一种基于CNN的指静脉身份验证方法技术

本发明专利技术公开了一种基于CNN的指静脉身份验证方法，包括下述步骤：1)数据采集及处理：使用公开数据集或者自行采集若干指静脉图像，并随机使用旋转、平移和裁剪的操作对所获取指静脉数据集的图像数据进行扩增；2)构建CNN网络并对CNN网络进行训练；3)注册阶段：对于每根手指采集若干幅指静脉图片，提取出其ROI区域并进行归一化处理，然后使用步骤2)中训练完成的CNN网络计算出其特征向量并存储下来；4)验证阶段：再以步骤3)的方式采集指静脉图片并计算其特征向量，然后计算该特征向量与数据库中每一特征向量的距离，并依据距离判断其是否对应同一根手指。本发明专利技术所应用的匹配方式简单易行，系统性能相比传统方法有很大提高。

An authentication method of finger vein based on CNN

The invention discloses a finger vein authentication method based on CNN, including the following steps: 1) data acquisition and processing: using an open data set or collecting a number of finger vein images, and randomly using rotation, translation and cutting operations to amplify the image data of the acquired venous data set; and 2) construction of the CNN net. Collaterals and CNN network training; 3) registration phase: collect several finger vein pictures for each finger, extract its ROI area and normalize it, then use step 2) to calculate its feature vector and store it in the trained CNN network; 4) check the finger vein picture in step 3). The eigenvector is calculated and the distance between the eigenvector and each feature vector in the database is calculated, and the same finger is judged according to the distance. The matching method used in the invention is simple and feasible, and the system performance is greatly improved compared with the traditional method.

【技术实现步骤摘要】
一种基于CNN的指静脉身份验证方法
本专利技术涉及生物特征识别领域，特别涉及一种基于CNN的指静脉身份验证方法。
技术介绍
随着信息技术的不断发展，当代社会对信息安全的要求越来越高，人们迫切需要一种更加安全可靠的身份认证方式来保障自己的信息安全。相比于传统的身份认证方式，即基于密码等的方式，基于生物特征的身份验证方法具有更突出的便利性与安全性，因此具有广泛的应用前景。目前，应用比较广泛的生物特征识别方式有人脸识别和指纹识别等，它们主要应用在了门禁系统、ATM系统、安防监控系统等领域。相比于人脸识别和指纹识别等方式，指静脉由于其处于人体皮肤表皮之下，不会像指纹一样受到皮肤表面磨损等影响，同时也不容易被窃取与伪造，因此具有更高的安全性。当前的指静脉识别算法，大体可以分为以下几类：基于指静脉纹路的方法、基于局部不变特征的方法、基于指静脉纹理特征的方法。基于指静脉纹路的方法主要是从预处理后的指静脉图像中提取出包含指静脉纹路的二值图像，通过比对两幅指静脉图像的纹路来判断其是否对应同一根手指。基于指静脉纹路的方法可以充分利用指静脉图像中纹路的方向、宽度和空间信息，但是由于采集设备限制而导致的图像质量问题，以及手指旋转平移导致的纹路偏差问题等因素，该方法在最终效果上总体较差。基于局部不变特征的方法主要是从指静脉图像上检测局部不变特征点，然后利用局部不变特征描述方法对其进行表征并匹配，通过匹配分数来判断两幅指静脉图像是否对应同一根手指，典型的方法有基于SIFT的方法。这种方法在一定程度上可以克服平移和旋转问题，但是由于指静脉图像通常较为模糊，因此较难获得稳定的特征点，从而使得算法的性能及应用场景受限。基于指静脉纹理特征的方法是当前指静脉识别领域的主流方法，它主要是通过统计指静脉图像中的灰度变化信息来获取特征，并最终将该特征用于匹配，其使用的典型特征包括LBP、WLD、HOG等。该方法较有效地表征了指静脉纹理引起的图像灰度变化情况，同时在实际使用中可以通过分块提取特征，在一定程度上保留空间结构信息。但是总的来说，这些特征提取方法都是人工设计的，特征的表达能力仍然不够强，在指静脉图像出现稍大的旋转平移时，性能会迅速下降。以上提及的传统方法，大都是基于人手工设计的特征，其表征能力总体较差，因此系统鲁棒性不够。近年来，由于数据量的增大及硬件性能的提升，深度学习这种可以自动地从大量图像中学习和提取特征的方法逐渐受到了人们的重视，并在如物体识别、目标检测、人脸识别等一系列领域取得了重大突破。由于指静脉识别领域数据集较小，难以满足深度学习对训练数据量的需求，从而使得深度学习在指静脉识别领域上的应用受到了限制。
技术实现思路
本专利技术的目的在于克服现有技术的缺点和不足，提供一种基于CNN的指静脉身份验证方法。为了实现上述专利技术目的，采用的技术方案如下：一种基于CNN的指静脉身份验证方法，包括下述步骤：1)数据采集及处理：使用公开数据集或者自行采集若干指静脉图像，并随机使用旋转、平移和裁剪的操作对所获取指静脉数据集的图像数据进行扩增；2)构建CNN网络并对CNN网络进行训练：所述CNN网络包括基础网络和延伸网络，所述基础网络用于提取指静脉图像的基础特征，所述延伸网络用于CNN网络更好地适配于指静脉识别的任务；对CNN网络进行训练包括：搭建训练CNN网络所需的网络架构，建立训练样本对并利用损失函数分阶段进行CNN网络训练；3)注册阶段：对于每根手指采集若干幅指静脉图片，提取出其ROI区域并进行归一化处理，然后利用步骤2)中训练完成的CNN网络计算出指静脉图像的特征向量并存储到数据库中；4)验证阶段：再以步骤3)的方式采集指静脉图片并计算其特征向量，然后计算该特征向量与数据库中每一特征向量的欧式距离，并依据欧式距离判断其是否对应同一根手指。作为优选的技术方案：步骤1)还包括，对所获取指静脉数据集的图像数据进行扩增之后，将所获取指静脉数据集中的每一张图片归一化为64*128分辨率大小。作为优选的技术方案：在步骤2)中，所述基础网络由在ImageNet数据集上预训练的ResNet50网络的前10层构成；所述延伸网络在基础网络之上，添加14个网络层。作为优选的技术方案：所述延伸网络的第1、3、6、8层为卷积层，所述第1、6层使用了1*1大小的卷积核，分别有128、192个滤波器；所述第3、8层使用了3*3大小的卷积核，分别有256和384个滤波器；所述延伸网络的第2、4、7、9、13层为BatchNormalization层；所述延伸网络的第5、10层为池化层；所述延伸网络的第11、14层为全连接层，所述第11层有256个神经元，所述第14层的神经元数量与训练数据中的类别数相同；所述延伸网络的第12层为L2Normalize层；所述延伸网络在第1、3、6、8、12层后使用了PReLU激活函数，在第5、10、13层后使用了dropout技术，在第14层后使用了softmax函数获取CNN网络输出的类别概率分布。作为优选的技术方案：在步骤2)中，所述搭建训练CNN网络所需的网络架构为Siamese网络架构，所述Siamese网络架构将构建的CNN网络复制为两个分支，两个分支的CNN网络参数是一样的，在进行CNN网络训练时输入的是成对的指静脉图片即样本对。作为优选的技术方案：在步骤2)中的所述建立训练样本包括下述内容：对训练数据集中的每一张指静脉图片，在同类图片中随机选取两张指静脉图片与其组建正样本对，所述同类图片为同一根手指的指静脉图片，同时在其他类别图片中随机选取两张指静脉图片与其组建负样本对，所述其他类别图片为不同手指的指静脉图片，合并正负样本对作为最终的训练样本对；该选取过程将在每个batch的训练阶段结束时重新进行；此外在训练过程中，每500次迭代保存一次CNN网络参数。作为优选的技术方案：在步骤2)中，所述损失函数包括分类损失和验证损失，所述分类损失用于将样本对中不同类别的个体区分开来，其数学形式为：其中n表示每个mini-batch中样本数量；yi表示CNN网络输出的样本属于真实类别的概率；i表示样本在一个mini-batch中的编号。所述验证损失，用于减小同类样本对特征向量间的距离并扩大不同类样本对特征向量间的距离；对于单个样本对的情况，验证损失的数学形式如下：VLi＝yi*max(0,d-mpull)2+(1-yi)*max(0,mpush-d)2其中，yi表示该样本对的类别，若为同类样本对则取1，不同类样本对则取0；mpull代表类内样本对的距离阈值，mpush代表类间样本对的距离阈值；d表示样本对特征向量间的欧式距离；在计算最终损失时，只挑选难分的样本对，即没有满足约束距离的样本，完整的验证损失公式如下：最终的损失函数J结合分类损失和验证损失，如下式所示：其中，λ1和λ2分别表示分类损失和验证损失的权重比例，j表示样本在一个样本对中的编号。作为优选的技术方案：在步骤2)中，所述训练CNN网络包括三个训练阶段，分别为训练阶段一、训练阶段二和训练阶段三；在所述训练阶段一，固定基础网络的权值，使用分类损失训练延伸网络部分的权值，学习率为0.01；在所述训练阶段二，固定基础网络的权值，使用分类损失和验证损失共同训练延伸网络部分的权值，本文档来自技高网...

【技术保护点】
一种基于CNN的指静脉身份验证方法，其特征在于，包括下述步骤：1)数据采集及处理：使用公开数据集或者自行采集若干指静脉图像，并随机使用旋转、平移和裁剪的操作对所获取指静脉数据集的图像数据进行扩增；2)构建CNN网络并对CNN网络进行训练：所述CNN网络包括基础网络和延伸网络，所述基础网络用于提取指静脉图像的基础特征，所述延伸网络用于CNN网络更好地适配于指静脉识别的任务；对CNN网络进行训练包括：搭建训练CNN网络所需的网络架构，建立训练样本对并利用损失函数分阶段进行CNN网络训练；3)注册阶段：对于每根手指采集若干幅指静脉图片，提取出其ROI区域并进行归一化处理，然后利用步骤2)中训练完成的CNN网络计算出指静脉图像的特征向量并存储到数据库中；4)验证阶段：再以步骤3)的方式采集指静脉图片并计算其特征向量，然后计算该特征向量与数据库中每一特征向量的欧式距离，并依据欧式距离判断其是否对应同一根手指。

【技术特征摘要】
1.一种基于CNN的指静脉身份验证方法，其特征在于，包括下述步骤：1)数据采集及处理：使用公开数据集或者自行采集若干指静脉图像，并随机使用旋转、平移和裁剪的操作对所获取指静脉数据集的图像数据进行扩增；2)构建CNN网络并对CNN网络进行训练：所述CNN网络包括基础网络和延伸网络，所述基础网络用于提取指静脉图像的基础特征，所述延伸网络用于CNN网络更好地适配于指静脉识别的任务；对CNN网络进行训练包括：搭建训练CNN网络所需的网络架构，建立训练样本对并利用损失函数分阶段进行CNN网络训练；3)注册阶段：对于每根手指采集若干幅指静脉图片，提取出其ROI区域并进行归一化处理，然后利用步骤2)中训练完成的CNN网络计算出指静脉图像的特征向量并存储到数据库中；4)验证阶段：再以步骤3)的方式采集指静脉图片并计算其特征向量，然后计算该特征向量与数据库中每一特征向量的欧式距离，并依据欧式距离判断其是否对应同一根手指。2.根据权利要求1所述的基于CNN的指静脉身份验证方法，其特征在于，步骤1)还包括，对所获取指静脉数据集的图像数据进行扩增之后，将所获取指静脉数据集中的每一张图片归一化为64*128分辨率大小。3.根据权利要求1所述的基于CNN的指静脉身份验证方法，其特征在于，在步骤2)中，所述基础网络由在ImageNet数据集上预训练的ResNet50网络的前10层构成；所述延伸网络在基础网络之上，添加14个网络层。4.根据权利要求3所述的基于CNN的指静脉身份验证方法，其特征在于，所述延伸网络的第1、3、6、8层为卷积层，所述第1、6层使用了1*1大小的卷积核，分别有128、192个滤波器；所述第3、8层使用了3*3大小的卷积核，分别有256和384个滤波器；所述延伸网络的第2、4、7、9、13层为BatchNormalization层；所述延伸网络的第5、10层为池化层；所述延伸网络的第11、14层为全连接层，所述第11层有256个神经元，所述第14层的神经元数量与训练数据中的类别数相同；所述延伸网络的第12层为L2Normalize层；所述延伸网络在第1、3、6、8、12层后使用了PReLU激活函数，在第5、10、13层后使用了dropout技术，在第14层后使用了softmax函数获取CNN网络输出的类别概率分布。5.根据权利要求1所述的基于CNN的指静脉身份验证方法，其特征在于，在步骤2)中，所述搭建训练CNN网络所需的网络架构为Siamese网络架构，所述Siamese网络架构将构建的CNN网络复制为两个分支，两个分支的CNN网络参数是一样的，在进行CNN网络训练时输入的是成对的指静脉图片即样本对。6.根据权利要求1所述的基于CNN的指静脉身份验证方法，其特征在于，在步骤2)中的所述建立训练样本对包括下述内容：对训练数据集中的每一张指静脉图片，在同类图片中随机选取两张指静脉图片与其组建正样本对，所述同类图片为同一根手指的指静脉图片，同时在其他类别图片中随机选取两张指静脉图片与其组建负样本对，所述其他类别图片为不同手指的指静脉图片，合并正负样本对作为最终的训练样本对；该选取过程将在每个batch的训练阶段结束时重新进行；此外在训练过程中，每500次迭代保存一次CNN网络参数。7.根据权利要求1所述的基于CNN的指静脉身份验证方法，其特征在于，在步骤2)中，所述损失函数包括分类损失和验证损失，所述分类损失用于将样本对中不同类别的个体区分开来，其数学形式为：其中n表示每个mini-batch中样本数量；yi表示CNN网络输出的样本属于真实类...

【专利技术属性】
技术研发人员：唐溯，康文雄，邓飞其，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44