一种基于联合损失和卷积神经网络的指静脉识别方法技术

本发明专利技术公开了一种基于联合损失和卷积神经网络的指静脉识别方法，包括步骤：采集指静脉图像，并对图像进行预处理，提取指静脉图像的感兴趣区域，并对图像尺寸归一化；构建指静脉识别的深度卷积神经网络，基于ResNet34结构构建特征提取网络；模型训练，通过联合欧式度量空间和余弦度量空间的损失函数，对深度卷积神经网络进行训练，令网络模型学习到指静脉的有效特征表示；确定识别阈值，以错误接受率和错误识别率为衡量标准，通过枚举法找到最佳识别阈值，实现指静脉图像的识别。本发明专利技术用于指静脉图像特征提取与匹配，能有效进行指静脉身份识别。份识别。份识别。

【技术实现步骤摘要】
一种基于联合损失和卷积神经网络的指静脉识别方法


[0001]本专利技术涉及计算机视觉和生物特征识别技术，具体涉及一种适用于指静脉身份验证的方法。

技术介绍

[0002]随着信息技术发展，人们对信息安全的需求逐渐增加，生物特征识别因此得到广泛的应用。生物特征识别技术是利用人体生物特征或行为特征进行身份认证，常用的有：指纹识别、人脸识别、虹膜识别等。指纹和人脸是生物的外部特征，使用方便，识别速度快，但是存在被盗取、仿造的风险。虹膜是生物内部特征，安全性更高，但是身份认证时用户体验不佳。指静脉是一种生物内部特征，具有唯一性、非接触式采集、安全性高等优点，具有巨大的研究价值。
[0003]指静脉识别首先通过传感器采集手指的静脉图像，对静脉图像进行预处理，然后提取手指静脉的特征，与数据库中的静脉特征模板进行对比，完成身份认证。现有的指静脉识别方法可以大致分为两类，一类是传统的静脉识别方法，另一类是基于深度学习的识别方法。
[0004]传统的静脉识别方法，基于传统的图像处理技术，以指静脉的纹路、几何拓扑结构、局部二进制码等作为衡量指静脉差异的特征，利用预设的模型提取特征的可量化属性作为模板，在识别阶段比较待测样本和模板的差异。这类方法依赖专家的手工设计，算法的泛化能力有限，在手指平移、旋转等情况下，识别性能会大幅下降。
[0005]基于深度学习的方法，通过构建人工神经网络，从大量数据中学习指静脉的特征表示，相比于传统的方法，有更好的泛化能力，算法的识别准确率也更高。但是该类方法普遍存在训练样本量少，损失函数设计不恰当等问题，从而使得深度学习在指静脉识别领域上的应用受限。

技术实现思路

[0006]针对现有技术在指静脉特征提取中存在表达能力具有局限性、应用受限的缺点，提供一种使网络具有更强的特征表示能力的指静脉识别方法。
[0007]本专利技术为解决上述技术问题所采用的技术方案是，
[0008]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0009]本专利技术提出了一种基于联合损失和卷积神经网络的指静脉识别方法。基于深度卷积神经网络，使指静脉识别网络可以表示更深层的特征，通过欧式度量空间和余弦度量空间的联合损失函数，让样本特征类内紧凑、类间分散，使网络具有更强的特征表示能力，同时，基于样本配对的训练方法，解决了深度学习方法训练数据量少的困难，从而提高了识别效果。
附图说明
[0010]图1为本专利技术的数据集划分协议示意图；
[0011]图2为本专利技术的训练过程示意图；
[0012]图3为本专利技术的联合损失示意图；
具体实施方式
[0013]步骤1、采集指静脉图像进行预处理得到指静脉样本并标注分类标签，建立指静脉数据集；
[0014]步骤2、构建并训练指静脉识别的深度卷积神经网络：
[0015]深度卷积神经网络包括特征提取网络和分类网络；特征提取网络用于从指静脉样本中提取出静脉特征向量输入分类网络；分类网络用于接收静脉特征向量输出指静脉识别结果；
[0016]特征提取网络在训练时基于联合损失优化网络；联合损失函数L＝L1+L2，其中，L1为从欧氏空间上约束样本的特征表示，L2在余弦空间上约束样本的特征表示：
[0017][0018][0019]其中，α和β是调节因子，分别用于调节L1和L2损失的大小，防止两者差异过大，||
·
||2表示向量的2
‑
范数，f(
·
)表示特征提取函数，x
i
(i∈N)表示第i个输入的指静脉图像，N表示一个批次的样本数量，分别表示第i个输入的指静脉图像的锚点样本a、与锚点样本同类的正样本p和与锚点样本不同类的负样本n，β表示类间距离与类内距离的增加间隔；L2中，表示第i个样本特征与网络权重向量之间的夹角，由于||x
i
||2和进行了特征向量化，所得结果为1，可进行简化，s表示缩放因子，m表示权重和特征之间的增加间隔，θ
j
表示权重w
yj
和第j个样本(i≠j)向量间的夹角。联合损失函数让网络从欧式度量空间和余弦度量空间学习指静脉的特征表示，并且通过样本配对的训练方式，令原始的样本数量的数据规模从N扩充为
[0020]分类网络在训练阶段通过预测样本所属类别，通过预测值与真实值的误差，借助反向传播算法来更新特征提取网络和分类网络的权重；
[0021]步骤3、计算识别阈值：
[0022]深度卷积神经网络训练结束后，去掉分类网络，保留特征提取网络；在指静脉数据集上用特征提取网络提取特征表示，用余弦相似度衡量提取特征与数据集中对应的静脉样本特征之间的距离，与给定的阈值相比，判断两个特征是否相似。再根据相似判断结果来确
定识别阈值的取值。具体的，可通过相似判断结果得到错误拒绝率FRR和错误接受率FAR来评价特征提取网络效果并确定识别阈值的取值。
[0023]步骤4、基于指静脉特征提取网络输出待判别图像的预测结果：
[0024]对于注册的指静脉图像，基于指静脉特征提取网络获取该注册指静脉的特征表示，并将特征表示作为注册模板存储到特征数据库；
[0025]对查询的待判别指静脉图像，通过特征提取网络获取待判别指静脉的特征表示，并计算该特征表示与特征数据库中模板的余弦相似度，与识别阈值比较，判断是否已注册，完成身份识别。
[0026]具体的，步骤1中，图像预处理包括指静脉图像的感兴趣区域ROI提取、图像尺寸归一化。
[0027]进一步的，所述图像ROI提取是采用sobel算子获取手指边界，基于最小二乘法拟合手指中轴线，对手指旋转矫正，基于手指关节腔定位指节，截取指节的图像感兴趣区域。
[0028]具体的，步骤1中，所述指静脉数据集基于开集协议划分为训练集、验证集和测试集，测试集又分为注册集和查询集。
[0029]进一步的，步骤2中，指静脉识别的深度卷积神经网络基于现有深度卷积神经网络的改进点在于：特征提取网络采用ResNet34结构，用3
×
3的小卷积核替换了7
×
7的卷积核，保留更多的局部细节信息，同时减少网络参数量；同时，将原始残差模块中BatchNorm调整到卷积操作之前，这样可以保证输入的分布稳定，让网络可以从原始的数据分布学习；将ReLU激活函数替换为Leaky ReLu函数，避免出现均值偏移；在残差模块的最后，引入通道注意力模块，让网络关注更重要的信息；对网络最后的输出特征进行L2正则化，便于进行余弦相似度的计算。
[0030]下面结合实施方式和附图，对本专利技术作进一步地详细描述。
[0031]首先，步骤1对采集的图像进行预处理，具体如下：
[0032]步骤S1
‑
1，输入一张指静脉图像，利用sobel算子在图像进行卷积运算粗步过滤图像的背景信息，获得X方向和Y方向梯度，计算如下式：
[0033][0034]其中，A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合损失和卷积神经网络的指静脉识别方法，其特征在于，包括以下步骤：步骤1、采集指静脉图像进行预处理得到指静脉样本并标注分类标签，建立指静脉数据集；静脉数据集中静脉数据为三元组形式，包括锚点样本、与锚点样本同一类别的正样本以及与锚点样本不同类别的负样本；步骤2、构建并训练指静脉识别的深度卷积神经网络：深度卷积神经网络包括特征提取网络和分类网络；特征提取网络用于从指静脉样本中提取出静脉特征向量输入分类网络；分类网络用于接收静脉特征向量输出指静脉识别结果；特征提取网络在训练时基于联合损失优化网络；联合损失函数L＝L1+L2，其中，L1为从欧氏空间上约束样本的特征表示，L2在余弦空间上约束样本的特征表示：在余弦空间上约束样本的特征表示：其中，α和β是调节因子，分别用于调节L1和L2损失的大小，防止两者差异过大，||
·
||2表示向量的2
‑
范数，f(
·
)表示特征提取函数，x
i
(i∈N)表示第i个输入的指静脉图像，N表示一个批次的样本数量，分别表示第i个输入的指静脉图像的锚点样本a、与锚点样本同类的正样本p和与锚点样本不同类的负样本n，γ表示类间距离与类内距离的增加间隔；L2中，为第i个样本特征与网络权重向量之间的夹角，s表示缩放因子，m表示权重和特征之间的增加间隔，θ
j
表示权重和第j个样本(i≠j)向量间的夹角，i与j均为样本序号；分类网络在训练阶段通过预测样本所属类别，通过预测值与真实值的误差，借助反向传播算法来更新特征提取网络和分类网络的权重；步骤3、计算识别阈值：深度卷积神经网络训练结束后，去掉分类网络，保留特征提取网络；在指静脉数据集上用特征提取网络提取特征表示，用余弦相似度衡量提取特征与数据集中对应的静脉样本特征之间的距离，与给定的阈值相比，判断两个特征是否相似；再根据相似判断结果来确定识别阈值的取值。具体的，可通过相似判断结果得到错误拒绝率FRR和错误接受率FAR来评价特征提取网络效果并确定识别阈值的取值。步骤4、基于指静脉特征提取网络输出待判别图像的预测结...

【专利技术属性】
技术研发人员：陈爱国，罗光春，赵太银，孙国林，宣朋羽，沙泽鑫，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：