[發(fā)明專利]一種基于輕量神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010174412.2
• 申請(qǐng)日: 2020-03-13
• 公開（公告）號(hào): CN111460915B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 胡永健;鄭浩聰;王宇飛;劉琲貝
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué);中新國(guó)際聯(lián)合研究院
• 主分類號(hào): G06V40/14
• 分類號(hào): 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(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于輕量神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證方法及系統(tǒng)，該方法包括下述步驟：提取指靜脈圖像的感興趣區(qū)域；構(gòu)建用于指靜脈特征提取的輕量神經(jīng)網(wǎng)絡(luò)；在每個(gè)訓(xùn)練批次中隨機(jī)選擇多類手指，在每類手指中隨機(jī)選擇多張感興趣區(qū)域圖像構(gòu)建成批次圖像；將批次圖像進(jìn)行實(shí)時(shí)數(shù)據(jù)擴(kuò)增后輸入輕量神經(jīng)網(wǎng)絡(luò)；構(gòu)建用于指靜脈特征分類的分類部件，將輕量神經(jīng)網(wǎng)絡(luò)的輸出特征輸入到分類部件；構(gòu)建批量硬損失函數(shù)和標(biāo)簽平滑正則化后的交叉熵?fù)p失函數(shù)，得到整體的損失函數(shù)；將訓(xùn)練后的輕量神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，計(jì)算特征之間的余弦相似度，輸出指靜脈驗(yàn)證結(jié)果。本發(fā)明能夠更好的獲取指靜脈圖像的細(xì)粒度特征，且減小了模型的存儲(chǔ)體積和計(jì)算消耗。

技術(shù)領(lǐng)域

本發(fā)明涉及指靜脈識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于輕量神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證方法及系統(tǒng)。

背景技術(shù)

指靜脈生物識(shí)別是一種生物識(shí)別認(rèn)證方法，其使用手指皮膚表面下的靜脈圖像來進(jìn)行識(shí)別，指靜脈識(shí)別遇到了很多挑戰(zhàn)，手指靜脈采集圖像的對(duì)比度較低，且容易受到不均勻光照、溫度變化、手指2D(二維)和3D(三維)旋轉(zhuǎn)、噪聲、陰影、光波動(dòng)帶來的影響，這使得即使經(jīng)過人工精心設(shè)計(jì)的指靜脈圖像增強(qiáng)、特征描述和匹配方法，依然難以對(duì)低質(zhì)量的指靜脈圖像進(jìn)行正確分類。

相關(guān)研究中，F(xiàn)ang等人使用雙通道網(wǎng)絡(luò)，將兩張待驗(yàn)證的圖像合并成一個(gè)雙通道圖像，同時(shí)為了消除手指位移的影響，提出了mini-ROI(mini-Region?of?Interest，mini-ROI，最小感興趣區(qū)域)方法來定位匹配程度最相似的小ROI塊，但是提取mini-ROI額外花費(fèi)了時(shí)間；Hu等人基于VGGFace-Net網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，使用LargeMargin-SoftmaxLoss作為損失函數(shù)，通過網(wǎng)絡(luò)提取具有空間信息的特征并對(duì)特征進(jìn)行模板匹配，以期解決指靜脈圖像未對(duì)齊的問題，但是其使用的主干網(wǎng)絡(luò)規(guī)模較大，網(wǎng)絡(luò)權(quán)重?cái)?shù)目多，需要較大的存儲(chǔ)容量和耗費(fèi)較多的計(jì)算資源。

上述方法雖然在一定程度上提升了指靜脈驗(yàn)證的性能，但是計(jì)算比較耗時(shí)，且沒有很好地提高泛化能力，容易過擬合，降低了實(shí)用性和應(yīng)用價(jià)值。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)存在的缺陷與不足，本發(fā)明提供一種基于輕量神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證方法及系統(tǒng)，本發(fā)明提出基于帶有標(biāo)簽平滑正則化的交叉熵?fù)p失和批量硬損失一同作為損失函數(shù)的指靜脈深度模型，較好地解決了指靜脈數(shù)據(jù)集較少情況下模型訓(xùn)練過程中的過擬合問題，提出一種新的輕量神經(jīng)網(wǎng)絡(luò)，能夠更好的獲取指靜脈圖像的細(xì)粒度特征，且減小了模型的存儲(chǔ)體積和計(jì)算消耗。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明提供一種基于輕量神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證方法，包括下述步驟：

提取指靜脈圖像的感興趣區(qū)域；

構(gòu)建用于指靜脈特征提取的輕量神經(jīng)網(wǎng)絡(luò)；

在每個(gè)訓(xùn)練批次中隨機(jī)選擇多類手指，在每類手指中隨機(jī)選擇多張感興趣區(qū)域圖像構(gòu)建成批次圖像；

將所述批次圖像進(jìn)行實(shí)時(shí)數(shù)據(jù)擴(kuò)增后輸入所述輕量神經(jīng)網(wǎng)絡(luò)；

構(gòu)建用于指靜脈特征分類的分類部件，將所述輕量神經(jīng)網(wǎng)絡(luò)的輸出特征輸入到所述分類部件；

構(gòu)建批量硬損失函數(shù)構(gòu)建標(biāo)簽平滑正則化后的交叉熵?fù)p失函數(shù)得到整體的損失函數(shù)為：

訓(xùn)練輕量神經(jīng)網(wǎng)絡(luò)，根據(jù)損失值更新輕量神經(jīng)網(wǎng)絡(luò)權(quán)重，訓(xùn)練完成后保存當(dāng)前輕量神經(jīng)網(wǎng)絡(luò)的權(quán)重；

將更新權(quán)重后的輕量神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，計(jì)算特征之間的余弦相似度，輸出指靜脈驗(yàn)證結(jié)果。

作為優(yōu)選的技術(shù)方案，所述提取指靜脈圖像的感興趣區(qū)域，具體步驟包括：