[发明专利]一种基于神经网络模型的手指静脉识别方法及系统

说明书

技术领域

本发明涉及生物识别技术领域，尤其涉及一种基于神经网络模型的手指静脉识别方法及系统。

背景技术

生物识别技术(biometrics),即依据人本身的生理特征与行为特征来区分个体。通用的身份鉴别手段如签名、语音、指纹等存在易伪造，易损，易变换问题，以及虹膜、DNA、掌形等存在近距离与不友好等问题。指静脉的生物特征信息提取与匹配识别技术研究可以很好的克服这些缺点，并提高生物识别系统精度、安全性、便捷性。结合图像处理技术、机器学习技术、嵌入式技术、数字信号处理技术、COS开发技术，可以便捷的进行进行系统集成、平台移植。因此，手指静脉识别技术成为目前生物特征识别家族中前最看好的重要成员之一，并在楼宇门禁、银行、ATM存取款机、PC登录、汽车安全等领域得到应用。

但是指静脉识别技术仍然存在着诸多不足。由于指静脉多采用红外成像方式，采集到的图像光照变化幅度较大，对匹配识别造成很大困难。此外大多匹配识别率较高的识别系统进行特征提取与匹配需要涉及大量计算，在实验中要调整各项关键参数。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于神经网络模型的手指静脉识别方法及系统，可以较大程度解决指静脉识别系统对于光线变化的问题，提高了对噪声的冗余性，并且在匹配阶段使用神经网络提高了匹配精确度。

为了解决上述技术问题，本发明提供了一种基于神经网络模型的手指静脉识别方法，所述手指静脉识别方法包括：

获取待识别用户的手指静脉图像信息；

对所述手指静脉图像信息进行图像信息预处理，获取预处理后图像信息；

对所述预处理后图像信息进行降维局部二元特征提取处理，获取待识别用户的手指静脉特征信息；

采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理，识别所述待识别用户的身份信息。

优选地，所述对获取的手指静脉图像信息进行图像信息预处理，包括：

对所述手指静脉图像信息灰度化处理，获取灰度化图像信息；

对所述灰度化图像信息进行滤波降噪处理，获取降噪后灰度化图像信息；

对所述降噪后灰度化图像信息进行归一化处理，获取归一化处理结果。

优选地，所述对所述降噪后灰度化图像信息进行归一化处理，包括：

采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理，处理后所述每个像素点的灰度值在[0,255]范围；

采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理，处理后的所述图像尺寸大小在64*64范围。

优选地，所述对所述预处理后图像信息进行降维局部二元特征提取处理，包括：

将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理，获取16个图像分块，每个图像分块的像素为16*16；

采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较，若所述领域像素大于所述像素则设置为0，反之设置为1，获取8位的二进制数作为对应图像分块的256维特征；

对每个图像块的256维特征进行降维处理，处理后每个图像块为59维特征；

对所述处理后每个图像块为59维特征进行直方图计算处理，处理后为降维LBP直方图；

对所述降维LBP直方图进行归一化处理，获取归一化降维LBP直方图；

串联每个图像块的归一化降维LBP直方图，获取串联特征向量数据；

对所述串联特征向量数据进行归一化处理，处理后每个特征向量数据为[0,0.5]。

优选地，所述采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理，包括：

将获取的所述待识别用户的指静脉特征信息输入通过深度信念网络训练的神经网络模型进行匹配处理，输出待识别用户的匹配结果，识别所述待识别用户的身份信息。

优选地，所述通过深度信念网络训练的神经网络模型的训练步骤，包括：

获取待训练用户的手指静脉图像信息；

对所述待训练用户的手指静脉图像信息进行图像信息预处理，获取预处理后待训练图像信息；

对所述预处理后待训练图像信息进行降维局部二元特征提取处理，获取待训练用户的手指静脉特征信息；

采用深度信息网络对神经网络进行参数初始化处理，获取参数初始化神经网络；

将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练，获取深度信念网络训练的神经网络模型。