[发明专利]一种基于属性学习的手指静脉识别方法及装置

说明书

本发明公开了一种基于属性学习的手指静脉识别方法及装置，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；针对手指静脉的特点设计可解释性属性，在训练集中分别针对每个可解释性属性建立其对应的属性学习模型用于获取可解释性属性的值；为了进一步提高特征的区分性，提出了基于区分性辅助branch的卷积神经网络作为区分性属性的学习模型，并设计新的Inter‑intra损失函数，增强区分性属性学习模型的区分性；获取待识别图像，根据全部属性学习模型确定待识别图像的属性特征，进行手指静脉识别。相比较传统的特征，本发明提出的方法提高现有特征的可解释性，识别精度以及识别效率。

技术领域

本发明属于手指静脉识别的技术领域，涉及一种基于属性学习的手指静脉识别方法及装置，尤其是涉及一种基于可解释性属性学习和区分性属性学习的手指静脉识别方法及装置。

背景技术

近年来，生物识别在信息安全、电子商务等领域起着越来越重要的作用。手指静脉作为一种新兴的生物特征受到越来越多研究者的关注。相比较指纹、人脸等较为成熟的生物特征，手指静脉具有内部特征、活体识别、非接触式采集，采集设备体积小且成本较小等优点。鉴于手指静脉的这些优点，手指静脉识别技术已广泛应用到考勤、汽车锁、ATM等领域。

传统的手指静脉识别技术主要包括图像增强，特征提取，分类等过程。图像增强主要用于增强图像的质量、去除噪声。特征提取用于提取图像的量化特征，表示图像的特点。分类则是基于提取的图像特征进行身份识别。在整个过程中，特征提取是关键一环，特征提取的好坏直接影响到下一步的识别性能。

例如，现有的手指静脉识别领域中的特征提取主要分为基于纹理的特征提取、基于纹路的特征提取、基于学习的特征提取、基于融合特征的提取等四类方法。基于纹理的特征提取方法主要提取指静脉的纹理信息。基于纹路的特征提取方法主要提取指静脉的拓扑结构信息。基于学习的特征提取方法通过机器学习方法从已有的数据中学习相关的特征。基于融合特征的提取方法则是将各种特征进行融合来提高识别精度。

虽然现有的特征在一定程度上都能取得较好的效果，然而这些特征仍存在一定的局限性：

(1)可解释性较差。很难根据提取的特征直观地判断其所代表的物理意义。而增强特征的可解释性，让人更容易理解，对让人接受手指静脉识别具有重要的意义。

(2)忽略了特征的区分性。现有的方法在提取图像特征时，并未考虑到图像特征之间的区分性。而图像特征的区分性信息对于提高最后的手指静脉识别性能具有重要的意义。

综上所述，现有技术在手指静脉识别中如何直观地对图像特征进行表示、提高图像特征之间的分区性的问题，以及如何提高手指静脉识别的识别精度和识别效率的问题，尚缺乏有效的解决方案。

发明内容

针对现有技术中存在的不足，解决现有技术在手指静脉识别中如何直观地对手指静脉识别中特征进行表示、提高手指静脉识别中特征之间的分区性的问题，以及如何提高手指静脉识别的识别精度和识别效率的问题，本发明提供了一种基于属性学习的手指静脉识别方法及装置，相比较传统的手指静脉识别中提取的特征，本发明有效提高现有手指静脉识别中特征的可解释性和图像特征之间的分区性，有效提高手指静脉识别的识别精度以及识别效率。

本发明的第一目的是提供一种基于属性学习的手指静脉识别方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种基于属性学习的手指静脉识别方法，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。