一种基于融合多尺度编码与VGG模型的指静脉图像识别方法技术

本发明专利技术提出了一种基于融合多尺度编码与VGG模型的指静脉图像识别方法，包括：对数据库中的指静脉图像进行ROI感兴趣区域进行提取，得到指静脉ROI图像，对指静脉ROI图像进行预处理；采用多尺度的局部二值模式LBP编码算子对预处理后的指静脉ROI图像进行特征编码，得到该指静脉ROI图像中的中心像素点的特征值；重构得到多尺度的编码卷积滤波器；通过储存器将重构后得到的多尺度编码图像进行并列式融合；建立改进的VGG卷积神经网络模型；将融合后的特征图像作为输入，与VGG模型相结合，对预处理后的指静脉ROI图像进行特征提取，得到特征向量；根据特征向量，采用特征匹配方法对待匹配的指静脉ROI图像进行相似性计算。的指静脉ROI图像进行相似性计算。的指静脉ROI图像进行相似性计算。

【技术实现步骤摘要】
一种基于融合多尺度编码与VGG模型的指静脉图像识别方法


[0001]本专利技术涉及图像识别
，特别涉及一种基于融合多尺度编码与VGG模型的指静脉图像识别方法。

技术介绍

[0002]生物识别技术是通过人体生物特征或者行为特征进行人体身份认证的技术。其中，行为特征包括步态、语音、签名等，人体生物特征主要包括两大类，外部生物特征：如脸型、掌型、指纹、虹膜等；内部生物特征：如手掌静脉、手指静脉和手背静脉等。目前通用的身份识别手段如指纹、语音、签名、脸型等存在易伪造，易损等问题，而且虹膜、DNA等存在检测方法复杂不友好的问题。指静脉血管位于皮下，通常使用近红外(NIR)下成像方式采集，因此具有非接触性，唯一性，难复制和伪造等特点。指静脉识别技术因其显著的优势被广泛应用于ATM认证、计算机登录、安检装备等领域。
[0003]指静脉识别过程中，在人工特征的设置中，不可避免的会损失指静脉的特征，为此现有的特征融合多事才有串联的特征直方图的方式进行；其增加了静脉图像特征的冗余，且在应用中对特征的二进制位要求严格。所以探求出一种新的特征融合模式成为了研究中的关键问题。
[0004]由于现有的卷积神经网络模型学习参数数量过多，从而导致网络模型学习代价较高，并且可能存在过拟合的问题。目前，人们通常采用直接减少神经网络结构的参数量减少学习成本，但这样可能会造成网络性能降低。如何在减少学习参数的模式下不降低网络性能成为了研究中的关键问题。

技术实现思路

[0005]本专利技术的目的旨在至少解决所述技术缺陷之一。
[0006]为此，本专利技术的目的在于提出一种基于融合多尺度编码与VGG模型的指静脉图像识别方法。
[0007]为了实现上述目的，本专利技术的实施例提供一种基于融合多尺度编码与VGG模型的指静脉图像识别方法，包括如下步骤：
[0008]步骤S1，对数据库中的指静脉图像进行ROI感兴趣区域进行提取，得到指静脉ROI图像，对所述指静脉ROI图像进行预处理；
[0009]步骤S2，采用多尺度的局部二值模式LBP编码算子对预处理后的指静脉ROI图像进行特征编码，得到该指静脉ROI图像中的中心像素点的特征值；
[0010]步骤S3，分别利用一组预定义的稀疏二值卷积滤波器、非线性激活函数和线性权重对多尺度LBP编码算子，重构得到多尺度的编码卷积滤波器；
[0011]步骤S4，通过储存器将重构后得到的多尺度编码图像进行并列式融合，使得滤波器与储存器相结合；
[0012]步骤S5，建立改进的VGG卷积神经网络模型；
[0013]步骤S6，将所述步骤S4中获得的融合后的特征图像作为输入，与所述步骤S5得到的VGG模型相结合，对预处理后的指静脉ROI图像进行特征提取，得到特征向量；
[0014]步骤S7，根据步骤S6中得到的特征向量，采用特征匹配方法对待匹配的指静脉ROI图像进行相似性计算。
[0015]进一步，在所述步骤S2中，所述采用多尺度的局部二值模式LBP编码算子对预处理后的指静脉ROI图像进行特征编码，包括如下步骤：
[0016]首先，针对预处理后的指静脉图像中每一个中心像素点，在其周围以半径R选取N个像素点，与中心像素点共同构成以中心像素点为圆形的圆形领域；
[0017]然后，在所述圆形领域中，从中心像素的正上方开始，按照顺时针方向依次比较领域像素点与中心像素点的灰度值；如果领域像素点的灰度值大于中心像素点的灰度值，那么该领域像素点与中心像素点的关系编码为1，否则，编码为0；
[0018]经过上述比较，中心像素点能够生产一个八位的二进制编码，其比较过程可以用公式(1)、(2)计算：
[0019][0020][0021]其中，i
p
表示第p点的灰度值，i
c
表示中心像素点的灰度值。
[0022]进一步，在所述步骤S3中，所述分别利用一组预定义的稀疏二值卷积滤波器、非线性激活函数和线性权重对多尺度LBP编码算子，包括如下步骤：
[0023]每个尺度编码算子均由一组稀疏二进制卷积滤波器组成；编码算子通过使用预定义的线性权重，及权重向量v＝[27,26,25,24,23,22,21,20]；因此，重构后的编码卷积滤波器表示为：
[0024][0025]其中，x表示预处理后的指静脉ROI图像，b
i
表示稀疏二进制卷积滤波器，为作为非线性激活函数的Heaviside阶跃函数。
[0026]进一步，所述通过储存器将重构后得到的多尺度编码图像进行并列式融合，包括如下步骤：以相同长、宽的矩阵形式组合成n维的矩阵，n为选取融合的特征尺度个数。
[0027]进一步，所述建立改进的VGG卷积神经网络模型，包括：所述改进的VGG卷积神经网络保留VGG16网络前3个卷积层，后面接两个全连接层。
[0028]进一步，第一次卷积层C1中的卷积核大小为7x7，每个通道均输出100个特征图，然后使用ReLU函数激活并通过LRN层归一化局部响应，对归一化后的特征图使用3x3的最大池化方法进行池化进行下采样，第二卷积层C2中的卷积核大小5x5，卷积核个数为128；第三层卷积层C3中的卷积核大小3x3，输出384个特征图；后面两个为全连接层，全连接层F1的输出为4096维的特征向量，全连接层F2为softmax层，输出为每一类所对应的概率。
[0029]进一步，所述对预处理后的指静脉ROI图像进行特征提取，得到特征向量，包括如下步骤：
[0030]步骤S61，输入一张预处理后的指静脉ROI图像X1,利用步骤S3中获得m个预先定义的重构后的编码卷积滤波器进行滤波，获得nxm个不同的滤波图；
[0031]步骤S62，通过非线性激活函数将上述nxm个位图，使用sigmoid函数代替上述Heaviside阶梯函数：
[0032]步骤S63，将上述nxm个位图通过存储器，集成n维的图像x1+1，并作为改进VGG模型的输入；从CNN模型的卷积层自动学习更加抽象、有效的指静脉特征，最终从全连接层F1输出一个特征向量，用于下一步骤的特征匹配。
[0033]进一步，在所述步骤S7中，所述特征匹配方法采用支持向量机分类器的特征匹配方法或计算欧氏距离的特征匹配方法。
[0034]进一步，采用支持向量机分类器的特征匹配方法对待匹配的指静脉ROI图像进行相似性度量计算，包括如下步骤：
[0035]支持向量机分类器的特征匹配方法是将所有待匹配的指静脉ROI图像，按照步骤S1至步骤S6的方法进行处理，得到各自的特征向量，然后输入到SVM分类器中进行指静脉图像的分类，通过SVM分类器得到每一张待匹配的指静脉ROI图像的预测标签，根据预测标签判断出该图像所属的指静脉图像类型，再将预测标签和已知标签进行比较，如果相同，则分类正确，如果不同，则表示分类错误；最后用测试准确率来表达两者比较的测试结果。
[0036]进一步，采用计算欧氏距离的特征匹配方法对待匹配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合多尺度编码与VGG模型的指静脉图像识别方法，其特征在于，包括：步骤S1，对数据库中的指静脉图像进行ROI感兴趣区域进行提取，得到指静脉ROI图像，对所述指静脉ROI图像进行预处理；步骤S2，采用多尺度的局部二值模式LBP编码算子对预处理后的指静脉ROI图像进行特征编码，得到该指静脉ROI图像中的中心像素点的特征值；步骤S3，分别利用一组预定义的稀疏二值卷积滤波器、非线性激活函数和线性权重对多尺度LBP编码算子，重构得到多尺度的编码卷积滤波器；步骤S4，通过储存器将重构后得到的多尺度编码图像进行并列式融合，使得滤波器与储存器相结合；步骤S5，建立改进的VGG卷积神经网络模型；步骤S6，将所述步骤S4中获得的融合后的特征图像作为输入，与所述步骤S5得到的VGG模型相结合，对预处理后的指静脉ROI图像进行特征提取，得到特征向量；步骤S7，根据步骤S6中得到的特征向量，采用特征匹配方法对待匹配的指静脉ROI图像进行相似性计算。2.根据权利要求1所述的基于融合多尺度编码与VGG模型的指静脉图像识别方法，其特征在于，在所述步骤S2中，所述采用多尺度的局部二值模式LBP编码算子对预处理后的指静脉ROI图像进行特征编码，包括如下步骤：首先，针对预处理后的指静脉图像中每一个中心像素点，在其周围以半径R选取N个像素点，与中心像素点共同构成以中心像素点为圆形的圆形领域；然后，在所述圆形领域中，从中心像素的正上方开始，按照顺时针方向依次比较领域像素点与中心像素点的灰度值；如果领域像素点的灰度值大于中心像素点的灰度值，那么该领域像素点与中心像素点的关系编码为1，否则，编码为0；经过上述比较，中心像素点能够生产一个八位的二进制编码，其比较过程可以用公式(1)、(2)计算：(1)、(2)计算：其中，i
p
表示第p点的灰度值，i
c
表示中心像素点的灰度值。3.根据权利要求1所述的基于融合多尺度编码与VGG模型的指静脉图像识别方法，其特征在于，在所述步骤S3中，所述分别利用一组预定义的稀疏二值卷积滤波器、非线性激活函数和线性权重对多尺度LBP编码算子，包括如下步骤：每个尺度编码算子均由一组稀疏二进制卷积滤波器组成；编码算子通过使用预定义的线性权重，及权重向量v＝[27,26,25,24,23,22,21,20]；因此，重构后的编码卷积滤波器表示为：其中，x表示预处理后的指静脉ROI图像，b
i
表示稀疏二进制卷积滤波器，为作为非线性
激活函数的Heaviside阶跃函数。4.根据权利要求1所述的基于融合多尺度编码与VGG模型的指静脉图像识别方法，其特征在于，在所述步骤S4中，所述通过储存器将重构后得到的多尺度编码图像进行并列式融合，包括如下步骤：以相同长、宽的矩阵形式组合成n维的矩阵，n为选取融合的特征尺度个数。5.根据权利要求1所述的基于融合多尺度编码与VGG模型的指静脉图像识别方法，其特征在于，在所述步骤S5中，所述建立改进的VGG卷积神经网络模型，包括：所述改进的VGG卷积神经网络保留VGG16网络前3个卷积层，后面接两个全连接层。6.根据权利要求5所述的基于融合多尺度编码与VG...

【专利技术属性】
技术研发人员：张慧杰，丁蓝宇，
申请(专利权)人：细胞谷南京生物科技有限公司，
类型：发明
国别省市：