[发明专利]基于Multiple loss损失函数的指静脉验证身份的识别方法

权利要求书

1.一种基于Multiple loss损失函数的指静脉验证身份的识别方法，具体步骤为：

1)采集至少二人的指静脉样本图像，每个手指至少采集两个的图像；

2)将采集到的静脉样本图像分为三组：锚点组：取识别对象的指静脉图像做为锚点、positive组：取与识别对象同一人的另外一张指静脉图像为正样本组、negative组：取与识别对象不同人的一张指静脉图像为负样本组；

3)以上三组数据放入深度残差网络中进行训练，使用Multiple loss得到embeddings向量；

4)计算两两embeddings的欧式距离，距离近的为同一人，距离远的为不同人。

2.如权利要求1所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，所述3)中使用Multiple loss学到的是一个好的embedding，相似的图像在embedding空间里是相近的，判断是否是同一人。

3.如权利要求1所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，所述3)向深度残差网络输入一个三元组<a,p,n>；a点，p:正样本，与a是同一类别的样本，n:负样本,与a是不同类别的样本。

4.如权利要求1所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，所述4)采用公式为：L＝max(d(a,p)-d(a,n))+margin,0)，最终的优化目标是拉近a,p的距离，拉远a,n的距离，easy multiples:L＝0即d(a,p)+margin＜d(a,n)，情况不需要优化，天然a,p的距离近，a,n的距离远hard multiples:d(a,n)＜d(a,p)，即a,p的距离远semi-hard multiples:d(a,p)＜d(a,n)＜d(a,p)＜d(a,p)+margin,即a,n的距离靠的近，但是有一个margin，上述模型中是随机选取semi-hard multiples和/或hard multiples进行训练。

5.如权利要求1所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，所述3)采取的训练方法为：从训练集中抽取B个样本，然后计算B个embeddings，可以产生B³个multiples，其中包括非法的数据。

6.如权利要求5所述基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，它还包括使用策略：Batch All:计算batch_size中所有合法的hard multiple和semi-hard multiple，然后取t平均得到Loss。

7.如权利要求6所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，它进一步包括计算两两embeddings的距离:

8.如权利要求7所述的基于Multiple loss损失函数的指静脉验证身份的识别方法,其特征在于，它还包括计算valid mask,labels[i]＝＝labels[j]和labels[i]！＝labels[k]。

9.如权利要求8所述的基于Multiple loss损失函数的指静脉验证身份的识别方法,其特征在于，它进一步包括计算multipleloss＝anchorpositivedist-anchornegative_dist+margin。

10.如权利要求7所述的基于Multiple loss损失函数的指静脉验证身份的识别方法，其特征在于，所述计算embedding mean norm中每一行embedding公式为：