[发明专利]一种基于自学习的指静脉特征提取方法及系统

权利要求书

1.一种基于自学习的指静脉特征提取方法，其特征在于，所述指静脉特征提取方法包括：

对获取到的待识别指静脉图像进行预处理，获取预处理后的待识别指静脉图像；

采用自编码神经网络模型对所述预处理后的待识别指静脉图像进行特征提取处理，获取待识别的指静脉特征。

2.根据权利要求1所述的基于自学习的指静脉特征提取方法，其特征在于，所述对获取到的待识别指静脉图像进行预处理，包括：

对所述待识别指静脉图像进行灰度化处理，获取灰度化处理后的指静脉图像；

对所述灰度化处理后的指静脉图像进行降噪处理，获取降噪处理后的指静脉图像；

对所述降噪处理后的指静脉图像的大小进行归一化处理，将所述降噪处理后的指静脉图像的大小归一化到[60,80]。

3.根据权利要求1所述的基于自学习的指静脉特征提取方法，其特征在于，所述自编码神经网络模型的训练过程包括：

构建自编码神经网络，所述自编码神经网络包括输入层、隐藏层和输出层；

采用稀疏性参数对所述自编码神经网络隐藏层的神经元进行抑制处理，获取抑制处理后的自编码神经网络；

采用待训练样本图像集对所述抑制处理后的自编码神经网络进行训练处理，获取所述自编码神经网络模型。

4.根据权利要求3所述的基于自学习的指静脉特征提取方法，其特征在于，所述采用稀疏性参数对所述自编码神经网络隐藏层的神经元进行抑制处理，包括：

计算所述自编码神经网络隐藏层的神经元平均活跃度；

令所述稀疏性参数等于所述神经元平均活跃度；

采用额外惩罚因子使得所述神经元中与所述稀疏性参数差值较大的平均活跃值保持在较小的范围，获取抑制处理后的自编码神经网络。

5.根据权利要求3所述的基于自学习的指静脉特征提取方法，其特征在于，所述采用待训练样本图像集对所述抑制处理后的自编码神经网络进行训练处理，包括：

对所述输入层、所述隐藏层和所述输出层的各层之间连接参数和偏置节点参数设置为零；

采用所述待训练样本图像对所述述抑制处理后的自编码神经网络进行一步训练，获取所述各层之间连接参数和所述偏置节点参数的变化值；

根据所述变化值更新所述各层之间连接参数和偏置节点参数；

判断进行一步训练时，训练过程中的代价函数是否小于阈值，若是，结束训练，若否，返回一步训练步骤，继续进行训练处理；所述阈值为3*10^-7。

6.根据权利要求5所述的基于自学习的指静脉特征提取方法，其特征在于，所述采用所述待训练样本图像对所述述抑制处理后的自编码神经网络进行一步训练，包括：

采用反向传播算法计算所述各层之间连接参数的残差和所述偏置节点的残差；

根据计算获得的所述各层之间连接参数残差和所述偏置节点的残差进行变化值计算，获取所述各层之间连接参数的变化值和所述偏置节点的变化值。

7.根据权利要求6所述的基于自学习的指静脉特征提取方法，其特征在于，所述采用反向传播算法计算所述各层之间连接参数的残差和所述偏置节点的残差，包括：

对所述各层之间连接参数和所述偏置节点进行前馈传导计算，获取所述隐藏层的激活值和所述输出层的激活值；

对所述输出层的激活值的每个节点输出单元的残差进行计算，获取所述输出层的激活值的每个节点残差；

对所述隐藏层的激活值的每个节点输出单元的残差进行计算，获取所述隐藏层的激活值的每个节点残差；

根据所述输出层的激活值的每个节点残差和所述隐藏层的激活值的每个节点残差进行偏导数计算，获取所述各层之间连接参数和所述偏置节点参数的变化值；

所述每个节点残差包括所述各层之间连接参数的残差和所述偏置节点的残差。

8.根据权利要求1所述的基于自学习的指静脉特征提取方法，其特征在于，所述采用自编码神经网络模型对所述预处理后的待识别指静脉图像进行特征提取处理，包括：

将所述预处理后的待识别指静脉图像输入所述自编码神经网络模型中；

通过所述自编码神经网络模型中的隐藏层中的隐藏单元在所述预处理后的待识别指静脉图像不同位置和方向进行边缘检测，提取指静脉特征；

将提取到的所述指静脉特征通过所述自编码神经网络模型的输出层输出表示。