一种指静脉图像识别方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种指静脉图像识别方法、装置及存储介质，所述方法包括获取指静脉图像；对指静脉图像进行提取，获取含有指静脉信息的图像；将含有指静脉信息的图像输入至预先构建的改进的YOLOv5目标检测模型中，获取静脉识别结果；其中：改进的YOLOv5目标检测模型设置一种包括卷积网络结构的多分支拓扑模块，其中卷积网络结构包括3*3卷积层与NECK层，所述多分支拓扑模块用于对所述改进的YOLOv5目标检测模型进行训练；将三支特征向量进行拼接操作，作为下层网络的输入特征向量，本发明专利技术能够描述更加精细的结构，具有更快的速度，达实时响应的水平，并能够高效稳定的识别指静脉，提高指静脉识别效率。静脉识别效率。静脉识别效率。

【技术实现步骤摘要】
一种指静脉图像识别方法、装置及存储介质


[0001]本专利技术涉及一种指静脉图像识别方法、装置及存储介质，属于信息处理


技术介绍

[0002]当前，个人身份信息安全业已成为一个社会性共同关注的问题。传统身份鉴定技术相对难以满足信息化社会的需求，需要一种能够更好的利用人体丰富的生理特征作为身份“标识”的鉴定技术。传统的身份鉴定方法包括身份标识物品(如钥匙、证件、ATM卡等)和身份标识知识(如用户名和密码)但由于主要借助体外物，一旦证明身份的标识物品和标识知识被盗或遗忘，其身份就容易被他人冒充或取代。生物识别技术比传统的身份鉴定方法更具安全、保密和方便性。生物特征识别技术具不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用等优点。但这些技术还有一些需要解决的问题，比如人脸识别会因人脸的变化或遮挡而变得不稳定，指纹做为一种外在的生物特征，会因受到损害变的识别困难，另外，还容易被仿制，这使得指纹识别变的不够安全。

技术实现思路

[0003]本专利技术的目的在于克服现有技术中的不足，提供一种指静脉图像识别方法、装置及存储介质，能够描述更加精细的结构，具有更快的速度，达实时响应的水平，并能够高效稳定的识别指静脉，提高指静脉识别效率。
[0004]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0005]第一方面，本专利技术提供了一种指静脉图像识别方法，包括：
[0006]获取指静脉图像；
[0007]对所述指静脉图像进行提取，获取含有指静脉信息的图像；
[0008]将所述含有指静脉信息的图像输入至预先构建的改进的YOLOv5目标检测模型中，获取静脉识别结果；
[0009]其中：所述改进的YOLOv5目标检测模型在YOLOv5目标检测模型的基础上设置一种包括卷积网络结构的多分支拓扑模块，其中卷积网络结构包括3*3卷积层与NECK层，所述多分支拓扑模块用于，在对所述改进的YOLOv5目标检测模型进行训练的过程中：
[0010]将输入特征向量分为三支，一支经过3*3的卷积层与NECK层，第二支经过1*1的卷积层，第三支不做任何操作；
[0011]将三支特征向量进行拼接操作，作为下层网络的输入特征向量。
[0012]进一步的，所述改进的YOLOv5目标检测模型包括骨干网络、中间网络和特征预测网络，所述骨干网络包括DarkNet53网络，所述DarkNet53网络包括全连接层和多个卷积层，并在每个下采样过程中融入残差结构，所述多个卷积层包括BN层和LeakeyReLU层。
[0013]进一步的，所述改进的YOLOv5目标检测模型获取静脉识别结果，包括进行重参数化，步骤如下：
[0014]将三个分支中的卷积层和BN层进行融合，公式如下：
[0015][0016][0017]其中，W
i
,；,；,:为融合后的卷积权重，W
i
为训练好的卷积层参数，μ
i
、γ
i
、σ
i
、β
i
分别为BN层的均值、方差、尺度因子和偏移因子；
[0018]在融合后的三个分支的卷积层中，对1*1的卷积，把卷积计算前的特征值置于中间，并四周补零，转换为3*3卷积；
[0019]将三个分支所有的3*3卷积核与偏置相加，完成参数融合。
[0020]进一步的，对所述改进的YOLOv5目标检测模型进行训练，包括：
[0021]步骤1：输入特征向量X，并进行初始化；
[0022]步骤2：递增型循环计算，i从1增加到特征向量X最长维度的长度，每一次都执行步骤21～步骤24：
[0023]步骤21：X
i
与3*3卷积层计算卷积并相加得A
i
，其中X
i
为第i次循环时的特征向量X；
[0024]步骤22：X
i
与1*1卷积层计算卷积并相加得B
i
；
[0025]步骤23：返回A与B拼接的特征向量Z；
[0026]步骤24：计算多分支拓扑网络；
[0027]步骤3：递增型循环计算，i从1增加到特征向量Z最长维度的长度，每一次都执行步骤31：
[0028]步骤31：Z
i
与3*3卷积层计算卷积并相加得到卷积后的特征向量C
i
，其中Z
i
为第i次循环时的特征向量Z；
[0029]步骤4：递增型循环计算，i从1增加到特征向量Z最长维度的长度，每一次都执行步骤41～步骤44：
[0030]步骤41：C
i
与NECK层进行卷积计算；
[0031]步骤42：返回经过NECK层卷积后的特征向量Z2；
[0032]步骤43：Z
i
与1*1卷积层计算卷积并相加得N
i
；
[0033]步骤44：返回Z、Z2与N拼接的特征向量Y；
[0034]步骤5：将获得的特征向量Y作为下层网络的输入特征向量。
[0035]进一步的，所述改进的YOLOv5目标检测模型的训练和测试方法，包括：
[0036]获取指静脉训练集、验证集以及测试集；
[0037]对指静脉训练集进行标注，获取标注后的训练集；
[0038]基于LOSS函数对标注后的训练集进行处理，引导梯度下降；
[0039]通过引导梯度下降后的训练集对改进的YOLOv5目标检测模型进行训练，获得训练后的YOLOv5目标检测模型；
[0040]通过验证集对训练后的YOLOv5目标检测模型进行检测，判定梯度是否下降，将验证通过后的模型作为最优的YOLOv5目标检测模型；
[0041]将测试集输入最优的YOLOv5目标检测模型中进行测试，获取最优的YOLOv5目标检测模型的测试结果。
[0042]进一步的，将测试集划分为注册集和查询集，将测试集重组为同类样本对和不同
类样本对，其中：同类手指间不同样本组成正样本对，不同类别间的样本为负样本对；在训练阶段，网络进行特征提取和分类的任务；在测试阶段去掉网络的分类层而判断查询集样本和注册集样本的相似性。
[0043]进一步的，所述对所述指静脉图像进行提取，获取含有指静脉信息的图像，包括：
[0044]对所述指静脉图像进行去噪处理，获得去噪图像；
[0045]根据所述去噪图像，提取指静脉帧；
[0046]对所述指静脉帧进行ROI区域提取，获取含有指静脉信息的图像。
[0047]第二方面，本专利技术提供一种指静脉图像识别装置，包括：
[0048]图像获取模块，用于获取指静脉图像；
[0049]提取模块，用于对所述指静脉图像进行提取，获取含有指静脉信息的图像；
[0050]识别模块，用于将所述含有指静脉信息的图像输入至预先构建的改进的YOLOv5目标检测模型中，获取静脉识别结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指静脉图像识别方法，其特征在于，包括：获取指静脉图像；对所述指静脉图像进行提取，获取含有指静脉信息的图像；将所述含有指静脉信息的图像输入至预先构建的改进的YOLOv5目标检测模型中，获取静脉识别结果；其中：所述改进的YOLOv5目标检测模型在YOLOv5目标检测模型的基础上设置一种包括卷积网络结构的多分支拓扑模块，其中卷积网络结构包括3*3卷积层与NECK层，所述多分支拓扑模块用于，在对所述改进的YOLOv5目标检测模型进行训练的过程中：将输入特征向量分为三支，一支经过3*3的卷积层与NECK层，第二支经过1*1的卷积层，第三支不做任何操作；将三支特征向量进行拼接操作，作为下层网络的输入特征向量。2.根据权利要求1所述的指静脉图像识别方法，其特征在于，所述改进的YOLOv5目标检测模型包括骨干网络、中间网络和特征预测网络，所述骨干网络包括DarkNet53网络，所述DarkNet53网络包括全连接层和多个卷积层，并在每个下采样过程中融入残差结构，所述多个卷积层包括BN层和LeakeyReLU层。3.根据权利要求2所述的指静脉图像识别方法，其特征在于，所述改进的YOLOv5目标检测模型获取静脉识别结果，包括进行重参数化，步骤如下：将三个分支中的卷积层和BN层进行融合，公式如下：将三个分支中的卷积层和BN层进行融合，公式如下：其中，W
i,；,；,:
为融合后的卷积权重，W
i
为训练好的卷积层参数，μ
i
、γ
i
、σ
i
、β
i
分别为BN层的均值、方差、尺度因子和偏移因子；在融合后的三个分支的卷积层中，对1*1的卷积，把卷积计算前的特征值置于中间，并四周补零，转换为3*3卷积；将三个分支所有的3*3卷积核与偏置相加，完成参数融合。4.根据权利要求1所述的指静脉图像识别方法，其特征在于，对所述改进的YOLOv5目标检测模型进行训练，包括：步骤1：输入特征向量X，并进行初始化；步骤2：递增型循环计算，i从1增加到特征向量X最长维度的长度，每一次都执行步骤21～步骤24：步骤21：X
i
与3*3卷积层计算卷积并相加得A
i
，其中X
i
为第i次循环时的特征向量X；步骤22：X
i
与1*1卷积层计算卷积并相加得B
i
；步骤23：返回A与B拼接的特征向量Z；步骤24：计算多分支拓扑网络；步骤3：递增型循环计算，i从1增加到特征向量Z最长维度的长度，每一次都执行步骤31：步骤31：Z
i
与3*3卷积层计算卷积并相加得到卷积后的特征向量C
i
，其中Z
i
为第i次循环
时的特征向量Z；步骤4：递增型循环...

【专利技术属性】
技术研发人员：安明伟，宋鸿静，钱丽英，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：