【技术实现步骤摘要】
一种普适性的基于S-CNN模型的手背静脉图像识别方法
本专利技术涉及计算机图像识别领域，尤其涉及一种通过手背静脉图像识别进行身份认证的方法。
技术介绍
生物特征识别是依靠人类自身固有的生理或行为属性来进行身份验证的，这些特征或是先天与生俱来的，如人脸、指纹、掌纹、虹膜、静脉等；或是后天生活习惯决定的，如语音、笔迹、步态等。由于不同人具有相同生物特征的概率极小，且这些特征更不容易被复制。因此，生物特征识别技术被认为是目前公共安全中最稳定、最可靠的身份认证方式。手背静脉识别是在特定波长的近红外光源的照射下，通过获取的手背静脉图像来进行身份识别的。与其它生物识别技术相比，静脉识别具有以下优势：1.活体识别。手背静脉图像特征是活体时才存在的特征，非活体与活体获得的静脉图像间存在明显差异，因而也就很难造假；2.特定光源。由于血液中的血色素对特定波长范围的近红外光具有较强的吸收，而在自然光下采集的图像中静脉信息不是很明显，因此特征很难被他人盗取；3.内部特征。静脉信息是存在于手背内部的，不存在任何由于手背表面损伤，磨损或潮湿等带来的识别障碍；4.非接触式。采集静脉图像时，手背...
【技术保护点】
1.一种基于S‑CNN模型的手背静脉图像识别方法，所述方法适用于一种由静脉图像采集装置和PC机组成的身份认证系统，其特征在于，所述方法包括以下步骤：S1，建立初始数据集，对至少100个采集对象的手背静脉图像进行采集，对每个采集对象至少采集6次，每次采集时手的位置、角度及与镜头的距离均随机，且任意两次手背的位置或角度均有所区别，由采集到的所有手背静脉图像数据构建初始的数据集；S2，建立训练数据集，对采集到的每一张图像进行3至5次不同尺度的缩放变换，3至5次不同距离的平移变换和3至5次不同角度的旋转变换，使每个采集对象对应162至750个样本，以模拟图像识别时手背的多种位姿；S...
【技术特征摘要】
1.一种基于S-CNN模型的手背静脉图像识别方法，所述方法适用于一种由静脉图像采集装置和PC机组成的身份认证系统，其特征在于，所述方法包括以下步骤：S1，建立初始数据集，对至少100个采集对象的手背静脉图像进行采集，对每个采集对象至少采集6次，每次采集时手的位置、角度及与镜头的距离均随机，且任意两次手背的位置或角度均有所区别，由采集到的所有手背静脉图像数据构建初始的数据集；S2，建立训练数据集，对采集到的每一张图像进行3至5次不同尺度的缩放变换，3至5次不同距离的平移变换和3至5次不同角度的旋转变换，使每个采集对象对应162至750个样本，以模拟图像识别时手背的多种位姿；S3，搭建S-CNN模型，该模型结构包括：输入层(I1)：输入训练样本图像，并对图像进行归一化处理，即归一化后为n×n像素灰度静脉图像；卷积层(C2，C5，......，C3m+2)：该模型采用z种卷积核分别对不同尺度下的特征图进行滤波处理，并进行激活处理，这里卷积函数与激活函数如式(1)与式(2)所示：式中，si,j表示原始图像像素值，r×r表示卷积核大小，wi,j表示卷积核参数，bi.j表示偏置参数，k表示模型卷积层数；加扰层(S3，S6，......，S3m+3)：在该层建立与卷积层(C2，C5，......，C3m+2)相同大小的二值图像，即模拟手背干扰因素的“模板”，这些模板分别与卷积层输出进行逻辑“与”运算。此外，加扰图像应随着不同卷积层输出图像的大小进行相应尺度缩放。这里，通过对基础的加扰图像进行平移、旋转等几何变换，扩展出多种“模板”，并在模型训练过程中随机选取。池化层(P4，P7，......，P3m+4)：分别对S3，S6，......，S3m+3层输出图像采用2×2大小的滤波器进行滤波，即在每一次滤波时选取最大值作为滤波结果，窗口滑动步长为2；Dropout层(D3m+5)：P3m+4层经过列向量展开成为静脉图像的特征向量，而为了降低训练过程中过拟合出现的概率，在该层中将50％的特征暂时从网络中丢弃；全连接层(F3m+6)：这里将设定q个隐藏层神经元，与前一层神经元进行全连接。该模型全连接层(F3m+6)分别连接特征向量与输出层，需要两个转换矩阵连接这3层，如式(3)，式(4)所示...
【专利技术属性】
技术研发人员：贾旭，孙福明，曹玉东，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。