[發明專利]基于長短時記憶循環神經網絡的手指靜脈驗證方法及裝置

在審

• 申請號: 201910921731.2
• 申請日: 2019-09-27
• 公開（公告）號: CN110751057A
• 公開（公告）日: 2020-02-04
• 發明（設計）人: 曾軍英;王璠;秦傳波;朱伯遠;朱京明;翟懿奎;甘俊英;鄧建祥
• 申請（專利權）人: 五邑大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 44205 廣州嘉權專利商標事務所有限公司
• 代理人: 孫浩

本發明公開了一種基于長短時記憶循環神經網絡的手指靜脈驗證方法及裝置，包括以下步驟：根據若干條基線自動標記關于靜脈和背景的像素；對于每個標記的所述像素，沿著不同的方向生成不同的序列；存在各種基于所述序列的訓練集，在所述訓練集上獨立訓練若干個SCNN?LSTM，使各個所述SCNN?LSTM形成互補和過完備的表示形式；對于測試圖像，預測每個所述序列到靜脈紋路的概率，并將基于patch的所述序列的得分聯合輸入到P?SVM中對靜脈紋路進行分割；使用漢明距離來計算兩幅存在空間位移的圖像之間的非重疊區域，從而實現手指靜脈匹配。本發明能夠有效地解決了手指靜脈識別中訓練樣本不足的問題，滿足了神經網絡有效求解的需求。

技術領域

本發明涉及神經網絡算法技術領，特別涉及一種基于長短時記憶循環神經網絡的手指靜脈驗證方法及裝置。

背景技術

由于人們對身份識別的要求越來越高，手指靜脈識別作為一種新興的生物識別技術，在生物認證領域引起了廣泛的關注。相對于其他生物特征識別技術(如人臉、步態和指紋)，手指靜脈識別技術有一些明顯的優勢，例如：更高的用戶友好性，活性檢測，高安全性，以及設備小型化，這使得它非常適合于高安全性和用戶友好的應用程序。

現有的手指靜脈識別是基于假設的分割靜脈紋路。然而，這些假設并不總是有效地檢測手指靜脈紋路，因為一些靜脈像素可能由比山谷或直線更復雜的分布創建。此外，它們還通過圖像處理方法顯式地提取了一些靜脈特征，這可能會丟棄手指靜脈紋路的相關信息。此外，他們沒有從不同的圖像中獲得任何先驗知識，因為他們獨立于其他圖像分割每個圖像。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明提出一種基于長短時記憶循環神經網絡的手指靜脈驗證方法及裝置，能夠有效地解決了手指靜脈識別中訓練樣本不足的問題，滿足了神經網絡有效求解的需求。

根據本發明的第一方面實施例的一種基于長短時記憶循環神經網絡的手指靜脈驗證方法，包括以下步驟：

根據若干條基線自動標記關于靜脈和背景的像素；

對于每個標記的所述像素，沿著不同的方向生成不同的序列；

存在各種基于所述序列的訓練集，在所述訓練集上獨立訓練若干個SCNN-LSTM，使各個所述SCNN-LSTM形成互補和過完備的表示形式；

對于測試圖像，預測每個所述序列到靜脈紋路的概率，并將基于patch的所述序列的得分聯合輸入到P-SVM中對靜脈紋路進行分割；

使用漢明距離來計算兩幅存在空間位移的圖像之間的非重疊區域，從而實現手指靜脈匹配。

根據本發明實施例的基于長短時記憶循環神經網絡的手指靜脈驗證方法，至少具有如下有益效果：本發明實施例首先通過結合已知的手指靜脈圖像分割技術自動分配標簽，并為每個標簽像素沿不同方向生成不同的序列。其次，對得到的序列分別訓練若干個疊加卷積神經網絡和長短時記憶(SCNN-LSTM)模型。各個SCNN-LSTM的輸出形成互補的、過完備的表示形式，并聯合放入概率支持向量機(P-SVM)中，在給定以其為中心的多個序列的情況下，預測每個前景像素(靜脈像素)的概率，能夠有效地解決了手指靜脈識別中訓練樣本不足的問題，滿足了神經網絡有效求解的需求。

根據本發明的一些實施例，所述基線包括：重復行跟蹤、最大曲率點、平均曲率、差分曲率、區域增長、寬線檢測器和Gabor濾波器。

根據本發明的一些實施例，所述存在各種基于所述序列的訓練集，在所述訓練集上獨立訓練若干個SCNN-LSTM，使各個所述SCNN-LSTM形成互補和過完備的表示形式包括：針對SCNN-LSTM訓練，基于標記的所述像素生成訓練序列。

根據本發明的一些實施例，所述SCNN-LSTM由CNN模型和LSTM模型組成，用于訓練學習手指靜脈紋理分割的關節紋理和空間依賴表示。