[發明專利]一種基于Densenet的卷積神經網絡手指靜脈識別方法

在審

• 申請號: 202110541779.8
• 申請日: 2021-05-18
• 公開（公告）號: CN113435249A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 喬金龍;張莉君;李鵬輝;王祥國
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于Densenet的卷積神經網絡手指靜脈識別方法，對建立的手指靜脈圖像數據庫中的原始圖像進行圖像預處理；利用測試集圖像進行特征提取用于訓練基于Densenet的卷積神經網絡的深度卷積模型，每次訓練后利用驗證集來評估模型并調整超參數防止過擬合；當模型的訓練一定次數后，使用測試集進行特征提取對模型效果進行測試，根據測試結果好壞決定是否繼續訓練和驗證直至模型再次測試能夠得到滿意的結果為止。本發明的有益效果是：避免了因手指靜脈圖像旋轉、光照強弱、圖像數據學習不充分等因素對識別結果造成的不利影響，提高了模型訓練時間，解決了手指靜脈識別方法泛化能力不足和圖像本身因素導致的識別效果不佳的問題。

技術領域

本發明涉及計算機視覺和生物特征領域，尤其涉及一種基于Densenet的卷積神經網絡手指靜脈識別方法。

背景技術

隨著科技發展，生物識別已在安防領域取得廣泛應用，為身份識別和信息安全保障帶來諸多便利。指靜脈識別是基于手指靜脈的唯一性進行身份識別的一種生物技術，較其他生物識別方法具有非接觸性、活體性和內部特征的優勢。手指靜脈能夠作為生物識別方法的原理是在一定波長(700nm～900nm)的近紅外光對手指進行照射時，近紅外光可以穿透人的手指，但手指血管中的血紅蛋白吸收近紅外光的能力比血管周圍的組織和肌肉骨骼強，如此便會形成明暗差異的圖像，手指內部暗的部分的就是靜脈。獲取手指靜脈圖像主要有透射式和反射式，這兩種方式的差別在于近紅外光的照射方式不同，前者照射指背，后者照射指腹，采集圖像的相機都位于手指下側，通常通過照射式可以得到更為清晰的手指靜脈圖像，故本發明中的靜脈圖像均為透射式。但受制于采集裝置和環境等因素的影響，一般需要進行簡單的圖像預處理以消除干擾。手指靜脈被普遍認為具有唯一性、活體性和安全性，這也使其具有良好了的生物識別特性，已經成為當下主流的生物識別研究課題，出現了很多的傳統解決方案，但是大部分方案都沒有很好的泛化能力，受制于特定的數據集和方法本身的局限性，比較突出的問題就是很多方法只利用了手指靜脈圖像中靜脈部分且沒有充分進行特征學習，以至于識別的效果不夠滿足切實需求。

手指靜脈圖像識別的研究對生物識別和信息安全等領域具有重要意義，隨著日益增加的身份驗證活動和計算機科學的迅速發展，基于卷積神經網絡的深度學習技術能直接從圖像數據中學習到更多的圖像的個性化特征，這類方法已經在圖像分類、圖像分割、目標檢測、生物識別等典型視覺任務中取得了最為滿意的效果，在準確率和魯棒性上已經超越了傳統的生物判別方法。

發明內容

針對上述上述目前手指靜脈識別方法中存在的圖像光照不均、圖像旋轉、圖像數據學習不充分的的技術問題，本發明提供了一種基于Densenet的卷積神經網絡手指靜脈識別方法，主要包括以下步驟：

S1：建立手指靜脈圖像數據庫，并對該圖像數據庫中的所有手指靜脈圖像進行批量預處理；

S2：引入密集網絡Densenet構建全連接的手指靜脈圖像識別深度神經網絡，使用Imagenet初始化權值對該手指靜脈圖像識別深度神經網絡進行遷移學習；

S3：根據從步驟S1所建立的圖像數據庫中分別得到訓練集、驗證集和測試集，加載訓練集中的數據訓練手指靜脈圖像深度神經網絡，建立和使用驗證集修正手指靜脈圖像特征提取學習模型；

S4：模型經測試集測試后，使用分類識別評估指標來衡量手指靜脈圖像特征提取學習模型的性能，直到測試結果達到預設的識別效果，則結束訓練，得到最終的手指靜脈圖像特征提取學習模型；

S5：將實際獲得的手指靜脈圖像輸入到最終的手指靜脈圖像特征提取學習模型中，得到手指靜脈圖像的特征矩陣，從而利用該特征矩陣完成手指靜脈的識別。

進一步地，所述預處理包括ROI興趣區域提取和圖像均衡化及歸一化處理。

進一步地，所述ROI興趣區域提取處理采用sobel算子邊緣檢測和中線計算相結合的方法。