【技术实现步骤摘要】
一种基于掌纹掌静脉多模态融合的身份识别方法
[0001]本专利技术属于生物特征识别的
,具体涉及一种基于掌纹掌静脉多模态融合的身份识别方法。
技术介绍
[0002]与传统身份识别方法相比,生物特征识别技术能够提供更为安全、可靠和快捷的身份鉴别和认证结果。当前的单一生物识别技术各有优缺点,掌纹的普遍性、稳定性比较高,特征信息丰富,但是掌纹的防伪性不是特别好,容易被非法获取和伪造,同时也很难进行活体验证。受环境、噪声和欺骗攻击等不利因素的影响,单一生物特征识别技术的安全性有待加强,识别精度还有待提高,其挑战在于:如何寻找一种低成本、高效、稳定和可靠性的生物特征识别技术,解决难题。
[0003]除了手掌的掌纹特征以外,还可以利用手掌的静脉特征来进行身份识别,静脉识别是用近红外光源对人体手掌进行照射,利用血液中血红素对近红外光具有较强的吸收特性,使得近红外光照射后的手掌图像会在皮下静脉处呈现较暗的纹路,利用该静脉特征可以进行身份识别。静脉识别的主要特点是非侵入式的图像采集,具有较强的隐蔽性和防伪性,同时还具有活体验证功能。掌纹和掌静脉两种生物特征都位于手掌,相关性高,可以同时采集,将各自具有独特优势的生物特征识别技术进行融合,从而获得单一生物特征识别技术没有的全面性,提高身份识别的精度。专利技术人发现生物特征融合识别技术存在一个劣势,当其中一个模态的特征信息出现泄露时,会使整体识别性能比单一生物特征识别技术的性能差,影响整体识别精度和可靠性。
技术实现思路
[0004]本专利技术的目的在于提供一 ...
【技术保护点】
【技术特征摘要】
1.一种基于掌纹掌静脉多模态融合的身份识别方法,其特征在于,包括以下步骤:步骤1、采集n个人的手掌图像,每个人分别采集2a幅掌纹图像和2a幅掌静脉图像,建立图像数据库,并将数据库分为训练集和测试集,训练集和测试集中的手掌图像数量比例为1:1;步骤2、对训练集中的手掌图像设置好配对标签,包括掌纹图像和掌纹图像的配对标签M1、掌纹图像和掌静脉图像的配对标签M2、两张掌纹图像和一张掌静脉图像的配对标签M,属于同一个人的手掌图像即同一类别的手掌图像的配对标签设置为1,不同类别的手掌图像的配对标签设置为0;步骤3、对测试集中的手掌图像设置好配对标签,包括两张掌纹图像和一张掌静脉图像的配对标签N,属于同一个人的手掌图像即同一类别的手掌图像的配对标签设置为1,不同类别的手掌图像的配对标签设置为0;步骤4、构建初始掌纹和掌纹的单模态识别网络,利用初始掌纹和掌纹的单模态识别网络输出的预测值R1和与训练集中的掌纹图像和掌纹图像的配对标签M1之间的差异,构建单模态损失函数L
unimodal
,对初始掌纹和掌纹的单模态识别网络进行训练,得到训练好的掌纹和掌纹的单模态识别网络;步骤5、构建初始掌纹和掌静脉的跨模态识别网络,利用初始掌纹和掌静脉的跨模态识别网络输出的预测值R2与训练集中的掌纹图像和掌静脉图像的配对标签M2之间的差异,构建跨模态损失函数L
crossmodal
,对初始掌纹和掌静脉的跨模态识别网络进行训练,得到训练好的掌纹和掌静脉的跨模态识别网络;步骤6、根据训练好的掌纹和掌纹的单模态识别网络、训练好的掌纹和掌静脉的跨模态识别网络构建初始整体识别网络,利用初始整体识别网络输出的预测值R与训练集中的两张掌纹图像和一张掌静脉图像的配对标签M之间的差异,构建整体损失函数L
total
,对初始整体识别网络进行训练,得到训练好的整体识别网络;步骤7、计算训练好的整体识别网络在测试集上的识别准确度。2.根据权利要求1所述的一种基于掌纹掌静脉多模态融合的身份识别方法,其特征在于,步骤1中,采集n个人的手掌图像,每个人分别采集2a幅掌纹图像和2a幅掌静脉图像,建立图像数据库,并将数据库分为训练集和测试集,训练集和测试集中的手掌图像数量比例为1:1,具体如下:采集n个人的手掌图像,200<n<500,每个人分别采集2a幅掌纹图像和2a幅掌静脉图像10<a<40,建立图像数据库,并将数据库分为训练集和测试集,训练集和测试集的手掌图像数量比例为1:1,训练集X=[x
p11
,x
p12
,x
p13
…
x
pij
;x
v11
,x
v12
,x
v13
…
x
vij
],其中i表示人的编号,i=1,2,3
…
n,j表示采集的手掌图像编号,j=1,2,3
…
a,p表示采集的掌纹图像,v表示采集的掌静脉图像,x
pij
是训练集中第i个人的第j张掌纹图像,x
vij
是训练集中第i个人的第j张掌静脉图像;测试集Y=[y
p11
,y
p12
,y
p13
…
y
pij
;y
v11
,y
v12
,y
v13
…
y
vij
],y
pij
是测试集中第i个人的第j张掌纹图像,y
vij
是测试集中第i个人的第j张掌静脉图像。3.根据权利要求2所述的一种基于掌纹掌静脉多模态融合的身份识别方法,其特征在于,步骤2中对训练集中的手掌图像设置好配对标签,包括掌纹图像和掌纹图像的配对标签M1、掌纹图像和掌静脉图像的配对标签M2、两张掌纹图像和一张掌静脉图像的配对标签M,属于同一个人的手掌图像即同一类别的手掌图像的配对标签设置为1,不同类别的手掌图
像的配对标签设置为0,具体如下:步骤2
‑
1、对两张掌纹图像设置好配对标签M1,首先设置正样本图像的配对标签,从训练集中随机抽取同一个人的两张掌纹图像,标签设置为1,即i表示人的编号,i=1,2,3
…
n,r,d均表示抽取的第i个人的两张掌纹图像的编号,r=1,2,3
…
a,d=1,2,3
…
a,r≠d,是随机抽取的第i个人的第r张掌纹图像,是随机抽取的第i个人的第d张掌纹图像;设置好正样本图像的配对标签后,设置负样本图像的配对标签,从训练集中随机抽取一个人的一张掌纹图像,再随机抽取另一个人的一张掌纹图像,两张掌纹图像不属于同一类别,标签设置为0,即i'表示人的编号,i'=1,2,3
…
n,i≠i',是随机抽取的第i'个人的第d张掌纹图像;步骤2
‑
2、对掌纹图像和掌静脉图像设置好配对标签M2,首先设置正样本图像的配对标签,从训练集中随机抽取一个人的一张掌纹图像和一张掌静脉图像,标签设置为1,即签,从训练集中随机抽取一个人的一张掌纹图像和一张掌静脉图像,标签设置为1,即是随机抽取的第i个人的第d张掌静脉图像;设置好正样本图像的配对标签后,设置负样本图像的配对标签,从训练集中随机抽取一个人的一张掌纹图像,再随机抽取另一个人的一张掌静脉图像,两张手掌图像不属于同一类别,标签设置为0,即一个人的一张掌静脉图像,两张手掌图像不属于同一类别,标签设置为0,即是随机抽取的第i'个人的第d张掌静脉图像;步骤2
‑
3、对两张掌纹图像和一张掌静脉图像设置好配对标签M,首先设置正样本图像的配对标签,从训练集中随机抽取一个人的两张掌纹图像和一张掌静脉图像,三张手掌图像属于同一个人即同一类别,标签设置为1,即其中σ,μ均表示抽取的第i个人的掌纹图像的编号,γ表示抽取的第i个人的掌静脉图像的编号,σ=1,2,3
…
a,μ=1,2,3
…
a,γ=1,2,3
…
a,σ≠μ,是随机抽取的第i个人的σ张掌纹图像,是随机抽取的第i个人的第μ张掌纹图像,是随机抽取的第i个人的第γ张掌静脉图像;设置好正样本图像的配对标签后,设置负样本图像的配对标签,从训练集中随机抽取不属于同一个人的两张掌纹图像和一张掌静脉图像,标签设置为0,即i”表示人的编号,i”=1,2,3
…
n,i≠i'≠i”,是随机抽取的第i'个人的第μ张掌纹图像,是随机抽取的第i”个人的第γ张掌静脉图像。4.根据权利要求3所述的一种基于掌纹掌静脉多模态融合的身份识别方法,其特征在于,步骤3中对测试集中的手掌图像设置好配对标签,包括两张掌纹图像和一张掌静脉图像的配对标签N,属于同一个人的手掌图像即同一类别的手掌图像的配对标签设置为1,不同类别的手掌图像的配对标签设置为0,具体如下:对两张掌纹图像和一张掌静脉图像设置好配对标签N,首先是正样本图像的配对标签,从测试集中随机抽取一个人的两张掌纹图像和一张掌静脉图像,三张手掌图像属于同一类别,标签设置为1,即i表示人的编号,i=1,2,3
…
n,σ,μ均表示抽取的第i个人的掌纹图像的编号,γ表示抽取的第i个人的掌静脉图像的编号,σ≠μ,表示随机抽取的第i个人的第σ张掌纹图像,表示随机抽取的第i个人的第μ张掌纹图像,表示表示随机抽取的第i个人的第γ张掌静脉图像;设置好正样本图像的配对标签后,设置负样本图...
【专利技术属性】
技术研发人员:王军,徐家梦,潘在宇,袁海,韩淑雨,
申请(专利权)人:中国矿业大学,
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。