[發明專利]靜脈識別模型的訓練方法、靜脈圖像的識別方法及裝置

有效

• 申請號: 202110807293.4
• 申請日: 2021-07-16
• 公開（公告）號: CN113505716B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 秦華鋒;鞏長慶;楊公平;王軍;潘在宇
• 申請（專利權）人: 重慶工商大學
• 主分類號: G06V40/14
• 分類號: G06V40/14;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 劉鳳

1.一種靜脈識別模型的訓練方法，其特征在于，所述訓練方法包括：

獲取訓練圖像集；其中，所述訓練圖像集中包括多個類型的訓練圖像子集；且所述訓練圖像集中的每個訓練圖像中包含靜脈信息的標簽；所述標簽用于表征每個所述訓練圖像中靜脈信息對應的真實身份類型；

將任一類型的訓練圖像子集中的任一第一訓練圖像輸入靜脈特征預測分類器，確定第一訓練圖像對應的第一高維靜脈特征以及所述第一訓練圖像中標簽的預測分布，并根據所述預測分布確定對應的初始身份類型概率；

將其他類型的多個訓練圖像子集中的任一第二訓練圖像輸入靜脈特征提取模型，獲取多個第二高維靜脈特征；

將所述第一高維靜脈特征與多個所述第二高維靜脈特征輸入圖神經網絡，確定所述第一訓練圖像中標簽的第一分布；

根據所述標簽的第一分布與所述第一訓練圖像的標簽，確定所述第一訓練圖像中標簽的目標分布，并基于所述標簽的目標分布以及所述標簽的預測分布，確定靜脈識別模型。

2.根據權利要求1所述的訓練方法，其特征在于，通過以下方式根據所述標簽的第一分布與所述第一訓練圖像的標簽，確定所述第一訓練圖像中標簽的目標分布：

將標簽的第一分布與第一訓練圖像的標簽進行加權融合，確定所述第一訓練圖像中標簽的目標分布。

3.根據權利要求1所述的訓練方法，其特征在于，通過以下方式獲取訓練圖像集：

獲取初始訓練圖像集；

針對所述初始訓練圖像集中的每個初始訓練圖像進行二值化和邊緣化處理，確定每個所述初始訓練圖像對應的感興趣圖像；

針對每個所述感興趣圖像和每個所述初始訓練圖像均進行旋轉量和平移量的優化，確定訓練圖像集。

4.根據權利要求1所述的訓練方法，其特征在于，通過以下方式獲取靜脈特征預測分類器：

獲取多個樣本圖像和每個所述樣本圖像中的樣本靜脈信息的標簽；所述標簽用于表征每個所述樣本圖像中所述樣本靜脈信息對應的真實樣本身份類型；

將每個所述樣本圖像中的所述樣本靜脈信息的圖像輸入初始分類網絡，得到每個所述樣本圖像中的所述樣本靜脈信息對應的預測樣本身份類型；

當每個所述樣本靜脈信息對應的所述真實樣本身份類型與所述樣本靜脈信息對應的所述預測樣本身份類型之間的損失值小于預設閾值，訓練截止，獲取靜脈特征預測分類器。

5.根據權利要求1或2所述的訓練方法，其特征在于，所述基于所述標簽的目標分布以及所述標簽的預測分布，確定靜脈識別模型，包括：

確定標簽的目標分布與標簽的預測分布之間的損失值；

當所述標簽的目標分布與所述標簽 的預測分布之間的損失值小于預設閾值，訓練截止，確定靜脈識別模型。

6.一種靜脈圖像的識別方法，其特征在于，使用如權利要求1-5任一所述的訓練方法，所述識別方法包括：

獲取待識別圖像；

基于所述靜脈識別模型，確定所述待識別圖像中靜脈信息對應的身份類型概率；

基于所述身份類型概率，確定最終身份類型。

7.一種靜脈識別模型的訓練裝置，其特征在于，所述訓練裝置包括：

第一獲取模塊，用于獲取訓練圖像集；其中，所述訓練圖像集中包括多個類型的訓練圖像子集；且所述訓練圖像集中的每個訓練圖像中包含靜脈信息的標簽；所述標簽用于表征每個所述訓練圖像中靜脈信息對應的真實身份類型；

第一確定模塊，用于將任一類型的訓練圖像子集中的任一第一訓練圖像輸入靜脈特征預測分類器，確定第一訓練圖像對應的第一高維靜脈特征以及所述第一訓練圖像中標簽的預測分布，并根據所述預測分布確定對應的初始身份類型概率；

第二獲取模塊，將其他類型的多個訓練圖像子集中的任一第二訓練圖像輸入靜脈特征提取模型，獲取多個第二高維靜脈特征；

第二確定模塊，用于將所述第一高維靜脈特征與多個所述第二高維靜脈特征輸入圖神經網絡，確定所述第一訓練圖像中標簽的第一分布；

第三確定模塊，用于根據所述標簽的第一分布與所述第一訓練圖像的標簽，確定所述第一訓練圖像中標簽的目標分布，并基于所述標簽的目標分布以及所述標簽的預測分布，確定靜脈識別模型。