一种掌静脉识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种掌静脉识别方法、装置、设备及存储介质，该方法包括：将待识别的第一掌静脉图像输入预先训练的全局特征提取模型，得到全局特征提取模型输出的全局特征图像；对第一掌静脉图像进行关键点检测，根据第一掌静脉图像中的关键点，从第一掌静脉图像中截取各个关键点对应的第一图像块；通过预先训练的局部特征提取模型，提取各个第一图像块的第一局部特征向量；通过全局特征图像从多个第二掌静脉图像中匹配出多个候选掌静脉图像，通过各个第一局部特征向量从多个候选掌静脉图像中确定出目标掌静脉图像，确定目标掌静脉图像的身份信息为第一掌静脉图像的身份信息。份信息为第一掌静脉图像的身份信息。份信息为第一掌静脉图像的身份信息。

【技术实现步骤摘要】
一种掌静脉识别方法、装置、设备及存储介质


[0001]本申请实施例涉及生物识别
，尤其涉及一种掌静脉识别方法、装置、设备及存储介质。

技术介绍

[0002]随着掌静脉识别技术的快速发展，掌静脉识别技术被广泛应用到各种验证个人身份的系统，例如安保系统、门禁系统、地铁系统和签到系统等。相比于指纹和瞳孔等生物识别技术，掌静脉识别技术不仅可以做到非接触式识别，而且难以造假，安全等级更高。
[0003]在现有技术中，通过全局特征提取算法从近红外掌静脉图像中提取全局特征图像，并将全局特征图像与数据库中掌静脉图像进行匹配，以识别用户的身份信息。但全局特征提取算法的提取能力有限，对于旋转和遮挡等干扰条件的鲁棒性较弱，影响特征匹配的成功率，导致掌静脉识别效率降低。

技术实现思路

[0004]本申请实施例提供一种掌静脉识别方法、装置、设备及存储介质，以通过全局特征图像快速筛选出相似的候选掌静脉图像，并通过局部特征向量从候选掌静脉图像中准确匹配到同一用户的目标掌静脉图像，解决了现有技术中特征匹配成功率低的问题，提高了掌静脉识别效率。
[0005]第一方面，本申请实施例提供了一种掌静脉识别方法，包括：
[0006]将待识别的第一掌静脉图像输入预先训练的全局特征提取模型，得到所述全局特征提取模型输出的全局特征图像；
[0007]对所述第一掌静脉图像进行关键点检测，根据所述第一掌静脉图像中的关键点，从所述第一掌静脉图像中截取各个关键点对应的第一图像块；
[0008]通过预先训练的局部特征提取模型，提取各个所述第一图像块的第一局部特征向量；
[0009]通过所述全局特征图像从多个第二掌静脉图像中匹配出多个候选掌静脉图像，通过各个所述第一局部特征向量从所述多个候选掌静脉图像中确定出目标掌静脉图像，确定所述目标掌静脉图像的身份信息为所述第一掌静脉图像的身份信息。
[0010]进一步的，所述根据所述第一掌静脉图像中的关键点，从所述第一掌静脉图像中截取各个关键点对应的第一图像块，包括：
[0011]将所述第一掌静脉图像划分成多个第一预设尺寸的第二图像块；
[0012]从所述第一掌静脉图像的各个关键点中随机选取第一预设数量的目标关键点，各个所述目标关键点位于不同的第二图像块中；
[0013]从所述第一掌静脉图像中截取以所述目标关键点为中心点的第一预设尺寸的第一图像块。
[0014]进一步的，所述局部特征提取模型为编码器；相应的，所述通过预先训练的局部特
征提取模型，提取各个所述第一图像块的第一局部特征向量，包括：
[0015]将每个所述第一图像块输入所述编码器，得到所述编码器输出的第一特征向量；
[0016]将所述目标关键点的像素坐标加入对应第一图像块的第一特征向量，得到所述第一图像块对应的第一局部特征向量。
[0017]进一步的，在所述将待识别的第一掌静脉图像输入预先训练的全局特征提取模型之前，还包括：
[0018]对样本掌静脉图像进行关键点检测，根据所述样本掌静脉图像中的关键点，从所述样本掌静脉图像中截取各个关键点对应的第一样本图像块；
[0019]将所述第一样本图像块输入编码器，得到所述编码器输出的第一样本特征向量，将关键点的像素坐标加入对应第一样本图像块的第一样本特征向量，得到第二样本特征向量；
[0020]将所述第二样本特征向量作为对应关键点所在的第二样本图像块的第三特征向量，并将零向量作为剩余第二样本图像块的第三样本特征向量，所述第二样本图像块由对所述样本掌静脉图像进行均匀划分得到；
[0021]将各个所述第三样本特征向量输入解码器，得到所述解码器输出的解码图像；
[0022]基于重构损失函数，通过所述解码图像和所述样本掌静脉图像确定第一损失值，通过所述第一损失值优化所述解码器和所述编码器的网络参数。
[0023]进一步的，在所述基于重构损失函数，通过所述解码图像和所述样本掌静脉图像确定第一损失值，通过所述第一损失值优化所述解码器和所述编码器的网络参数时，还包括：
[0024]基于最近邻度量损失函数，通过所述第二样本特征向量确定第二损失值，通过所述第二损失值优化所述编码器的网络参数。
[0025]进一步的，所述基于最近邻度量损失函数，通过所述第二样本特征向量确定第二损失值，包括：
[0026]获取与所述样本掌静脉图像属于同一用户的第三掌静脉图像，对所述第三掌静脉图像进行关键点检测，根据所述第三掌静脉图像中的关键点，从所述第三掌静脉图像中截取各个关键点对应的第三图像块；
[0027]将所述第三图像块输入所述编码器，得到所述编码器输出的第二特征向量，将关键点的像素坐标加入对应第三图像块的第二特征向量，得到第三特征向量；
[0028]根据所述第二样本特征向量与各个所述第三特征向量的特征距离，将与所述第二样本特征向量相互最近的第三特征向量作为同类特征向量，将与所述第二样本特征向量第二近的第三特征向量作为异类特征向量；
[0029]基于所述最近邻度量损失函数，通过各个所述第二特征向量以及对应的同类特征向量和异类特征向量，确定所述第二损失值。
[0030]进一步的，所述通过各个所述第一局部特征向量从所述多个候选掌静脉图像中确定出目标掌静脉图像，包括：
[0031]将各个所述第一局部特征向量与所述候选掌静脉图像的各个第二局部特征向量进行匹配；
[0032]在所述第一局部特征向量与所述第二局部特征向量的匹配度大于或等于预设匹
配阈值的情况下，确定第一局部特征向量对应的关键点与所述第二局部特征向量的关键点相匹配；
[0033]将关键点匹配数量最多的候选掌静脉图像作为所述目标掌静脉图像。
[0034]第二方面，本申请实施例提供了一种掌静脉识别装置，包括：
[0035]全局特征提取模块，被配置为将待识别的第一掌静脉图像输入预先训练的全局特征提取模型，得到所述全局特征提取模型输出的全局特征图像；
[0036]图像块截取模块，被配置为对所述第一掌静脉图像进行关键点检测，根据所述第一掌静脉图像中的关键点，从所述第一掌静脉图像中截取各个关键点对应的第一图像块；
[0037]局部特征提取模块，被配置为通过预先训练的局部特征提取模型，提取各个所述第一图像块的第一局部特征向量；
[0038]身份识别模块，被配置为通过所述全局特征图像从多个第二掌静脉图像中匹配出多个候选掌静脉图像，通过各个所述第一局部特征向量从所述多个候选掌静脉图像中确定出目标掌静脉图像，确定所述目标掌静脉图像的身份信息为所述第一掌静脉图像的身份信息。
[0039]进一步的，所述图像块截取模块包括：
[0040]第一图像划分单元，被配置为将所述第一掌静脉图像划分成多个第一预设尺寸的第二图像块；
[0041]第一关键点选取单元，被配置为从所述第一掌静脉图像的各个关键点中随机选取第一预设数量的目标关键点，各个所述目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种掌静脉识别方法，其特征在于，包括：将待识别的第一掌静脉图像输入预先训练的全局特征提取模型，得到所述全局特征提取模型输出的全局特征图像；对所述第一掌静脉图像进行关键点检测，根据所述第一掌静脉图像中的关键点，从所述第一掌静脉图像中截取各个关键点对应的第一图像块；通过预先训练的局部特征提取模型，提取各个所述第一图像块的第一局部特征向量；通过所述全局特征图像从多个第二掌静脉图像中匹配出多个候选掌静脉图像，通过各个所述第一局部特征向量从所述多个候选掌静脉图像中确定出目标掌静脉图像，确定所述目标掌静脉图像的身份信息为所述第一掌静脉图像的身份信息。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一掌静脉图像中的关键点，从所述第一掌静脉图像中截取各个关键点对应的第一图像块，包括：将所述第一掌静脉图像划分成多个第一预设尺寸的第二图像块；从所述第一掌静脉图像的各个关键点中随机选取第一预设数量的目标关键点，各个所述目标关键点位于不同的第二图像块中；从所述第一掌静脉图像中截取以所述目标关键点为中心点的第一预设尺寸的第一图像块。3.根据权利要求2所述的方法，其特征在于，所述局部特征提取模型为编码器；相应的，所述通过预先训练的局部特征提取模型，提取各个所述第一图像块的第一局部特征向量，包括：将每个所述第一图像块输入所述编码器，得到所述编码器输出的第一特征向量；将所述目标关键点的像素坐标加入对应第一图像块的第一特征向量，得到所述第一图像块对应的第一局部特征向量。4.根据权利要求1所述的方法，其特征在于，在所述将待识别的第一掌静脉图像输入预先训练的全局特征提取模型之前，还包括：对样本掌静脉图像进行关键点检测，根据所述样本掌静脉图像中的关键点，从所述样本掌静脉图像中截取各个关键点对应的第一样本图像块；将所述第一样本图像块输入编码器，得到所述编码器输出的第一样本特征向量，将关键点的像素坐标加入对应第一样本图像块的第一样本特征向量，得到第二样本特征向量；将所述第二样本特征向量作为对应关键点所在的第二样本图像块的第三特征向量，并将零向量作为剩余第二样本图像块的第三样本特征向量，所述第二样本图像块由对所述样本掌静脉图像进行均匀划分得到；将各个所述第三样本特征向量输入解码器，得到所述解码器输出的解码图像；基于重构损失函数，通过所述解码图像和所述样本掌静脉图像确定第一损失值，通过所述第一损失值优化所述解码器和所述编码器的网络参数。5.根据权利要求4所述的方法，其特征在于，在所述基于重构损失函数，通过所述解码图像和所述样本掌静脉图像确定第一损失值，通过所述第一损失值优化所述解码器和所述编码器的网络参数时，还包括：基于最近邻度量损失函数，通过所述第二样本特征向量确定第二损失值，通...

【专利技术属性】
技术研发人员：冯展祥，
申请(专利权)人：广州新科佳都科技有限公司广州佳都科技软件开发有限公司，
类型：发明
国别省市：