[发明专利]基于Gabor神经网络的指静脉识别方法及系统

说明书

本发明公开了基于Gabor神经网络的指静脉识别方法及系统，包括：确定手指区域的上下边缘点集，细化边缘到一个像素宽度；从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；根据获得像素点坐标，对手指的旋转进行矫正，并将背景灰度值置0；获得ROI，宽度选择为原始图像0.73倍，上边缘截取时选择最下面的边缘坐标，下边缘截取时选择最上面的边缘坐标进行高度截取；对总计3816张636类静脉图像提取ROI后调整尺寸到同一的尺寸并进行保存；本发明中使用80*80的尺寸；使用Gabor神经网络进行静脉特征提取，Gabor神经网络即使用一组多方向的Gabor滤波器对网络中的卷积核进行调制，使用SoftMax分类器进行静脉图像的分类，K‑折交叉验证得到网络的平均准确率。

技术领域

本发明涉及机器学习、图像处理以及生物特征识别技术领域，具体涉及基于Gabor神经网络的指静脉识别方法及系统。

背景技术

指静脉识别是生物特征识别技术的一种，指静脉识别技术是依据血液流动可以吸收特点波长关系的特性，使用近红外光线照射手指，可以拍摄到侵袭的指静脉图像。由于指静脉特征难以被复制，并且每个人的指静脉特征都不相同，同时随年龄增长几乎不会发生变化，因此指静脉识别技术具有活体识别、安全性高、唯一性等特点，在公司门禁、酒店管理、政府机构、监狱门禁、医学鉴定等方面有着巨大的应用前景。

在指静脉识别或者验证过程中，采集静脉图像时由于光照不稳定，手指的旋转可能导致采集的图像质量参差不齐，所以需要一种对于光照以及手指旋转带来的误差比较鲁棒的算法使得指静脉识别能够在实际生活中应用。

卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器(hierarchical classifier)，也可以在精细分类识别(fine-grained recognition)中用于提取图像的判别特征以供其它分类器进行学习。Gabor滤波器其最主要的优势体现在对物体纹理特征的提取上以及对于图像的亮度和对比度变化上有较强的鲁棒性，并且它表达的是图像的局部特征。

发明内容

本发明要解决的技术问题在于，针对目前指静脉识别算法的不足，提供了基于Gabor神经网络的指静脉识别方法及系统来解决上述问题。

基于Gabor神经网络的指静脉识别方法，包括：

S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；

S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；

S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；

S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；

S5、对静脉感兴趣区域ROI进行resize，待匹配使用；

S6、对预设的多个类别的多张静脉图像使用S1-S5的步骤处理提取静脉感兴趣区域ROI并进行保存；

S7、特征提取使用Gabor卷积神经网络(GCN)，每个卷积核(即神经网络的权重)需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类。

S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。

进一步的，步骤S1具体包括：