【技术实现步骤摘要】
本专利技术涉及智能化识别，尤其涉及一种基于多角度的活体掌静脉识别系统及其方法。
技术介绍
1、掌静脉是指人体手掌内部的血管网络，具有独特性和难以伪造性，可以作为一种可靠的生物特征进行身份验证。掌静脉识别是一种利用掌部静脉分布特征进行身份验证的生物特征识别技术。掌静脉识别具有安全性高、稳定性好、易于采集等优点，适用于高安全性要求的场合。
2、然而，传统的掌静脉识别系统通常只使用单一视角的掌静脉图像，这样会受到光照条件、手掌位置等因素的影响，导致掌静脉特征信息不足，影响识别效果。此外，由于掌静脉图像的分辨率较低，掌静脉特征提取也面临着挑战。
3、因此，期望一种优化的基于多角度的活体掌静脉识别系统。
技术实现思路
1、本专利技术实施例提供一种基于多角度的活体掌静脉识别系统及其方法，其通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一掌静脉图像和所述第二掌静脉图像为所述摄像头在不同角度下拍得；将所述第一掌静脉图像和所述第二掌静脉图像进行边对边拼接以得到多视角全局掌静脉图像；对所述多视角全局掌静脉图像进行图像多尺度特征分析以得到多尺度掌静脉特征；基于所述多尺度掌静脉特征，确定待验证对象是否属于授权对象。这样，可以提高识别的准确性和鲁棒性，以更可靠地进行用户的身份验证。
2、本专利技术实施例还提供了一种基于多角度的活体掌静脉识别系统，其包括：掌静脉图像采集模块，用于通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一
3、本专利技术实施例还提供了一种基于多角度的活体掌静脉识别方法，其包括：通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一掌静脉图像和所述第二掌静脉图像为所述摄像头在不同角度下拍得；将所述第一掌静脉图像和所述第二掌静脉图像进行边对边拼接以得到多视角全局掌静脉图像；对所述多视角全局掌静脉图像进行图像多尺度特征分析以得到多尺度掌静脉特征；基于所述多尺度掌静脉特征，确定待验证对象是否属于授权对象。
本文档来自技高网...【技术保护点】
1.一种基于多角度的活体掌静脉识别系统，其特征在于，包括：掌静脉图像采集模块，用于通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一掌静脉图像和所述第二掌静脉图像为所述摄像头在不同角度下拍得；图像拼接模块，用于将所述第一掌静脉图像和所述第二掌静脉图像进行边对边拼接以得到多视角全局掌静脉图像；图像特征分析模块，用于对所述多视角全局掌静脉图像进行图像多尺度特征分析以得到多尺度掌静脉特征；对象识别模块，用于基于所述多尺度掌静脉特征，确定待验证对象是否属于授权对象。
2.根据权利要求1所述的基于多角度的活体掌静脉识别系统，其特征在于，所述图像特征分析模块，包括：掌静脉图像第一尺度特征提取单元，用于通过基于第一深度神经网络模型的第一尺度掌静脉图像特征提取器对所述多视角全局掌静脉图像进行特征提取以得到第一尺度掌静脉特征图；掌静脉图像第二尺度特征提取单元，用于通过基于第二深度神经网络模型的第二尺度掌静脉图像特征提取器对所述多视角全局掌静脉图像进行特征提取以得到第二尺度掌静脉特征图；掌静脉图像多尺度特征融合单元，用于融合所述第一尺度掌静脉特征图和所述第二尺度掌静
3.根据权利要求2所述的基于多角度的活体掌静脉识别系统，其特征在于，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型，且所述第二卷积神经网络模型和所述第一卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。
4.根据权利要求3所述的基于多角度的活体掌静脉识别系统，其特征在于，所述对象识别模块，用于：将所述多尺度掌静脉特征图通过分类器以得到分类结果，所述分类结果用于表示待验证对象是否属于授权对象。
5.根据权利要求4所述的基于多角度的活体掌静脉识别系统，其特征在于，还包括用于对所述基于第一卷积神经网络模型的第一尺度掌静脉图像特征提取器、所述基于第二卷积神经网络模型的第二尺度掌静脉图像特征提取器和所述分类器进行训练的训练模块。
6.根据权利要求5所述的基于多角度的活体掌静脉识别系统，其特征在于，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括待验证对象的训练第一掌静脉图像和训练第二掌静脉图像，以及，所述待验证对象是否属于授权对象的真实值；训练图像拼接单元，用于将所述训练第一掌静脉图像和所述训练第二掌静脉图像进行边对边拼接以得到训练多视角全局掌静脉图像；训练图像第一尺度特征提取单元，用于将所述训练多视角全局掌静脉图像通过所述基于第一卷积神经网络模型的第一尺度掌静脉图像特征提取器以得到训练第一尺度掌静脉特征图；训练图像第二尺度特征提取单元，用于将所述训练多视角全局掌静脉图像通过所述基于第二卷积神经网络模型的第二尺度掌静脉图像特征提取器以得到训练第二尺度掌静脉特征图，其中，所述第二卷积神经网络模型和所述第一卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；训练图像多尺度特征融合单元，用于融合所述训练第一尺度掌静脉特征图和所述训练第二尺度掌静脉特征图以得到训练多尺度掌静脉特征图；特征分布优化单元，用于对所述训练多尺度掌静脉特征图展开后得到的训练多尺度掌静脉特征向量进行优化以得到优化训练多尺度掌静脉特征向量；分类损失单元，用于将所述优化训练多尺度掌静脉特征向量通过所述分类器以得到分类损失函数值；模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于第一卷积神经网络模型的第一尺度掌静脉图像特征提取器、所述基于第二卷积神经网络模型的第二尺度掌静脉图像特征提取器和所述分类器进行训练。
7.根据权利要求6所述的基于多角度的活体掌静脉识别系统，其特征在于，所述分类损失单元，用于：使用所述分类器以如下分类公式对所述优化训练多尺度掌静脉特征向量进行处理以生成训练分类结果，其中，所述分类公式为：，其中，表示将所述优化训练多尺度掌静脉特征向量，和为各层全连接层的权重矩阵，和表示各层全连接层的偏置矩阵；以及计算所述训练分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
8.一种基于多角度的活体掌静脉识别方法，其特征在于，包括：通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一掌静脉图像和所述第二掌静脉图像为所述摄像头在不同角度下拍得；将所述第一掌静脉图像和所述第二掌静脉图像进行边对边拼接以得到多视角全局掌静脉图像；对所述多视角全局掌静脉图像进行图像多尺度特征分析以得到多尺度掌静脉特征；基于所述多尺度掌静脉特征，确定待验证对象是否属于授权对象。
9.根据权利要求8所述的基于多角度的活体掌静脉识别方法，其特征在于，对所述多视...
【技术特征摘要】
1.一种基于多角度的活体掌静脉识别系统，其特征在于，包括：掌静脉图像采集模块，用于通过摄像头采集待验证对象的第一掌静脉图像和第二掌静脉图像，其中，所述第一掌静脉图像和所述第二掌静脉图像为所述摄像头在不同角度下拍得；图像拼接模块，用于将所述第一掌静脉图像和所述第二掌静脉图像进行边对边拼接以得到多视角全局掌静脉图像；图像特征分析模块，用于对所述多视角全局掌静脉图像进行图像多尺度特征分析以得到多尺度掌静脉特征；对象识别模块，用于基于所述多尺度掌静脉特征，确定待验证对象是否属于授权对象。
2.根据权利要求1所述的基于多角度的活体掌静脉识别系统，其特征在于，所述图像特征分析模块，包括：掌静脉图像第一尺度特征提取单元，用于通过基于第一深度神经网络模型的第一尺度掌静脉图像特征提取器对所述多视角全局掌静脉图像进行特征提取以得到第一尺度掌静脉特征图；掌静脉图像第二尺度特征提取单元，用于通过基于第二深度神经网络模型的第二尺度掌静脉图像特征提取器对所述多视角全局掌静脉图像进行特征提取以得到第二尺度掌静脉特征图；掌静脉图像多尺度特征融合单元，用于融合所述第一尺度掌静脉特征图和所述第二尺度掌静脉特征图以得到多尺度掌静脉特征图作为所述多尺度掌静脉特征。
3.根据权利要求2所述的基于多角度的活体掌静脉识别系统，其特征在于，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型，且所述第二卷积神经网络模型和所述第一卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。
4.根据权利要求3所述的基于多角度的活体掌静脉识别系统，其特征在于，所述对象识别模块，用于：将所述多尺度掌静脉特征图通过分类器以得到分类结果，所述分类结果用于表示待验证对象是否属于授权对象。
5.根据权利要求4所述的基于多角度的活体掌静脉识别系统，其特征在于，还包括用于对所述基于第一卷积神经网络模型的第一尺度掌静脉图像特征提取器、所述基于第二卷积神经网络模型的第二尺度掌静脉图像特征提取器和所述分类器进行训练的训练模块。
6.根据权利要求5所述的基于多角度的活体掌静脉识别系统，其特征在于，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括待验证对象的训练第一掌静脉图像和训练第二掌静脉图像，以及，所述待验证对象是否属于授权对象的真实值；训练图像拼接单元，用于将所述训练第一掌静脉图像和所述训练第二掌静脉图像进行边对边拼接以得到训练多视角全局掌静脉图像；训练图像第一尺度特征提取单元，用于将所述训练多视角全局掌静脉图像通过所述基于第一卷积神经网络模型的第一尺度掌静脉图像特征提取器以得到训练第一尺度掌静脉特征图；训练图像第二尺度特征提取单元，用于将所述训练多视角...
【专利技术属性】
技术研发人员：金泽，赵天明，
申请(专利权)人：杭州名光微电子科技有限公司，
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。