[发明专利]一种基于FCN全卷积网络的指静脉识别方法

权利要求书

1.一种基于FCN全卷积网络的指静脉识别方法，其特征在于包括如下步骤：

A、连接指静脉采集设备，进行图像采集；

B、通过预处理减少图像数据的噪声；

C、提取预处理后的图像的ROI感兴趣区域；

C1、通过两个对称的边缘检测算子检测预处理后的图像中手指的轮廓边缘点，利用最小二乘法分别对左边缘点和右边缘点进行直线拟合，得到两条手指的边缘线；

C2、对C1中所述的两条边缘线取均值，得到手指骨线；手指骨线与x轴正方向之间的夹角记为手指偏转的角度α，将图像旋转α将图像矫正至水平；

C3、去除两条边缘线以外的数据，只截取保留两条边缘线中间的手指图像区域；

C4、遍历x轴方向，统计对应的y轴上所有像素值的和，y轴上像素值的和最大处对应的x坐标为手指关节的位置，记为

C5、截取往x轴正方向240像素点的区域并尺度归一化到同一大小作为所要提取的ROI感兴趣区域；

D、FCN全卷积网络检测ROI图像的静脉点和背景点；

D1、读取参数文件，解析FCN全卷积网络模型，加载模型参数；

D2、将C中提取的ROI图像输入FCN网络层，进行卷积、池化和反卷积交替处理，输出原图大小的特征图；

D3、特征图包含了FCN对图像进行像素级的分类，输出特征图上的每个元素包含一个二维向量对该向量做softmax计算，记为分别表示该像素点为静脉点和背景点的概率；

D4、取特征图的每个中概率最大的分类作为该像素点的类别，并用像素值255表示静脉点，像素值0表示背景点描绘在输入图像上，记为

E、将FCN检测后的图像在指静脉数据库中进行检索识别。

2.根据权利要求1所述的基于FCN全卷积网络的指静脉识别方法，其特征在于：所述的步骤A包括：

A1、通过数据线连接客户机与指静脉采集设备，扫描并连通客户机和指静脉采集设备；

A2、指静脉采集设备采集手指静脉的近红外图像；

A3、近红外图像中，记手指指尖的方向为x轴正方向，指关节方向为y轴方向。

3.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法，其特征在于：所述步骤B包括：

B1、利用对比度受限的自适应直方图均衡化对指静脉图像进行初步的图像增强，增加静脉与背景的对比度；

B2、利用中值滤波和均值滤波对增强后的图像进行滤波减少噪声对图像的影响。

4.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法，其特征在于：所述步骤D具体为：

D1、FCN网络将CNN的第6层和第7层4096维的一维向量，第8层1000维的一维向量转换成卷积层，卷积核的大小分别为(4096，1，1)、(4096，1，1)、(1000，1，1)；前5层卷积层和中间的池化层保持不变；经过5次卷积和pooling以后，图像的分辨率依次缩小了2，4，8，16，32倍；对于最后一层卷积的输出图像，进行32倍的上采样，得到原图一样的大小；所述上采样是通过反卷积实现；再将第4层的输出和第3层的输出也依次反卷积，分别需要16倍和8倍上采样，结合这三层的特征图得到跟原图一样大小的指静脉特征图；

D2、训练模型时，采用公开的指静脉数据集和采集的经过C步骤预处理过的数据集一起作为训练集和验证集；对于训练集进行数据增强和数据扩展，来训练FCN网络，并设置初始学习率为0.001，学习率的值随训练次数成指数下降，设置batch size大小为128；当损失降到0.002时，停止训练网络模型，最后将训练好的模型保存为.pb文件；

D3、加载FCN全卷积网络，读取训练好的参数文件，即.pb文件，包括各个网络层的权重值，将权重值导入FCN网络，再将C步骤得到的ROI图像输入已经加载完了的FCN模型，输出原图大小的特征图，特征图包含了FCN对图像进行像素级的分类，输出特征图上的每个元素包含一个二维向量对该向量做softmax计算，记为分别表示该像素点为静脉点和背景点的概率；

D4、取特征图的每个中的两个概率值，最大的值作为该像素点的类别，并用像素值255表示静脉点，像素值0表示背景点得到静脉图像的二值图。

5.根据权利要求1所述的一种基于FCN全卷积网络的指静脉识别方法，其特征在于：所述步骤E包括：

E1、在注册阶段，通过步骤A采集指静脉图像，并进一步用步骤B、C、D提取输出图像录入数据库完成注册；

E2、在识别阶段，通过步骤A、B、C、D提取待识别指静脉的特征图并在数据库中已注册的特征图模板库中进行匹配，取相似度最高且超过一定阈值的作为识别结果；

E3、模板匹配的相似度采用待识别图像和模板图像的匹配分数表示，由于和的尺寸是相同的，遍历所有点，其中任意一点(x，y)在和中均为背景点，则匹配分数增加w₀，若该点均为静脉点，则匹配分数增加w₁，否则不增加匹配分数。