[发明专利]基于CNN和双向VLAD的掌纹图像识别方法

权利要求书

1.基于CNN和双向VLAD的掌纹图像识别方法，其特征在于，包括以下步骤：

步骤1：采用深度学习法预训练CNN网络，运用预训练的CNN网络对给定数据库中的掌纹图像进行特征提取，将其中的一层掌纹卷积特征取出，形成三维特征图谱；

步骤2：基于步骤1，以三维特征图谱中表征图像同一位置的特征元素来构建纵向局部特征向量，并对这张图像的纵向CNN特征进行VLAD编码，获得纵向局部特征聚合描述向量；

步骤3：基于步骤1，以三维特征图谱中表征整幅掌纹图像的特征矩阵按行拉伸成向量作为横向局部特征向量，并对这张图像的横向CNN特征进行VLAD编码，获得横向局部特征聚合描述向量；

步骤4：基于步骤2和3，采用余弦距离对纵向局部特征聚合描述向量与特征向量模板进行纵向匹配计算，可计算获得纵向匹配分数，紧接着采用余弦距离对横向局部特征聚合描述向量与特征向量模板进行横向匹配计算，可计算获得横向匹配分数，然后在分数层对纵向和横向匹配分数进行融合，从而实现掌纹图像的识别。

2.根据权利要求1所述的基于CNN和双向VLAD的掌纹图像识别方法，其特征在于，所述步骤1的具体方法为：采用深度学习法预训练CNN网络，对于给定的一张掌纹图像，输入预训练的CNN网络，在第L_l个卷积层后可以得到一个三维的特征图谱M^l，大小为n^l×n^l×d^l，其中d^l是第L_l层的滤波器个数。

3.根据权利要求1所述的基于CNN和双向VLAD的掌纹图像识别方法，其特征在于，所述步骤2的具体方法为：对于步骤1中得到的掌纹图像，将其输入预训练的CNN网络后，在网络的第L_l卷积层得到的特征图谱M^l中可以取(n^l)²个d^l-维的纵向特征向量的集合，即特征矩阵对于其纵向局部特征向量会被分配到离它最近的聚类中心每一张图像所有的纵向局部特征向量与对应聚类中心的向量差值的集合即为纵向局部特征聚合描述向量

其中，是掌纹图像的一个纵向局部特征向量与其对应的聚类中心的向量差，k为聚类中心的个数，聚类中心的集合构成特征码本，它是基于一定数量掌纹图像的纵向特征矩阵F₁^l作为训练样本进行k-means聚类得到的。

4.根据权利要求1所述的基于CNN和双向VLAD的掌纹图像识别方法，其特征在于，所述步骤3的具体方法为：对于给定的一张掌纹图像，输入预训练的CNN网络，在网络的第L_l卷积层得到的特征图谱M^l可以取出d^l个(n^l)²-维的横向特征向量f_i^l的集合，即特征矩阵掌纹图像的横向局部特征向量会被分配到离此向量最近的聚类中心

然后得到一个(n^l)²×k-维的横向聚合描述特征向量

其中，是掌纹图像的一个横向局部特征向量与其对应的横向聚类中心的向量差；此外，横向聚类中心是由一定数量的掌纹图像的横向CNN特征作为训练样本进行k-means聚类得到。

5.根据权利要求1所述的基于CNN和双向VLAD的掌纹图像识别方法，其特征在于，所述步骤4的具体方法为：采用余弦距离对纵向局部特征聚合描述向量与特征向量模板进行纵向匹配计算，可计算获得纵向匹配分数，紧接着采用余弦距离对横向局部特征聚合描述向量与特征向量模板进行横向匹配计算，可计算获得横向匹配分数，然后采用平均分值融合的方法进行分数层的融合：

f_j＝(f₁+f₂)/2

其中f_j是融合之后的新得分，f₁是纵向编码特征，即纵向局部特征聚合描述向量，与特征向量模板的匹配分数，f₂横向编码特征，即横向局部特征聚合描述向量，与模特征向量模板的匹配分数。