本发明专利技术公开了基于特征融合的生物识别方法、系统、装置及存储介质，通过获取目标对象的人脸图像和指静脉图像进行图像预处理，分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息，将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，再将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息，将第二融合特征信息导入训练完成的分类器进行特征分类，得到分类结果，根据分类结果判定得到目标对象的生物识别结果，可以提高对目标对象的生物识别效率和准确率，并且可以弥补传统单模态生物特征识别的不足和应用局限性，拓展生物特征识别应用场景。物特征识别应用场景。物特征识别应用场景。
【技术实现步骤摘要】
基于特征融合的生物识别方法、系统、装置及存储介质
[0001]本专利技术属于生物识别
，具体涉及基于特征融合的生物识别方法、系统、装置及存储介质。
技术介绍
[0002]近年来，随着信息技术的快速发展，智能设备的广泛部署，使得指纹识别、人脸识别、虹膜识别、语音识别等身份识别技术普遍应用于日常生活中的方方面面。然而这种单模态生物特征识别技术在实际应用中不仅受外部环境的影响，还受到单模态生物特征自身的局限性，极大的限制了其应用场景，降低了身份识别的准确性。比如在指纹识别中，指纹破损、沾水等会影响其采集和识别的正确率；在人脸识别中，受年龄的增长，佩戴口罩会影响其识别效率；在虹膜识别中，受外部光照、佩戴眼镜会影响其识别准确率。因此，如何弥补单一生物特征识别的缺陷，提高身份识别的准确性，成为目前生物识别
亟待解决的问题。
技术实现思路
[0003]本专利技术的目的是提供基于特征融合的生物识别方法、系统、装置及存储介质，用以解决现有技术中存在的上述问题。
[0004]为了实现上述目的，本专利技术采用以下技术方案：
[0005]第一方面，提供基于特征融合的生物识别方法，包括：
[0006]获取目标对象的人脸图像和指静脉图像；
[0007]对人脸图像和指静脉图像进行图像预处理，得到预处理后的人脸图像和指静脉图像；
[0008]分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息；
[0009]将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，再将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息；
[0010]将第二融合特征信息导入训练完成的分类器进行特征分类，得到分类结果；
[0011]根据分类结果判定得到目标对象的生物识别结果。
[0012]基于上述
技术实现思路
，通过对目标对象的人脸图像和指静脉图像进行特征提取，然后进行双模态的特征融合，得到双模态融合特征，以保证特征信息的最大化，再基于双模态融合特征进行特征分类，根据特征分类结果判定得到目标对象的生物识别结果，可以提高对目标对象的生物识别效率和准确率，并且可以弥补传统单模态生物特征识别的不足和应用局限性，拓展生物特征识别应用场景。
[0013]在一个可能的设计中，所述分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息，包括：
[0014]将预处理后的人脸图像和指静脉图像导入双通道卷积神经网络模型中，通过双通道卷积神经网络模型分别对预处理后的人脸图像和指静脉图像进行双通道特征提取，得到人脸特征信息和指静脉特征信息。
[0015]在一个可能的设计中，所述通过双通道卷积神经网络模型分别对预处理后的人脸图像和指静脉图像进行双通道特征提取，包括：
[0016]通过双通道卷积神经网络模型的多层卷积层和池化层分别对预处理后的人脸图像和指静脉图像进行双通道特征提取。
[0017]在一个可能的设计中，所述将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，包括：
[0018]将人脸特征信息和指静脉特征信息导入双通道卷积神经网络模型中，经过Fusion Conv降维后再经过Softmax层处理，分别得到自注意力权重；
[0019]根据各自的自注意力权重将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息。
[0020]在一个可能的设计中，所述将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息，包括：基于ResNet残差结构将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息。
[0021]在一个可能的设计中，所述分类器为双通道卷积神经网络模型经分类样本训练后得到的全连接层。
[0022]在一个可能的设计中，所述对人脸图像和指静脉图像进行图像预处理，包括：对人脸图像进行灰度归一化、图像去噪和图像增强处理，对指静脉图像进行ROI区域截取、图像增强和图像去噪处理。
[0023]第二方面，提供基于特征融合的生物识别系统，包括获取单元、预处理单元、特征提取单元、特征融合单元、分类单元和判定单元，其中：
[0024]图像获取单元，用于获取目标对象的人脸图像和指静脉图像；
[0025]预处理单元，用于对人脸图像和指静脉图像进行图像预处理，得到预处理后的人脸图像和指静脉图像；
[0026]特征提取单元，用于分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息；
[0027]特征融合单元，将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，再将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息；
[0028]分类单元，将第二融合特征信息导入训练完成的分类器进行特征分类，得到分类结果；
[0029]判定单元，用于根据分类结果判定得到目标对象的生物识别结果。
[0030]第三方面，提供基于特征融合的生物识别装置，包括：
[0031]存储器，用于存储指令；
[0032]处理器，用于读取所述存储器中存储的指令，并根据指令执行第一方面中任意一种所述的方法。
[0033]第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指
令，当所述指令在计算机上运行时，使得所述计算机执行第一方面种任意一种所述的方法。同时，还提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行第一方面种任意一种所述的方法。
[0034]有益效果：本专利技术通过对目标对象的人脸图像和指静脉图像进行特征提取，然后通过双通道卷积神经网络模型进行双模态的特征融合，得到双模态融合特征，以保证特征信息的最大化，再基于双模态融合特征进行特征分类，根据特征分类结果判定得到目标对象的生物识别结果，可以提高对目标对象的生物识别效率和准确率，并且可以弥补传统单模态生物特征识别的不足和应用局限性，拓展生物特征识别应用场景。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术实施例的方法步骤示意图；
[0037]图2为本专利技术实施例的系统构成示意图；
[0038]图3为本专利技术实施例的装置构成示意图。
具体实施方式
[0039]在此需要说明的是，对于这些实施例方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。本文公开的特定结构和功能细节仅用于描述本专利技术的示例实施例。然而，可用很多备选的形式来体现本发本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于特征融合的生物识别方法，其特征在于，包括：获取目标对象的人脸图像和指静脉图像；对人脸图像和指静脉图像进行图像预处理，得到预处理后的人脸图像和指静脉图像；分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息；将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，再将第一融合特征信息与人脸特征信息和指静脉特征信息进行二次特征融合，得到第二融合特征信息；将第二融合特征信息导入训练完成的分类器进行特征分类，得到分类结果；根据分类结果判定得到目标对象的生物识别结果。2.根据权利要求1所述的基于特征融合的生物识别方法，其特征在于，所述分别对预处理后的人脸图像和指静脉图像进行图像特征提取，得到人脸特征信息和指静脉特征信息，包括：将预处理后的人脸图像和指静脉图像导入预置的双通道卷积神经网络模型中，通过双通道卷积神经网络模型分别对预处理后的人脸图像和指静脉图像进行双通道特征提取，得到人脸特征信息和指静脉特征信息。3.根据权利要求2所述的基于特征融合的生物识别方法，其特征在于，所述通过双通道卷积神经网络模型分别对预处理后的人脸图像和指静脉图像进行双通道特征提取，包括：通过双通道卷积神经网络模型的多层卷积层和池化层分别对预处理后的人脸图像和指静脉图像进行双通道特征提取。4.根据权利要求2所述的基于特征融合的生物识别方法，其特征在于，所述将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息，包括：将人脸特征信息和指静脉特征信息导入双通道卷积神经网络模型中，经过Fusion Conv降维后再经过Softmax层处理，分别得到自注意力权重；根据各自的自注意力权重将人脸特征信息和指静脉特征信息进行初步特征融合，得到第一融合特征信息。5.根据权利要求4所述的基于特征融合的生物识别方法，其特征在于，所述将第一融合特征信息与人脸特征信息和...
【专利技术属性】
技术研发人员：肖红梅，
申请(专利权)人：云指智能科技广州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。