-2、S3-3、S3-4和S3-5处理得到待识别的手指静脉特征图像；S4-2、将原始注册的所述手指静脉图像经过处理得到的所述手指静脉特征图像进行延伸得到模板图像，将待识别的所述手指静脉特征图像在所述模板图像上沿水平或垂直方向平移，并计算不同位置时两幅所述手指静脉特征图像中手指静脉特征的重合度；S4-3、选取所有位置上对应的最大重合度作为两幅所述手指静脉特征图像的匹配分数，若所述匹配分数小于预设的阈值，则认证失败，反之，则认证成功。2.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S2中，所述手指静脉感兴趣区域的提取方法包括以下步骤：S2-1、对所述手指静脉图像的边缘进行检测得到手指边缘图像，同时将所述手指静脉图像进行二值化处理得到二值图像，然后将所述二值图像减去所述手指边缘图像即得到差值图像；S2-2、通过预设的阈值将所述差值图像中剔除面积较小的噪声和背景区域，即得到仅含有手指区域的二值图像；S2-3、对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理并进行相乘后得到所述手指静脉感兴趣区域图像。3.如权利要求2所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S2-3中，对仅含有手指区域的二值图像和原始的所述手指静脉图像进行归一化处理的方法包括以下步骤：①旋转方向的纠正：计算所述差值图像的p+q阶距mpq及重心和其p+q阶中心距upq的计算如下通过上面等式计算矩u11、u12和u22，然后下面的公式计算旋转角度θ：利用计算得到的所述旋转角度θ对原始的所述手指静脉图像和仅含有手指区域的二值图像进行纠正；②平移方向的纠正：计算所述差值图像的中心距u00，u10和u01，并利用中心距u00，u10和u01计算出其水平方向和竖直方向的偏移量Vx＝u10/u00和Vy＝u01/u00，利用计算得到的所述偏移量对步骤①中纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像在水平和垂直方向进行归一化处理；③计算平移和旋转后的所述手指静脉感兴趣区域图像：将经过步骤①和步骤②纠正后的原始的所述手指静脉图像和仅含有手指区域的二值图像进行相乘得到仅含有手指区域的灰度图像，即为所述手指静脉感兴趣区域图像。4.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S3-3中，所述概率支持向量机通过以下公式计算所述深度特征向量集合内若干所述深度特征向量属于手指静脉特征的概率值P，其中,ξ(v)表示概率支持向量机的输出值，ω和γ表示概率支持向量机训练得到的两个参数。5.如权利要求1所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，步骤S3中所述的卷积神经网络由依次配合使用的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全链接层和输出层组成。6.如权利要求5所述的一种基于卷积神经网络的手指静脉识别方法，其特征在于，所述第一卷积层、第二卷积层中，第l层的特征图像按照如下公式计算：其中，是第l层的输入谱，是第m个输入和n个输出特征谱之间的卷积核，*是卷积操作...

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