System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于生物识别,具体涉及一种基于卷积神经网络的海量数据的掌脉特征提取方法。
技术介绍
1、生物识别技术是一种通过对人体生物特征进行识别和验证的技术,如指纹、掌纹、虹膜、声纹等特征。与传统的密码与密钥认证方式相比,生物识别技术具有安全可靠、方便易用、范围广泛等优点;指纹识别作为初代的生物识别方式,其识别范围小,指纹受到磨损易出现识别灵敏度下降等问题,因此,掌纹、人脸、虹膜等多种生物识别技术逐渐取代指纹识别。
2、目前对于掌脉特征的提取方式,一般都是采用摄像头或其它扫描方式采集,在计算机系统中仅利用单一的cnn或其它训练算法,对掌脉特征进行训练,生成掌纹模型,虽能起到采集的效果,但是经常出现,掌脉采集训练后与即时采集的信息匹配度过低,用户在利用掌脉生物识别时,系统会出现弹窗警告或无法识别等现象,进而降低了掌脉采集效果。
技术实现思路
1、本专利技术的目的是提供一种基于卷积神经网络的海量数据的掌脉特征提取方法,采用卷积神经网络结合任意分隔模型的方式,对采集的掌脉信息进行双重训练,有效提升掌脉采集精度。
2、本专利技术采取的技术方案具体如下:
3、一种基于卷积神经网络的海量数据的掌脉特征提取方法,所述提取方法包括以下步骤:
4、s1:利用采集设备对用户掌脉进行拍摄;
5、s2:通过卷积神经网络提取不同层次的图像信息;
6、s3:将提取后的掌脉图像信息输入分割任意模型中,用于去除影响掌脉提取的干扰因素,获得初始掌
7、所述干扰因素包括去除背景、去除非掌脉区域、外界光线;
8、s4:将初始掌脉图像模型进行多层池化,获得清晰掌脉图形数据;
9、s5:采用全连接层将提取的掌脉图形特征转换,得到掌脉最终输出结果;
10、s6:将处理后的掌脉数据进行存储,用于后期比对。
11、所述s1中,采集设备选用红外成像仪、摄像头、扫描仪、光学传感器中的任意一种,其采集方式包括以下步骤:
12、a.将手掌水平放置在采集设备上方的采集区域内,距离采集设备保持10-20cm高度;
13、b.手掌需平稳放置3-10s,用于采集设备采集和拍摄掌脉信息;
14、c.若采集过程中,手掌晃动造成掌纹模糊,需重新采集。
15、所述s2中,在将掌脉图像输入卷积神经网络之前,需要对掌脉图像进行预处理,形成灰度图像,初步提取掌脉信息;
16、预处理方式包括对图像的旋转、灰度化、增强,利用卷积神经网络判断掌脉图像的可行性。
17、所述s3中,采用分割任意模型的方式去除干扰因素,其具体步骤为:
18、a1:对外界背景去除:图像中手掌以外的背景、手指间的缝隙;
19、b1:对手掌非指纹区域去除:手掌非指纹区域的干扰、手指侧边阴影、指甲。
20、所述s3中,采用分隔任意模型对掌纹纹路进行识别,定位和分隔纹理信息,同时可调整掌纹之间的对比度和清晰度,获得干净、清晰的初始掌纹模型。
21、所述s4中,对输入图形的局部区域进行聚合处理,将初始掌纹模型利用池化层减少图形尺寸,并保留关键掌纹信息,获得最终掌脉处理参数。
22、所述s5中,将掌脉处理参数转换为一维向量,利用线性变换和非线性激活函数,将特征映射转化为输出结果,并对输出结果进行存储。
23、初步提取掌脉信息特征的方法选用局部二值模式、方向梯度直方图中的任意一种。
24、当掌脉特征提取完毕后,用户将手掌再次放置在采集设备上方,重新拍照,通过计算机将训练完毕的掌脉模型数据与即时拍摄图像数据进行比对,若两者之间准确率低于99%,则需重新采集掌脉信息,并更新模型库。
25、本专利技术取得的技术效果为:
26、本专利技术的一种基于卷积神经网络的海量数据的掌脉特征提取方法采用卷积神经网络和任意分割模型的双重提取方式,可对采集的掌脉图形数据进行双重过滤处理,有效去除掌脉图像中背景区域、非掌纹区域等其它区域,使得处理后的掌脉数据与即时采集的掌脉数据匹配高更高,有效解决传统提取特征不精准、无法识别等问题,从而保障提取精度。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述提取方法包括以下步骤:
2.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述S1中,采集设备选用红外成像仪、摄像头、扫描仪、光学传感器中的任意一种,其采集方式包括以下步骤:
3.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述S2中,在将掌脉图像输入卷积神经网络之前,需要对掌脉图像进行预处理,形成灰度图像,初步提取掌脉信息;
4.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述S3中,采用分割任意模型的方式去除干扰因素,其具体步骤为:
5.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述S3中,采用分隔任意模型对掌纹纹路进行识别,定位和分隔纹理信息,同时可调整掌纹之间的对比度和清晰度,获得干净、清晰的初始掌纹模型。
6.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所
7.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述S5中,将掌脉处理参数转换为一维向量,利用线性变换和非线性激活函数,将特征映射转化为输出结果,并对输出结果进行存储。
8.根据权利要求3所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:初步提取掌脉信息特征的方法选用局部二值模式、方向梯度直方图中的任意一种。
9.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:当掌脉特征提取完毕后,用户将手掌再次放置在采集设备上方,重新拍照,通过计算机将训练完毕的掌脉模型数据与即时拍摄图像数据进行比对,若两者之间准确率低于99%,则需重新采集掌脉信息,并更新模型库。
...【技术特征摘要】
1.一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述提取方法包括以下步骤:
2.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述s1中,采集设备选用红外成像仪、摄像头、扫描仪、光学传感器中的任意一种,其采集方式包括以下步骤:
3.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述s2中,在将掌脉图像输入卷积神经网络之前,需要对掌脉图像进行预处理,形成灰度图像,初步提取掌脉信息;
4.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述s3中,采用分割任意模型的方式去除干扰因素,其具体步骤为:
5.根据权利要求1所述的一种基于卷积神经网络的海量数据的掌脉特征提取方法,其特征在于:所述s3中,采用分隔任意模型对掌纹纹路进行识别,定位和分隔纹理信息,同时可调整掌纹之间的对比度和清晰度,获得干净、清晰的初始掌纹模型。
<...【专利技术属性】
技术研发人员:余孟春,余咏,
申请(专利权)人:广州市生基科技有限公司,
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。