[發明專利]一種基于自學習的指靜脈特征提取方法及系統

在審

• 申請號: 201710656587.5
• 申請日: 2017-08-03
• 公開（公告）號: CN107563294A
• 公開（公告）日: 2018-01-09
• 發明（設計）人: 胡建國;王金鵬;王德明;丁顏玉
• 申請（專利權）人: 廣州智慧城市發展研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及生物特征識別技術領域，尤其涉及一種基于自學習的指靜脈特征提取方法及系統。

背景技術

指靜脈是人的體內特征，由于其高安全性和便捷性使得指靜脈識別技術成為生物識別領域至關重要的一員。但通過紅外光投射后由攝像機拍攝的手指圖像不僅包含指靜脈圖像本身，還包括由各種厚度的手指肌肉、骨頭和周圍的靜脈組織產生的陰影；因此，指靜脈識別技術常面臨識別精度不夠的問題；在實際開發中，指靜脈識別常分為預處理，特征提取，特征匹配，其中特征提取常為其中最重要的一部分，提取到特征的數目、質量直接決定匹配成功率與運算復雜度。

國際上日本東京大學、韓國首爾大學，國內山東大學、北京大學、重慶電子技術大學等高校都成立對了課題組指靜脈技術進行進行了研究并且都產生了相關成果；提出了基于曲線追蹤、最大曲率點、區域生長、寬尺寸線檢測、GABOR濾波器等指靜脈特征提取方案，為指靜脈技術發展作出了重大貢獻，但是目前指靜脈仍然存在識別精度不足，易受采集裝置影響，算法冗余性低、只能適用于單一數據庫等問題。

現有的技術方案一：為基于個性化區分位圖的特征提取，由于傳統的LBP特征提取包含噪聲，作者提出了一種個性化區分位圖方案，通過對比同一個手指采集的不同指靜脈圖像，比較各自LBP不同點的位置，最終選擇出非噪聲位的LBP作為指靜脈特征；現有技術方案一中采用的特征提取方案基于個性化LBP，雖然運算量較小，但是識別精度低于當前的流行算法，冗余性過低，增高了拒真和誤識的概率，不適合高安全的生物識別系統。

現有的技術方案二：為基于曲線追蹤提取到指靜脈圖像，而后按照像素點的灰度值進行匹配，將圖像分為小塊之后在待匹配圖像中采用模版匹配，找到匹配誤差最小的位置作為目標位置，最后對誤差求和便可得到匹配誤差；現有技術方案二種采用的特征提取方案為Naoto等人經過大量實驗確定的基于曲線追蹤的提取方法，基于手工選取特征，需要耗費大量時間且在不同的數據集上完全沒有普適性，若更換采集設備，則就需要針對新的指靜脈圖像重新優化參數，提取方法等。

發明內容

本發明的目的在于克服現有技術的不足，本發明提供了一種基于自學習的指靜脈特征提取方法及系統，降低了工作難度，提高了匹配精度。

為了解決上述技術問題，本發明實施例提供了一種基于自學習的指靜脈特征提取方法，所述指靜脈特征提取方法包括：

對獲取到的待識別指靜脈圖像進行預處理，獲取預處理后的待識別指靜脈圖像；

采用自編碼神經網絡模型對所述預處理后的待識別指靜脈圖像進行特征提取處理，獲取待識別的指靜脈特征。

優選地，所述對獲取到的待識別指靜脈圖像進行預處理，包括：

對所述待識別指靜脈圖像進行灰度化處理，獲取灰度化處理后的指靜脈圖像；

對所述灰度化處理后的指靜脈圖像進行降噪處理，獲取降噪處理后的指靜脈圖像；

對所述降噪處理后的指靜脈圖像的大小進行歸一化處理，將所述降噪處理后的指靜脈圖像的大小歸一化到[60,80]。

優選地，所述自編碼神經網絡模型的訓練過程包括：

構建自編碼神經網絡，所述自編碼神經網絡包括輸入層、隱藏層和輸出層；

采用稀疏性參數對所述自編碼神經網絡隱藏層的神經元進行抑制處理，獲取抑制處理后的自編碼神經網絡；

采用待訓練樣本圖像集對所述抑制處理后的自編碼神經網絡進行訓練處理，獲取所述自編碼神經網絡模型。

優選地，所述采用稀疏性參數對所述自編碼神經網絡隱藏層的神經元進行抑制處理，包括：

計算所述自編碼神經網絡隱藏層的神經元平均活躍度；

令所述稀疏性參數等于所述神經元平均活躍度；

采用額外懲罰因子使得所述神經元中與所述稀疏性參數差值較大的平均活躍值保持在較小的范圍，獲取抑制處理后的自編碼神經網絡。

優選地，所述采用待訓練樣本圖像集對所述抑制處理后的自編碼神經網絡進行訓練處理，包括：

對所述輸入層、所述隱藏層和所述輸出層的各層之間連接參數和偏置節點參數設置為零；

采用所述待訓練樣本圖像對所述述抑制處理后的自編碼神經網絡進行一步訓練；獲取所述各層之間連接參數和所述偏置節點參數的變化值；

根據所述變化值更新所述各層之間連接參數和偏置節點參數；

判斷進行一步訓練時，訓練過程中的代價函數是否小于閾值，若是，結束訓練，若否，返回一步訓練步驟，繼續進行訓練處理；所述閾值為3*10^-7。