[發明專利]一種基于深度學習和Wasserstein距離度量的指靜脈識別方法

在審

• 申請號: 201910700986.6
• 申請日: 2019-07-31
• 公開（公告）號: CN110555382A
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 張娜;涂小妹;包曉安;徐璐
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 33200 杭州求是專利事務所有限公司
• 代理人: 鄭海峰

1.一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于所述指靜脈識別步驟如下：

S1、連接指靜脈的紅外采集設備，進行圖像采集；

S2、通過高斯濾波，中值濾波對圖像進行去噪操作；

S3、利用拉伸的Sobel算子對預處理后的圖像進行邊緣檢測，得到感興趣區域；

S4、使用Resnet卷積神經網絡提取處理后的ROI圖像的特征編碼；

S5、采用Wasserstein距離度量的相似度作為最后檢索識別的結果。

2.根據權利要求1所述的一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于：所述的步驟S1包括：

S11、通過USB數據線連接PC機與指靜脈的紅外采集設備，掃描并連通PC機和指靜脈采集設備；

S12、指靜脈紅外采集設備采集手指靜脈的近紅外圖像，將指靜脈圖像保存成本地圖像；

S13、指靜脈圖像中，記手指指尖的方向為x軸正方向，指關節方向為y軸方向。

3.根據權利要求1所述的一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于：所述步驟S2包括：

S21、利用對比度受限的自適應直方圖均衡化對指靜脈圖像進行初步的圖像增強，增加靜脈與背景的對比度；

S22、利用高斯濾波和中值濾波對增強后的圖像進行濾波減少噪聲對圖像的影響。

4.根據權利要求1所述的一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于：所述步驟S3包括：

S31、通過拉伸的Sobel算子檢測預處理后的指靜脈圖像中手指的輪廓邊緣點得到邊緣圖，根據上下邊緣點求平均值得到指靜脈圖像的中線，然后利用最小二乘法對中線進行直線擬合，得到手指的中線；

S32、計算S31中所述的中線與x軸正方向之間的夾角，記為手指偏轉的角度α，將圖像旋轉α度矯正圖像至水平得到矯正后的指靜脈圖像；

S33、矯正時，將S31步驟得到的邊緣圖和原圖一起旋轉矯正，根據矯正后的邊緣圖，去除上下邊緣線以外的圖像，只截取保留兩條邊緣線中間的手指圖像區域；

S34、原圖像經過矯正后，原圖像左右兩端使用數據0填充，為了防止填充數據的干擾，將原圖像的左右兩端各截掉3個像素，得到經過預處理的ROI區域。

5.根據權利要求1所述的一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于：所述步驟S4包括：

S41、Resnet卷積神經網絡并不是直接擬合目標函數而是擬合殘差函數，假設Resnet卷積神經網絡的輸入為x，目標函數為Y(x)，殘差函數為F(x)，則F(x)＝Y(x)-x即為Resnet卷積神經網絡需要擬合的函數，網絡在學習中F(x)＝0就能夠使Y(x)＝x，因此，網絡訓練的目標就是使殘差函數F(x)逼近0，這樣即使網絡層數加深，準確率也不會變；每兩個卷積核構成一個殘差block，利用4個上述殘差block構成卷積神經網絡架構，前面連接一個7×7的卷積層和一個3×3的池化層，用來提取低維的特征，最后使用全連接層聚合卷積提取的局部特征，全連接層采用64維，作為最后的特征編碼；

S42、訓練Resnet卷積神經網絡模型時，對訓練集圖像進行水平、垂直翻轉，圖像歸一化來擴充和增強數據集；對于Resnet卷積神經網絡，采用經過ImageNet數據集預訓練過的權重來初始化網絡，讓網絡更快的收斂；并設置初始學習率為0.00001，學習率的值隨訓練次數成指數下降，設置batch size大小為32，當損失降到0.001時，停止訓練網絡模型，最后將訓練好的模型保存為.pth文件；

S43、加載Resnet卷積神經網絡，讀取訓練好的參數文件，即.pth文件，參數文件包括各個網絡層的權重值，將權重值導入Resnet卷積神經網絡，再將S3步驟得到的經過預處理的ROI圖像輸入已經加載完了的Resnet卷積神經模型，輸出圖像的特征編碼。

6.根據權利要求1所述的一種基于深度學習和Wasserstein距離度量的指靜脈識別方法，其特征在于：所述步驟S5包括：

S51、在注冊階段，通過步驟S1采集指靜脈圖像，并進一步用步驟S2、S3、S4提取圖像的特征編碼G_w(x)，G_w(x)是一個具有64維的特征向量，將這個特征編碼錄入數據庫完成注冊；

S52、在識別階段，通過步驟S1、S2、S3、S4提取指靜脈圖像的特征編碼G_w(x)'，并在數據庫中已注冊的特征編碼{G_w(x)}中進行一一匹配，計算G_w(x)'與G_w(x)的Wasserstein距離，使用Sinkhorn迭代求解Wasserstein距離；設置Sinkhorn正則化系數為0.1，迭代次數為100；

S53、根據S52求得的Wasserstein解，跟設定的閾值進行比較，超過這個閾值，就認為這是同一個人的手指靜脈，相反則認為不是同一個人的。