一种基于深度度量学习的指静脉特征提取方法技术

本发明专利技术提供一种基于深度度量学习的指静脉特征提取方法，包括以下步骤：步骤1，对指静脉原始图像做预处理，提取图像的感兴趣区域；步骤2，将正负样本对组成的三元组(a,p,n)传入特征提取网络，得到特征三元组，步骤3，在欧式度量空间上计算损失,然后，将特征三元组传入分类器得到类别概率，并计算在余弦度量空间上的损失，通过反向传播一并优化，与现有技术相比，本发明专利技术具有如下的有益效果：(1)基于样本配对的训练方式，让数据集以另一种形式得到了扩充。(2)能够提取显著性特征，在度量空间中达到同类距离小，异类距离大的目标。(3)具有良好的鲁棒性，在大规模的数据集上仍然有不错的性能。能。能。

【技术实现步骤摘要】
一种基于深度度量学习的指静脉特征提取方法


[0001]本专利技术属于指静脉识别领域，特别涉及一种基于深度度量学习的指静脉特征提取方法。

技术介绍

[0002]特征提取是指静脉识别过程的一个关键阶段。在该阶段，将红外传感器采集到的指静脉图像映射的某一特征度量空间，以特征向量表示指静脉的可量化属性。这些特征向量将作为指静脉识别的模板，用于下一阶段的匹配或识别。
[0003]传统的指静脉特征提取方法大致有三类：基于静脉模式的方法、基于局部二进制码的方法、基于降维的方法。这些方法通过人类专家手工设计特征参数(如：静脉图案的几何和拓扑结构、局部二进制码等)提取特征，需要图像有清晰的静脉纹路，并且需要人为精心调整参数，实现复杂且算法鲁棒性差。随着深度学习的发展，让计算自主学习特征参数成为一种可行的途径。基于深度学习的特征提取方法，如：FV
‑
Net、FV
‑
GAN等，在一些公开的指静脉数据集上取得了不错的效果，但是这些方法存在两个问题：首先，算法测试是基于闭集识别的，这可能无法满足指静脉场景下不断新增类别的需求。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度度量学习的指静脉特征提取方法，其特征在于，包括以下步骤：步骤1，对指静脉原始图像做预处理，提取图像的感兴趣区域；步骤2，将正负样本对组成的三元组(a,p,n)传入特征提取网络，得到特征三元组；步骤3，在欧式度量空间上计算损失,然后，将特征三元组传入分类器得到类别概率，并计算在余弦度量空间上的损失，通过反向传播一并优化。2.如权利要求1所述的一种基于深度度量学习的指静脉特征提取方法，其特征在于：步骤1中，首先获取手指的上下边界，确定手指的位置，其次，根据手指的边界计算出手指的中轴线，反求出手指平面偏移的角度，以便对手指进行旋转矫正，最后寻找手指第二关节的位置，截取感兴趣区域。3.如权利要求1所述的一种基于深度度量学习的指静脉特征提取方法，其特征在于：步骤2中，所述特征提取网络以ResNet34为基础，根据指静脉图像的特点进行改进，具体做法为：用3
×
3的小卷积核替换了7
×
7的的卷积核，让网络在特征提取过程中保留更多的静脉局部细节信...

【专利技术属性】
技术研发人员：李文生，戴坤龙，姚琼，宋丹，李长燕，姚淮锐，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：