一种基于Gabor-Siamese网络的静脉识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于Gabor

【技术实现步骤摘要】
一种基于Gabor
‑
Siamese网络的静脉识别方法及装置


[0001]本专利技术涉及生物识别
，具体是一种基于Gabor
‑
Siamese网络的静脉识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]随身携带、不易遗忘、高防伪的静脉特征识别技术成了保障个人信息安全的重要技术。
[0003]静脉的生物特征主要在于静脉的纹路特征，静脉图像的获取原理是通过近红外相机对手部进行照射，静脉中的脱氧血红蛋白会吸收近红外光，而近红外光会穿过手部其他组织。因此整个静脉图像产生一个灰度差，静脉区域较暗而其他区域较亮，所以就获得了手部的静脉特征。在经过一系列处理提取每个人静脉的静脉特征来作为生物识别的依据。
[0004]现有的手部静脉识别主要采用传统算法实现，如专利CN201810960168.5《一种手指静脉识别系统》主要采用传统的算法实现。除了传统的静脉识别算法也有利用卷积神经网络的静脉识别算法，如专利CN202011407380.2《一种基于卷积神经网络的SIFT算法的手指静脉识别方法及系统》提出了一种融合静脉SIFT和卷积神经网络的静脉识别方法。
[0005]虽然静脉识别已经经过很多年的发展，得到了不小的进步。但是仍存在一系列问题，比如采集设备还不够便捷，采集过程易受环境光线的影响，采集的图像容易受噪声的影响，用户的采集习惯会影响到识别效果。

技术实现思路

[0006]针对上述现有技术中的不足，本专利技术提供一种基于Gabor
>‑
Siamese网络的静脉识别方法及装置，利用静脉采集设备采集到手部静脉图像，然后进行静脉特征的识别并作为身份认证的依据。
[0007]为实现上述目的，本专利技术提供一种基于Gabor
‑
Siamese网络的静脉识别方法，包括如下步骤：
[0008]步骤1，采集手部静脉图像；
[0009]步骤2，对手部静脉图像进行预处理，得到由若干静脉纹路图像构成的训练集；
[0010]步骤3，将训练集作为Gabor
‑
Siamese网络的输入，利用无监督学习方法训练 Gabor
‑
Siamese网络，得到静脉识别模型；
[0011]步骤4，基于静脉识别模型将待检测静脉图像与数据库中的已有静脉图像进行比较来完成身份识别。
[0012]在另一个实施例中，步骤3的具体过程为：
[0013]将训练集中相同手部的不同静脉纹路图像进行同一个编号，将不同手部的不同静脉纹路图像进行不同编号；
[0014]将任意两个编号相同与一个编号不同的三张静脉纹路图像作为Gabor
‑
Siamese网络的输入，通过Gabor卷积层对静脉纹路图像进行特征提取，输出三个静脉纹路图像的特征
模型；
[0015]将两个编号相同的静脉图像特征模型的距离记为d
p
，将两个编号不同的静脉图像特征模型的距离记为d
n
；
[0016]通过损失函数的计算将编号相同的静脉图像之间的特征距离逐渐缩小，不同静脉之间的距离逐渐扩大，再通过反向传递与随机梯度下降的方法对模型进行优化。
[0017]在另一个实施例中，所述损失函数为：
[0018]losses＝max(d
p
‑
d
n
+margin，0)
[0019]式中，losses为损失函数，d
p
表示来自同一识别对象两张静脉图像的特征距离，d
n
表示来自不同识别对象两张静脉图像的特征距离，margin为了防止出现负值而造成梯度消失；
[0020]通过损失函数的计算，相同识别对象的d
p
逐渐减小而不同识别图像的d
n
逐渐增大的时候损失函数的值会慢慢下降，再经过反向传递与梯度下降可以不断的优化静脉识别模型做到准确识别静脉纹路。
[0021]在另一个实施例中，所述Gabor
‑
Siamese网络的为权重共享的孪生网络。
[0022]在另一个实施例中，步骤1中，所述采集手部静脉图像的途径包括网络开源的静脉数据集与自采的静脉图像。
[0023]在另一个实施例中，步骤1中，所述对手部静脉进行预处理具体包括：
[0024]通过对手部静脉图像中的静脉纹路边缘检测得到静脉区域，再通过边界上的特殊点坐标来定位、截取静脉纹路图像，最后对静脉纹路图像进行图像增强处理。
[0025]在另一个实施例中，所述图像增强处理包括图像滤波、灰度均衡、直方图均衡。
[0026]为实现上述目的，本专利技术还提供一种基于Gabor
‑
Siamese网络的静脉识别装置，包括：
[0027]样本获取模块，采集手部静脉图像；
[0028]图像处理模块，用于对手部静脉图像进行图像预处理，形成由若干静脉纹路图像构成的训练集；
[0029]模型训练模块，用于利用训练集训练Gabor
‑
Siamese网络，得到训练完成的静脉识别模型；
[0030]静脉识别模块，用于获取待检测静脉图像，并根据静脉识别模型对待检测静脉图像进行识别。
[0031]为实现上述目的，本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的部分或全部步骤。
[0032]为实现上述目的，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法的部分或全部步骤。
[0033]相较于现有技术，本专利技术具有如下有益技术效果：
[0034]1、在训练过程中弱化静脉图像标签的作用，将系统静脉图像记为一类，不同的静脉图像记为另外一类，采用一个无监督学习方法，解决了基于深度学习的静脉识别算法中由于静脉图像数据量缺少导致模型训练不足的问题；
[0035]2、采用Siamese孪生网络对静脉图像进行比较，得到两个静脉图像的特征向量，通
过比较特征向量的相似度完成静脉识别的功能。相较于其他基于深度学习网络的带标签模型，该方法在进行新用户添加时不需要重新进行网络训练，更方便现实使用；
[0036]3、首次提出利用Gabor
‑
Siamese网络进行手部静脉识别，在Siamese网络的基础上进行优化，添加Gabor卷积层对静脉图像进行特征提取，增强了网络对静脉图像的特征提取能力。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0038本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Gabor
‑
Siamese网络的静脉识别方法，其特征在于，包括如下步骤：步骤1，采集手部静脉图像；步骤2，对手部静脉图像进行预处理，得到由若干静脉纹路图像构成的训练集；步骤3，将训练集作为Gabor
‑
Siamese网络的输入，利用无监督学习方法训练Gabor
‑
Siamese网络，得到静脉识别模型；步骤4，基于静脉识别模型将待检测静脉图像与数据库中的已有静脉图像进行比较来完成身份识别。2.根据权利要求1所述基于Gabor
‑
Siamese网络的静脉识别方法，其特征在于，步骤3的具体过程为：将训练集中相同手部的不同静脉纹路图像进行同一个编号，将不同手部的不同静脉纹路图像进行不同编号；将任意两个编号相同与一个编号不同的三张静脉纹路图像作为Gabor
‑
Siamese网络的输入，通过Gabor卷积层对静脉纹路图像进行特征提取，输出三个静脉纹路图像的特征模型；将两个编号相同的静脉图像特征模型的距离记为d
p
，将两个编号不同的静脉图像特征模型的距离记为d
n
；通过损失函数的计算将编号相同的静脉图像之间的特征距离逐渐缩小，不同静脉之间的距离逐渐扩大，再通过反向传递与随机梯度下降的方法对模型进行优化。3.根据权利要求2所述基于Gabor
‑
Siamese网络的静脉识别方法，其特征在于，所述损失函数为：losses＝max(d
p
‑
d
n
+margin,0)式中，losses为损失函数，d
p
表示来自同一识别对象两张静脉图像的特征距离，d
n
表示来自不同识别对象两张静脉图像的特征距离，margin为了防止出现负值而造成梯度消失；通过损失函数的计算，相同识别对象的d
p
逐渐减小而不同识别图像的d...

【专利技术属性】
技术研发人员：谢剑斌，曹祺，
申请(专利权)人：湖南中科助英智能科技研究院有限公司，
类型：发明
国别省市：