一种基于三维全卷积神经网络的OCT内外指纹提取方法技术

一种基于三维全卷积神经网络的OCT内外指纹提取方法，包括如下步骤：1)对每幅指纹OCT图像中的角质层区域位置和乳头层区域位置进行手工标注，得到与OCT图像对应的标注图片，进行ROI提取和数据增强，构成标注数据集；2)构建三维全卷积神经网络模型，设定训练参数和损失函数，使用标注好的数据集训练模型；3)通过训练好的全卷积神经网络模型预测未标注的OCT图像的角质层、乳头层；4)根据所有OCT图像的角质层和乳头层，按照相对深度以及OCT图像空间顺序，经过拼接，分别得到OCT指纹的外指纹和内指纹。本发明专利技术通过三维全卷积神经网络来学习提取OCT图像的角质层和乳头层特征，从而生成准确的内外指纹。

A method of fingerprint extraction in Oct based on 3D full convolution neural network

【技术实现步骤摘要】
一种基于三维全卷积神经网络的OCT内外指纹提取方法
本专利技术涉及指纹识别领域，特别涉及一种基于三维全卷积神经网络的OCT内外指纹提取方法。
技术介绍
因为指纹的独特性和永久性，指纹特征作为最常用的生物特征广泛应用到了个人身份识别当中。指纹识别系统是将指尖表面的纹路捕捉到二维图像上，然后对其的一些特征(脊线谷线的纹路、细节点等)进行识别。然而，当手指表面存在污垢、汗水以及受到不可修复的损伤时，指纹就会受到破坏，无法完成识别任务。另外，硅胶等材料制成的伪造指纹膜也常常能成功地欺骗这些系统。研究表明，手指表皮上的指纹脊线和谷线，来源于真皮中与表皮的交界处的乳头层(真皮乳头)，它是指纹结构的来源。手指表皮上的指纹即外部指纹就是该层起伏特征的精确复制品。由此可见，由乳头层轮廓得到的、不容易被破坏的内部指纹是外部指纹的有力补充。与此同时，光学相干断层扫描(opticalcoherencetomography,OCT)这项非侵入性成像技术，可以获取人体皮肤表面下1～3mm深度的信息，得到手指的指纹的3D体数据，这为采集到高分辨率三维内部指纹提供了可能。现有的OCT内外指纹提取一般都是基于灰度值跳本文档来自技高网...

【技术保护点】
1.一种基于三维全卷积神经网络的OCT内外指纹提取方法，其特征在于，所述方法包括如下步骤：1)设OCT指纹体数据大小为W×H×N，即由N张分辨率为W×H的OCT图像组成，表示空间上连续的N张手指指纹的竖切面，选择几组连续的OCT图像，对每幅指纹图像中的角质层区域位置和乳头层区域位置进行手工标注，得到与OCT图像对应的标注图片，并对标注好的OCT图像进行ROI提取和数据增强，构成三维全卷积神经网络模型训练所需的标注数据集；2)构建三维全卷积神经网络模型，设定训练参数和损失函数，使用标注好的数据集训练三维全卷积神经网络的模型，得到训练好的三维全卷积神经网络模型；3)通过训练好的全卷积神经网络模型预...

【技术特征摘要】
1.一种基于三维全卷积神经网络的OCT内外指纹提取方法，其特征在于，所述方法包括如下步骤：1)设OCT指纹体数据大小为W×H×N，即由N张分辨率为W×H的OCT图像组成，表示空间上连续的N张手指指纹的竖切面，选择几组连续的OCT图像，对每幅指纹图像中的角质层区域位置和乳头层区域位置进行手工标注，得到与OCT图像对应的标注图片，并对标注好的OCT图像进行ROI提取和数据增强，构成三维全卷积神经网络模型训练所需的标注数据集；2)构建三维全卷积神经网络模型，设定训练参数和损失函数，使用标注好的数据集训练三维全卷积神经网络的模型，得到训练好的三维全卷积神经网络模型；3)通过训练好的全卷积神经网络模型预测未标注的OCT图像的角质层、乳头层；4)根据所有OCT图像的角质层和乳头层，按照相对深度，以及OCT图像空间顺序，经过拼接，分别得到OCT指纹的外指纹和内指纹。2.根据权利要求1所述的基于三维全卷积神经网络的OCT内外指纹提取方法，其特征在于，所述步骤1)中，OCT指纹图像增强过程包括如下步骤：1.1)首先对几组连续的OCT图像进行人工标注，在图像中标注出角质层和乳头层区域；1.2)由于OCT图像大部分面积是背景，只有一部分为手指皮下结构，因此对每张OCT图像进行ROI提取，提取过程如下：利用大小相等的矩形框，大小为240×80，在图像中将包含角质层和乳头层的区域依次截取，同样对标注图也进行相同操作，获得相匹配的标注，这样不仅提高算法效率，也能获得更多OCT图像训练数据；1.3)对OCT的ROI图像及其对应的标注图都顺时钟旋转90度，180度，270度以及水平对折，获得更多的训练样本。3.根据权利要求1或2所述的基于三维全卷积神经网络的OCT内外指纹提取方法，其特征在于，所述步骤2)包括如下步骤：2.1)构建一个三维全卷积神经网络模型，由于在连续的OCT图像中，角质层的位置以及乳头层的位置在空间上都具有连续性，因此构建一个三维的全卷积神经网络，与普通的全卷积神经网络输入为单张图片时，三维全卷积神经网络输入为一组连续的OCT图像，从而考虑了连续图像之间的空间关系，其中输入图片的大小为240×80×8，取8张连续的ROI图像，整个三维全卷积神经网络的层包括8个部分：对于第一部分到第三部分，每部分均是由两个三维的卷积层和一个三维的池化层组成，对于第i部分，1≤i≤3，每个三维卷积层经过16*2i个大小为3×3×3的卷积核和RELU激活函数以及BN函数处理，三维池化层中将每2×2×2的像素合为一个像素并取其中的最大值，第i部分最后输出特征大小为(16*2i)×(240*2-i)×(80*2-i)×(8*2-i)，则最后第三部分的输出为128×30×10×1；第四部分为由两个卷积层组成，其中输入特征的大小为128×30×10×1，每个卷积层经过256个大小为3×3×3的卷积核和RELU激活函数以及BN函数处理，输出特征为256×30×10×1；对于第五部分到第七部分，...

【专利技术属性】
技术研发人员：梁荣华，丁宝进，陈朋，王海霞，张怡龙，刘义鹏，蒋莉，崔静静，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33