本发明专利技术公开了一种指静脉识别训练方法、测试方法及相关装置，应用于图像处理领域，指静脉识别训练方法包括：获取多个指静脉图像训练集；获取轻量级多源域适应网络；将源域指静脉图像训练集输入源域分支进行预训练；将目标域指静脉图像训练集输入目标域分支进行预训练；将目标域指静脉图像训练集输入主干分支进行训练，并在主干分支训练过程中通过分支中间层特征迁移模块在主干分支进行特征迁移，得到迁移训练模型；通过域迁移损失转换器计算迁移训练模型完成训练时对应的域迁移损失；根据域迁移损失对主干分支进行优化，并将优化后的主干分支作为指静脉识别模型。该指静脉识别训练方法进一步改善了指静脉识别模型的识别能力和识别效率。识别效率。识别效率。
【技术实现步骤摘要】
指静脉识别训练方法、测试方法及相关装置
[0001]本专利技术涉及图像处理领域，尤其涉及一种指静脉识别训练方法、测试方法及相关装置。
技术介绍
[0002]随着人们对安全系统的需求不断增长，生物特征识别引起了越来越多的关注，并成为信息安全中最关键和最具挑战性的任务之一。其中，指静脉识别技术由于具有活体识别、防伪性强等特点，在信息安全、网络支付等领域得到了广泛的应用。相关技术中，指静脉识别技术的泛化能力较差，使得指静脉识别系统对于不同的使用者识别率有较大差异，极大程度地降低了指静脉识别系统的安全性。
技术实现思路
[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本申请实施例提供一种指静脉识别训练方法、测试方法及相关装置，能够提高指静脉识别技术的泛化能力，提高指静脉系统的识别能力。
[0004]第一方面，本专利技术提供一种指静脉识别训练方法，包括：
[0005]获取多个指静脉图像训练集，其中，多个所述指静脉图像训练集包括多个源域指静脉图像训练集和目标域指静脉图像训练集；
[0006]获取轻量级多源域适应网络，所述轻量级多源域适应网络包括多个源域分支、一个主干分支、一个目标域分支、分支中间层特征迁移模块和域迁移损失转换器；
[0007]将所述源域指静脉图像训练集输入所述源域分支进行预训练，得到第一特征数据；
[0008]将所述目标域指静脉图像训练集输入所述目标域分支进行预训练，得到第二特征数据；
[0009]将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型；
[0010]通过所述域迁移损失转换器计算基于所述迁移训练模型完成主干分支训练时对应的域迁移损失；
[0011]根据所述域迁移损失对所述主干分支进行优化，并基于优化后的主干分支，得到指静脉识别模型。
[0012]根据本专利技术第一方面提供的指静脉识别训练方法，至少具有如下有益效果：该指静脉识别训练方法获取指静脉图像训练集，指静脉图像训练集包括多张指静脉训练图像，可用于对指静脉识别模型进行训练；根据获取到的轻量级多源域适应网络对指静脉识别模型进行训练，轻量级源域适应网络包括多个源域分支、一个主干分支、一个目标域分支、分支中间层特征迁移模块和域迁移损失转换器，将源域指静脉图像训练集输入源域分支进行
预训练，将目标域指静脉图像训练集输入所述目标域分支进行预训练，使得源域分支和目标域分支的性能达到最佳，接着，通过分支中间层特征迁移模块和域迁移损失转换器对主干分支进行优化，使得主干分支的性能得到改善，得到指静脉识别模型，该指静脉识别训练方法提高了指静脉识别技术的泛化能力，提升了指静脉识别模型对于目标域图像的提取效果，进一步改善了指静脉识别模型的识别能力和识别效率，提升了用户的使用体验。
[0013]根据本专利技术的一些实施例，所述第一特征数据和所述第二特征数据均包括多个特征图；所述将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型，包括：
[0014]从所述第一特征数据、所述第二特征数据中分别获取中间层特征图，其中，所述中间层特征图为对应的多个所述特征图中至少之一；
[0015]将所述中间层特征图通过转换器或回归函数与所述主干分支中待迁移的特征图对齐；
[0016]根据对齐后的所述中间层特征图，计算所述源域分支与所述目标域分支的特征迁移损失；
[0017]调整所述源域分支与所述目标域分支的特征迁移损失的损失系数，得到所述分支中间层特征迁移模块的特征迁移损失；
[0018]根据所述分支中间层特征迁移模块的特征迁移损失，缩小所述主干分支中待迁移的特征图和所述中间层特征图的特征相似性的距离度量，以使所述主干分支的待迁移的特征图的特征分布趋近于所述源域分支和所述目标域分支，并得到迁移训练模型。
[0019]根据本专利技术的一些实施例，所述通过域迁移损失转换器计算所述迁移训练模型完成训练时对应的域迁移损失，包括：
[0020]将所述源域分支输出的第一汇总分值和所述主干分支输出的第二汇总分值通过源域分支损失转换器进行蒸馏，得到vanilla KD损失，其中，所述源域分支损失转换器为所述域迁移损失转换器之一；
[0021]计算所述源域分支的输出图像与指静脉标签的相似度，其中，所述指静脉标签为预先设定的指静脉图像；
[0022]将所述相似度与所述vanilla KD损失进行加权运算，得到源域损失函数；
[0023]基于目标域分支损失转换器，根据所述目标域分支输出的第三汇总分值、输出图像和所述第二汇总分值，得到目标域损失函数，其中，所述目标域分支损失转换器为所述域迁移损失转换器之一；
[0024]对所述源域损失函数和所述目标域损失函数进行损失系数调整，确定中间损失；
[0025]将所述中间损失与所述主干分支的监督损失进行加权运算，得到域迁移损失。
[0026]根据本专利技术的一些实施例，所述将所述中间损失与所述主干分支的监督损失进行加权运算，得到域迁移损失之前，所述方法还包括：
[0027]获取第一类别向量和第二类别向量，其中，所述第一类别向量为所述源域分支和所述目标域分支的类别向量，所述第二类别向量为所述主干分支中所有类别向量的平均值；
[0028]计算所述第一类别向量和所述第二类别向量的交叉熵损失，并将计算结果作为所
述主干分支的监督损失。
[0029]根据本专利技术的一些实施例，所述将所述指静脉图像训练集通过轻量级多源域适应网络，得到训练好的指静脉识别模型之前，包括如下至少之一：
[0030]对所述指静脉图像训练集进行边缘检测并去除伪边缘；
[0031]对去除伪边缘后的所述指静脉图像训练集进行中线拟合、旋转矫正，以统一所述指静脉图像训练集中手指的角度；
[0032]对中线拟合、旋转矫正后的所述指静脉图像训练集进行黑色填充并截取手指内切区域；
[0033]根据截取手指内切区域后的所述指静脉图像训练集，寻找指骨关节位置；
[0034]根据所述指骨关节位置，截取所述指静脉图像训练集的感兴趣区域，并将所述感兴趣区域更新为所述指静脉图像训练集。
[0035]根据本专利技术的一些实施例，所述源域分支和所述目标域分支均为SGUnetV1网络架构，其中，所述SGUnetV1网络架构包括五层编码器与四层解码器。
[0036]根据本专利技术的一些实施例，所述主干分支为所述SGUnetV1网络架构去除通道数最多的两层编码器和两层解码器后的网络架构。
[0037]第二方面，本专利技术提供一种指静脉识别测试方法，包括：
[0038]获取指静脉测试图像以及获取指静脉识别模型，其中，所述指静本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种指静脉识别训练方法，其特征在于，包括：获取多个指静脉图像训练集，其中，多个所述指静脉图像训练集包括多个源域指静脉图像训练集和目标域指静脉图像训练集；获取轻量级多源域适应网络，所述轻量级多源域适应网络包括多个源域分支、一个主干分支、一个目标域分支、分支中间层特征迁移模块和域迁移损失转换器；将所述源域指静脉图像训练集输入所述源域分支进行预训练，得到第一特征数据；将所述目标域指静脉图像训练集输入所述目标域分支进行预训练，得到第二特征数据；将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型；通过所述域迁移损失转换器计算基于所述迁移训练模型完成主干分支训练时对应的域迁移损失；根据所述域迁移损失对所述主干分支进行优化，并基于优化后的主干分支，得到指静脉识别模型。2.根据权利要求1所述的指静脉识别训练方法，其特征在于，所述第一特征数据和所述第二特征数据均包括多个特征图；所述将所述目标域指静脉图像训练集输入所述主干分支进行训练，并在所述主干分支训练过程中通过所述分支中间层特征迁移模块在所述主干分支对所述第一特征数据、所述第二特征数据进行特征迁移，得到迁移训练模型，包括：从所述第一特征数据、所述第二特征数据中分别获取中间层特征图，其中，所述中间层特征图为对应的多个所述特征图中至少之一；将所述中间层特征图通过转换器或回归函数与所述主干分支中待迁移的特征图对齐；根据对齐后的所述中间层特征图，计算所述源域分支与所述目标域分支的特征迁移损失；调整所述源域分支与所述目标域分支的特征迁移损失的损失系数，得到所述分支中间层特征迁移模块的特征迁移损失；根据所述分支中间层特征迁移模块的特征迁移损失，缩小所述主干分支中待迁移的特征图和所述中间层特征图的特征相似性的距离度量，以使所述主干分支的待迁移的特征图的特征分布趋近于所述源域分支和所述目标域分支，并得到迁移训练模型。3.根据权利要求1所述的指静脉识别训练方法，其特征在于，所述通过域迁移损失转换器计算所述迁移训练模型完成训练时对应的域迁移损失，包括：将所述源域分支输出的第一汇总分值和所述主干分支输出的第二汇总分值通过源域分支损失转换器进行蒸馏，得到vanilla KD损失，其中，所述源域分支损失转换器为所述域迁移损失转换器之一；计算所述源域分支的输出图像与指静脉标签的相似度，其中，所述指静脉标签为预先设定的指静脉图像；将所述相似度与所述vanilla KD损失进行加权运算，得到源域损失函数；基于目标域分支损失转换器，根据所述目标域分支输出的第三汇总分值、输出图像和所述第二汇总分值，得到...
【专利技术属性】
技术研发人员：曾军英，陈宇聪，秦传波，林惜华，王迎波，朱京明，田慧明，顾亚谨，
申请(专利权)人：五邑大学，
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。