[發明專利]一種基于相關性語義特征學習的手指靜脈識別方法及系統

有效

• 申請號: 201910982421.1
• 申請日: 2019-10-16
• 公開（公告）號: CN110717469B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 襲肖明;于治樓
• 申請（專利權）人: 山東浪潮科學研究院有限公司
• 主分類號: G06V40/145
• 分類號: G06V40/145;G06N20/00
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜明

1.一種基于相關性語義特征學習的手指靜脈識別方法，其特征在于：該方法首先根據手指靜脈的特點定義具有語義信息的編碼，根據構建的語義信息的編碼構建多編碼學習模型，多編碼學習模型對所有的編碼同時進行學習，并在學習過程中獲取多個編碼的相關性信息，提高每個編碼的學習準確度；通過將測試圖像輸入多編碼學習模型，獲取測試圖像的多個編碼特征，將獲取的多個編碼特征與注冊用戶的編碼特征進行比對，基于獲取的相似度判斷測試圖像與注冊用戶是否為同一用戶，具體包括以下步驟：

S1、訓練階段：構建多編碼學習模型

1)構建語義編碼，包括全局網絡描述碼、顯著性網絡描述碼、網絡清晰度描述碼和網絡主特征描述碼，其中全局 網絡描述碼用于描述指靜脈血管網絡的全局特點，顯著性網絡描述碼用于描述手指靜脈網絡是否有顯著性較高的區域，網絡清晰度描述碼的編碼值為1時，表示清晰度較高，為0表示清晰度較低，網絡主特征描述碼主要用于描述指靜脈網絡中是否有“主靜脈血管”；

2)根據構建的語義編碼構建多編碼學習模型；

S2、測試階段：將測試圖像的多個編碼特征與注冊用戶的編碼特征進行比對，基于獲取的相似度判斷測試圖像與注冊用戶是否為同一用戶。

2.根據權利要求1所述的基于相關性語義特征學習的手指靜脈識別方法，其特征在于：所述多編碼學習模型的構建如公式(1)所示，通過最小化目標函數，獲得多編碼學習模型，

其中，t為編碼的數目，Y_(i，k)為所有樣本第k個編碼的值，X為訓練樣本的特征，是個nxd的矩陣，W_k為關于第k個標記的權重向量，ɑ是超參數。

3.根據權利要求2所述的基于相關性語義特征學習的手指靜脈識別方法，其特征在于：測試階段首先將測試圖像輸入多編碼學習模型，獲取測試圖像的多個編碼特征，再進行識別，識別過程為將獲取的編碼特征與注冊用戶的編碼特征進行比對，利用海名距比較測試圖像的編碼特征與注冊用戶的編碼特征的相似度，基于獲取的相似度判斷測試圖像與注冊用戶是否為同一用戶。

4.一種基于相關性語義特征學習的手指靜脈識別系統，其特征在于：該系統包括訓練模塊和測試模塊：

訓練模塊用于在訓練階段構建多編碼學習模型，其中包括構建語義編碼和根據構建的語義編碼構建多編碼學習模型，構建語義編碼包括全局網絡描述碼、顯著性網絡描述碼、網絡清晰度描述碼和網絡主特征描述碼，其中全局 網絡描述碼用于描述指靜脈血管網絡的全局特點，顯著性網絡描述碼用于描述手指靜脈網絡是否有顯著性較高的區域，網絡清晰度描述碼的編碼值為1時，表示清晰度較高，為0表示清晰度較低，網絡主特征描述碼主要用于描述指靜脈網絡中是否有“主靜脈血管”；

測試模塊用于在測試階段將測試圖像的多個編碼特征與注冊用戶的編碼特征進行比對，基于獲取的相似度判斷測試圖像與注冊用戶是否為同一用戶。

5.根據權利要求4所述的基于相關性語義特征學習的手指靜脈識別系統，其特征在于：訓練模塊的多編碼學習模型的構建如公式(1)所示，通過最小化目標函數，獲得多編碼學習模型，

其中，t為編碼的數目，Y_(i，k)為所有樣本第k個編碼的值，X為訓練樣本的特征，是個nxd的矩陣，W_k為關于第k個標記的權重向量，ɑ是超參數。

6.根據權利要求5所述的基于相關性語義特征學習的手指靜脈識別系統，其特征在于：測試模塊在測試階段，首先將測試圖像輸入多編碼學習模型，獲取測試圖像的多個編碼特征，再進行識別，識別過程為將獲取的編碼特征與注冊用戶的編碼特征進行比對，利用海名距比較測試圖像的編碼特征與注冊用戶的編碼特征的相似度，基于獲取的相似度判斷測試圖像與注冊用戶是否為同一用戶。