[发明专利]一种基于属性学习的手指静脉识别方法及装置

权利要求书

1.一种基于属性学习的手指静脉识别方法，其特征在于，该方法包括：

获取手指静脉图像库，进行数据增广形成训练集；

预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；

获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别；从训练集中获取可解释性属性无法区分的用户的手指静脉图像；构造与无法区分的用户数量相同的区分性属性，分别用于区分一个用户与其他用户；

采用最小化的最小二乘损失函数和间内损失函数计算分区性辅助分支参数，建立引入分区性辅助分支的区分性属性学习模型；

根据全部属性学习模型确定待识别图像的属性特征的具体步骤包括：

将待识别图像输入全部属性学习模型中，所述全部属性学习模型包括每个可解释性属性对应的可解释性属性学习模型和区分性属性学习模型；

根据全部属性学习模型的输出结果得到待识别图像的属性特征。

2.如权利要求1所述的方法，其特征在于，在本方法中，进行数据增广形成训练集的具体步骤包括：

进行数据增广形成训练集的具体步骤包括：

分别将手指静脉图像库中的每一幅训练图像中进行加噪和旋转处理得到新的训练图像；在进行加噪和旋转处理时对手指静脉图像库中的每一幅训练图像进行不同参数的设置；

将新的训练图像加入手指静脉图像库中，形成训练集。

3.如权利要求2所述的方法，其特征在于，在本方法中，根据手指静脉的特点预设若干可解释性属性，采用卷积神经网络作为可解释性属性学习模型，具体步骤包括：

根据手指静脉的特点预设若干可解释性属性，可解释性属性的属性值作为训练图像的标签；

根据训练和其对应的标签，采用卷积神经网络模型进行训练，获得可解释性属性学习模型。

4.如权利要求1所述的方法，其特征在于，在本方法中，所述最小二乘损失函数包括用于保证训练误差最小的拟合项和用于提高网络泛化能力的正则化项；

所述间内损失函数包括用于保证最小化类内差异性的拟合项和用于最大化类间的差异的正则化项。

5.如权利要求1所述的方法，其特征在于，采用随机梯度下降法对最小二乘损失函数和间内损失函数进行优化求解。

6.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备设备的处理器加载并执行以下处理：

获取手指静脉图像库，进行数据增广形成训练集；

预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；

获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别；

从训练集中获取可解释性属性无法区分的用户的手指静脉图像；构造与无法区分的用户数量相同的区分性属性，分别用于区分一个用户与其他用户；

采用最小化的最小二乘损失函数和间内损失函数计算分区性辅助分支参数，建立引入分区性辅助分支的区分性属性学习模型；

根据全部属性学习模型确定待识别图像的属性特征的具体步骤包括：

将待识别图像输入全部属性学习模型中，所述全部属性学习模型包括每个可解释性属性对应的可解释性属性学习模型和区分性属性学习模型；

根据全部属性学习模型的输出结果得到待识别图像的属性特征。

7.一种基于属性学习的手指静脉识别装置，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行以下处理：

获取手指静脉图像库，进行数据增广形成训练集；

预设手指静脉图像对应的可解释性属性和区分性属性，在训练集中分别针对每个可解释性属性和区分性属性建立其对应的属性学习模型；

获取待识别手指静脉图像，根据全部属性学习模型确定待识别手指静脉图像的属性特征，进行手指静脉识别；

从训练集中获取可解释性属性无法区分的用户的手指静脉图像；构造与无法区分的用户数量相同的区分性属性，分别用于区分一个用户与其他用户；

采用最小化的最小二乘损失函数和间内损失函数计算分区性辅助分支参数，建立引入分区性辅助分支的区分性属性学习模型；

根据全部属性学习模型确定待识别图像的属性特征的具体步骤包括：

将待识别图像输入全部属性学习模型中，所述全部属性学习模型包括每个可解释性属性对应的可解释性属性学习模型和区分性属性学习模型；

根据全部属性学习模型的输出结果得到待识别图像的属性特征。