[发明专利]一种基于卷积神经网络和哈希编码的掌纹图像识别方法

权利要求书

1.一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，该方法包括下列步骤：

步骤1：采用预训练的卷积神经网络对给定数据集中的掌纹图像进行特征提取，取中间的一层掌纹卷积特征向量化形成高维卷积特征；

步骤2：基于步骤1的高维卷积特征，采用主成分分析的方法对其进行降维处理，得到低维的掌纹卷积特征；

步骤3：根据训练样本集的标签构造语义相似矩阵，采用有监督哈希编码的方法进行编码得到二进制哈希编码；

步骤4：基于步骤2和3得到的训练集掌纹图像的低维卷积特征和二进制哈希编码，训练一个分类器，将基于步骤1和2得到的测试集的低维卷积特征输入到该分类器中，得到待识别样本的哈希编码，通过与掌纹数据库进行汉明匹配，从而实现高精度的掌纹图像识别。

2.根据权利要求1所述的一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，在步骤1和2中，对于给定数据集的掌纹图像，输入预训练的卷积神经网络，将得到的卷积层的特征图谱M∈R^h×w×c向量化为高维卷积特征F∈R^N×(h×w×c)，其中N表示掌纹图像个数，h、w和c分别代表特征图谱的高、宽及个数，然后利用主成分分析的方法对得到的高维卷积特征进行降维操作，得到低维的掌纹卷积特征X∈R^N×n，其中n表示低维卷积特征的维度。

3.根据权利要求1所述的一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，在步骤3中，哈希编码根据有监督的哈希编码模型：

minB||qL-BBT||F2]]>

其中，||·||_F表示F范数，B表示哈希编码矩阵，L表示语义相似矩阵，q表示编码的长度；

在此编码模型的基础上，进一步改进，得到最终的哈希编码优化模型：

minBM,BZ||qL~Z-BZ[BM]T||F2+||qL~M-BM[BM]T||F2]]>

其中，B＝[B^Z,B^M]，

通过迭代优化上述模型，得到最终训练集掌纹图像的哈希编码B_train。

4.根据权利要求1所述的一种基于卷积神经网络和哈希编码的掌纹图像识别方法，其特征在于，在步骤4中，根据训练集的低维卷积特征X_train，训练一个线性q位二进制分类器，最终达到识别的目的。