【技术实现步骤摘要】
本专利技术属于手指静脉识别领域，特别是涉及一种基于分块联邦学习的手指静脉识别方法。
技术介绍
1、随着深度学习技术的发展，基于深度学习的手指静脉识别已经取得了一系列的突破，并逐渐应用于各个领域。现有的手指静脉识别研究通常在本地任务下进行，即所有测试集的图像都在训练集中出现过，每次预测也是将识别问题转化为分类问题。但是在实际应用中，将已经训练好的手指静脉识别系统部署在分布式场景时，新注册用户通常不会出现在原始模型的训练集中。因为深度学习算法泛化能力的不足，现有的基于深度学习的指静脉识别方法很难满足不断变化和开放的分布式场景的识别需求。
2、为了提升手指静脉识别系统在分布式场景下的鲁棒性，研究人员提出了许多方法，主要分为：1)提出特征提取能力更强的网络结构，如mobilenetv3，ghostnet，affnet等；2)使用尽可能多的训练数据，如收集尽可能多的手指静脉数据训练一个性能较好的识别模型；3)通过学习新用户的注册数据来微调模型，如迁移学习，元学习。上述方案在一定程度上提升了手指静脉识别系统在分布式场景下的识别性能，但依旧难以满足人们在实际应用中对手指静脉识别系统高性能和高安全的需求。特别是学习新用户数据的方法，使用不同设备间的用户数据来训练模型，虽然能获得比较好的识别性能，但这种操作会导致本地用户的手指静脉数据被传播到其他设备，增加了用户静脉特征泄露的风险，考虑到静脉特征的唯一性，一旦泄露，将存在严重的安全隐患。甚至一些地区和政府通过法律来禁止上述操作，以保证用户的个人信息安全。
3、如何在分布式场
技术实现思路
1、本专利技术的目的是提供一种基于分块联邦学习的手指静脉识别方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于分块联邦学习的手指静脉识别方法，包括：
3、步骤一：通过中央服务器初始化联邦学习训练环境，生成初始手指静脉识别全局模型并设定训练轮次规定值；
4、步骤二：利用所述中央服务器对所述初始手指静脉识别全局模型中各模块进行预训练，得到预训练后的全局特征提取模块和预训练后的个性化模块，并下发给若干客户端；
5、步骤三：通过所述客户端对预训练后的各模块进行训练，得到更新后的全局特征提取模块和更新后的个性化模块；
6、步骤四：所述客户端对所述更新后的个性化模块进行单独训练，得到单独训练后的个性化模块并保存在所述客户端中；
7、步骤五：所述客户端将所述更新后的全局特征提取模块发送给所述中央服务器端进行加权平均计算；
8、步骤六：通过所述中央服务器对当前训练轮次是否达到所述设定训练轮次的规定值进行判断，若所述当前训练轮次达到所述训练轮次规定值，则训练结束，将加权平均计算后的全局特征提取模块发送给客户端并通知客户端停止训练，利用所述单独训练后的个性化模块和所述加权平均计算后的全局特征提取模块进行手指静脉识别；
9、若所述当前训练轮次未达到所述训练轮次规定值，则跳转到步骤二。
10、可选的，利用所述中央服务器对所述初始手指静脉识别全局模型中各模块进行预训练，具体包括：
11、获取所述中央服务器的本地数据，基于所述中央服务器的本地数据对所述初始手指静脉识别全局模型中的全局特征提取模块和个性化模块进行预训练。
12、可选的，得到预训练后的全局特征提取模块和预训练后的个性化模块，并下发给若干客户端，具体包括：
13、在所述中央服务器将预训练后的各模块下发到所述客户端的过程中，
14、所述中央服务器在第一轮训练过程中将预训练后的全局特征提取模块和预训练后的个性化模块下发给客户端，所述中央服务器在后续轮次训练过程中仅将预训练后的全局特征提取模块下发给客户端。
15、可选的，通过所述客户端对预训练后的各模块进行训练，得到更新后的全局特征提取模块和更新后的个性化模块，具体计算过程包括：
16、获取客户端本地数据si，基于所述客户端本地数据si和损失函数l对预训练后的各模块进行训练；
17、对预训练后的各模块进行训练的计算公式为：
18、
19、
20、式中，θba为预训练后的全局特征提取模块，θpe为预训练后的个性化模块，si为客户端本地数据，l为损失函数，为客户端本地数据的数量，f为手指静脉识别网络，γ为超参数，η为学习率，为更新后的个性化模块，为更新后的全局特征提取模块。
21、可选的，所述客户端对所述更新后的个性化模块进行单独训练，具体计算公式包括：
22、
23、
24、式中，为更新后的个性化模块，为单独训练后的个性化模块，si为客户端本地数据，l为损失函数，为客户端本地数据的数量，f为手指静脉识别网络，η为学习率，为更新后的全局特征提取模块。
25、可选的，所述客户端将所述更新后的全局特征提取模块发送给所述中央服务器端进行加权平均计算，具体计算公式包括：
26、
27、式中，k为参与服务器更新的客户端数量，为客户端本地数据的数量，n为参与服务器更新的客户端数据的数量，为加权平均计算后全局特征提取模块，为更新后的全局特征提取模块。
28、本专利技术的技术效果为：
29、本专利技术提供的一种基于分块联邦学习的手指静脉识别方法不仅能赋予识别模型可持续学习的能力，提升识别系统在终端设备下的性能，还能有效保护用户静脉模板的隐私。
30、本专利技术为手指静脉识别而设计，考虑到将手指静脉识别系统部署在分布式场景时，终端用户存在很大的不确定性，设计一个分模块优化策略。
31、基于联邦学习的指静脉识别框架fvrfl，该框架不需要将用户的静脉信息发送到终端以外的设备上，通过聚合的方式从多个终端设备上学习新注册用户的指静脉的显著特征，从而实现在保证终端设备用户指静脉信息隐私时，不断地优化识别模型，保证了分布式场景下高效运行手指静脉识别系统。
32、本专利技术提出的分块优化策略将网络拆分为全局特征提取模块和个性化模块，通过为每个客户端优化个性化模块的方式，来有效学习不同终端设备的静脉特征，从而对不同终端进行个性化的模型优化，提高终端设备的识别性能。为两个模块设计了不同的目标函数，在训练全局特征提取模块时注重局部模型和全局模型的距离，以预防模型在更新时陷入局部最优；在训练个性化模块时注重客户端用户的特征差异。
本文档来自技高网...【技术保护点】
1.一种基于分块联邦学习的手指静脉识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，利用所述中央服务器对所述初始手指静脉识别全局模型中各模块进行预训练，具体包括：
3.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，得到预训练后的全局特征提取模块和预训练后的个性化模块，并下发给若干客户端，具体包括：
4.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，通过所述客户端对预训练后的各模块进行训练，得到更新后的全局特征提取模块和更新后的个性化模块，具体计算过程包括：
5.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，所述客户端对所述更新后的个性化模块进行单独训练，具体计算公式包括：
6.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，所述客户端将所述更新后的全局特征提取模块发送给所述中央服务器端进行加权平均计算，具体计算公式包括：
【技术特征摘要】
1.一种基于分块联邦学习的手指静脉识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，利用所述中央服务器对所述初始手指静脉识别全局模型中各模块进行预训练，具体包括：
3.根据权利要求1所述的一种基于分块联邦学习的手指静脉识别方法，其特征在于，得到预训练后的全局特征提取模块和预训练后的个性化模块，并下发给若干客户端，具体包括：
4.根据权利要求1所述的一种基于分块联邦学习的手指静脉识...
【专利技术属性】
技术研发人员：业巧林，任恒毅，林小钰，胡楚婷，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。