[發明專利]基于融合深度網絡的掌紋識別方法

有效

• 申請號: 202111330782.1
• 申請日: 2021-11-11
• 公開（公告）號: CN114022914B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 姚克明;王羿;王小蘭;王田虎
• 申請（專利權）人: 江蘇理工學院
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06N3/0464;G06N3/08
• 代理公司: 常州興瑞專利代理事務所(普通合伙) 32308
• 代理人: 張秋月

本發明公開了一種基于融合深度網絡的掌紋識別方法，方法步驟中包含：構建掌紋圖像數據集及用于掌紋識別的M?CNN網絡模型；使用掌紋圖像數據集對M?CNN網絡模型進行訓練，根據訓練結果對M?CNN網絡模型進行優化調整，保存訓練完成的模型及權重，得到改進M?CNN網絡模型，并將輸出的特征向量對應存入樣本庫內以用作后續匹配識別；使用改進M?CNN網絡模型對需要識別的目標掌紋圖像進行檢測匹配識別，獲得識別目標身份信息。本發明可對掌紋身份進行高效、準確識別。

技術領域

本發明涉及一種基于融合深度網絡的掌紋識別方法。

背景技術

隨著科學與技術的快速發展，全球對信息安全的重視程度日益增長。而作為信息安全領域重要的一環——身份實名認證，就顯得尤為重要。傳統的身份識別方法如密碼、證件等已經跟不上社會發展的需要。人體生物特征由于其唯一性、普適性、安全性等優點成為未來身份認證的趨勢。掌紋由于其具有唯一性和終生不變性的特點且具有豐富的用于身份認證的信息，掌紋圖像采集也很方便，用戶接受程度高，因此基于掌紋的身份識別具有相當大的價值與意義。

掌紋圖像的特征提取對于掌紋圖像的識別至關重要，現有的掌紋特征提取方法大多是基于紋理的特征提取方法、基于結構的特征提取方法、基于編碼的特征提取方法以及基于子空間的特征提取方法等。但這些傳統的方法都需要人為設計特征，計算量大，實現起來也比較復雜。

近年來深度學習在圖像識別方面應用十分廣泛，它具有很強的自學習能力能夠自動提取特征，學習得到適合的特征提取器和分類器，算法結構及運算相當簡潔，可遷移性強，對圖像噪聲的魯棒性與泛化能力強，已經受到生物識別領域的青睞。

發明內容

本發明所要解決的技術問題是克服現有技術的缺陷，提供一種基于融合深度網絡的掌紋識別方法，它可對掌紋身份進行高效、準確識別。

為了解決上述技術問題，本發明的技術方案是：一種基于融合深度網絡的掌紋識別方法，方法步驟中包含：

構建掌紋圖像數據集及用于掌紋識別的M-CNN網絡模型；

使用掌紋圖像數據集對M-CNN網絡模型進行訓練，根據訓練結果對M-CNN網絡模型進行優化調整，保存訓練完成的模型及權重，得到改進M-CNN網絡模型，并將輸出的特征向量對應存入樣本庫內以用作后續匹配識別；

使用改進M-CNN網絡模型對需要識別的目標掌紋圖像進行檢測匹配識別，獲得識別目標身份信息。

進一步，構建掌紋圖像數據集的方法步驟中包含：

獲得多個掌紋圖像，定位得到掌紋感興趣區域圖像；

對掌紋感興趣區域圖像進行處理，并提取對應特征圖；

對每張掌紋感興趣區域圖像和對應特征圖進行身份信息的分類標記，獲得帶有身份信息的掌紋圖像數據，多個掌紋圖像數據形成掌紋圖像數據集。

進一步，獲得多個掌紋圖像的方法步驟中包含：

使用公開的掌紋圖像和/或使用圖像采集設備拍攝掌紋圖像。

進一步，對掌紋感興趣區域圖像進行處理的方法步驟中包含：

對掌紋感興趣區域圖像進行去噪、掌紋圖像信息增強、灰度化、歸一化及旋轉。

進一步，通過改進圓形LBP算法提取處理后的掌紋感興趣區域圖像的對應特征圖，改進圓形LBP算法為：

以所選像素點為圓心，在半徑為R的圓形鄰域內取P個采樣點，通過式(1)計算每個采樣點的坐標；

x_p＝x_c+R*cos(2πp/P)，y_p＝y_c-R*sin(2πp/P)???(1)