一种基于LSTM的掌静脉识别系统及方法技术方案

本发明专利技术提供了一种基于LSTM的掌静脉识别系统，包括：启动模块，用于感应目标人群并启动掌静脉识别系统；图像采集模块，用于获取目标掌静脉图像；温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；图像预处理模块，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；图像识别模块，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别；数据库模块，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。相比传统的特征点和基于纹理特征进行比对，针对时间、温度变化，无论效率、准确率都有大幅地提高。

A Palmar Vein Recognition System and Method Based on LSTM

【技术实现步骤摘要】
一种基于LSTM的掌静脉识别系统及方法
本专利技术涉及图像处理与深度学习
，具体涉及一种基于LSTM的掌静脉识别系统。
技术介绍
传统的掌静脉识别受光线强弱、温度高低、位置等外部因素的影响，一次性识别成功率低。当前的掌静脉识别算法主要是基于特征点和基于纹理特征进行比对，其中特征点主要是指静脉纹路中的一线显著的关键点，具有很强的辨识度，如端点、分叉点、交点等。对于这些特征点的提取普遍做法是采用SIFT、SURF等方法，这些方法一般在特征点数量较多时效果很好，但耗时也高，不适合在嵌入式设备中应用。此外，基于纹理特征的方法目前也较为普遍，如LBP特征、HOG特征等，这些方法对图像清晰度不再敏感，但其表达能力也很有限，不能应对多变的实际应用场景。CN105474234A公开了一种掌静脉识别的方法，包括：获取用户的目标掌静脉图像；从所述用户的目标掌静脉图像中提取感兴趣区域ROI；获取所述ROI对应的特征数据，所述特征数据为经过二值化处理得到的；通过比对所述目标掌静脉图像对应的特征数据与已登记的原始掌静脉图像对应的特征数据，对所述用户的目标掌静脉图像进行识别，其中，所述已登记的原始掌静脉图像对应的特征数据为预先计算得到的。该方法作为基于特征点和基于纹理特征进行比对，一般在特征点数量较多时效果较好，但耗时高，不适合嵌入式设备中应用，也不能应对多变的实际应用场景，不具有自我学习能力。CN106056041公开了一种对手掌静脉图像进行采集并识别的系统方法，现利用红外工业摄像头采集人手掌的静脉图像，再对原始图像进行归一化、二值化、中值滤波进行预处理得出具有一定特征的目标图像，接下来对图像通过多层卷积和池化等操作进行训练，最终得到合理的权矩阵。该方法没有人工进行静脉图像标注，原始的输入数据会随着数据量增大而产生较大的偏移；并且，针对因时间偏移而带来人手掌的静脉图像变化不能进行自动调整，即不具有记忆属性。CN108615002公开了一种基于卷积神经网络的手掌静脉认证方法，该基于卷积神经网络的手掌静脉认证方法具体步骤如下：S1、根据训练样本集图像，对卷积神经网络进行训练，S2、用户注册图像输入到卷积网络模型生成特征向量，S3、输入待识别图像，S4、待识别特征向量与模板存储模块中的模板特征向量进行比对识别；S5、比对结果获得的概率值取最大值，最大概率值大于一定阈值，则认证成功，否则认证失败。该方法同样针对因时间偏移而带来人手掌的静脉图像变化不能进行自动调整，不具有记忆属性。
技术实现思路
本专利技术针对上述技术问题，提出了一种基于LSTM的掌静脉识别系统，在一定历史时间范围，对不同温度的掌静脉图像数据进行学习，从而生成不同的掌静脉数据识别模板。掌静脉设备识别时，不同温度下，与对应的图像描述模型进行比对，排除温度影响，从而提高掌静脉数据识别的效率、准确率。为了实现本专利技术的目的，本专利技术采用的技术方案是：一种基于LSTM的掌静脉识别系统，包括：启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；图像采集模块，用于获取目标掌静脉图像；温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。本专利技术所述的图像预处理模块，采用FCN模型提取目标掌静脉图像的数据信息。本专利技术所述的图像识别模块，根据图像采集时的温度信息，将掌静脉图像数据作为对应温度的LSTM-CNN模型的输入，提取生成特征向量。本专利技术还提供了一种基于LSTM的掌静脉识别方法，包括以下步骤：S1.采集一段时间内的不同人的掌静脉图像数据和温度信息；S2.对采集到的掌静脉图像数据进行人工标注，训练出基于掌静脉数据的FCN(全卷积网络)模型；S3.利用人工标注后的掌静脉图像数据，建立多个不同温度下的LSTM-CNN模型；S4.通过传感器获取用户注册掌静脉图像及温度信息，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；S5.基于用户注册掌静脉图像的数据信息作为输入，经多个不同温度的LSTM-CNN模型提取生成特征向量，并作为特征向量模板存储；S6.通过传感器获取待识别掌静脉图像及温度信息，选择相应温度的LSTM-CNN模型提取待识别掌静脉的特征向量与特征向量模板进行比对，比对结果大于一定阈值，则认证成功，否则认证失败。经过训练，LSTM-CNN中保存有多个不同温度下的特征向量模板，如果待识别掌静脉特征向量与对应温度的已有特征向量小于特定的阀值，即认为相同。本专利技术所述S6步骤的比对方法为：S61将待识别掌静脉数据在深度学习模型LSTM-CNN的Embedding层进行向量化并转换成向量A；S62向量A传入深度学习模型LSTM-CNN的LSTM层一LSTM单元；S63将LSTM单元的输出hi传入深度学习模型LSTM-CNN的第一DropOut层；S64将第一DropOut层的输出传入Conv卷积层进行卷积后，使用ReLU激活函数将卷积层的输出设为ci；S65将该Conv层的输出ci依次经第二DropOut层、SoftMax层处理后，将得到的输出y′与特征向量模板yID一起计算产生损失值；当前计算的损失值与前m次损失值的平均值的差小于阈值，则认证成功，否则认证失败。优选地，所述损失值Cost(y′，yID)＝-yIDlog(y′)+(1-yID)log(1-y′)。优选地，所述的阈值为0.5。本专利技术所述S1步骤，采集-20～40摄氏度温度变化的掌静脉图像数据。本专利技术的有益效果在于：1、本专利技术的掌静脉识别系统采用LSTM-CNN模型训练，基于训练的掌静脉数据集，提取图像描述数据集中的CNN特征，通过二层、三层及多层LSTM-CNN模型进行训练，最终获得基于不同温度下的逐层多目标优化及多层概率融合的图像描述模型。相比传统的特征点和基于纹理特征进行比对，基于LSTM-CNN模型训练，针对时间、温度变化，无论效率、准确率都有大幅地提高。2、相比传统的特征点和基于纹理特征进行比对，通过人工标注训练掌静脉切割的FCN模型，更好地识别掌静脉图像信息，从而更加高效地识别掌静脉图像信息。3、相比传统的解决方案，LSTM-CNN具有历史记忆性、训练性，通过标注掌静脉数据的训练，可不断地优化特征向量；通过历史数据的训练，可随着时间数据的变化，特征向量体现时间的属性从而避免偏差过大。附图说明图1为本专利技术基于LSTM的掌静脉识别系统的框图。图2为本专利技术基于LSTM的掌静脉识别方法的流程示意图。图3为单张掌静脉数据图片信息。图4为基于掌静脉图片的FCN模型。图5为训练并着色之后的掌静脉图像。具体实施方式为了更加清楚、详细地说明本专利技术的目的技术方案，下面通过相关实施例对本专利技术进行进一步描述。以下实施例仅为具体说明本专利技术的实施方法，并不限定本专利技术的保护范围。实施例1如图1所示，一种基于L本文档来自技高网...

【技术保护点】
1.一种基于LSTM的掌静脉识别系统，其特征在于，包括：启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；图像采集模块，用于获取目标掌静脉图像；温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。

【技术特征摘要】
1.一种基于LSTM的掌静脉识别系统，其特征在于，包括：启动模块，所述的启动模块为热释电红外传感模块，用于感应目标人群并启动掌静脉识别系统；图像采集模块，用于获取目标掌静脉图像；温度传感器模块，用于获取目标掌静脉图像采集时的温度信息；图像预处理模块，与图像采集模块数据连接，用于获取掌静脉图像的位置信息，读取掌静脉图像的数据信息；图像识别模块，基于当前温度，对获取的掌静脉图像与已注册用户的掌静脉图像进行比对识别，其中，已注册用户的掌静脉图像对应的特征向量模板为预先计算得到的；数据库模块，与图像识别模块数据连接，注册用户的掌静脉图像对应的特征向量作为特征向量模板存储到数据库中，用于对输入的目标掌静脉图像进行比对。2.根据权利要求1所述基于LSTM的掌静脉识别系统，其特征在于，所述的图像预处理模块，采用FCN模型提取目标掌静脉图像的数据信息。3.根据权利要求1所述基于LSTM的掌静脉识别系统，其特征在于，所述的图像识别模块，根据图像采集时的温度信息，将掌静脉图像数据作为对应温度的LSTM-CNN模型的输入，提取生成特征向量。4.根据权利要求1所述基于LSTM的掌静脉识别方法，其特征在于，包括以下步骤：S1.采集一段时间内的不同人的掌静脉图像数据和温度信息；S2.对采集到的掌静脉图像数据进行人工标注，训练出基于掌静脉数据的FCN模型；S3.利用人工标注后的掌静脉图像数据，建立多个不同温度下的LSTM-CNN模型；S4.通过传感器获取用户注册掌静脉图像，依据FCN模型获取用户注册掌静脉图像的位置信息，并读取掌静脉图像数据信息；S5...

【专利技术属性】
技术研发人员：武伟伟，王叶南，
申请(专利权)人：电子科技大学成都学院，
类型：发明
国别省市：四川,51