[发明专利]一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法

权利要求书

1.一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：其包括以下步骤：

1)采集若干手指的指静脉图像，对图像预处理；

2)构建卷积神经网络：对轻量级残差网络ResNet18的每个卷积块进行改进，构建卷积神经网络，对轻量级残差网络进行改进的方式是将卷积块Conv2_x、Conv3_x、Conv4_x、Conv5_x中的激活函数由Relu改为PRelu，并在这些卷积块的空间和通道两个维度加上注意力机制，其具体步骤是：

2.1)在通道上，对每个特征层使用Max Pooling和Average Pooling，再将得到的2维特征经过双层感知机后进行加和操作，最后经过Sigmoid函数激活得到通道权重M_c(F)，通道权重M_c(F)的计算公式为：

M_c(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))      (5)；

式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，MLP为双层感知机，σ为sigmoid激活函数；

2.2)将得到的通道权重与通道对应相乘对通道进行重新标定；

2.3)在空间上，对每一维度的空间特征使用Max Pooling和Average Pooling并对其进行连接操作，将得到的2维特征经过卷积降为一维，最后经过Sigmoid函数激活得到空间权重M_s(F)，空间权重M_s(F)的计算公式为：

M_s(F)＝σ(f^7*7[AvgPool(F)；MaxPool(F)])           (6)；

式中，F为特征层，AvgPool为平均池化，MaxPool为最大池化，f^7*7为卷积核大小为7*7的卷积，σ为sigmoid激活函数；

2.4)将得到的空间权重与空间特征对应相乘对空间特征进行重新标定；

3)训练模型：将预处理后的图像输入到卷积神经网络的模型中提取成多维的特征向量，并使用ArcFace Loss对卷积神经网络进行训练；

4)注册阶段：将注册图像增强后输入训练好的卷积神经网络中，得到特征向量并取平均值作为该手指的特征存储为注册特征库；

5)验证阶段：设定相似度阈值，将验证图像增强后输入到训练好的卷积神经网络中得到该验证图像的特征向量，分别计算该特征向量与注册特征库中每一特征的余弦相似度，并依据其距离与阈值判断其是否对应到某一根手指。

2.根据权利要求1所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述的步骤1)中，对图像预处理包括：对采集的指静脉数据库图像进行扩充，并对扩充后的数据库图像进行仿射变换，使用双边滤波法将得到的数据库图像进行增强。

3.根据权利要求2所述的基于ArcFace Loss和改进残差网络的指静脉身份验证方法，其特征在于：所述步骤1)中对图像预处理的步骤包括：

1.1)对采集到的每个手指的指静脉数据库图像进行上下、左右翻转，将翻转后的图像分别设定为一个新的手指图像，将数据库扩大为原来的4倍；

1.2)设定相应的概率随机对图片进行平移、旋转操作，将变换后的图像加入数据库中，对数据库进行扩充；

1.3)通过滤波器BF对图像进行滤波增强。