一种基于深度相关性特征学习的指静脉识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度相关性特征学习的指静脉识别方法及装置，属于生物识别领域，本发明专利技术要解决的技术问题为如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能，采用的技术方案为：①该方法步骤如下：S1、提取细节点；S2、构建图节点；S3、学习相关性映射图：基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；S4、深度相关性特征学习；S5、匹配：将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。②该装置包括细节点提取模块、图节点构建模块、相关性映射图学习模块、深度相关性特征学习模块以及匹配模块。

A Method and Device for Finger Vein Recognition Based on Deep Relevance Feature Learning

【技术实现步骤摘要】
一种基于深度相关性特征学习的指静脉识别方法及装置
本专利技术涉及生物识别领域，具体地说是一种基于深度相关性特征学习的指静脉识别方法及装置。
技术介绍
随着社会的进步，各个领域技术都有了长足的发展。生物特征识别技术是利用人体生物特征或者行为特征进行人体身份认证，其中，人体生物特征主要包括两大类：外部生物特征和内部生物特征。外部生物特征如指纹、虹膜视和脸型等。内部生物特征如手指静脉等。手指静脉识别是一种具有巨大潜力的新兴生物识别技术，其具有内部特征、活体识别等优点受到越来越多研究者和开发人员的关注。特征提取是指静脉识别的关键一环。基于细节点的特征能够表示指静脉的拓扑结构，具有较强的可解释性。然而这类特征忽略了细节点之间的关联性信息，从而影响了最后的识别性能。因此，如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能是目前现有技术中急需解决的技术问题。专利号为CN109558827A的专利文献公开了一种基于个性化卷积神经网络的手指静脉识别方法，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。该技术方案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。但是不能有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能。
技术实现思路
本专利技术的技术任务是提供一种基于深度相关性特征学习的指静脉识别方法及装置，来解决如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能的问题。本专利技术的技术任务是按以下方式实现的，一种基于深度相关性特征学习的指静脉识别方法，具体步骤如下：S1、提取细节点：提取手指静脉的细节点；S2、构建图节点：根据细节点构建手指静脉的图结构；S3、学习相关性映射图：基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；S4、深度相关性特征学习：使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；S5、匹配：将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。作为优选，所述步骤S1中提取细节点的具体步骤如下：S101、对于一副手指静脉图像，用线性跟踪法对手指静脉的纹路进行分割，并进行二值化处理得到二值图像；S102、对分割的二值图像进行细化，得到细化图像，基于细化图像提取整个手指静脉的细节点。更优地，所述细节点包括手指静脉细化图像的交叉点和端点。作为优选，所述步骤S2中构建图节点的具体内容如下：提取细节点的特征，并将细节点特征对应的相关特征向量作为图的一个节点；其中，细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角。更优地，所述细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。作为优选，所述步骤S3中学习相关性映射图的具体步骤如下：S301、对于节点A，构建相关性信息，将节点A与剩余的节点构造样本对；S302、通过样本对训练RankSVM；S303、找到RankSVM输出的前K个样本，即与节点A相关的K个样本；S304、计算节点A与K个样本的相似度，即得到相关性信息；其中，节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度；S305、按照步骤S301-步骤S304计算出任何节点的相关性信息，即完成相关性映射图的学习。作为优选，所述步骤S4中深度相关性特征学习是采用Resnet对相关特征进行学习。作为优选，所述步骤S5中相似度比较是采用欧式距离进行相似度度量；对于待验证用户，找到与验证用户的图像欧式距离最小的模板，即能得到用户信息。一种基于深度相关性特征学习的指静脉识别装置，该装置包括，细节点提取模块，用于提取手指静脉的细节点；图节点构建模块，用于根据细节点构建手指静脉的图结构；相关性映射图学习模块，用于基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；深度相关性特征学习模块，用于使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；匹配模块，用于将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。本专利技术的基于深度相关性特征学习的指静脉识别方法及装置具有以下优点：(一)、本专利技术能够解决手指静脉的精确识别问题，以本专利技术提出的方法作为核心技术，可用于生物识别等领域，识别精度的提高则可提高产品竞争力，更加有助于公司在“智慧安防”领域的业务蓬勃发展，可以带来良好的经济效益和社会效益；(二)、本专利技术有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能，提高指静脉识别精度；(三)、本专利技术使用卷积神经网络对相关性映射图进行学习，学习出更高效的深度图特征，学习到的深度图特征能够获取细节点之间的相关性信息，进一步提高了识别精度。附图说明下面结合附图对本专利技术进一步说明。附图1为基于深度相关性特征学习的指静脉识别方法的流程框图；附图2为基于深度相关性特征学习的指静脉识别装置的结构框图。具体实施方式参照说明书附图和具体实施例对本专利技术的一种基于深度相关性特征学习的指静脉识别方法及装置作以下详细地说明。实施例1：如附图1所示，本专利技术的基于深度相关性特征学习的指静脉识别方法,具体步骤如下：S1、提取细节点：提取手指静脉的细节点；具体步骤如下：S101、对于一副手指静脉图像，用线性跟踪法对手指静脉的纹路进行分割，并进行二值化处理得到二值图像；S102、对分割的二值图像进行细化，得到细化图像，基于细化图像提取整个手指静脉的细节点。其中，细节点包括手指静脉细化图像的交叉点和端点。S2、构建图节点：根据细节点构建手指静脉的图结构；具体内容如下：提取细节点的特征，并将细节点特征对应的相关特征向量作为图的一个节点；其中，细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角；细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。S3、学习相关性映射图：基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；具体步骤如下：S301、对于节点A，构建相关性信息，将节点A与剩余的节点构造样本对；S302、通过样本对训练RankSVM；S303、找到RankSVM输出的前K个样本，即与节点A相关的K个样本；S304、计算节点A与K个样本的相似度，即得到相关性信息；其中，节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度；S305、按照步骤S301-步骤S304计算出任何节点的相关性信息，即完成相关性映射图的学习。S4、深度相关性特征学习：使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；深度相关性特征学习是采用Resnet对相关特征进行学习。本文档来自技高网...

【技术保护点】
1.一种基于深度相关性特征学习的指静脉识别方法，其特征在于，具体步骤如下：S1、提取细节点：提取手指静脉的细节点；S2、构建图节点：根据细节点构建手指静脉的图结构；S3、学习相关性映射图：基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；S4、深度相关性特征学习：使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；S5、匹配：将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。

【技术特征摘要】
1.一种基于深度相关性特征学习的指静脉识别方法，其特征在于，具体步骤如下：S1、提取细节点：提取手指静脉的细节点；S2、构建图节点：根据细节点构建手指静脉的图结构；S3、学习相关性映射图：基于RankSVM的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；S4、深度相关性特征学习：使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；S5、匹配：将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。2.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述步骤S1中提取细节点的具体步骤如下：S101、对于一副手指静脉图像，用线性跟踪法对手指静脉的纹路进行分割，并进行二值化处理得到二值图像；S102、对分割的二值图像进行细化，得到细化图像，基于细化图像提取整个手指静脉的细节点。3.根据权利要求2所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述细节点包括手指静脉细化图像的交叉点和端点。4.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述步骤S2中构建图节点的具体内容如下：提取细节点的特征，并将细节点特征对应的相关特征向量作为图的一个节点；其中，细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角。5.根据权利要求4所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。6.根据...

【专利技术属性】
技术研发人员：于治楼，计晓贇，袭肖明，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东,37