一种基于图像增强的手部静脉图像识别方法及装置制造方法及图纸

本发明专利技术提出一种基于图像增强的手部静脉图像识别方法及装置，涉及静脉图像识别的技术领域，获取手部静脉图像；对手部静脉图像进行预处理，分别得到图像样本对数据集和待增强数据集；利用所述图像样本对数据集对预设的手部静脉图像增强模型进行训练，得到训练好的手部静脉图像增强模型；将所述待增强数据集输入训练好的手部静脉图像增强模型，输出增强数据集；将所述增强数据集输入预训练的手部静脉图像识别模型，输出手部静脉图像的特征提取结果；利用所述特征提取结果进行特征匹配，得到人员识别结果，本发明专利技术降低了构建图像样本对的难度，提高了手部静脉图像识别精度，消除了隐私保护风险

【技术实现步骤摘要】
一种基于图像增强的手部静脉图像识别方法及装置


[0001]本专利技术涉及静脉图像识别的
，特别涉及一种基于图像增强的手部静脉图像识别方法及装置
。

技术介绍

[0002]静脉识别是利用人体手部的静脉分布图像来进行身份识别，该技术是依据人类手部流动的血液可吸收特定波长的近红外光，当近红外光照射手部时，有一部分被血液中的脱氧血红蛋白吸收，从而使静脉纹路在图像成像时呈现深色阴影，其他非静脉区域呈现出较高亮度，进而得到清晰的手部静脉图像
。
[0003]目前手部静脉图像识别的方法分为基于特征工程与基于深度相关特征学习两类，基于特征工程的方法是通过增强图像
、
提取纹路特征和相似度计算实现认证，但对图像清晰度要求高且难以应对旋转偏移问题；基于深度相关特征学习的方法是通过神经网络来自主学习手部静脉图像中的特征来进行身份识别，但其对数据质量和数据集规模要求较高；而传统对高质量数据集处理方法是对已有的高质量数据集中的每一张图像做退化操作，通过设定好的模糊核与噪声对高质量数据集进行处理，进而形成对应的低质量数据集，但是真实场景下的退化过程多种多样，很难用提前设置好的退化模型进行拟合，即高质量和低质量样本对的构建难度大
。
[0004]现有技术公开了一种基于融合局部编码与神经网络模型的手部静脉图像识别方法，但该方法对局部编码选择有依赖性，而手部静脉图像质量较低，纹理模糊，容易与背景混合，导致局部编码无法完整提取相关纹理特征，降低手部静脉图像的识别精度，同时由于采集设备与采集环境的差异，容易导致同一只手所采集到的手部静脉图像质量参差不齐，进而增加类内差异性，同一只手所提取到的特征相差较大，影响手部静脉图像的识别精度
。
现有技术还公开了一种基于多模态融合的方法，但该方法需要对融合细节进行人工分析和设计，且需要收集更多的生物特征识别数据，存在隐私保护风险
。

技术实现思路

[0005]为解决现有手部静脉图像识别中难以构建图像样本对
、
识别精度低和隐私保护风险高的问题，本专利技术提出一种基于图像增强的手部静脉图像识别方法及装置，降低了构建图像样本对的难度，提高了手部静脉图像识别精度，消除了隐私保护风险
。
[0006]为了达到上述技术效果，本专利技术的技术方案如下：
[0007]一种基于图像增强的手部静脉图像识别方法，包括以下步骤：
[0008]S1.
获取手部静脉图像；
[0009]S2.
对手部静脉图像进行预处理，分别得到包含低质量的手部静脉图像和高质量的手部静脉图像的图像样本对数据集以及待增强数据集；
[0010]S3.
利用所述图像样本对数据集对预设的手部静脉图像增强模型进行训练，得到训练好的手部静脉图像增强模型；
[0011]S4.
将所述待增强数据集输入训练好的手部静脉图像增强模型，输出增强数据集；
[0012]S5.
将所述增强数据集输入预训练的手部静脉图像识别模型，输出手部静脉图像的特征提取结果；
[0013]S6.
利用所述特征提取结果进行特征匹配，得到人员识别结果
。
[0014]优选地，所述手部静脉图像包括掌静脉图像和指静脉图像，获取掌静脉图像和指静脉图像的方式为：利用摄像头分别对手掌和手指进行拍摄，得到掌静脉图像和指静脉图像
。
[0015]优选地，所述对手部静脉图像进行预处理，具体包括：
[0016]S21.
将手部静脉图像中一定数量的图像转化为对应的灰度图；
[0017]S22.
利用
S21
得到的灰度图，计算所述灰度图对应的一维信息熵，具体计算表达式如下：
[0018][0019]其中，
k
表示灰度值，
p
k
表示灰度图中灰度值为
k
的像素所占的比值；
[0020]S23.
选择一维信息熵最低的灰度图对应原始的手部静脉图像作为低质量训练图像，选择一维信息熵最高的手部静脉图像作为高质量的目标监督图像，利用所述低质量训练图像和目标监督图像构建包含低质量的手部静脉图像和高质量的手部静脉图像的图像样本对数据集，并利用手部静脉图像中剩余的未进行预处理的图像组成待增强数据集；其中所述图像样本对数据集用于对预设的手部静脉图像增强模型进行训练，所述待增强数据集用于输入训练好的手部静脉图像增强模型
。
[0021]优选地，所述手部静脉图像增强模型为
DRUNet
网络模型，在训练手部静脉图像增强模型时，训练过程使用总损失函数对手部静脉图像增强模型的网络参数进行优化，所述总损失函数包括均方误差损失函数
MSE
与负皮尔逊相关系数损失函数
NPCC
，均方误差损失函数
MSE
的计算表达式如下：
[0022][0023]其中，
W
表示输出图像的宽，
H
表示输出图像的高，，
Y
表示手部静脉图像增强模型的输出图像，
G
表示目标监督图像，
i
和
j
表示变量；
[0024]负皮尔逊相关系数损失函数
NPCC
的计算表达式如下：
[0025][0026]其中，表示手部静脉图像增强模型的输出图像的平均像素值，，表示目标监督图像的平均像素值；直至所述总损失函数收敛，手部静脉图像增强模型训练结束
。
[0027]优选地，所述手部静脉图像识别模型为
mobilenetV2
网络模型，所述特征提取结果为手部静脉图像的特征向量
。
[0028]优选地，所述利用所述特征提取结果进行人员的特征匹配，具体特征匹配过程包
括：
[0029]S61.
获取已注册人员静脉的特征向量的数据库；
[0030]S62.
将所述手部静脉图像的特征向量与数据库中已注册人员静脉的特征向量进行相似性度量；
[0031]S63.
通过比较相似性，识别出与所述手部静脉图像的特征向量相似性最高的已注册人员，将识别出的已注册人员作为人员识别结果
。
[0032]优选地，步骤
S62
所述进行相似性度量的方法为：采用欧式距离计算所述手部静脉图像的特征向量与数据库中已注册人员静脉的特征向量之间的相似性，与所述手部静脉图像的特征向量距离最近的已注册人员即为与所述手部静脉图像的特征向量相似性最高的已注册人员
。
[0033]本专利技术还提出了一种基于图像增强的手部静脉图像识别装置，所述装置包括：
[0034]图像获取模块，用于获取手部静脉图像；
[0035]预处理模块，预处理模块，对手部静脉图像进行预处理，分别得到包含低质量的手部静脉图像和高质量的手部静脉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像增强的手部静脉图像识别方法，其特征在于，包括以下步骤：
S1.
获取手部静脉图像；
S2.
对手部静脉图像进行预处理，分别得到包含低质量的手部静脉图像和高质量的手部静脉图像的图像样本对数据集以及待增强数据集；
S3.
利用所述图像样本对数据集对预设的手部静脉图像增强模型进行训练，得到训练好的手部静脉图像增强模型；
S4.
将所述待增强数据集输入训练好的手部静脉图像增强模型，输出增强数据集；
S5.
将所述增强数据集输入预训练的手部静脉图像识别模型，输出手部静脉图像的特征提取结果；
S6.
利用所述特征提取结果进行特征匹配，得到人员识别结果
。2.
根据权利要求1所述的基于图像增强的手部静脉图像识别方法，其特征在于，所述手部静脉图像包括掌静脉图像和指静脉图像，获取掌静脉图像和指静脉图像的方式为：利用摄像头分别对手掌和手指进行拍摄，得到掌静脉图像和指静脉图像
。3.
根据权利要求1所述的基于图像增强的手部静脉图像识别方法，其特征在于，所述对手部静脉图像进行预处理，具体包括：
S21.
将手部静脉图像中一定数量的图像转化为对应的灰度图；
S22.
利用
S21
得到的灰度图，计算所述灰度图对应的一维信息熵，具体计算表达式如下：其中，
k
表示灰度值，
p
k
表示灰度图中灰度值为
k
的像素所占的比值；
S23.
选择一维信息熵最低的灰度图对应原始的手部静脉图像作为低质量训练图像，选择一维信息熵最高的手部静脉图像作为高质量的目标监督图像，利用所述低质量训练图像和目标监督图像构建包含低质量的手部静脉图像和高质量的手部静脉图像的图像样本对数据集，并利用手部静脉图像中剩余的未进行预处理的图像组成待增强数据集；其中所述图像样本对数据集用于对预设的手部静脉图像增强模型进行训练，所述待增强数据集用于输入训练好的手部静脉图像增强模型
。4.
根据权利要求1所述的基于图像增强的手部静脉图像识别方法，其特征在于，所述手部静脉图像增强模型为
DRUNet
网络模型，在训练手部静脉图像增强模型时，训练过程使用总损失函数对手部静脉图像增强模型的网络参数进行优化，所述总损失函数包括均方误差损失函数
MSE
与负皮尔逊相关系数损失函数
NPCC
，均方误差损失函数
MSE
的计算表达式如下：其中，
W
表示输出图像的宽，
H
表示输出图像的高，，
Y
表示手部静脉图像增强模型的输出图像，
G
表示目标监督图像，
i

【专利技术属性】
技术研发人员：董延杰，曾香玉，
申请(专利权)人：广州脉泽科技有限公司，
类型：发明
国别省市：