一种基于VC-Gabor卷积和多分支结构的指静脉识别方法、系统技术方案

本发明专利技术属于自动控制领域，具体涉及一种基于可变曲率Gabor卷积和多分支结构的指静脉识别方法，及其对应的指静脉识别系统和指静脉验证设备。本发明专利技术方案首先对传统的Gabor滤波器进行改进，加入可变曲率，以便提取到静脉曲线中的不同弯曲程度信息。其次，将可变曲率Gabor函数构造成可学习的VC

【技术实现步骤摘要】
一种基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法、系统


[0001]本专利技术属于自动控制领域，具体涉及一种基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，及其对应的指静脉识别系统和指静脉验证设备。

技术介绍

[0002]身份认证是通过一定的技术手段，完成对用户身份的确认。随着大数据时代对隐私和安全性的要求不断提升，传统的身份认证方法，如钥匙、证件和密码等标志物认证已经逐渐被生物特征识别技术取代。常用的生物特征识别技术包括指纹，人脸，虹膜和语音等，这些技术在很多电子设备和物联网设备中已经得到广泛应用。此外，指静脉特征也是一种新兴的生物特征识别，手指静脉特征因其需要活体检测，分布于皮肤下面等独特优势，难以被伪造，极大地减小了被窃取的可能性，具有广泛的应用潜力。
[0003]指静脉生物识别技术首要解决的问题是如何对指静脉特征进行提取，现有方法包括基于静脉模式方法、基于局部二进制编码的方法、基于特征降维的方法，以及基于深度学习的方法等。
[0004]基于静脉模式的方法利用手指静脉血管的形状和位置信息作为识别依据，从而进行静脉识别。该方法能够提高图像质量和识别性能，然而，在受不规则阴影和噪声影响的模糊区域中，静脉模式方法很难有效地提取出静脉图案。
[0005]基于局部二进制编码的方法首先对图像分块的局部区域进行二进制编码，然后将这些二进制编码合并得到静脉模式的特征向量。局部二进制编码的方法在特征提取过程中需要定义局部邻域和半径大小，不同的邻域和半径选择可能会导致提取到不同的纹理特征，这需要根据具体问题进行调整和优化。这可能需要一定的经验和专业知识，增加了方法的主观性和复杂性。
[0006]基于降维的方法是指通过对高维数据进行降维处理，将数据映射到低维空间中进行处理的方法。这种方法可以有效地减少数据处理的时间和空间复杂度，同时提高分类器的性能。典型的方法有主成分分析(PCA)、2DPCA和线性判别分析(LDA)。该方法由于特征维数较低，具有识别速度快的优点，但全局特征受姿态、遮挡、变形和光照等因素影响较大，在指静脉图像特征提取方面使用时的局限性极大。
[0007]近年来卷积神经网络在图像分类领域得到迅速发展，一些研究者将卷积神经网络应用于指静脉识别，取得了良好的效果。该方法在识别阶段具有较高的响应速度，但是手工制作的特征可以被认为是表面的特征，该方案对噪声敏感、参数难以调制、对于数据集的变换也不具有很好地鲁棒性，因此容易出现过拟合，在实际应用过程中的识别精度仍表现不佳。

技术实现思路

[0008]为了解决现有各类指静脉识别方法存在精度不足，鲁棒性较差等缺陷，本专利技术提
供一种基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，及其对应的指静脉识别系统和指静脉验证设备。
[0009]本专利技术采用以下技术方案实现：
[0010]一种基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其包括如下步骤：
[0011]S1：设计一个可变曲率的Gabor滤波器，可变曲率的Gabor滤波器的定义如下：
[0012][0013]上式中，x和y表示像素坐标位置；θ表示正弦函数方向与x轴夹角，即为滤波器的核函数方向；λ表示正弦函数的波长；f表示滤波器的曲率；σ为高斯函数标准差；i表示虚数单位。
[0014]S2：根据可变曲率的Gabor滤波器构造一个参数可调的VC
‑
Gabor卷积；VC
‑
Gabor卷积的构造过程如下：
[0015]S21：将可变曲率的Gabor滤波器拆解出实数部分G
re
和虚数部分G
im
。
[0016]S22：利用拆解出的实数部分构造VC
‑
Gabor卷积，并定义θ、λ、f和σ为可学习的优化参数。
[0017]S23：计算可变曲率的Gabor滤波器的实数部分G
re
，分别对各个需要优化的参数θ、
[0018]λ、f和σ求偏导。
[0019]S24：使用反向传播算法的梯度下降法则更新g
re
的参数，并建立各个优化参数的更新公式。
[0020]S3：对经典的CNN网络进行改良，构造所需的指静脉识别模型，指静脉识别模型的输入为指静脉图像，输出为指静脉图像的类别；模型构建过程如下：
[0021]S31：获取经典的CNN网络，其包括输入层、卷积层、池化层、全连接层以及Softmax分类层；卷积层包括下采样卷积层和非下采样卷积层。
[0022]S32：将新设计的VC
‑
Gabor卷积作为CNN网络的第一层。
[0023]S33：在卷积层中的所有下采样卷积层使用双分支卷积模块。
[0024]S34：将卷积层中的所有非下采样卷积层替换为三分支卷积模块。
[0025]S4：获取大量用户的指静脉图像作为样本数据构成数据集，将数据集分为训练集、验证集和测试集，并为样本数据添加标签。
[0026]S5：利用训练集对指静脉识别模型进行训练，并利用验证集对模型进行验证。
[0027]S6：利用完成训练的指静脉识别模型在测试集上进行指静脉图像的识别，输出当前用户的类别信息。
[0028]作为本专利技术进一步的改进，步骤21中，拆分出的实数部分g
re
能有效提取指静脉图像的边缘和纹理信息，函数如下：
[0029][0030]拆解出的虚数部分g
im
函数如下：
[0031][0032]作为本专利技术进一步的改进，步骤S23中，各优化参数的偏导函数如下：
[0033][0034]其中，x'＝xcosθ+ysinθ；y'＝
‑
xsinθ+ycosθ。
[0035]作为本专利技术进一步的改进，步骤S24中，各优化参数的更新公式为：
[0036][0037]上式中，θ
t
、λ
t
、f
t
和σ
t
为更新前的优化参数；θ
t+1
、λ
t+1
、f
t+1
和σ
t+1
为更新后的优化参数；α为预设的学习率；L为预设的目标函数；。
[0038]作为本专利技术进一步的改进，步骤S3中，构造的指静脉识别模型的输入为通道数c＝1的灰度图像。VC
‑
Gabor卷积的通道数为40，需要优化的参数θ、λ、f和σ随学习过程更新。
[0039]在卷积层中，各下采样卷积层获取的特征图尺寸减半、通道数加倍；各非下采样卷积层获取的特征图尺寸和通道数不变。池化层采用全局平均池化层。全连接层的神经元数量为数据集的总类别数。Softmax分类层用于将原始输出转换成概率分布，从而进行多类别分类任务。
[0040]作为本专利技术进一步的改进，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于，其包括如下步骤：S1：设计一个可变曲率的Gabor滤波器，所述可变曲率的Gabor滤波器的定义如下：上式中，x和y表示像素坐标位置；θ表示正弦函数方向与x轴夹角，即为滤波器的核函数方向；λ表示正弦函数的波长；f表示滤波器的曲率；σ为高斯函数标准差；i表示虚数单位；S2：根据可变曲率的Gabor滤波器构造一个参数可调的VC
‑
Gabor卷积；所述VC
‑
Gabor卷积的构造过程如下：S21：将所述可变曲率的Gabor滤波器拆解出实数部分G
re
和虚数部分G
im
；S22：利用拆解出的实数部分构造VC
‑
Gabor卷积，并定义θ、λ、f和σ为可学习的优化参数；S23：计算可变曲率的Gabor滤波器的实数部分G
re
，分别对各个优化参数θ、λ、f和σ进行偏导；S24：使用反向传播算法的梯度下降法则更新G
re
的参数，并建立各个优化参数的更新公式；S3：对经典的CNN网络进行改良，构造所需的指静脉识别模型，所述指静脉识别模型的输入为指静脉图像，输出为所述指静脉图像的类别；模型构建过程如下：S31：获取经典的CNN网络，其包括输入层、卷积层、池化层、全连接层以及Softmax分类层；所述卷积层包括下采样卷积层和非下采样卷积层；S32：将新设计的VC
‑
Gabor卷积作为CNN网络的第一层；S33：将卷积层中的所有下采样卷积层替换为双分支卷积模块；S34：将卷积层中的非下采样的卷积层替换为三分支卷积模块；S4：获取大量用户的指静脉图像作为样本数据构成数据集，将数据集分为训练集、验证集和测试集，并为样本数据添加标签；S5：利用训练集对所述指静脉识别模型进行训练，并利用验证集对模型进行验证；S6：利用完成训练的所述指静脉识别模型在测试集上进行指静脉图像的识别，输出当前用户的类别信息。2.如权利要求1所述的基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于：步骤21中，拆分出的实数部分G
re
能有效提取指静脉图像边缘和纹理信息，函数如下：拆解出的虚数部分G
im
函数如下：3.如权利要求2所述的基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于，步骤S23中，各优化参数的偏导函数如下：
其中，x'＝xcosθ+ysinθ；y'＝
‑
xsinθ+ycosθ。4.如权利要求3所述的基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于，步骤S24中，各优化参数的更新公式为：上式中，θ
t
、λ
t
、f
t
和σ
t
为更新前的优化参数；θ
t+1
、λ
t+1
、f
t+1
和σ
t+1
为更新后的优化参数；α为预设的学习率；L为预设的目标函数。5.如权利要求4所述的基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于：步骤S3中，构造的指静脉识别模型的输入为通道数c＝1的灰度图像；所述VC
‑
Gabor卷积层的通道数为40，需要优化的参数θ、λ、f和σ随学习过程更新；在所述卷积层中，各下采样卷积模块获取的特征图尺寸减半、通道数加倍；各非下采样卷积模块获取的特征图尺寸和通道数不变；所述池化层采用全局平均池化层；所述的全连接层的神经元数量为数据集的总类别数；所述Softmax分类层用于将原始输出转换成概率分布，从而进行多类别分类任务。6.如权利要求5所述的基于VC
‑
Gabor卷积和多分支结构的指静脉识别方法，其特征在于，在步骤S33的所述双分支卷积模块中，输入的特征图分别进入两个分支，并在第一分支中完成3
×
3卷积和批归一化，在第二分支中完成1
×
1卷积和批归一化；然后叠加各分支的自适应权值后融合，融合特...

【专利技术属性】
技术研发人员：王华彬，李军，郑武，沈元康，温雨萌，周佳成，陶亮，
申请(专利权)人：安徽大学，
类型：发明
国别省市：