一种基于生成对抗网络和卷积神经网络的指静脉识别方法技术

本发明专利技术涉及一种基于生成对抗网络和卷积神经网络的指静脉识别方法，包括以下步骤：对甄别对象进行指静脉图像采集，对采集到的指静脉图像进行边缘检测；经过图像形态学处理获取不包含背景信息的指静脉前景区域；灰度变换归一化；对所获取指静脉数据集的图像数据进行扩增；搭建深度卷积生成对抗网络模型，输入扩增后的数据集，生成数量更加充足的指静脉图像；构建BP

A finger vein recognition method based on generative antagonism network and convolutional neural network

【技术实现步骤摘要】
一种基于生成对抗网络和卷积神经网络的指静脉识别方法


[0001]本专利技术属于图像处理和生物特征识别
，具体地说是涉及一种基于生成对抗网络和卷积神经网络的指静脉识别方法。

技术介绍

[0002]指静脉是一种有效的活体生物信息，不同于指纹、掌纹、虹膜、人脸等生物特征，容易丢失、遗忘、损坏或伪造。指静脉图像是红外光下位于手指内部的静脉血管分布图。静脉识别具有活体识别、内部特征、非接触采集、安全等级高的特点，这让它成为识别领域的王者，可广泛用于智能锁具、智能安防、身份识别、犯罪追踪及甄别等领域。
[0003]静脉识别技术的研究对象有手指静脉、手背静脉和手掌静脉等。相对于手掌静脉，指静脉硬件设备对比于掌静脉硬件设备小巧，成本低；相对手背静脉，手指静脉不会收到人体毛发的干扰。因此，指静脉在低成本识别上更具优势。
[0004]在指静脉识别中，主要有图像采集、图像预处理、图像扩增、特征提取、特征匹配等环节。利用血红蛋白吸收穿透皮肤的近红外光而捕捉静脉图像，左右手分别取食指、无名指、中指，并且一根手指采集数次，并在一年内分三个阶段进行采集。图像数据集数量不足会导致模型过拟合，所以本专利技术图像扩增分为俩个步骤，第一步是通过简单的旋转、平移、裁剪扩充原始静脉数据，第二步是通过条件生成对抗网络训练生成数量更为庞大的手指静脉图片，不仅避免了数据集过少导致生成网络生成图像质量低，还在第一步的基础上进一步扩增了指静脉数据集，令模型更容易达到我们的要求。图像预处理的目的是确定静脉区域位置并增强静脉图像，将确定的静脉区域进行灰度变换归一化，使用灰度变换归一化收集到的指静脉图像是8位的灰度图像，应有256个灰度级，但往往由于采集时光照等因素的影响，图像的灰度级集中在一个或者几个灰度级区段，这时可以采用灰度拉伸的方法将图像扩展到256个灰度级。灰度拉伸减少光照对静脉图像的干扰。图像预处理的好坏对于后续环节的影响极大，模型的精度时常局限于图像的质量。指静脉常用的特征提取方式有：重复线跟踪、宽线检测器、Gabor滤波器、最大曲率点、平均曲率、局部二值模式等。这些特征提取方法有一定效果，但也会不同程度上导致一部分特征的缺失。传统指静脉识别的流程往往由多个模块组成，其中每个模块的好坏都会影响整个训练的结果。

技术实现思路

[0005]为了克服现有技术存在的不足，本专利技术提供了一种基于生成对抗网络和卷积神经网络的指静脉识别方法。本专利技术不同于传统静脉识别方法，应用了深度学习模型在训练过程中“端到端”的优势，减少了工程的复杂性，避免了多模块导致的信息缺失等问题。本专利技术使用改进的双通道VGG模型，通过模型特征融合，增加特征互补性，提高特征提取能力，双通道分为VGG16和SimpleVGG，相比于常规的双通道VGG模型能够有效地节省计算资源，模型还集成了迁移学习和全局平均池化层的优势，令模型具有更强的学习能力和泛化能力。
[0006]一种基于生成对抗网络和卷积神经网络的指静脉识别方法，包括下述步骤：
[0007]S1：采集并建立甄别对象的指静脉图像数据库，并对数据库中的所有指静脉图像进行预处理；
[0008]S2：对所获取指静脉数据库的指静脉感兴趣区域图像样本进行扩增；
[0009]S3：构建深度卷积生成对抗网络，扩增后的指静脉图像来训练深度卷积生成对抗网络，生成器生成目标指静脉图像；
[0010]S4：构建BP
‑
AdaBoost网络，并通过包括对比度、信息熵、清晰度、等效视数在内的多个参数相结合判断指静脉图像的质量；
[0011]S5：对符合质量要求的指静脉数据集分为训练集和测试集；
[0012]S6：构建改进后的双通道VGG网络进行特征提取，使用训练集对改进后的双通道VGG网络进行训练，得到指静脉图像分类网络；
[0013]S7：模型参数迭代优化后，输入测试集中的指静脉图像测试，输出指静脉图像分类结果。
[0014]作为优选，S1包括以下子步骤：
[0015]S11：采用近红外线感应器取得指静脉的分布图，储存样板；
[0016]S12：通过采集到的指静脉图像建立指静脉数据库；
[0017]S13：对数据库里的指静脉图像进行sobel算子边缘检测，经过包括闭运算、去噪在内的图像形态学处理获取不包含背景信息的指静脉前景区域；
[0018]S14：指静脉图像灰度变换归一化。
[0019]作为优选，S2包括以下子步骤：
[0020]S21：得到经过预处理后的指静脉感兴趣区域数据库；
[0021]S22：通过包括平移、旋转、伽马变换、仿射变换在内的方法对指静脉感兴趣区域数据库的指静脉图像样本进行扩增。
[0022]作为优选，S3包括以下子步骤：
[0023]S31：构建深度卷积生成对抗网络；
[0024]S32：输入扩增后的指静脉图像进行训练；
[0025]S33：生成器生成指静脉图像；
[0026]S34：辨别器判断上述步骤生成的指静脉图像是不是真的指静脉图像；
[0027]S35：生成器和辨别器循环交替训练，使最终生成器产生的数据逐渐接近真实数据。
[0028]作为优选，S4包括以下子步骤：
[0029]S41：输入指静脉图像；
[0030]S42：选择参数指标；
[0031]S43：得出评价指标输出值；
[0032]S44：构建样本数据集；
[0033]S45：构建BP
‑
AdaBoost强分类器；
[0034]S46：输出指静脉图像的分类结果。
[0035]作为优选，S5包括以下子步骤：
[0036]S51：根据分类结果，建立符合要求的指静脉数据库；
[0037]S52：以8：2的比例分为训练集和测试集。
[0038]作为优选，S6包括以下子步骤：
[0039]S61：使用Imagenet初始化权值对所述指静脉图像分类网络进行迁移学习；
[0040]S62：基于改进后的双通道VGG进行指静脉特征提取；
[0041]S63：选择损失函数；
[0042]S64：选择优化器；
[0043]S65：根据损失函数、优化器进行网络训练。
[0044]作为优选，改进后的双通道VGG网络通过下述方法构建：基于VGG卷积神经网络的框架，分别搭建VGG16和SimpleVGG形成双通道网络结构，并且删除原网络的全连接层，用自定义的嵌入层替代；前置的特征提取层包括卷积层和最大池化层，VGG16网络含有13个卷积层，其中每个卷积层包括卷积和ReLU激活函数，网络含有5个最大池化层，其中池化的水平和垂直步长皆为2；SimpleVGG网络含有6个卷积层，其中每个卷积层包括卷积、ReLU激活函数和批量标准化，网络含有3个最大池化层，其中池化的水平和垂直步长皆为2；将两个网络输出的特征融合后输入到自定义嵌入层；自定义嵌入层包括全局平均池化层、LeakyReL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络和卷积神经网络的指静脉识别方法，其特征在于包括下述步骤：S1：采集并建立甄别对象的指静脉图像数据库，并对数据库中的所有指静脉图像进行预处理；S2：对所获取指静脉数据库的指静脉感兴趣区域图像样本进行扩增；S3：构建深度卷积生成对抗网络，扩增后的指静脉图像来训练深度卷积生成对抗网络，生成器生成目标指静脉图像；S4：构建BP
‑
AdaBoost网络，并通过包括对比度、信息熵、清晰度、等效视数在内的多个参数相结合判断指静脉图像的质量；S5：对符合质量要求的指静脉数据集分为训练集和测试集；S6：构建改进后的双通道VGG网络进行特征提取，使用训练集对改进后的双通道VGG网络进行训练，得到指静脉图像分类网络；S7：模型参数迭代优化后，输入测试集中的指静脉图像测试，输出指静脉图像分类结果。2.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法，其特征在于S1包括以下子步骤：S11：采用近红外线感应器取得指静脉的分布图，储存样板；S12：通过采集到的指静脉图像建立指静脉图像数据库；S13：对指静脉图像数据库里的指静脉图像进行sobel算子边缘检测，经过包括闭运算、去噪在内的图像形态学处理获取不包含背景信息的指静脉前景区域；S14：指静脉图像灰度变换归一化。3.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法，其特征在于S2包括以下子步骤：S21：得到经过预处理后的指静脉感兴趣区域数据库；S22：通过包括平移、旋转、伽马变换、仿射变换在内的方法对指静脉感兴趣区域数据库的指静脉图像样本进行扩增。4.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法，其特征在于S3包括以下子步骤：S31：构建深度卷积生成对抗网络；S32：输入扩增后的指静脉图像进行训练；S33：生成器生成指静脉图像；S34：辨别器判断上述步骤生成的指静脉图像是不是真的指静脉图像；S35：生成器和辨别器循环交替训练，使最终生成器产生的数据逐渐接近真实数据。5.根据权利要求1所述基于生成对抗网络和卷积神经网络的指静脉识别方法，其特征在于S4包括以下子步骤：S41：输入指静脉图像；S42：选择参数指标；S43：得出评价...

【专利技术属性】
技术研发人员：介婧，陈羽川，郑慧，张淼，武晓莉，李津蓉，张以涛，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：