一种基于Capsule的掌静脉特征提取方法技术

本发明专利技术公开了一种基于Capsule的掌静脉特征提取方法，通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层。本发明专利技术的技术方案基于Capsule的同变性(Equivariance)，可以更好的解决掌静脉图像存在的易变形、随机位移、旋转、缩放等问题。

A Capsule-based feature extraction method for palmar vein

The invention discloses a palm vein feature extraction method based on Capsule. By constructing a feature extraction network based on Capsule, the palm vein image is extracted and the palm vein feature vector is obtained. The feature extraction network based on Capsule consists of three modules, namely convolution network layer, Capsule network layer and classification layer. \u3002 The technical scheme of the present invention is based on the Equivariance of Capsule, which can better solve the problems of deformability, random displacement, rotation and scaling of the palm vein image.

【技术实现步骤摘要】
一种基于Capsule的掌静脉特征提取方法
本专利技术涉及手掌静脉特征识别
，尤其涉及一种基于Capsule的掌静脉特征提取方法。
技术介绍
掌静脉识别是指利用人体手掌血液中血红素对近红外光具有较强的吸收特性，获得手掌静脉的分布纹路进行的身份识别，目前已经逐渐应用于安防系统、银行系统、楼宇门禁等。近些年，虽然深度学习取得了众多突破，尤其在人脸、语音等识别技术上，但是基于深度学习的掌静脉识别技术发展较慢，主要原因包括：(1)掌静脉具有复杂的内部结构，这种网状结构具有较弱的局部相关性，难以直接使用一般的卷积网络取得较好的识别效果；(2)掌静脉ROI区域的选取存在随机性，一般通过手指间根部间隙点定位掌静脉ROI区域，但是间隙点的定位会因手掌的张合动作存在较大的波动性，难以保证每次截取都一致；(3)一般掌静脉识别技术在采集掌静脉图像时都需要对手掌位置进行固定或采用接触式，但如果采用非接触式采集会导致掌静脉图像存在较大的位移和缩放，对ROI区域的提取会发生较大的变化。卷积神经网络取得成功的一个重要原因是在提取特征时具有不变性(Invariance)。这种特性主要通过Pooling等下采样本文档来自技高网...

【技术保护点】
1.一种基于Capsule的掌静脉特征提取方法，其特征在于：通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，所述的基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层：(1)卷积网络层由1个卷积核为5x5的基础卷积层和3个Layer层构成，基础卷积层的Stride设置为2，降低计算量和卷积特征平面的维度，第一级Layer层由3个Block构成，第二级Layer层由4个Block构成，第三级Layer层由3个Block构成，三级Layer级联完成对掌静脉局部特征的提取；(2)Capsule网络层由1个权重矩阵层、1...

【技术特征摘要】
1.一种基于Capsule的掌静脉特征提取方法，其特征在于：通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，所述的基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层：(1)卷积网络层由1个卷积核为5x5的基础卷积层和3个Layer层构成，基础卷积层的Stride设置为2，降低计算量和卷积特征平面的维度，第一级Layer层由3个Block构成，第二级Layer层由4个Block构成，第三级Layer层由3个Block构成，三级Layer级联完成对掌静脉局部特征的提取；(2)Capsule网络层由1个权重矩阵层、1个转换矩阵层和1个L2量化层构成，Capsule层的输入来自卷积网络层，输入大小为14x14，深度为512，将每个位置的512维向量作为一个Capsule，可构成196个Capsules，再经过经过权重矩阵层和转换矩阵层完成Capsule的转换；(3)分类层由一个大小为8000的全连接层和一个Softmax层构成，用于将低维的特征向量映射到各自的类中心，通过Softmax层进行分类训练。2.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(1)中所述的基础卷积层由1个卷积核大小为m×n的卷积层，一个批量化层和一个激活函数层构成，首先输入经过卷积核为m×n、Stride为s的卷积层，然后经过批量化层，最后经过一个激活函数层。3.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(1)中的Layer层由两种Block构成，分别为BlockA和BlockB：BlockA由1个3x3的基础卷积层、1个3x3的卷积层、1个1x1的卷积层、2个批量化层、1个求和层和1个激活函数层R...

【专利技术属性】
技术研发人员：余孟春，谢清禄，王显飞，
申请(专利权)人：广州麦仑信息科技有限公司，
类型：发明
国别省市：广东,44