[發明專利]一種基于輕量神經網絡的指靜脈驗證方法及系統

有效

• 申請號: 202010174412.2
• 申請日: 2020-03-13
• 公開（公告）號: CN111460915B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 胡永健;鄭浩聰;王宇飛;劉琲貝
• 申請（專利權）人: 華南理工大學;中新國際聯合研究院
• 主分類號: G06V40/14
• 分類號: G06V40/14;G06V10/25;G06V10/74;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于輕量神經網絡的指靜脈驗證方法，其特征在于，包括下述步驟：

提取指靜脈圖像的感興趣區域；

構建用于指靜脈特征提取的輕量神經網絡；

在每個訓練批次中隨機選擇多類手指，在每類手指中隨機選擇多張感興趣區域圖像構建成批次圖像；

將所述批次圖像進行實時數據擴增后輸入所述輕量神經網絡；

構建用于指靜脈特征分類的分類部件，將所述輕量神經網絡的輸出特征輸入到所述分類部件；

構建批量硬損失函數構建標簽平滑正則化后的交叉熵損失函數得到整體的損失函數為：

所述構建批量硬損失函數具體公式為：

其中，F表示輕量神經網絡的輸出特征，表示第y類手指的第x張圖像的特征，下標a、p、n分別表示三元組的錨點、正樣本點和負樣本點，m表示正樣本對和負樣本對間的最小間隔，D表示距離度量函數；

所述構建標簽平滑正則化后的交叉熵損失函數具體公式為：

其中，l表示真實概率分布，q表示預測概率分布，M表示指靜脈訓練集的類別總數，l_v表示對于第v類的真實概率，q_v表示對于第v類的預測概率，r表示圖像的真實標簽，ε表示一個常數；

訓練輕量神經網絡，根據損失值更新輕量神經網絡權重，訓練完成后保存當前輕量神經網絡的權重；

所述訓練輕量神經網絡，將訓練次數閾值設為e＝500，采用Adam優化器作為訓練優化器，學習率采用漸進的預熱策略，具體設置為：

其中，lr(t)表示學習率，t表示迭代輪次；

將更新權重后的輕量神經網絡進行特征提取，計算特征之間的余弦相似度，輸出指靜脈驗證結果。

2.根據權利要求1所述的基于輕量神經網絡的指靜脈驗證方法，其特征在于，所述提取指靜脈圖像的感興趣區域，具體步驟包括：

采用擴展Prewitt邊緣檢測算子檢測圖像的上邊緣和下邊緣，將檢測上邊緣和下邊緣的掩膜分別記為Mask_u和Mask_d，具體公式為：

采用最小二乘法擬合上下邊緣的中線，并根據中線的偏轉角度對指靜脈圖像進行旋轉矯正，最后提取旋轉后邊緣線的外切矩形作為感興趣區域圖像，將得到的感興趣區域圖像采用雙線性插值統一圖像大小。

3.根據權利要求1所述的基于輕量神經網絡的指靜脈驗證方法，其特征在于，所述構建用于指靜脈特征提取的輕量神經網絡，采用神經網絡ShuffleNet?V2去除第一層最大池化層后的神經網絡作為輕量神經網絡。

4.根據權利要求1所述的基于輕量神經網絡的指靜脈驗證方法，其特征在于，所述將所述批次圖像進行實時數據擴增后輸入所述輕量神經網絡，所述實時數據擴增包括隨機亮度變化、隨機裁剪、隨機旋轉和隨機擦除步驟；

所述隨機亮度變化步驟采用隨機因子調整指靜脈圖像的感興趣區域的亮度；

所述隨機裁剪步驟采用固定尺寸的裁剪框在圖像的指定范圍進行隨機裁剪；

所述隨機旋轉步驟將圖像在設定角度閾值內進行隨機角度旋轉，并將隨機角度旋轉后的圖像采用雙線性插值統一圖像大小；

所述隨機擦除步驟設置擦除塊對圖像各個位置進行隨機擦除。

5.根據權利要求1-4任一項所述的基于輕量神經網絡的指靜脈驗證方法，其特征在于，所述訓練輕量神經網絡，在輕量神經網絡訓練初始階段調用ImageNet數據集訓練的網絡權重進行輕量神經網絡權重初始化。