[发明专利]一种基于轻量神经网络的指静脉验证方法及系统

说明书

本发明公开了一种基于轻量神经网络的指静脉验证方法及系统，该方法包括下述步骤：提取指静脉图像的感兴趣区域；构建用于指静脉特征提取的轻量神经网络；在每个训练批次中随机选择多类手指，在每类手指中随机选择多张感兴趣区域图像构建成批次图像；将批次图像进行实时数据扩增后输入轻量神经网络；构建用于指静脉特征分类的分类部件，将轻量神经网络的输出特征输入到分类部件；构建批量硬损失函数和标签平滑正则化后的交叉熵损失函数，得到整体的损失函数；将训练后的轻量神经网络进行特征提取，计算特征之间的余弦相似度，输出指静脉验证结果。本发明能够更好的获取指静脉图像的细粒度特征，且减小了模型的存储体积和计算消耗。

技术领域

本发明涉及指静脉识别技术领域，具体涉及一种基于轻量神经网络的指静脉验证方法及系统。

背景技术

指静脉生物识别是一种生物识别认证方法，其使用手指皮肤表面下的静脉图像来进行识别，指静脉识别遇到了很多挑战，手指静脉采集图像的对比度较低，且容易受到不均匀光照、温度变化、手指2D(二维)和3D(三维)旋转、噪声、阴影、光波动带来的影响，这使得即使经过人工精心设计的指静脉图像增强、特征描述和匹配方法，依然难以对低质量的指静脉图像进行正确分类。

相关研究中，Fang等人使用双通道网络，将两张待验证的图像合并成一个双通道图像，同时为了消除手指位移的影响，提出了mini-ROI(mini-Region of Interest，mini-ROI，最小感兴趣区域)方法来定位匹配程度最相似的小ROI块，但是提取mini-ROI额外花费了时间；Hu等人基于VGGFace-Net网络结构进行修改，使用LargeMargin-SoftmaxLoss作为损失函数，通过网络提取具有空间信息的特征并对特征进行模板匹配，以期解决指静脉图像未对齐的问题，但是其使用的主干网络规模较大，网络权重数目多，需要较大的存储容量和耗费较多的计算资源。

上述方法虽然在一定程度上提升了指静脉验证的性能，但是计算比较耗时，且没有很好地提高泛化能力，容易过拟合，降低了实用性和应用价值。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于轻量神经网络的指静脉验证方法及系统，本发明提出基于带有标签平滑正则化的交叉熵损失和批量硬损失一同作为损失函数的指静脉深度模型，较好地解决了指静脉数据集较少情况下模型训练过程中的过拟合问题，提出一种新的轻量神经网络，能够更好的获取指静脉图像的细粒度特征，且减小了模型的存储体积和计算消耗。

为了达到上述目的，本发明采用以下技术方案：

本发明提供一种基于轻量神经网络的指静脉验证方法，包括下述步骤：

提取指静脉图像的感兴趣区域；

构建用于指静脉特征提取的轻量神经网络；

在每个训练批次中随机选择多类手指，在每类手指中随机选择多张感兴趣区域图像构建成批次图像；

将所述批次图像进行实时数据扩增后输入所述轻量神经网络；

构建用于指静脉特征分类的分类部件，将所述轻量神经网络的输出特征输入到所述分类部件；

构建批量硬损失函数构建标签平滑正则化后的交叉熵损失函数得到整体的损失函数为：

训练轻量神经网络，根据损失值更新轻量神经网络权重，训练完成后保存当前轻量神经网络的权重；

将更新权重后的轻量神经网络进行特征提取，计算特征之间的余弦相似度，输出指静脉验证结果。

作为优选的技术方案，所述提取指静脉图像的感兴趣区域，具体步骤包括：