【技术实现步骤摘要】
本专利技术涉及数据处理领域，特别是涉及一种基于掌静脉的身份识别方法、装置、可读存储介质及设备。
技术介绍
1、掌静脉识别是生物识别的一种，其利用人体手掌部静脉血管的分布信息进行个人身份鉴别。掌静脉识别是掌活体时，对获取到的手掌内部的静脉图像特征进行识别，因此具有较高的身份辨别能力和安全性。广泛应用于公共安全、商业金融等对安全级别要求较高的场合。
2、现有的掌静脉识别技术主要是采集掌静脉图像对图像进行特征提取和识别。但是，受到光照环境和设备精度等因素的影响，进行掌静脉采集时，往往采集到的掌静脉图像清晰度有限，并且包含有环境或机器噪声。继而在对掌静脉图像进行图像特征提取时，往往提取不到理想的特征值，导致掌静脉识别准确率较低。
技术实现思路
1、鉴于上述状况，有必要针对现有技术中掌静脉识别准确率较低的问题，提供一种基于掌静脉的身份识别方法、装置、可读存储介质及设备。
2、本专利技术公开一种基于掌静脉的身份识别方法，包括：
3、获取用户的掌静脉图像，并对所述掌静脉图像进行灰度转化和尺寸调整；
4、将调整后的图像切割为多个不重叠的区域图像，利用测量矩阵分别对多个区域图像进行压缩采样，得到对应的测量值；
5、根据所述测量值确定各个所述区域图像对应的图像类型，其中，每一种图像类型对应一种预先训练好的重构模型；
6、根据所述测量矩阵的转置矩阵对各个所述测量值进行初步重构，得到各个初步重构图像块；
7、将各个所述初步
8、对各个所述目标重构图像块分别进行特征提取，并对提取的各个特征进行特征匹配，以对用户的身份进行识别。
9、进一步的，上述身份识别方法，其中，所述将各个所述初步重构图像块分别输入至其图像类型对应的重构模型中进行图像重构的步骤之前还包括：
10、将多个掌静脉样本图像分别进行灰度处理，并将灰度处理得到的二维灰度图像进行尺寸调整；
11、将尺寸调整后的二维灰度图像分割为多个不重叠的子区域图像，并将各个子区域图像进行拉直处理，得到多个图像块向量；
12、根据特征信息相似性将拉直处理后的多个所述图像块向量进行聚类，得到多个图像块向量聚类集合；
13、利用测量矩阵分别对每个图像块向量聚类集合进行压缩采样，以得到对应的测量值集合；
14、利用全连接层对所述测量值集合进行初步重构，得到初步重构图像集合，其中，所述全连接层的权重为所述测量矩阵的转置矩阵；
15、以每一类所述初步重构图像集合为训练样本集合分别对各个重构模型进行训练。
16、进一步的，上述身份识别方法，其中，所述根据所述测量值确定各个所述区域图像对应的图像类型的步骤包括：
17、比较所述测量值与各个图像类型的测量值类中心的距离，确定距离最小的一个图像类型为所述区域图像对应的图像类型。
18、进一步的，上述身份识别方法，其中，所述对所述掌静脉图像进行灰度转化和尺寸调整的步骤之前还包括：
19、确定所述掌静脉图像中的有效区域，并切割掉所述掌静脉图像中所述有效区域之外的部分。
20、进一步的，上述身份识别方法，其中，所述确定所述掌静脉图像中的有效区域的步骤包括：
21、对所述掌静脉图像进行边缘检测，得到轮廓图像；
22、利用中线检测算法检测所述轮廓图像的中心线，并返回每一行和每一列手掌宽度的最小值；
23、根据返回的手掌宽度的最小值，以所述中心线为中心，确定所述掌静脉图像中的有效区域。
24、本专利技术还公开了一种基于掌静脉的身份识别装置，包括：
25、图像调整处理，用于获取用户的掌静脉图像，并对所述掌静脉图像进行灰度转化和尺寸调整；
26、采样模块，用于将调整后的图像切割为多个不重叠的区域图像，利用测量矩阵分别对多个区域图像进行压缩采样，得到对应的测量值；
27、确定模块，用于根据所述测量值确定各个所述区域图像对应的图像类型，其中，每一种图像类型对应一种预先训练好的重构模型；
28、第一重构模块，用于根据所述测量矩阵的转置矩阵对各个所述测量值进行初步重构，得到各个初步重构图像块；
29、第二重构模块，用于将各个所述初步重构图像块分别输入至其图像类型对应的重构模型中进行图像重构，得到多个目标重构图像块；
30、识别模块，用于对各个所述目标重构图像块分别进行特征提取，并对提取的各个特征进行特征匹配，以对用户的身份进行识别。
31、进一步的，上述身份识别装置，还包括模型训练模块，所述模型训练模块用于：
32、将多个掌静脉样本图像分别进行灰度处理，并将灰度处理得到的二维灰度图像进行尺寸调整；
33、将尺寸调整后的二维灰度图像分割为多个不重叠的子区域图像，并将各个子区域图像进行拉直处理，得到多个图像块向量；
34、根据特征信息相似性将拉直处理后的多个所述图像块向量进行聚类，得到多个图像块向量聚类集合；
35、利用测量矩阵分别对每个图像块向量聚类集合进行压缩采样，以得到对应的测量值集合；
36、利用全连接层对所述测量值集合进行初步重构，得到初步重构图像集合，其中，所述全连接层的权重为所述测量矩阵的转置矩阵；
37、以每一类所述初步重构图像集合为训练样本集合分别对各个重构模型进行训练。
38、进一步的，上述身份识别装置，还包括：
39、切割模块，用于确定所述掌静脉图像中的有效区域，并切割掉所述掌静脉图像中所述有效区域之外的部分。
40、本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的身份识别方法。
41、本专利技术还公开了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的身份识别方法。
42、本专利技术通过对掌静脉图像进行压缩感知图像重构，可以去除图像噪声，提升图像质量，提高后续图像识别的准确率。本专利技术方法只需要针对分割后的每个区域图像进行运算，运算速度快，其根据区域图像的分类，针对每一类区域图像通过对应的重构模型进行图像重构，重构精确度更高。
本文档来自技高网...【技术保护点】
1.一种基于掌静脉的身份识别方法，其特征在于，包括：
2.如权利要求1所述的身份识别方法，其特征在于，所述将各个所述初步重构图像块分别输入至其图像类型对应的重构模型中进行图像重构的步骤之前还包括：
3.如权利要求1所述的身份识别方法，其特征在于，所述根据所述测量值确定各个所述区域图像对应的图像类型的步骤包括：
4.如权利要求1所述的身份识别方法，其特征在于，所述对所述掌静脉图像进行灰度转化和尺寸调整的步骤之前还包括：
5.如权利要求4所述的身份识别方法，其特征在于，所述确定所述掌静脉图像中的有效区域的步骤包括：
6.一种基于掌静脉的身份识别装置，其特征在于，包括：
7.如权利要求6所述的身份识别装置，其特征在于，还包括模型训练模块，所述模型训练模块用于：
8.如权利要求6所述的身份识别装置，其特征在于，还包括：
9.一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，该程序被处理器执行时实现如权利要求1至5中任一项所述的身份识别方法。
10.一种电子设备，包括存储器、
...【技术特征摘要】
1.一种基于掌静脉的身份识别方法，其特征在于，包括：
2.如权利要求1所述的身份识别方法，其特征在于，所述将各个所述初步重构图像块分别输入至其图像类型对应的重构模型中进行图像重构的步骤之前还包括：
3.如权利要求1所述的身份识别方法，其特征在于，所述根据所述测量值确定各个所述区域图像对应的图像类型的步骤包括：
4.如权利要求1所述的身份识别方法，其特征在于，所述对所述掌静脉图像进行灰度转化和尺寸调整的步骤之前还包括：
5.如权利要求4所述的身份识别方法，其特征在于，所述确定所述掌静脉图像中的有效区域的步骤包括：
<...【专利技术属性】
技术研发人员：刘子尧，徐红亮，吕广兴，
申请(专利权)人：江西百胜智能科技股份有限公司，
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。