一种基于个性化卷积神经网络的手指静脉识别方法及系统技术方案

本发明专利技术公开一种基于个性化卷积神经网络的手指静脉识别方法，涉及手指静脉识别技术领域，本方法包括包括训练和识别两部分，在训练部分首先基于正类样本的重要性进行个性化加权，将个性化加权后的样本存入个性化信息生成中心，同时并将加权后的正类样本与收集的手指静脉图像构成样本对进行训练，以构建个性化的卷积神经网络，在识别部分则借助个性化信息生成中心构造，借助个性化的卷积神经网络完成识别，并输出识别结果，结果分为验证通过和验证不通过两种。本发明专利技术还公开一种手指静脉识别系统，与识别方法相结合，均针对不同的场景要求获取重要客户的身份信息，提高识别率和用户满意度。

【技术实现步骤摘要】
一种基于个性化卷积神经网络的手指静脉识别方法及系统
本专利技术涉及手指静脉识别
，具体的说是一种基于个性化卷积神经网络的手指静脉识别方法及系统。
技术介绍
基于生物特征识别已成为信息化时代身份验证的最主要方式。近年来，手指静脉识别由于其独有的优点已成为一种极具潜力的身份验证方式。手指静脉识别技术利用手指内的静脉分布图像来进行身份识别。其工作原理，是依据人类手指中流动的血液可吸收特定波长的光线，而使用特定波长光线对手指进行照射，可得到手指静脉的清晰图像。利用这一固有的科学特征，将实现对获取的影像进行分析、处理，从而得到手指静脉的生物特征，再将得到的手指静脉特征信息与事先注册的手指静脉特征进行比对，从而确认登录者的身份。同其他生物识别技术相比，指静脉认证技术具备以下主要优势：生物识别技术，不会遗失、不会被窃、无记忆密码负担。原始手指静脉影像被捕获并数字化处理，图像比对由日立专有的手指静脉提取算法完成，整个过程不到1秒；人体内部信息，不受表皮粗糙、外部环境(温度、湿度)的影响。使用者心理抗拒性低，受生理和环境影响的因素也低，包括:干燥皮肤，油污，灰尘等污染，皮肤表面异常等；适用人群广，准确率高，不可复制、不可伪造，安全便捷。静脉隐藏在身体内部，被复制或盗用的机率很小。认假率为0.0001％，拒真率为0.01％，注册失败率小于0.03％；活体识别，用手指静脉进行身份识别时，获取的是手指静脉的图像特征，是手指活体时才存在的特征。然而，传统手指静脉识别方法只是使识别率最高，忽略了特殊场景(低拒识或低误识率)下的特定条件。例如，对于一个财务系统来说，通常只指定少数几人拥有财务处理权限。对于这种场景，需要对这几人的身份验证具有极高的识别精度，否则，如若让错给其他人员赋予财务处理权限将会带来巨大的损失。再例如，对于一个逃犯识别系统，若错将逃犯误识别为良好市民，则将失去抓捕逃犯的最好机会，从而对社会安全造成威胁。为了解决该类特定场景下的特定应用类问题，本专利技术提出了一种基于个性化卷积神经网络的手指静脉识别方法及系统。
技术实现思路
本专利技术针对目前技术发展的需求和不足之处，提供一种基于个性化卷积神经网络的手指静脉识别方法及系统。本专利技术的一种基于个性化卷积神经网络的手指静脉识别方法，解决上述技术问题采用的技术方案如下：一种基于个性化卷积神经网络的手指静脉识别方法，包括如下步骤：1)训练部分：1a)首先，获取正类样本，正类样本指的是特定场景中被关注重要用户的手指静脉图像；1b)然后，根据应用场景，引入用户的个性化信息生成中心，以对每个正类样本赋予不同的权重，区分用户的重要程度；1c)再次，收集手指静脉图像的样本，取其中一个样本与个性化信息生成中心的样本进行人工比对，构成一个样本对并进行训练，使得所收集手指静脉图像的样本与个性化信息生成中心的样本为同类时输出1，不同类时输出-1；手指静脉图像的样本可以是正类样本、负类样本，负类样本指的是特定场景中不被关注用户的手指静脉图像；1d)最后，在卷积神经网络中引入用户的个性化权重，输入样本对进行训练，构建个性化的卷积神经网络；2)识别部分：2a)将待验证的手指静脉图像与个性化信息生成中心的正类样本构成样本对；2b)将样本对输入个性化的卷积神经网络，输出1是通过验证，输入-1时不能通过验证。在个性化信息生成中心，每个正类样本具有不同的权重，引入公式(1)：在公式(1)中，N是正类样本的个数，Ri是第i个用户的权重，衡量第i个用户身份的重要性，Ui第i个用户的数据，T表示N个正类样本个性化加权后的总和。在卷积神经网络中引入用户的个性化权重时，需要建立损失函数，如公式(2)所示：s.tLi＝wzi+bs.tzi＝xi-T在公式(2)中，C1是把重要用户错分为一般用户的损失权重，C2是把一般用户错分为重要用户的损失权重；Qi是第i个样本的类别指示函数；如果第i个样本是重要用户，Qi＝1；反之，Qi＝-1；Li表示第i个样本的预测类别结果；w是训练部分的权重，b是训练部分的偏置；zi是输入的样本对,通过样本xi与产生的正类中心T进行判断，如果这两个样本是相似的，则标记为1。对损失函数即公式(2)进行优化，优化过程中，按照以下算法求得损失权重C1和C2，以及参数w和b：步骤一，固定C1和C2两个变量。给两个变量赋初值，使得C1>>C2；步骤二，将C1和C2代入公式(2)，使用随机梯度下降法求得模型的参数w和b；步骤三，然后再将求得的w和b，带入公式(2)，通过令C1和C2的偏导等于0，求得C1和C2的值；步骤四，重复步骤步骤二和步骤三，直到达到收敛条件。基于上述手指静脉识别方法，本专利技术还提供一种基于个性化卷积神经网络的手指静脉识别系统，该系统包括训练部分和识别部分；训练部分包括：采集模块，用于采集正类样本，正类样本指的是特定场景中被关注重要用户的手指静脉图像；设定生成模块，用于根据用户的重要程度对每个正类样本赋予不同的权重，区分用户的重要程度，进而生成个性化信息生成中心模块；构造输出模块，用于将人工比对的手指静脉图像和加权正类样本构成样本对，根据人工比对结果输出1或-1，1表示样本对为同类，-1表示样本对为不同类，手指静脉图像是所有样本中的任一个，所有样本包括正类样本和负类样本，负类样本指的是特定场景中不被关注用户的手指静脉图像；训练构建模块，基于每个样本具有的不同权重，卷积神经网络训练样本对，构建个性化卷积神经网络模块；识别部分包括：个性化信息生成中心模块，用于存储加权后的正类样本，并与待验证的手指静脉图像构成样本对，其中正类样本指的是特定场景中被关注重要用户的手指静脉图像；个性化卷积神经网络模块，用于分析对比样本对，输出识别结果1或-1，1表示验证通过，-1表示验证不通过。在生成个性化信息生成中心模块时，每个正类样本具有不同的权重，引入公式(1)：在公式(1)中，N是正类样本的个数，Ri是第i个用户的权重，衡量第i个用户身份的重要性，Ui第i个用户的数据，T表示N个正类样本个性化加权后的总和。在训练构建模块构建个性化卷积神经网络模块时，基于每个样本具有的不同权重，建立损失函数，如公式(2)所示：s.tLi＝wzi+bs.tzi＝xi-T在公式(2)中，C1是把重要用户错分为一般用户的损失权重，C2是把一般用户错分为重要用户的损失权重；Qi是第i个样本的类别指示函数；如果第i个样本是重要用户，Qi＝1；反之，Qi＝-1；Li表示第i个样本的预测类别结果；w是训练部分的权重，b是训练部分的偏置；zi是输入的样本对,通过样本xi与产生的正类中心T进行判断，如果这两个样本是相似的，则标记为1。对损失函数即公式(2)进行优化，优化过程中，按照以下算法求得损失权重C1和C2，以及参数w和b：步骤一，固定C1和C2两个变量。给两个变量赋初值，使得C1>>C2；步骤二，将C1和C2代入公式(2)，使用随机梯度下降法求得模型的参数w和b；步骤三，然后再将求得的w和b，带入公式(2)，通过令C1和C2的偏导等于0，求得C1和C2的值；步骤四，重复步骤步骤二和步骤三，直到达到收敛条件。本专利技术的一种基于个性化卷积神经网络的手指静脉识别方法及系统，与现有技术相比具有的有益效果是：1)本发本文档来自技高网...

【技术保护点】
1.一种基于个性化卷积神经网络的手指静脉识别方法，其特征在于,包括如下步骤：1)训练部分：1a)首先，获取正类样本，正类样本指的是特定场景中被关注重要用户的手指静脉图像；1b)然后，根据应用场景，引入用户的个性化信息生成中心，以对每个正类样本赋予不同的权重，区分用户的重要程度；1c)再次，收集手指静脉图像的样本，取其中一个样本与个性化信息生成中心的样本进行人工比对，构成一个样本对并进行训练，使得所收集手指静脉图像的样本与个性化信息生成中心的样本为同类时输出1，不同类时输出‑1；手指静脉图像的样本可以是正类样本、负类样本，负类样本指的是特定场景中不被关注用户的手指静脉图像；1d)最后，在卷积神经网络中引入用户的个性化权重，输入样本对进行训练，构建个性化的卷积神经网络；2)识别部分：2a)将待验证的手指静脉图像与个性化信息生成中心的正类样本构成样本对；2b)将样本对输入个性化的卷积神经网络，输出1是通过验证，输入‑1时不能通过验证。

【技术特征摘要】
1.一种基于个性化卷积神经网络的手指静脉识别方法，其特征在于,包括如下步骤：1)训练部分：1a)首先，获取正类样本，正类样本指的是特定场景中被关注重要用户的手指静脉图像；1b)然后，根据应用场景，引入用户的个性化信息生成中心，以对每个正类样本赋予不同的权重，区分用户的重要程度；1c)再次，收集手指静脉图像的样本，取其中一个样本与个性化信息生成中心的样本进行人工比对，构成一个样本对并进行训练，使得所收集手指静脉图像的样本与个性化信息生成中心的样本为同类时输出1，不同类时输出-1；手指静脉图像的样本可以是正类样本、负类样本，负类样本指的是特定场景中不被关注用户的手指静脉图像；1d)最后，在卷积神经网络中引入用户的个性化权重，输入样本对进行训练，构建个性化的卷积神经网络；2)识别部分：2a)将待验证的手指静脉图像与个性化信息生成中心的正类样本构成样本对；2b)将样本对输入个性化的卷积神经网络，输出1是通过验证，输入-1时不能通过验证。2.根据权利要求1所述的一种基于个性化卷积神经网络的手指静脉识别方法，其特征在于，在个性化信息生成中心，每个正类样本具有不同的权重，引入公式(1)：在公式(1)中，N是正类样本的个数，Ri是第i个用户的权重，衡量第i个用户身份的重要性，Ui第i个用户的数据，T表示N个正类样本个性化加权后的总和。3.根据权利要求2所述的一种基于个性化卷积神经网络的手指静脉识别，其特征在于，在卷积神经网络中引入用户的个性化权重时，需要建立损失函数，如公式(2)所示：s.tLi＝wzi+bs.tzi＝xi-T在公式(2)中，C1是把重要用户错分为一般用户的损失权重，C2是把一般用户错分为重要用户的损失权重；Qi是第i个样本的类别指示函数；如果第i个样本是重要用户，Qi＝1；反之，Qi＝-1；Li表示第i个样本的预测类别结果；w是训练部分的权重，b是训练部分的偏置；zi是输入的样本对,通过样本xi与产生的正类中心T进行判断，如果这两个样本是相似的，则标记为1。4.根据权利要求3所述的一种基于个性化卷积神经网络的手指静脉识别，其特征在于，对损失函数即公式(2)进行优化，优化过程中，按照以下算法求得损失权重C1和C2，以及参数w和b：步骤一，固定C1和C2两个变量。给两个变量赋初值，使得C1>>C2；步骤二，将C1和C2代入公式(2)，使用随机梯度下降法求得模型的参数w和b；步骤三，然后再将求得的w和b，带入公式(2)，通过令C1和C2的偏导等于0，求得C1和C2的值；步骤四，重复步骤步骤二和步骤三，直到达到收敛条件。5.一种基于个性化卷积神经网络的手指静脉识别系统，其特征在于，该系...

【专利技术属性】
技术研发人员：于治楼，袭肖明，
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