一种基于个性化学习的手指静脉识别系统及方法技术方案

本发明专利技术公开了一种基于个性化学习的手指静脉识别系统及方法，包括分级学习模型，用于对手指包括正常、旋转、平移的状态进行分类，并输出分类结果：常态、非常态；普通识别模块，用于识别结果为常态的手指静脉，并输出识别结果；hard识别模块，用于识别结果为非常态的手指静脉，并输出识别结果；显示模块，用于将普通识别模块和hard识别模块的结果进行融合，输出最终识别结果。本发明专利技术的一种基于个性化学习的手指静脉识别系统及方法与现有技术相比，有效提高识别方法对旋转、平移的鲁棒性，准确完成手指静脉识别，精确的对用户身份验证，简单有效，实用性强，适用范围广泛，具有很好的推广使用价值。

【技术实现步骤摘要】
一种基于个性化学习的手指静脉识别系统及方法
本专利技术涉及计算机视觉
，具体地说是一种基于个性化学习的手指静脉识别系统及方法。
技术介绍
近年来，手指静脉由于其内部特征、活体识别等优点受到研究者越来越多的关注。当手指旋转、平移后，将降低传统方法的识别性能。因此，如何针对手指的旋转、平移等特点，设计个性化学习的手指静脉识别方法，使其能够精确地对用户进行身份验证，具有重要的意义。
技术实现思路
本专利技术的技术任务是针对以上不足之处，提供一种基于个性化学习的手指静脉识别系统及方法。一种基于个性化学习的手指静脉识别系统，包括：分级学习模型，用于对手指包括正常、旋转、平移的状态进行分类，并输出分类结果：常态、非常态；普通识别模块，用于识别结果为常态的手指静脉，并输出识别结果；hard识别模块，用于识别结果为非常态的手指静脉，并输出识别结果；显示模块，用于将普通识别模块和hard识别模块的结果进行融合，输出最终识别结果。所述分级学习模型通过卷积神经网络架构实现，该分级学习模型分类学习过程为：首先获取图像训练样本，并对样本分为正常、旋转和平移三类；然后人工对图像样本进行这三类的标记，将训练样本本文档来自技高网...

【技术保护点】
1.一种基于个性化学习的手指静脉识别系统，其特征在于，包括：分级学习模型，用于对手指包括正常、旋转、平移的状态进行分类，并输出分类结果：常态、非常态；普通识别模块，用于识别结果为常态的手指静脉，并输出识别结果；hard识别模块，用于识别结果为非常态的手指静脉，并输出识别结果；显示模块，用于将普通识别模块和hard识别模块的结果进行融合，输出最终识别结果。

【技术特征摘要】
1.一种基于个性化学习的手指静脉识别系统，其特征在于，包括：分级学习模型，用于对手指包括正常、旋转、平移的状态进行分类，并输出分类结果：常态、非常态；普通识别模块，用于识别结果为常态的手指静脉，并输出识别结果；hard识别模块，用于识别结果为非常态的手指静脉，并输出识别结果；显示模块，用于将普通识别模块和hard识别模块的结果进行融合，输出最终识别结果。2.根据权利要求1所述的一种基于个性化学习的手指静脉识别系统，其特征在于，所述分级学习模型通过卷积神经网络架构实现，该分级学习模型分类学习过程为：首先获取图像训练样本，并对样本分为正常、旋转和平移三类；然后人工对图像样本进行这三类的标记，将训练样本及标记输入卷积神经网络架构，训练得到分级学习模型，该分级学习模型根据分类结果即可得到手指的状态。3.根据权利要求1所述的一种基于个性化学习的手指静脉识别系统，其特征在于，所述hard识别模块通过训练hard学习器实现，该hard学习器在训练时，首先获取样本，然后给每个样本赋予初始化权重，赋值时将识别错误的样本的权重大于识别正确的样本的权重；然后迭代优化训练，并更新权重，更新权重时将被分错的样本的权重大于分对样本的权重，从而完成hard学习训练过程。4.根据权利要求3所述的一种基于个性化学习的手指静脉识别系统，其特征在于，所述初始化权重通过以下公式赋值：在上式中，变量x表示一个样本，变量q表示识别正确的样本的个数，变量p表示识别错误的样本的个数，N表示所有样本个数，ΩC表示识别错误的样本的集合，ΩB表示识别正确的样本集合。5.根据权利要求3所述的一种基于个性化学习的手指静脉识别系统，其特征在于，在每次迭代优化中，更新权重的更新公式如下：在上式中，变量un-1表示上一次迭代是样本x的权重，n表示迭代次数，acc表示被上次迭代中识别的正确率，Ωerr表示上次迭代中被错误识别的样本集合，Ωacc表示上次迭代中被正确识别的样本集合。6.一种基于个性化学习的手指静脉识别方法，其特征...

【专利技术属性】
技术研发人员：袭肖明，于治楼，姜凯，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：山东,37