[发明专利]一种基于Capsule的掌静脉特征提取方法

权利要求书

1.一种基于Capsule的掌静脉特征提取方法，其特征在于：通过构建基于Capsule的特征提取网络，对掌静脉图像进行特征提取，得到掌静脉特征向量，所述的基于Capsule的特征提取网络由3个模块构成，分别为卷积网络层、Capsule网络层和分类层：

(1)卷积网络层由1个卷积核为5x5的基础卷积层和3个Layer层构成，基础卷积层的Stride设置为2，降低计算量和卷积特征平面的维度，第一级Layer层由3个Block构成，第二级Layer层由4个Block构成，第三级Layer层由3个Block构成，三级Layer级联完成对掌静脉局部特征的提取；Layer层由两种Block构成，分别为BlockA和BlockB：

BlockA由1个3x3的基础卷积层、1个3x3的卷积层、1个1x1的卷积层、2个批量化层、1个求和层和1个激活函数层ReLU构成，包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路依次经过1个1x1的卷积层和1个批量化层，再将这两条通路对应通道求和，最后经过激活函数，输出给下一级网络，卷积核为3x3的基础卷积层和卷积核为1x1的卷积层，stride均设置为2，达到对卷积特征平面降维的功能，BlockA通过第二条通路引入残差网络；

BlockB由1个3x3的基础卷积层、1个3x3的卷积层、1个批量化层、1个求和层和1个激活函数层构成，BlockB也包括两条通路，第一条通路依次经过1个3x3的基础卷积层、1个3x3的卷积层和1个批量化层，第二条通路引入残差，最后将两条通路对应通道求和，最后经过一个激活函数层，作为下一级网络的输入；

BlockA处于Layer层的第一级，且只有1个，BlockB位于BlockA之后，在每个Layer层的设计中根据识别精度和速度设置不同个数的BlockB；

(2)Capsule网络层由1个权重矩阵层、1个转换矩阵层和1个L2量化层构成，Capsule层的输入来自卷积网络层，输入大小为14x14，深度为512，将每个位置的512维向量作为一个Capsule，构成196个Capsules，再经过权重矩阵层和转换矩阵层完成Capsule的转换；

(3)分类层由一个大小为8000的全连接层和一个Softmax层构成，用于将低维的特征向量映射到各自的类中心，通过Softmax层进行分类训练。

2.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(1)中所述的基础卷积层由1个卷积核大小为m×n的卷积层，一个批量化层和一个激活函数层构成，首先输入经过卷积核为m×n、Stride为s的卷积层，然后经过批量化层，最后经过一个激活函数层。

3.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(2)中的权重矩阵层具体实现公式如下：

u_j|i＝W_iju_i

其中，u_i表示第i个Capsule，W_ij表示Capsule u_i的权重矩阵，u_j|i表示变换后的Capsule；

转换矩阵层将低一级的Capsule u_j|i转换为高一级的Capsule S_j，具体实现公式2如下：

S_j＝∑_ic_iju_j|i

式中，c_ij表示低一级Capsule u_j|i与高一级的Capsule S_j之间的耦合系数，耦合系数c_ij通过路由协议机制产生。

4.根据权利要求1所述的一种基于Capsule的掌静脉特征提取方法，其特征在于：(2)中的L2量化层是对转换矩阵层最后输出的Capsule进行L2量化，作为掌静脉的特征向量，该特征向量的维度设置为512。