[發(fā)明專利]基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法

在審

• 申請?zhí)枺?/td>: 202210695658.3
• 申請日: 2022-06-20
• 公開（公告）號: CN115063845A
• 公開（公告）日: 2022-09-16
• 發(fā)明（設計）人: 田聯(lián)房;鐘明通;杜啟亮
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/14
• 分類號: G06V40/14;G06V10/25;G06V10/44;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產(chǎn)權代理有限公司 44245
• 代理人: 馮炳輝

本發(fā)明公開了一種基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法，包括：1)獲取數(shù)據(jù)庫中指靜脈圖像的ROI區(qū)域并處理，得到訓練數(shù)據(jù)；2)構造輕量級指靜脈的特征提取網(wǎng)絡，輸出指靜脈特征向量；3)將指靜脈特征向量輸入深度哈希網(wǎng)絡得到哈希編碼；4)為特征提取網(wǎng)絡訓練設計損失函數(shù)L_f；5)為深度哈希網(wǎng)絡訓練設計量化損失L_q；6)輸入訓練數(shù)據(jù)，對網(wǎng)絡訓練；7)將訓練數(shù)據(jù)輸入到訓練好的網(wǎng)絡中，得到對應的哈希編碼并保存，得到哈希編碼庫；8)輸入待識別指靜脈數(shù)據(jù)到訓練好的網(wǎng)絡得到哈希編碼，并在哈希編碼庫進行檢索識別。本發(fā)明解決了現(xiàn)有的深度學習指靜脈識別模型結構復雜且特征提取與哈希編碼非端到端的問題。

技術領域

本發(fā)明涉及指靜脈識別的技術領域，尤其是指一種基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法。

背景技術

指靜脈識別是一種生物特征識別技術，它通過采集手指內部的靜脈分布圖像來進行身份識別。指靜脈識別流程包括圖像獲取、預處理、特征提取、識別匹配四個階段。傳統(tǒng)方法的指靜脈特征提取通過獲取指靜脈圖像局部或者全局紋路及紋理特征來進行識別，容易受到圖像質量影響導致識別效果不好。而深度學習具有更強的表達能力，卷積神經(jīng)網(wǎng)絡能夠自動獲取指靜脈圖像不同層次的語義特征，對圖像質量的魯棒性更強。

但是，現(xiàn)階段基于深度學習的指靜脈特征提取模型往往層數(shù)很多、結構復雜度高，一方面會出現(xiàn)因為指靜脈數(shù)據(jù)集不夠規(guī)模導致模型過擬合的問題，另一方面也存在因為內存消耗和時間消耗過大導致速度慢的問題。同時，由于基于深度學習的指靜脈特征提取網(wǎng)絡提取的實值特征用于識別匹配計算復雜度高、內存消耗大，因此需要對實值特征進行哈希編碼二值化為二值特征。當前指靜脈特征哈希編碼的方法集中于非深度學習方法，即基于深度學習的特征提取與非深度學習的哈希編碼兩個過程獨立，不是端到端的模型。因此，設計一個端到端的輕量級特征提取及深度哈希編碼網(wǎng)絡成為亟待解決的問題。

綜上，發(fā)明一種基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法，具有較高實際應用價值。

發(fā)明內容

本發(fā)明的目的在于克服現(xiàn)有技術的缺點與不足，提出了一種基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法，搭建一個輕量級指靜脈的特征提取網(wǎng)絡對指靜脈進行特征提取，為減少網(wǎng)絡復雜度，只利用3個block結構搭建網(wǎng)絡，并且在每個block采用深度可分離卷積和點卷積來取代一個卷積層，為了充分利用特征信息，對每個block輸出特征圖進行復用，使得特征提取網(wǎng)絡能夠充分獲取靜脈信息，設計基于三元組的損失函數(shù)Triplet loss及基于中心的損失函數(shù)Center loss對特征提取網(wǎng)絡進行優(yōu)化。在深度哈希網(wǎng)絡中，在特征提取網(wǎng)絡基礎上，創(chuàng)新性的引入1×1卷積+tanh激活函數(shù)來做哈希量化編碼，減少參數(shù)數(shù)量的同時也實現(xiàn)特征提取網(wǎng)絡與深度哈希網(wǎng)絡的端到端。

為實現(xiàn)上述目的，本發(fā)明所提供的技術方案為：基于輕量級網(wǎng)絡及深度哈希的指靜脈識別方法，包括以下步驟：

1)獲取數(shù)據(jù)庫中指靜脈圖像的ROI區(qū)域，進行標準化操作，得到訓練數(shù)據(jù)；

2)構造block結構，利用block結構搭建輕量級指靜脈的特征提取網(wǎng)絡，該網(wǎng)絡有3個block結構，通過對3個block輸出特征圖進行復用，再經(jīng)過全局最大池化得到指靜脈特征向量；

3)構造深度哈希網(wǎng)絡，對步驟2)得到的指靜脈特征向量進行編碼得到哈希編碼向量；

4)為步驟2)中特征提取網(wǎng)絡訓練設計損失函數(shù)L_f，包括基于三元組的損失Triplet loss及基于中心的損失Center loss；

5)為步驟3)深度哈希網(wǎng)絡訓練設計基于三元組的量化損失L_q；

6)輸入訓練數(shù)據(jù)，對步驟2)特征提取網(wǎng)絡及步驟3)深度哈希網(wǎng)絡進行訓練，根據(jù)L_f、L_q分別對特征提取網(wǎng)絡及深度哈希網(wǎng)絡進行參數(shù)優(yōu)化更新；