一种基于小样本度量网络的掌纹图像识别方法技术

本发明专利技术公开了一种基于小样本度量网络的掌纹图像识别方法，属于生物特征识别与计算机视觉的交叉领域，包括使用小样本学习的方式划分掌纹数据集中的训练集和测试集，将其划分若干个任务；构建了轻量的小样本度量网络，使用该网络提取特征向量；构建了特征向量的度量公式，使用该公式度量特征向量的距离；设计了基于度量距离的负对数似然的损失函数，使用距离公式计算出的距离来累计成对应损失。本发明专利技术引入了小样本学习以及改进的信噪比距离来训练模型，解决了训练样本少的问题，得到了较高的识别率。识别率。识别率。

【技术实现步骤摘要】
一种基于小样本度量网络的掌纹图像识别方法


[0001]本专利技术属于生物特征识别与计算机视觉的交叉领域，具体是一种基于小样本度量网络的掌纹图像识别方法。

技术介绍

[0002]生物特征识别技术就是通过提取人体固有的特征来对个人的身份进行鉴定，比如指纹、虹膜、脸像、静脉、掌纹或者是耳朵等；其中掌纹包含有丰富的特征，比如主线、脊线、皱纹以及其他细节特征等，随着计算机性能、大数据以及深度学习的发展，基于深度学习的掌纹识别方法也逐渐脱颖而出。
[0003]对于传统的掌纹识别算法需要人为地去设计专门的特征提取器，这通常需要大量的工作，基于传统深度学习的方法则是需要大量的训练样本以及对应标签，以保证训练出来的模型不会发生过拟合等问题；基于深度学习的掌纹识别算法，大部分算法是需要大量的样本来训练模型；而从实际的角度出发，考虑到用户的隐私问题，采集大量的样本往往是难以做到的，并且给这些样本打上标签也需要大量的工作；虽然有些算法通过结合传统的掌纹识别方法，来降低对标签样本的依赖，但是这些算法往往需要研究者的先验经验，具有一定的主观因素，这往往就会使得模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本度量网络的掌纹图像识别方法，其特征在于，包括如下步骤：S1：采集并提取掌纹图像ROI，整理成对应数据集，使用小样本学习的方式划分掌纹数据集中的训练集和测试集，将其划分为若干个任务；S2：构建轻量的小样本度量网络，使用该网络提取特征向量；S3：通过S2得到每一张掌纹ROI图像对应的特征向量；S4：构建特征向量的距离公式，使用该公式度量特征向量的距离；S5：设计基于度量距离的负对数似然的损失函数，通过损失函数更新训练网络中的模型参数，并计算测试集的准确率以及查询集的识别率；S6：根据S5训练出的网络模型参数，将网络模型保存并部署到实际运行环境当中。2.根据权利要求1所述的一种基于小样本度量网络的掌纹图像识别方法，其特征在于，所述S1具体包括以下步骤：S1.1：采集手掌图像并使用特定的预处理和图像分割方法，提取掌纹图像ROI，并整理成对应的数据集，数据集按照1:1的比例随机划分成训练集和测试集，训练集和测试集之间的标签是不相交的；S1.2：在划分完的训练集和测试集上按照n
‑
shot k
‑
way的方式划分成h个任务，每一个任务中分为支持集和查询集；支持集当中有k个类，每个类有n个样本，n的取值范围是1到任一类的最大样本数，k的取值范围是1到最大类别数；查询集则是q
‑
shot k
‑
way，查询集划分的方式与支持集相同，只是对应shot的取值可能会不同，其中划分的任务的选取方式是在训练集或测试集中随机选取k个类，在这k个类中再随机选取n个样本或者是q个样本。3.根据权利要求2所述的一种基于小样本度量网络的掌纹图像识别方法，其特征在于，所述S2具体包括以下步骤：S2.1：小样本度量网络的结构由4层卷积模块和1层降维层组成；S2.2：4层卷积模块的每个模块都有对应的输入通道数和输出通道数，每个模块的结构包含了一个二维卷积层，二维卷积层的卷积核的大小是3
×
3，卷积核个数为64个，卷积的填充像素的大小为1；接着是一层批归一化层；随后是一层ReLU激活函数；最后一层则是最大池化层，窗口大小是2
×
2，步长为2；S2.3：降维层将经过4层卷积模块的高维特征图转为1维的特征向量；S2.4：根据构建的网络结构对此网络结构参数进行随机初始化；S2.5：整个网络模型可以表示为：；其中输入图像为，网络模型为f，网络模型中的参数为p，网络模型输出的特征向量为。4.根据权利要求3所述的一种基于小样本度量网络的掌纹图...

【专利技术属性】
技术研发人员：周开军，胡亦良，周鲜成，覃业梅，史长发，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：