[发明专利]一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法

权利要求书

1.一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法，所述指静脉识别步骤如下：

A、连接指静脉的双侧红外采集设备，进行指静脉图像采集；

B、对指静脉图像进行预处理和边缘检测，确定手指的轮廓边缘，根据手指的轮廓边缘确定手指中线，根据中线的倾斜角度对指静脉图像进行方向矫正；根据手指关节高亮确定指静脉图像的ROI区域，截取ROI图像并进行归一化处理；

C、使用卷积神经网络提取经过归一化处理后的ROI图像的float型特征编码；

D、使用监督式离散哈希算法模型对提取到的float型特征编码进行二值化，获取指静脉图像的二进制特征编码，并作为指静脉的注册模板存储到指静脉数据库中；

E、对待识别的指静脉图像基于哈明距离的度量进行检索识别。

2.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法，其特征在于所述的步骤A具体为：

A1、客户机通过USB数据线与指静脉的双侧红外采集设备建立连接；

A2、客户机控制指静脉红外采集设备采集手指静脉的近红外图像并将指静脉的图像保存成本地的图像；

A3、在采集到的指静脉图像中，将手指指尖的方向记为x轴正方向，指关节方向记为y轴方向。

3.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法，其特征在于所述步骤B具体为：

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，增加指静脉图像中的静脉与背景的对比度；

B2、通过高斯滤波对增强后的指静脉图像进行滤波操作，减少噪声点的干扰，得到预处理后的指静脉图像；

B3、通过Sobel边缘检测算子检测预处理后的指静脉图像中手指的轮廓边缘；根据轮廓两侧的中点通过最小二乘法进行直线拟合，得到手指中线；

B4、计算手指中线的倾斜角度，根据倾斜角度将指静脉图像旋转至水平；

B5、根据手指的轮廓分割出手指图，对手指图在y轴上做投影，根据指静脉红外图上指关节高亮特点，确定手指关节的位置，截取手指关节所在线沿x轴正方向向前240个像素点所包含的静脉图像；

B6、在根据指关节截取的静脉图像中根据上下轮廓确定指静脉图像的ROI区域，截取ROI图像，所述ROI图像不包含轮廓且ROI图像的中线也是手指图的中线；

B7、对得到的ROI图像进行尺度的归一化。

4.根据权利要求1所述的一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法，其特征在于所述步骤C具体为：

C1、卷积神经网络通过一个个的Res2net模块组合而成，Res2net模块是由Resnet模块发展而来，采用更小的卷积组来替代Resnet模块中的3*3卷积层；首先通过将1*1卷积之后的特征图均分为s个特征图子集，每个特征图子集大小相等，但是通道数是输入特征图的1/s，对每个特征图子集X_i，有一个对应的3*3卷积K_i(·)，假设K_i(·)的输出是Y_i，接下来的每个特征图子集X_i会加上K_i-1(·)的输出，然后一起输入到K_i(·)；为了在增大s的同时，减少参数量，省去了X₁的3*3网络；这里改进了Res2net的结构，通过交叉连接，将所有的特征图子集的输出拼接起来，然后再送入下一层的1*1卷积层；卷积神经网络的输出层为一个线性变化层，损失函数使用Additive Angular Margin loss；

C2、训练模型时，采用公开的指静脉数据集和采集到的经过步骤B预处理后的数据集结合起来作为训练集和测试集，对训练集进行数据扩展；设置初始学习率为0.01，学习率的值根据训练次数的增加呈阶梯式下降；设置batch_size的大小为64；当测试集的准确率达到预定目标后，停止训练并将训练好的网络参数文件保存为.pb文件；

C3、对步骤B得到的ROI图像进行灰度归一化；

C4、加载卷积神经网络，读取训练好的网络参数文件，即步骤C2得到的.pb文件，包括各个网络层的权重值；将权重导入卷积神经网络，再将步骤B得到的归一化后的ROI图像输入卷积神经网络，输出float型特征编码。