基于残缺补全的指静脉深层特征提取与匹配方法及系统技术方案

本发明专利技术公开了基于残缺补全的指静脉深层特征提取与匹配方法及系统，其特征在于，指静脉深层特征提取与匹配方法包括：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；采用深度卷积神经网络对预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；采用待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；采集待识别指静脉图像，将待识别指静脉图像进行特征提取，获取待识别指静脉图像深层特征；采用待识别指静脉图像深层特征与注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。在本发明专利技术实施例中，提取出指静脉图像的高区分度特征，提高匹配精度。

Complete and incomplete matching method and system based on the characteristics of deep vein extraction

The invention discloses a complete and incomplete matching method and system based on the characteristics of deep vein extraction, which is characterized in that the extraction of deep vein including features and matching methods: treat registered finger vein image preprocessing, obtained after pretreatment for finger vein image registration; the depth of the convolutional neural network is to be registered after pretreatment the finger vein image feature extraction training deep processing, finger vein image acquisition to be registered to be registered by the deep feature; finger vein image registration and construct deep feature template library, access to retained deep feature template library registration after the acquisition; to identify the finger vein image to be identified, finger vein image feature extraction, acquisition to identify the finger vein image to be identified by deep feature; retained in the deep feature template features and deep vein image after registration The library performs matching recognition processing to obtain the matching recognition results. In the embodiment of the invention, a discriminative feature extraction finger vein image, improve the matching accuracy.

【技术实现步骤摘要】
基于残缺补全的指静脉深层特征提取与匹配方法及系统
本专利技术涉及生物特征识别
，尤其涉及基于残缺补全的指静脉深层特征提取与匹配方法及系统。
技术介绍
作为生物识别家族的一员，指静脉识别技术被广泛研究，常分为预处理、特征提取、特征匹配三个部分；现有的技术方案大多基于特定领域内知识，主要涵盖生理特征研究领域、数字图像处理领域，使得指静脉识别技术中的特征提取部分常常难以提取或实现，并且缺乏从原始采集图像提取特征的冗余性。此外，指静脉识别技术现在仍然存在良好特征难以提取，特征维度过高，匹配困难等问题，对指静脉的发展造成了一定障碍。现有的技术方案一为基于流行学习的投影变化提取特征；在训练阶段，通过大量训练得到最佳投影矩阵，一个手指训练就需要同一手指的多幅样本；在识别阶段，利用训练得到的最佳投影矩阵计算待匹配样本的特征矩阵；求得特征矩阵之后与注册库中的所有样本计算欧式距离，采用最邻近分类器进行分类；现有的技术方案二为基于深度神经网络进行特征提取的指静脉认证方法；作者采用其它已有的指静脉增强方法标注指静脉区域，把静脉分为清晰区和模糊区以及背景区，而后采用卷积神经网络进行训练，得到提取特征的神本文档来自技高网...

【技术保护点】
基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述指静脉深层特征提取与匹配方法包括：S11：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；所述对待注册指静脉图像进行预处理，包含依次进行感兴趣区域提取处理，图像归一化处理，直方图重映射处理；S12：采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；所述采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，具体过程如下：1)将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；2)采用由基础特征卷积核组成第一...

【技术特征摘要】
1.基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述指静脉深层特征提取与匹配方法包括：S11：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；所述对待注册指静脉图像进行预处理，包含依次进行感兴趣区域提取处理，图像归一化处理，直方图重映射处理；S12：采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；所述采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，具体过程如下：1)将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；2)采用由基础特征卷积核组成第一卷积池化层对所述特征补全后的待注册指静脉图像进行第一次卷积池化处理，获取待注册指静脉图像的基础特征；3)采用由高阶特卷积核组成的第二卷积池化层对待注册指静脉图像的基础特征进行第二次卷积池化处理，获取待注册指静脉图像深度隐藏特征；4)对所述待注册指静脉图像深度隐藏特征进行全连接处理处理，获取待注册指静脉图像深层特征；S13：采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；S14：采集待识别指静脉图像，将所述待识别指静脉图像依次进行S11、S12步骤处理，获取待识别指静脉图像深层特征；S15：采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。2.根据权利要求1所述的基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述深度卷积神经网络的层次结构为6层，其中第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层。3.根据权利要求1所述的基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述将所述预处理后的待注册指静脉图像进行残缺特征补全处理，包括：对所述预处理后的待注册指静脉图像进行数据集扩增处理，获取扩增后的待训练指静脉图像；将所述扩增后的待训练指静脉图像在所述残缺补全层内进行迭代训练处理，通过迭代训练获取特征补全后的待注册指静脉图像。4.根据权利要求1所述的基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，包括：将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，获取欧氏距离集合；对所述欧式距离集合内的欧氏距离进行排序，选取排序结果中最小的欧氏距离作为匹配结果；判断所述匹配结果是否小于设定阈值，若是，则所述匹配结果为识别成功，若否，则所述匹配结果为识别失败。5.根据权利要求4所述的基于残缺补全的指静脉深层特征提取与匹配方法，其特征在于，所述采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理还包括：将所述识别成功的待识别指静脉图像深层特征加入所述注册后的留存深层特征模板库中，采用所述识别成功的待识别指静脉图像深层特征对所述注册后的留存深层特征模板库进行更新...

【专利技术属性】
技术研发人员：胡建国，王金鹏，王德明，丁颜玉，
申请(专利权)人：广州智慧城市发展研究院，
类型：发明
国别省市：广东,44