[发明专利]一种指静脉图像的深度局部聚合描述子提取方法及系统

说明书

本发明公开了一种指静脉图像的深度局部聚合描述子提取方法及系统，该方法的步骤为：构建基础网络模块；构建VLAD编码模块；设置K个聚类中心向量为网络的可训练参数；分批对网络进行训练，训练步骤为：指静脉图像进行预处理；指静脉图像通过基础网络模块得到多通道特征图；将多通道特征图在VLAD编码模块中结合聚类中心向量完成VLAD编码；挖掘难分负样本得到三元组，计算损失函数并反向传播更新网络权重系数；采用训练好的网络提取待测指静脉图像的局部聚合描述子。本发明得到维度固定且与原始图像块分布顺序无关的描述子，解决了不同尺寸指静脉图像和同一类别指静脉图像之间因手指姿势差异造成的匹配失败问题，得到了更具有表征力的深度局部聚合描述子。

技术领域

本发明涉及手指静脉特征提取技术领域，具体涉及一种指静脉图像的深度局部聚合描述子提取方法及系统。

背景技术

指静脉识别技术是新一代生物识别技术，相比于传统的生物识别技术，指静脉识别具有非接触式采集、活体检测、设备成本低等优点。指静脉识别通过红外线CCD摄像头获取手指图像，并通过提取指静脉相关特征用于身份认证和识别。采集到的指静脉图像往往具有噪声干扰，如何提取指静脉图像的鲁棒特征是指静脉识别技术中的一个研究重点，传统的特征描述子如LBP(Local Binary Pattern)、LDC(Local Directional Code)等的表示能力受图像质量影响较大，保留了空间信息的特征图则需要复杂的模板匹配进行识别。

近年来，针对指静脉识别技术提出了多种基于深度学习的解决方案，针对指静脉验证问题，基于图像分割的思想对指静脉图像做像素级分类，该方法分类速度较慢，难以适用于实际使用场景，并且基于卷积网络的方法使用现有的图像分类模型，模型体积较大。此外，所提取的特征对于手指姿势较敏感，对于不同手指姿势的指静脉图像，需要采用复杂的预处理或模板匹配方案来进行识别。因此，研究轻量级的卷积网络模型，提取指静脉图像对手指姿势变化更鲁棒的特征描述子，在实际应用中更具优势。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种指静脉图像的深度局部聚合描述子提取方法及系统，将中心向量串联得到维度固定且与原始图像块分布顺序无关的描述子，解决了不同尺寸指静脉图像之间的匹配问题，以及同一类别指静脉图像之间因手指姿势差异造成的匹配失败问题，在此基础上，进一步对描述子进行VLAD编码得到了更具有表征力的深度局部聚合描述子，在指静脉识别和验证任务中均具有优秀的表现，本发明的网络模型大小仅1.1M，能更好满足工程应用中对轻量化的需求。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种指静脉图像的深度局部聚合描述子提取方法，包括下述步骤：

构建基础网络模块，用于提取指静脉图像的局部特征；

构建VLAD编码模块，用于对基础网络模块得到的特征图进行VLAD编码；

设置K个聚类中心向量为网络的可训练参数；

输入指静脉图像分批对网络进行训练，训练步骤包括：

对指静脉图像进行预处理；

指静脉图像样本通过基础网络模块得到多通道特征图；

将多通道特征图在VLAD编码模块中结合聚类中心向量完成VLAD编码；

挖掘难分负样本得到三元组，计算损失函数并反向传播更新网络权重系数，直至迭代训练结束；

采用训练好的网络提取待测指静脉图像的局部聚合描述子。

作为优选的技术方案，所述对指静脉图像进行预处理，具体步骤包括：

感兴趣区域的提取：提取指静脉训练图像的感兴趣区域，通过仿射变换完成手指倾斜校正；

对感兴趣区域进行标准化处理，得到最终的指静脉训练样本图像；