[发明专利]基于R2U-Net的手指静脉分割方法、装置和存储介质

说明书

本发明公开了一种基于R2U‑Net的手指静脉分割方法、装置和存储介质，在编解码单元中，用具有残差单元的循环卷积层来代替规则的前向卷积层，使用循环卷积层的残差单元有助于建立一个更有效的更深层的模型，而其中的循环卷积层单元包含了有效的特征累积方法，不同时间步长的特征积累保证了更好、更强的特征表示。因此，它有助于提取非常低层次的特征，这些特征对于手指静脉的分割是必不可少的。在神经网络训练过程中，一方面在每张图像中随机选择其中心获得子块来进行数据扩充；另一方面将综合六种传统方法附以不同权重提取到的纹路作为金标准，该方法可以充分发挥每种传统提取纹路的优势，弥补劣势。

技术领域

本发明涉及神经网络技术领域，尤其是一种基于R2U-Net的手指静脉分割方法、装置和存储介质。

背景技术

近年来，随着人们对生物识别系统安全性和准确性的要求越来越高，生物特征识别技术得到越来越多的关注。手指静脉识别作为众多生物特征识别技术中的一种，由于具有非接触式采集、活体检测、不易伪造、成本较低等优点，成为当前研究的热点。而手指静脉图像血管的分割是指静脉识别技术中的一个关键步骤，分割效果的优劣直接影响后续识别的精度和准确度。

在实际应用中，拍摄采集到的图像不仅含有静脉纹路，还含有不规则的噪声、手指骨骼和肌肉的不同厚度所产生的阴影。此外，手指静脉会随着温度或物理条件的变化而变化，因此很难精确地提取静脉血管的细节。传统的图像分割算法，例如Otsu算法、熵算法、K-均值算法和模糊C-均值算法，由于对低质量的手指静脉图像需要较多的阈值，因此无法达到良好的分割效果。

基于深度学习的语义分割方法虽然已成功应用到图像分类、分割和检测等任务上，且均获得了优越的性能，比如FCN、SegNet、DeepLab、RefineNet、PSPNet、U-Net等，但应用于手指静脉分割领域的方法很少，主要问题在于手指静脉血管结构极为复杂，具有高弯曲度且形状多样，使得静脉血管分割任务十分具有挑战性，故无法达到良好的特征表示方法，此外公开的手指静脉数据集较小，也没有合适的用于神经网络训练静脉图像的参考标准。

发明内容

为解决上述问题，本发明的目的在于提供一种基于R2U-Net的手指静脉分割方法、装置和存储介质，通过将网络中扩展路径与收缩路径相同特征通道的拼接，可以在得到很好静脉细节的基础上，获得尽可能强的图像语义信息，然后在编解码单元中使用具有残差单元的循环卷积层来代替规则的前向卷进层，使用循环卷积层的残差单元有助于建立一个更有效的更深层的模型，而其中的循环卷积层单元包含了有效的特征累积方法，不同时间步长的特征积累保证了更好、更强的特征表示。

本发明解决其问题所采用的技术方案是：

第一方面，本发明实施例提出了一种基于R2U-Net的手指静脉分割方法，包括：

生成利于神经网路训练的预处理图像；

生成利于神经网络训练的子块数据；

生成利于神经网络训练的金标准；

采用具有残差单元的循环卷积层代替规则的前向卷积层来学习特征表示以及特征积累。

进一步，所述生成利于神经网路训练的预处理图像包括：图像的预处理过程包括灰度变换、ROI提取、归一化、对比度受限的自适应直方图均衡和伽马调整，目的在于突出静脉纹路丰富的区域，减少处理时间，增加精度。

进一步，所述生成利于神经网络训练的子块数据包括：将预处理图像随机选择其中心获得子块来进行数据扩充，并将每个子块作为神经网络的输入，这样一方面分块后静脉细节被放大，另一方面利于深层神经网络的训练。