[發明專利]一種基于時域短時及長時特征融合的脈紋識別方法

有效

• 申請號: 202110334529.7
• 申請日: 2021-03-29
• 公開（公告）號: CN113111744B
• 公開（公告）日: 2023-02-14
• 發明（設計）人: 趙明劍;謝斯雅;韋崗;曹燕;王一歌
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213;G06V40/70;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 詹麗紅

1.一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述脈紋識別方法包括以下步驟：

S1、自建脈搏波數據庫，通過小波去噪、平滑濾波以及數據歸一化對脈搏波數據庫中存儲的脈搏波信號進行預處理，接著通過多維脈紋信息提取策略獲得短時特征、長時特征和起點規整后的單周期脈搏波信號，其中短時特征包括主波包絡、次波包絡、主次波包絡，長時特征是呼吸周期對應的多周期長時特征；

所述步驟S1中短時特征和長時特征的特征提取過程如下：

連接所有脈搏波信號的主波峰值，并使用三次樣條內插的方式進行數據增強，得到主波包絡；

連接所有脈搏波信號的次波峰值，并使用三次樣條內插的方式進行數據增強，得到次波包絡；

連接所有脈搏波信號的每一組的主-次波峰值，并使用三次樣條內插的方式進行數據增強，得到主次波包絡；

將脈搏波信號周期內點數增加時段的信號為吸氣時的信號，將周期內點數降低時段的信號為呼氣時的信號，將脈搏波信號每一次連續周期內點數先增后減的序列作為多周期長時特征；

通過求極大值，獲得主波的序列，接著將每兩個主波之間的時段視為一個周期，使用線性內插方法進行數據增強，內插后每個周期具有相同的起點以及相同的點數的信號即為起點規整后的單周期脈搏波信號；

S2、構建雙路分支神經網絡，其中，雙路分支神經網絡包括短時信號處理分支和長時信號處理分支，構建卷積層加非線性激活函數的短時信號處理分支，將短時特征輸入短時信號處理分支；構建卷積-循環結構的長時信號處理分支，將長時特征以及起點規整后的單周期脈搏波信號輸入長時信號處理分支；所述短時信號處理分支的網絡結構為依次順序連接的輸入層、一維卷積神經網絡層、非線性層；其中，所述非線性層使用ReLu函數；所述長時信號處理分支采用卷積-循環神經網絡，所述長時信號處理分支的網絡結構為依次順序連接的輸入層，二維卷積神經網絡層、循環神經網絡層、非線性層，其中，所述非線性層使用ReLu函數；

S3、將步驟S2中雙路分支神經網絡輸出結果進行特征融合，得到脈紋識別結果，其中，特征融合的過程如下：

將雙路分支神經網絡中短時信號處理分支和長時信號處理分支的輸出進行串接，送入全連接神經網絡中，所述全連接神經網絡的網絡結構為依次順序連接的輸入層、全連接層、非線性層1、全連接層、非線性層2、全連接層、非線性層3；其中，所述非線性層1和非線性層2使用ReLu函數，非線性層3使用Sigmoid函數；將全連接神經網絡最后一層的輸出作為得到樣本i的預測值p_i，當p_i大于等于0.5時，認為樣本i的兩個脈紋信息屬于同一人，當p_i小于0.5時，認為樣本i的兩個脈紋信息不屬于同一人。

2.根據權利要求1所述的一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述脈搏波數據庫的建立過程如下：

通過脈搏血氧儀，在實驗室條件下，在不同用戶的手腕和手指處進行數據的采集，從而獲得不同用戶的脈搏波信號。

3.根據權利要求1所述的一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述步驟S1中脈搏波信號進行預處理的過程如下：

通過小波去噪和平滑濾波來濾除脈搏波信號中的高頻噪聲，保留低頻部分；之后去除基線漂移，以及進行數據歸一化，得到處理后的脈搏波信號。

4.根據權利要求1所述的一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述雙路分支神經網絡利用交叉熵損失函數L進行訓練，具體如下：

其中y_i表示第i個樣本的真實值，p_i表示第i個樣本的預測值，N為樣本數量。

5.根據權利要求1所述的一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述短時信號處理分支中一維卷積神經網絡層的實現如下：

其中，表示第k個短時特征經過卷積后第n個通道的輸出，S_C_in表示短時特征的輸入維度，表示輸出的第n個通道中第k個短時特征對應的參數，S_in_k表示第k個短時特征的輸入。

6.根據權利要求1所述的一種基于時域短時及長時特征融合的脈紋識別方法，其特征在于，所述長時信號處理分支中二維卷積神經網絡層的實現如下：

其中，表示第k個長時特征經過卷積后第n個通道的輸出，表示第k個長時特征的輸入維度，表示輸出的第n個通道中第k個長時特征對應的參數，L_in_k表示第k個長時特征的輸入；

所述長時信號處理分支中循環神經網絡層的實現如下：

i^t＝σ(Wⁱx^t+Uⁱh^t-1) (4)

f^t＝σ(W^fx^t+U^fh^t-1) (5)

o^t＝σ(W^ox^t+U^oh^t-1) (6)

其中函數表示i^t、f^t、o^t分別為第t個時刻的輸入門、遺忘門以及輸出門，x^t表示第t個時刻的輸入，h^t-1表示第t-1個時刻的隱藏門輸出，表示第t個時刻的候選記憶單元，c^t表示第t個時刻的記憶單元，表示點乘，其中W和U是可訓練的矩陣，Wⁱ、W^f、W^o、W^c分別表示在輸入門、遺忘門、輸出門以及記憶單元中，輸入x^t所對應的參數矩陣，Uⁱ、U^f、U^o、U^c分別表示在輸入門、遺忘門、輸出門以及記憶單元中，隱藏門輸出h^t-1所對應的參數矩陣。