【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法。
技术介绍
1、在现有掌纹或掌静脉识别装置中，大多都是分别采集掌纹和掌静脉图像，再分别采用单网络进行特征提取后进行特征匹配；采用此种方式进行特征匹配，一方面采集匹配效率低下，另一方面，掌静脉识别的安全性较低；
2、为此，提出一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
2、本专利技术实施例的技术方案是这样实现的：
3、一方面，本专利技术提供了一种单幅近红外手掌图像的掌静掌纹特征融合识别方法，包括以下步骤：
4、采集近红外手掌图像；
5、采用掌静脉图像增强方法对所述手掌图像进行处理，得到掌静脉图像；
6、采用掌纹图像增强方法对所述手掌图像进行处理，得到掌纹图像；
7、将所述掌静脉图像输入预训练的掌静脉特征提取网络；
8、将所述掌纹图像输入预训练的掌纹特征提取网络；
9、将所述掌静脉掌纹特征进行融合并输入融合特征提取网络进行特征再提取，得到再提取融合特征；
10、将所述再提取融合特征进行匹配得到匹配结果。
11、在一些实施例中：所述掌静脉图像增强方法包括以下步骤：
12、定义采集到的近红外
13、img0取反，采用255减去img0的像素值得到反色图像img1；
14、采用低通滤波器对反色图像img1处理后，得到钝化图像img2；
15、采用反色图像img1的像素值减去钝化图像img2的像素值得到高频图像，再乘以w得到高频放大的高频图像img3，w为放大系数；
16、采用钝化图像img2的像素值加上高频图像img3的像素值得到高频为掌静脉纹路的反色图像img4；
17、反色图像img4取反，采用255减去反色图像img4的像素值得到掌静脉纹路增强图像img5。
18、在一些实施例中：所述掌纹图像增强方法包括以下步骤：
19、定义采集到的近红外手掌图像为img0；
20、img0通过低通滤波器处理得到钝化图像img6；
21、采用边缘检测算子对img0处理，img0通过边缘检测得到掌纹纹路图像img7；
22、高频图像img8＝w＊(img7－min(img7))，img7像素值减去img7像素的最小值，再乘以w，增强梯度大的边缘，抑制梯度小的边缘，w为放大系数；
23、img9＝img6+img8，img6和img8的像素值相加得到掌纹纹路增强图像img9。
24、在一些实施例中：所述掌静脉掌纹特征融合方法采用加权融合的方式。
25、在一些实施例中：所述掌静脉掌纹特征提取网络训练时，包括以下步骤：
26、获取红外手掌图像分别做掌静脉和掌纹图像增强，并分别保存；
27、掌静脉增强图像输入掌静脉特征提取网络network1，得到掌静脉特征feature1；
28、掌纹增强图像输入掌纹特征提取网络network2，得到掌纹特征feature2；
29、将feature1＊w1+feature2＊w2加权融合特征输入融合特征提取网络network3，得到融合特征feature3；
30、将feature3输入全连接层并计算损失值loss；
31、将loss做反向传播并更新参数。
32、在一些实施例中：所述训练过程分三次进行：
33、第一次：冻结network2参数，w1置为1，w2置为0，训练network1和network3；
34、第二次：冻结network1参数，w1置为0，w2置为1，训练network2和network3；
35、第三次：冻结network1和network2参数，w1和w2置为1/2，训练network3；
36、所述feature1和feature2为多通道特征图，形状相同；
37、所述feature3为512维度向量。
38、在一些实施例中：所述掌静脉掌纹特征融合识别流程包括以下步骤：
39、获取红外手掌图像，做图像增强得到掌静脉和掌纹增强图像；
40、掌静脉增强图像输入掌静脉特征提取网络network1，得到掌纹特征feature1；
41、掌纹增强图像输入掌纹特征提取网络network2，得到掌纹特征feature2；
42、将feature1＊w1+feature2＊w2加权融合特征输入融合特征提取网络network3，得到掌纹特征feature3；
43、将掌纹特征feature3与保存的特征进行比对，比对通过则识别通过，所述比对方法为计算掌纹特征feature3已保存特征的欧式距离。
44、另一方面，本专利技术还提供了一种单幅近红外手掌图像的掌静脉掌纹特征融合识别系统，包括：
45、采集模块，用于采集近红外手掌图像；
46、图像处理模块，用于采用掌静脉图像增强方法对所述手掌图像进行处理，得到掌静脉图像，并采用掌纹图像增强方法对所述手掌图像进行处理，得到掌纹图像；
47、特征融合模块，用于通过掌纹特征提取网络将所述掌静脉掌纹特征进行融合，并输入融合特征提取网络进行特征再提取，得到再提取融合特征；
48、匹配模块，用于将所述再提取融合特征进行匹配得到匹配结果。
49、另一方面，本专利技术还提供了一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述所述的单幅近红外手掌图像的掌静脉掌纹特征融合识别方法的步骤。
50、另一方面，本专利技术还提供了一种存储介质，存储有能够实现如上述所述的单幅近红外手掌图像的掌静脉掌纹特征融合识别方法的程序指令。
51、本专利技术实施例由于采用以上技术方案，其具有以下优点：
52、本专利技术通过采用不同的图像增强算法得到掌静脉和掌纹图像，再采用双特征提取网络分别提取特征后再进一步提取融合特征，这样可以有效利用单幅手掌图像的掌静脉和掌纹信息，也进一步提升了掌静脉识别的安全性。
53、上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本专利技术进一步的方面、实施方式和特征将会是容易明白的。
本文档来自技高网...【技术保护点】
1.一种单幅近红外手掌图像的掌静掌纹特征融合识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉图像增强方法包括以下步骤：
3.根据权利要求2所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌纹图像增强方法包括以下步骤：
4.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉掌纹特征融合方法采用加权融合的方式。
5.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉掌纹特征提取网络训练时，包括以下步骤：
6.根据权利要求5所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：
7.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉掌纹特征融合识别流程包括以下步骤：
8.一种单幅近红外手掌图像的掌静脉掌纹特征融合识别系统，其特征在于，包括：>
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1－7中任一项权利要求所述的单幅近红外手掌图像的掌静脉掌纹特征融合识别方法的步骤。
10.一种存储介质，其特征在于，存储有能够实现如权利要求1－7中任一项所述的单幅近红外手掌图像的掌静脉掌纹特征融合识别方法的程序指令。
...【技术特征摘要】
1.一种单幅近红外手掌图像的掌静掌纹特征融合识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉图像增强方法包括以下步骤：
3.根据权利要求2所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌纹图像增强方法包括以下步骤：
4.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉掌纹特征融合方法采用加权融合的方式。
5.根据权利要求1所述的一种单幅近红外手掌图像的掌静脉掌纹特征融合识别方法，其特征在于：所述掌静脉掌纹特征提取网络训练时，包括以下步骤：
6.根据权利要求5所述的一种单幅近红...
【专利技术属性】
技术研发人员：陈建昌，
申请(专利权)人：广州微盾科技股份有限公司，
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。