一种基于迁移学习和GAN网络的指静脉身份识别系统技术方案

本发明专利技术公开了一种基于迁移学习和GAN网络的指静脉精准身份识别系统(Vein Accurate Recognition System，VARS)；包括图像采集及预处理模块，样本质量评估模块，欺骗检测模块，特征提取模块，身份认证模块，数据存储模块；训练三元网络深度学习模型做为特征提取模块基准模型，再基于CycleGAN网络为基础的迁移学习架构，利用少量真实指静脉数据对基准模型进行迁移学习，得到一个针对真指静脉的精准特征提取模块；通过该特征提取模块构建的指静脉身份识别系统具有鲁棒性好、精度高、运行速度快、简单轻量、新增用户所需时间极短和部署价格低等一系列优点。围绕该模块构建的数据存储模块、欺骗检测模块、身份认证模块，占用系统存储和计算资源很少，因此具有较低的硬件依赖，降低了部署成本。部署成本。部署成本。

【技术实现步骤摘要】
一种基于迁移学习和GAN网络的指静脉身份识别系统


[0001]本专利技术涉及生物特征识别
，具体提供一种基于迁移学习和GAN网络的的指静脉识别方法及系统。

技术介绍

[0002]指静脉识别技术是利用近红外线穿透手指后所得的静脉纹路影像来进行个人识别，是具有高精度、高速度的世界上最尖端的生物识别技术。在各种生物识别技术中，因其是利用外部看不到的生物内部特征进行识别的技术，所以作为具有高防伪性的第二代生物识别技术备受瞩目。由于其是利用身体内部特征来识别且必须是活体才可利用，指静脉则必须是活体有流动的血液，且隐藏于手指内部，复制难度极大，比较与指纹之类的识别技术又跨进了一大步。以往传统的方法，如基于指静脉纹路的方法、SIFT、LBP、WLD、HOG等等基于人工设计的特征提取方法，在适应多样性数据上都缺乏鲁棒性，当光学仪器的散射现象，低分辨率，手指过于肥大导致血管不明显等问题出现时，以上传统方法都难以完美解决，产生性能下降的问题。深度学习做为一种可以自动从大量图片集中学习特征提取方法的技术逐渐受到科研界和工业界的重视。但深度学习的一大前提是需要大量的图片集数据，而指静脉这一领域难以采集获得大量数据，当数据量不足时，深度学习将会出现过拟合现象：训练集数据下模型的效果极好，测试集和实际应用时效果不佳。
[0003]当某领域数据量不足时，我们可以从另一个相似的、容易获取大量数据的领域中训练一个优质模型，利用一些学习框架，基于已训练好的模型，将模型参数逐渐迁移，最终将模型迁移为目标领域的优质模型，这种学习方法就称为迁移学习。
[0004]利用迁移学习的方法对深度网络模型进行优化，既发挥了深度学习的特征提取能力，又有效地避免了小数据量下深度学习由于过拟合能力受限的问题。

技术实现思路

[0005]本专利技术所述的指静脉精准身份识别系统(Vein Accurate Recognition System，VARS)，首次采用迁移学习的方式，利用生成的海量仿真指静脉数据，训练三元网络深度学习模型做为特征提取模块基准模型，再基于CycleGAN网络为基础的迁移学习架构，利用少量真实指静脉数据对基准模型进行迁移学习，得到一个针对真指静脉的精准特征提取模块。通过该特征提取模块构建的指静脉身份识别系统具有鲁棒性好、精度高、运行速度快、简单轻量、新增用户所需时间极短和部署价格低等一系列优点。
[0006]VARS系统能够对重要出入口提供高可靠性的安全管理措施，广泛应用于银行、机房、军械库、机要室、监狱、部队、政府、学校、办公室等高安保领域，以及其他身份识别相关的应用领域，如指静脉付款、指静脉签名等。
[0007]本专利技术具有以下优点：
[0008]本专利基于迁移学习训练所得的深度卷积网络，继承了卷积网络的特征提取方面的优势，相较于传统的图像处理、模式识别等人工特征提取方法，具有更全面的特征提取能
力，针对不同的图片质量和环境影响都有很好的鲁棒性和精度，且在图片预处理上不需要过多操作(仅需感兴趣区域ROI裁剪，尺寸统一，流明度归一化)，使得整体识别流程时间大大缩短。且本专利所采用的基于CycleGAN的迁移学习框架，解决了小数据量下深度卷积网络容易过拟合(训练效果好，实际应用效果差)的问题。
[0009]由于迁移学习和三元网络的训练方式以及特征提取模块本身的精细网络结构，本专利的特征提取模块仅需要128维就可以很好地表征一个指静脉样本，并且，由于维度低的特点，围绕该模块构建的数据存储模块、欺骗检测模块、身份认证模块，占用系统存储和计算资源很少，因此具有较低的硬件依赖，降低了部署成本。
附图说明
[0010]图1VARS指静脉身份识别系统
[0011]图2“新增用户”数据流程图
[0012]图3“新增用户”逻辑流程图
[0013]图4“身份认证”数据流程图
[0014]图5“身份认证”逻辑流程图
[0015]图6特征提取模块结构
[0016]图7卷积BN层结构图
[0017]图8 101浅层特征提取单元结构图
[0018]图9 102深层特征提取单元结构图
[0019]图10A型inception残差块结构图
[0020]图11B型inception残差块结构图
[0021]图12C型inception残差块结构图
[0022]图13A型特征蒸馏块结构图
[0023]图14B型特征蒸馏块结构图
[0024]图15特征提取模块基准模型的训练方案
[0025]图16仿真指静脉
[0026]图17三元对损失函数的目标
[0027]图18设备采集的真指静脉
[0028]图19ROI裁剪后的真指静脉
[0029]图20 CycleGAN网络结构
[0030]图21迁移学习网络结构
[0031]图22图像采集预处理模块
[0032]图23图像采集单元201示意图
[0033]图24质量评估模块
[0034]图25欺骗检测模块
[0035]图26身份认证模块
具体实施方案：
[0036]下面结合附图和具体实施方案对本专利技术作详细介绍。
[0037]系统结构：
[0038]本专利技术所述VARS(Vein Accurate Recognition System)指静脉身份识别系统如图1所示，按模块划分可分为：图像采集及预处理模块，样本质量评估模块，欺骗检测模块，特征提取模块，身份认证模块，数据存储模块。各模块功能概述如下：
[0039]图像采集预处理模块：负责手指静脉的采集和采集后的图像的预处理。经过指静脉采集设备成像，得到尺寸为长宽为400*200的指静脉图片，根据手指轮廓进行ROI裁剪，然后将尺寸统一为320*128的指静脉区域图片，再对图片进行流明度归一化。
[0040]样本质量评估模块：负责评估采集和预处理后的图片的质量。输入为图像采集预处理模块预处理后的指静脉图片(尺寸320*128)，经过质量评估，如果图片质量符合标准将输入的指静脉图片输出；如果判定为图片质量不够好，静脉信息不足，在此处终止目前的工作流程，不再向下一模块输出。
[0041]欺骗检测模块：负责判断输入图片是伪造假指静脉还是真实指静脉。输入为样本质量评估模块评估后的指静脉图片(尺寸320*128)，如果判定图片为真实指静脉，将输入的指静脉图片输出；如果判定为伪造指静脉，否则在此处终止目前的工作流程，系统报警，伪造输入记录和时间戳将作为系统识别记录输出给数据存储模块。
[0042]特征提取模块：通过迁移学习训练所得，负责针对图片进行指静脉特征提取。每张图片输出一个128维指静脉特征向量。输入为样本质量评估模块输出的指静脉图片(尺寸320*128)，经过该特征提取模型，输出128维指静脉特征向量。该特征提取过程支持批量处理。
[0043]身份认证模块：负责对输入的特征向量判断其身份所属。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习和GAN网络的指静脉精准身份识别系统(VARS)，其特征在于，包含以下模块：(1)图像采集预处理模块：负责手指静脉的采集和采集后的图像的预处理。经过指静脉采集设备成像，得到尺寸为长宽为400*200的指静脉图片，根据手指轮廓进行ROI裁剪，再对图片进行尺寸统一和流明度归一化。(2)样本质量评估模块：负责评估采集和预处理后的图片的质量。输入为图像采集预处理模块预处理后的指静脉图片，经过质量评估，如果图片质量符合标准将输入的指静脉图片输出；如果判定为图片质量不够好，静脉信息不足，在此处终止目前的工作流程，不再向下一模块输出。(3)欺骗检测模块：负责判断输入图片是伪造假指静脉还是真实指静脉。输入为样本质量评估模块评估后的指静脉图片，如果判定图片为真实指静脉，将输入的指静脉图片输出；如果判定为伪造指静脉，否则在此处终止目前的工作流程，系统报警，伪造输入记录和时间戳将作为系统识别记录输出给数据存储模块。(4)特征提取模块：通过迁移学习训练所得，负责针对图片进行指静脉特征提取。每张图片输出一个128维指静脉特征向量。输入为样本质量评估模块输出的指静脉图片，经过该特征提取模型，输出128维指静脉特征向量。该特征提取过程支持批量处理。(5)身份认证模块：负责对输入的特征向量判断其身份所属。该模块有两个输入：a.由特征提取模块输出的128维指静脉特征(需验证的身份)，b.由数据存储模块输出的全部内部人员的身份特征分布信息。基于欧式距离比对a与b之间的覆盖情况，判定需验证的身份所属。输出-1表示未知外来人员，输出对应的身份编号表示已知人员。判定结果和时间戳将作为系统识别记录传输给数据存储模块。(6)数据存储模块：负责存储和读取指静脉特征信息、加密指静脉样本和系统识别记录。该模块有5个工作内容：1.存储加密图像：接收来自样本质量评估模块输出的指静脉图片，经过图像加密，将加密图像文件存储。2.存储身份特征分布信息：接收来自特征提取模块的新增用户的多个特征向量，经过计算处理，生成该身份的特征分布信息，与用户输入名称打包存储。3.存储系统识别记录：记录来源于欺骗检测模块的伪造输入记录和身份认证模块的准入/拒绝记录，包含时间戳，本模块将原记录逐行存储。4.读取身份特征分布信息：读取全部内部人员的特征分布信息，输出到身份认证模块。5.读取系统识别记录：读取已有的系统识别记录，输出到系统用户界面，供系统管理员查看。2.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(4)特征提取模块的网络结构具体包括：(1)用2D卷积BN层替代普通2D卷积层，旨在提高训练收敛速度。2D卷积BN层由2D卷积+BatchNormalization层+RELU组合而成。下文中简称为“卷积BN层”。(2)由101浅层特征提取单元，102深层特征提取单元，103全连接特征映射单元，104L2正则单元组成。101浅层特征提取单元由6个卷积BN层和1个3*3最大化池化层组成，其中第一个和最后一个卷积BN层的步长为2。102深层特征提取单元由5个A型inception残差块、A型特征蒸馏块、10个B型inception残差块、B型特征蒸馏块、6个C型inception残差块、平均池化层和Dropout层组成。(3)A型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第
二分支B2由1*1卷积核的卷积BN层T2和3*3卷积核的卷积BN层T3组成，第三分支B3由1*1的卷积BN层T4和两个3*3的卷积BN层T5和T6组成。融合层T7将T1,T3和T6的输出融合，T7的输出再经过1*1的卷积BN层T8，融合层T9 将T8输出和原输入X融合，再经过Relu层后，作为最终输出。(4)B型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第二分支B2由1*1的卷积BN层T2、1*7的卷积BN层T3和7*1的卷积BN层T4组成.融合层T5将T1和T4的输出融合，T5的输出再经过1*1的卷积BN层T6，融合层T7将T6输出和原输入X融合，再经过Relu层后，作为最终输出。(5)C型inception残差块的组成：第一分支B1由一个1*1卷积核的卷积BN层T1组成，第二分支B2由1*1的卷积BN层T2、1*3的卷积BN层T3和3*1的卷积BN层T4组成.融合层T5将T1和T4的输出融合，T5的输出再经过1*1的卷积BN层T6，融合层T7将T6输出和原输入X融合，再经过Relu层后，作为最终输出。(6)A型特征蒸馏块的组成：第一分支B1由一个3*3卷积核、步长为2的卷积BN层T1组成，第二分支B2由1*1卷积核的卷积BN层T2和两个3*3卷积核的卷积BN层T3和T4组成，其中T4步长为2，第三分支B3由3*3池化尺寸、步长为2的最大池化层T5组成。融合层T6将T1,T4和T5的输出融合，作为最终输出。(7)B型特征蒸馏块的组成：第一分支B1由1*1的卷积BN层T1和3*3卷积核、步长为2的卷积BN层T2组成，第二分支B1由1*1的卷积BN层T3和3*3卷积核、步长为2的卷积BN层T4组成，第三分支B2由1*1卷积核的卷积BN层T5和两个3*3卷积核的卷积BN层T6和T7组成，其中T7步长为2，第四分支B3由3*3池化尺寸、步长为2的最大池化层T8组成。融合层T9将T2、T4、T7和T8的输出融合，作为最终输出。(8)103全连接特征映射单元：将1792维的深层特征数据输入128维的全连接特征映射单元，得到128维指静脉特征向量。(9)104 L2正则单元：对128维指静脉特征向量进行L2范数归一化处理，得到128维的L2距离的指静脉特征。3.根据权利要求1，指静脉精准身份识别系统(VARS)，其特征在于，所述模块(4)特征提取模块的基准模型训练方法具体包括：(1)三元对分组：输入为归一化后的样本图片及对应类别标签，根据分组规则，组合成三张样本为一组的输入方式，三张样本的组合规律为：一张指静脉样本，与之同一类别的另一张样本，与之不同类别的一张样本，这三张样本我们简称为锚点(Anchor，缩写为A),正例(...

【专利技术属性】
技术研发人员：邹伟，王昊然，杨帆，散腾飞，
申请(专利权)人：邹伟，
类型：发明
国别省市：