[發(fā)明專利]基于CNN和雙向VLAD的掌紋圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710186832.0
• 申請(qǐng)日: 2017-03-27
• 公開(kāi)（公告）號(hào): CN107122712B
• 公開(kāi)（公告）日: 2020-11-13
• 發(fā)明（設(shè)計(jì)）人: 張建新;楊?yuàn)W棋
• 申請(qǐng)（專利權(quán)）人: 大連大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 大連八方知識(shí)產(chǎn)權(quán)代理有限公司 21226
• 代理人: 衛(wèi)茂才

1.基于CNN和雙向VLAD的掌紋圖像識(shí)別方法，其特征在于，包括以下步驟：

步驟1：采用深度學(xué)習(xí)法預(yù)訓(xùn)練CNN網(wǎng)絡(luò)，運(yùn)用預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)對(duì)給定數(shù)據(jù)庫(kù)中的掌紋圖像進(jìn)行特征提取，將其中的一層掌紋卷積特征取出，形成三維特征圖譜；

步驟2：基于步驟1，以三維特征圖譜中表征圖像同一位置的特征元素來(lái)構(gòu)建縱向局部特征向量，并對(duì)這張圖像的縱向CNN特征進(jìn)行VLAD編碼，獲得縱向局部特征聚合描述向量；

步驟3：基于步驟1，以三維特征圖譜中表征整幅掌紋圖像的特征矩陣按行拉伸成向量作為橫向局部特征向量，并對(duì)這張圖像的橫向CNN特征進(jìn)行VLAD編碼，獲得橫向局部特征聚合描述向量；

步驟4：基于步驟2和3，采用余弦距離對(duì)縱向局部特征聚合描述向量與特征向量模板進(jìn)行縱向匹配計(jì)算，可計(jì)算獲得縱向匹配分?jǐn)?shù)，緊接著采用余弦距離對(duì)橫向局部特征聚合描述向量與特征向量模板進(jìn)行橫向匹配計(jì)算，可計(jì)算獲得橫向匹配分?jǐn)?shù)，然后在分?jǐn)?shù)層對(duì)縱向和橫向匹配分?jǐn)?shù)進(jìn)行融合，從而實(shí)現(xiàn)掌紋圖像的識(shí)別。

2.根據(jù)權(quán)利要求1所述的基于CNN和雙向VLAD的掌紋圖像識(shí)別方法，其特征在于，所述步驟1的具體方法為：采用深度學(xué)習(xí)法預(yù)訓(xùn)練CNN網(wǎng)絡(luò)，對(duì)于給定的一張掌紋圖像，輸入預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)，在第L_l個(gè)卷積層后可以得到一個(gè)三維的特征圖譜M^l，大小為n^l×n^l×d^l，其中d^l是第L_l層的濾波器個(gè)數(shù)。

3.根據(jù)權(quán)利要求1所述的基于CNN和雙向VLAD的掌紋圖像識(shí)別方法，其特征在于，所述步驟2的具體方法為：對(duì)于步驟1中得到的掌紋圖像，將其輸入預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)后，在網(wǎng)絡(luò)的第L_l卷積層得到的特征圖譜M^l中可以取(n^l)²個(gè)d^l-維的縱向特征向量的集合，即特征矩陣對(duì)于其縱向局部特征向量會(huì)被分配到離它最近的聚類(lèi)中心每一張圖像所有的縱向局部特征向量與對(duì)應(yīng)聚類(lèi)中心的向量差值的集合即為縱向局部特征聚合描述向量

其中，是掌紋圖像的一個(gè)縱向局部特征向量與其對(duì)應(yīng)的聚類(lèi)中心的向量差，k為聚類(lèi)中心的個(gè)數(shù)，聚類(lèi)中心的集合構(gòu)成特征碼本，它是基于一定數(shù)量掌紋圖像的縱向特征矩陣F₁^l作為訓(xùn)練樣本進(jìn)行k-means聚類(lèi)得到的。

4.根據(jù)權(quán)利要求1所述的基于CNN和雙向VLAD的掌紋圖像識(shí)別方法，其特征在于，所述步驟3的具體方法為：對(duì)于給定的一張掌紋圖像，輸入預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)，在網(wǎng)絡(luò)的第L_l卷積層得到的特征圖譜M^l可以取出d^l個(gè)(n^l)²-維的橫向特征向量f_i^l的集合，即特征矩陣掌紋圖像的橫向局部特征向量會(huì)被分配到離此向量最近的聚類(lèi)中心

然后得到一個(gè)(n^l)²×k-維的橫向聚合描述特征向量

其中，是掌紋圖像的一個(gè)橫向局部特征向量與其對(duì)應(yīng)的橫向聚類(lèi)中心的向量差；此外，橫向聚類(lèi)中心是由一定數(shù)量的掌紋圖像的橫向CNN特征作為訓(xùn)練樣本進(jìn)行k-means聚類(lèi)得到。

5.根據(jù)權(quán)利要求1所述的基于CNN和雙向VLAD的掌紋圖像識(shí)別方法，其特征在于，所述步驟4的具體方法為：采用余弦距離對(duì)縱向局部特征聚合描述向量與特征向量模板進(jìn)行縱向匹配計(jì)算，可計(jì)算獲得縱向匹配分?jǐn)?shù)，緊接著采用余弦距離對(duì)橫向局部特征聚合描述向量與特征向量模板進(jìn)行橫向匹配計(jì)算，可計(jì)算獲得橫向匹配分?jǐn)?shù)，然后采用平均分值融合的方法進(jìn)行分?jǐn)?shù)層的融合：

f_j＝(f₁+f₂)/2

其中f_j是融合之后的新得分，f₁是縱向編碼特征，即縱向局部特征聚合描述向量，與特征向量模板的匹配分?jǐn)?shù)，f₂橫向編碼特征，即橫向局部特征聚合描述向量，與模特征向量模板的匹配分?jǐn)?shù)。