一种基于卷积神经网络和哈希编码的掌纹图像识别方法技术

本发明专利技术涉及一种基于卷积神经网络和哈希编码的掌纹图像识别方法，具体步骤包括：基于预训练的卷积神经网络生成掌纹图像卷积特征，选择中间一层卷积特征向量化形成高维卷积特征；其次，采用主成分分析法对高维卷积特征进行降维处理，得到低维子空间的掌纹图像特征；然后，根据训练样本集的语义相似矩阵采用有监督哈希编码的方法编码得到二进制哈希码，基于训练样本集的低维卷积特征及二进制哈希码，训练一个q位二进制分类器；最后，在特征匹配阶段将测试样本集的低维卷积特征输入二进制分类器中对低维掌纹特征进行分类，达到识别的目的。本发明专利技术结合卷积神经网络及哈希编码的优点，能有效地区分不同的掌纹，显著提高掌纹图像的识别精度。

【技术实现步骤摘要】
一种基于卷积神经网络和哈希编码的掌纹图像识别方法
本专利技术涉及掌纹图像识别领域，具体涉及一种基于卷积神经网络和哈希编码的掌纹图像识别方法。
技术介绍
目前，生物特征识别技术，如面部指纹、掌纹、虹膜和静脉识别等取得了飞速的发展。在这些生物识别技术中，掌纹识别因其具有的丰富的特征信息、高精度、稳定性好、低成本等特点，正受到越来越广泛的关注。近年来，出现了多种基于掌纹特征的掌纹识别方法，如基于结构、编码、纹理、子空间和统计的方法等。其中，基于编码的方法，例如PalmCode、CompCode、OrdiCode、SMCC，通过滤波器(高斯滤波器、Gabor滤波器)从掌纹图像提取纹理信息，已经可以实现非常高的掌纹识别精度。尤其是SMCC方法的等错误率可达到EER＝0.0140％的精度。虽然该方法具有非常高的精度，但要实现EER＝0.0000％的精度仍然非常困难。而基于学习的掌纹编码表示方法，可以实现更好的识别精度。卷积神经网络(CNN)作为一种基于多层监督学习的人工神经网络，具有较好的容错性、自适应性和自学习能力，可有效改善传统方法存在的特征提取不充分的问题，被广泛应用于图像分类、物体检测与本文档来自技高网...

【技术保护点】
一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，该方法包括下列步骤：步骤1：采用预训练的卷积神经网络对给定数据集中的掌纹图像进行特征提取，取中间的一层掌纹卷积特征向量化形成高维卷积特征；步骤2：基于步骤1的高维卷积特征，采用主成分分析的方法对其进行降维处理，得到低维的掌纹卷积特征；步骤3：根据训练样本集的标签构造语义相似矩阵，采用有监督哈希编码的方法进行编码得到二进制哈希编码；步骤4：基于步骤2和3得到的训练集掌纹图像的低维卷积特征和二进制哈希编码，训练一个分类器，将基于步骤1和2得到的测试集的低维卷积特征输入到该分类器中，得到待识别样本的哈希编码，通过与掌纹数据库进行汉明匹配，...

【技术特征摘要】
1.一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，该方法包括下列步骤：步骤1：采用预训练的卷积神经网络对给定数据集中的掌纹图像进行特征提取，取中间的一层掌纹卷积特征向量化形成高维卷积特征；步骤2：基于步骤1的高维卷积特征，采用主成分分析的方法对其进行降维处理，得到低维的掌纹卷积特征；步骤3：根据训练样本集的标签构造语义相似矩阵，采用有监督哈希编码的方法进行编码得到二进制哈希编码；步骤4：基于步骤2和3得到的训练集掌纹图像的低维卷积特征和二进制哈希编码，训练一个分类器，将基于步骤1和2得到的测试集的低维卷积特征输入到该分类器中，得到待识别样本的哈希编码，通过与掌纹数据库进行汉明匹配，从而实现高精度的掌纹图像识别。2.根据权利要求1所述的一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，在步骤1和2中，对于给定数据集的掌纹图像，输入预训练的卷积神经网络，将得到的卷积层的特征图谱M∈Rh×w×c向量化为高维卷积特征F∈RN×(h×w×c)，其中N表示掌纹图像个数，h、w和c分别代表特...

【专利技术属性】
技术研发人员：张建新，程敬东，张强，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21