[發明專利]一種非受限狀態下的指節紋識別方法

在審

• 申請號: 202011254486.3
• 申請日: 2020-11-11
• 公開（公告）號: CN112434574A
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 張二虎;段敬紅;白朝暉
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 韓玙

1.一種非受限狀態下的指節紋識別方法，其特征在于，具體按照以下步驟實施：

步驟1、在非受限狀態下采集指節紋圖像，并進行預處理和感興趣區域提取，得到感興趣指節紋圖像；

步驟2、設計卷積神經網絡加持空間變換網絡的指節紋深度學習網絡模型；

步驟3、將感興趣指節紋圖像輸入指節紋深度學習網絡模型進行訓練，得到優化的指節紋深度學習網絡模型；

步驟4、對于待識別的指節紋圖像，采用步驟1相同的預處理和感興趣區域提取后，輸入優化的指節紋深度學習網絡模型進行識別。

2.根據權利要求1所述的一種非受限狀態下的指節紋識別方法，其特征在于，步驟1具體過程為：

步驟1.1、采集指節紋圖像，對指節紋圖像進行二值化處理，得到二值化圖像；

步驟1.2、對二值化圖像進行連通區域分析，求取最大連通區域的外接矩形，根據該外接矩形的坐標信息從原始采集的指節紋圖像中裁切出只含有指節紋的區域圖像；

步驟1.3、對只含有指節紋的區域圖像進行對比度增強；

步驟1.4、采用基于彎曲Gabor變換的方法，提取對比度增強后的指節紋上的感興趣區域圖像，得到感興趣指節紋圖像。

3.根據權利要求2所述的一種非受限狀態下的指節紋識別方法，其特征在于，步驟1.3所述對比度增強方法為對比度受限自適應直方圖均衡化法。

4.根據權利要求2所述的一種非受限狀態下的指節紋識別方法，其特征在于，所述步驟1.4提取對比度增強后的指節紋上的感興趣區域圖像的具體步驟程為：

步驟1.4.1、所采用的彎曲Gabor濾波器形式為：

其中X＝x*cos(θ)+y*sin(θ)+c*(-x*sin(θ)+y*cos(θ))²，Y＝-x*sin(θ)+y*cos(θ)，彎曲度參數c用來模擬指節紋的彎曲紋理；

步驟1.4.2、選取參數σ＝20,θ＝π,λ＝20,ψ＝0,γ＝1，創建初始的Gabor濾波器，進一步將該濾波器水平鏡像并和創建的初始Gabor濾波器進行拼接，以模擬指節紋的紋理對稱性，形成最終的指節紋Gabor濾波器；

步驟1.4.3、將對比度增強后的指節紋區域圖像與最終的指節紋Gabor濾波器進行卷積；

步驟1.4.4、將卷積后響應最大值的點作為指節紋感興趣區域的中心點，裁切出220×110大小的區域即為感興趣指節紋圖像。

5.根據權利要求1所述的一種非受限狀態下的指節紋識別方法，其特征在于，所述步驟2的指節紋深度學習網絡模型的組成為：輸入層為步驟1提取的指節紋ROI區域圖像；卷積層1：卷積核個數為8、卷積核大小為5×5、卷積步長為2；卷積層2：卷積核個數為16、卷積核大小為3×3、卷積步長為2；全連接層1：神經元個數為64；全連接層2：神經元個數為6；雙線性插值層；卷積層3：卷積核個數為32、卷積核大小為5×5、卷積步長為2；卷積層4：卷積核個數為64、卷積核大小為3×3、卷積步長為2；卷積層5：卷積核個數為128、卷積核大小為3×3、卷積步長為1；卷積層6：卷積核個數為512、卷積核大小為3×3、卷積步長為1；卷積層7：卷積核個數為分類的指節紋個數、卷積核大小為3×3、卷積步長為1；全局平均池化層及Softmax分類層。

6.根據權利要求1所述的一種非受限狀態下的指節紋識別方法，其特征在于，所述空間變換網絡對感興趣指節紋圖像進行仿射變換，生成統一的規范化的圖像。

7.根據權利要求1所述的一種非受限狀態下的指節紋識別方法，其特征在于，所述卷積神經網絡用來對經空間變換后的指節紋圖像進行識別。

8.根據權利要求1所述的一種非受限狀態下的指節紋識別方法，其特征在于，所述指節紋深度學習網絡模型訓練時的損失函數為交叉熵損失函數，優化器為Adam，初始學習率為0.005，Mini-Batch為128，訓練輪數為100。