【技术实现步骤摘要】
本专利技术属于手掌静脉识别，具体涉及一种单样本手掌静脉识别方法。
技术介绍
1、手掌静脉识别技术是一种生物特征识别技术。通过近红外光照射手掌后，由于手掌毛细血管对红外线由较强的吸收性，因此会留下在静脉血管处较暗的纹路的图像。由于手掌静脉具有乳突纹、主线和皱褶等特征，每个人的手掌静脉图像具有独一性，因此在信息化发展的今天，手掌静脉用于生物特征识别，用于鉴别用户，保护个人信息安全。手掌静脉识别技术采用红外波照射手掌获得静脉血管图像，再对图像进行处理，得到生物特征，最后将生物特征与数据库进行匹配，确定用户身份。手掌静脉相对于其他生物特征识别技术具有较大的优势，如手掌静脉不受光照、表情、姿势、化妆等干扰，同时手掌静脉是在人的血液流动时，才能通过特定波长光线照射成像而得到手掌静脉的清晰图像，难以伪造，这提高了信息安全等级。
2、现有的手掌静脉识别技术需要较多的样本作为训练数据来训练模型，才能使得模型达到较高的识别精度。但获取大量训练数据耗时费力，且需要用户较高程度的配合，使得获取训练数据时存在一定的阻力，因此这样的方法效率较低。
技术实现思路
1、本专利技术公开了单样本手掌静脉识别方法，用于手掌静脉的识别。本方法每个用户只需要一张训练图像就能训练出识别效率较高的识别模型，从而减少采集训练样本的工作，提高效率。
2、本专利技术中的单样本手掌静脉识别方法，包括：
3、步骤1，利用每位用户的单个手掌静脉图像训练样本以及该训练样本的多尺度、多方向变换结果，训练用于
4、步骤2，以用户的单个手掌静脉图像训练样本，以及循环神经网络-扩散模型基于该训练样本所生成的补充训练样本共同形成训练样本集，并以此训练手掌静脉图像识别网络；
5、步骤3，利用步骤2中训练好的手掌静脉图像识别网络识别手掌静脉图像。
6、进一步的，步骤1中，除原图外，多尺度、多方向变换结果包括原图旋转90度图形、原图缩小1/2图像以及原图缩小1/2+旋转90度图像。
7、进一步的，所循环神经网络-扩散模型由多尺度、多方向变换模块以及多个扩散模型和循环神经网络构成；
8、单个手掌静脉图像训练样本通过多尺度、多方向变换模块得到原图、原图旋转90度、原图缩小1/2、原图缩小1/2+旋转90度四个不同的图像；该四个图像分别输入扩散模型1、扩散模型2、扩散模型3和扩散模型4，每个扩散模型由相互连接的编码加噪声模块和解码去噪声模块两个部分组成；相邻的编码加噪声模块间，以及相邻的解码去噪声模块间，由循环神经网络相连接；
9、其中，原图输入扩散模型1编码加噪声模块，编码结果经过循环神经网络后，与同时原图旋转90度图像一起输入扩散模型2编码加噪声模块；
10、扩散模型2编码加噪声模块的编码结果经过循环神经网络后，与同时原图缩小1/2图像一起输入扩散模型3编码加噪声模块；
11、扩散模型3编码加噪声模块的编码结果经过循环神经网络后，与同时原图缩小1/2+旋转90度一起输入扩散模型4编码加噪声模块；
12、扩散模型4编码加噪声模块的编码结果直接输入扩散模型4解码器去噪声模块，解码结果经过循环神经网络后，与扩散模型3编码加噪声模块的编码结果一起输入扩散模型3解码器去噪声模块；
13、扩散模型3解码器去噪声模块的解码结果经过循环神经网络后，与扩散模型2编码加噪声模块的编码结果一起输入扩散模型2解码器去噪声模块；
14、扩散模型2解码器去噪声模块的解码结果经过循环神经网络后，与扩散模型1编码加噪声模块的编码结果一起输入扩散模型1解码器去噪声模块；
15、最终由扩散模型1的解码去噪声模块输出生成的数据图像。
16、本专利技术通过所提出的循环神经网络-扩散模型，能够生成高质量的数据，由此增加训练样本，进而在手掌静脉图像识别网络的训练过程中，每个用户只需要提供一个训练样本即可训练出识别精度较高的模型；通过本专利技术所提出的模型可以减少训练数据的需求，从而简化采集用户数据，提高整体识别率，并提高模型的效率。
本文档来自技高网...【技术保护点】
1.一种单样本手掌静脉识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1中，除原图外，多尺度、多方向变换结果包括原图旋转90度图形、原图缩小1/2图像以及原图缩小1/2+旋转90度图像。
3.根据权利要求2所述的方法，其特征在于，所循环神经网络-扩散模型由多尺度、多方向变换模块以及多个扩散模型和循环神经网络构成；
【技术特征摘要】
1.一种单样本手掌静脉识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1中，除原图外，多尺度、多方向变换结果包括原图旋转90度图形、原图缩小1/...
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。