[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

说明书

本发明涉及基于ArcFace Loss和改进残差网络的指静脉身份验证方法，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；3)训练模型：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：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。本发明对轻量级残差网络进行改进使其对指静脉特征的表达能力得到有效的提升，有效的提高了注册特征库的质量，整个方法简单易行鲁棒，有效的提升指静脉识别的准确率。

技术领域

本发明属于信息安全领域中的生物识别技术，具体涉及一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法。

背景技术

随着信息技术的发展，人们对于信息安全的要求越来越高，人脸识别、指纹认证等技术已广泛应用于人们的日常生活中。但在金融、军工等领域，人们往往需要更加安全可靠的生物识别技术，指静脉识别作为第二代生物识别技术，具有体内特征、不可复制、非接触式测量、安全级别高等优点，具有巨大的研究价值。

目前，指静脉识别算法主要可分为基于指静脉纹路的方法、基于局部不变特征的方法和基于纹理特征的方法。比如，专利号为CN 110633709A的发明专利申请公开了一种基于残差网络的特征图处理方法，包括：在残差网络的瓶颈层残差支路中最后一个卷积层之后接入一SE模块；在残差网络的桥连接支路中下采样模块之后接入一SE模块；在残差网络的加法模块与激活函数模块之间接入实例标准化模块；将特征图输入经过改进的残差网络进行处理，得到下一层的特征图。本发明对传统残差网络进行了改进，分别在瓶颈层残差支路和桥连接支路中加入了一SE模块，并在残差网络中加入了实例标准化模块，利用经过改进的残差网络处理特征图，增强了瓶颈层残差支路中的特征图，接入实例标准化模块提高了残差网络的泛化能力，消除了残差网络对图像外观因素的影响。

在这些算法中，特征往往都需要专家手工设计，其表达能力往往具有局限性，由此也造成其在出现平移、旋转等情况下，性能会出现大幅度下降的情况，算法鲁棒性较差。近年来，由于硬件性能的提升以及数据量的增大，深度学习得到了迅猛的发展，检测、识别等领域取得了一系列突破。相对于传统方法，深度学习网络可以自动从大量的训练数据中学习到相应特征，该特征往往比传统手工设计的特征具有更高的鲁棒性。在基于深度学习算法的识别方法中，普遍存在训练数据量小，网络参数多造成算法对硬件的要求高，损失函数设计不恰当等问题，从而使得深度学习在指静脉识别领域上的应用受到限制。

发明内容

本发明的目的是解决现有技术中，在基于残差网络的指静脉识别方法中存在的表达能力具有局限性、算法鲁棒性差，在基于深度学习算法的识别方法中，普遍存在训练数据量小，网络参数多造成算法对硬件的要求高，损失函数设计不恰当等问题，提出一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法。

为了达到目的，本发明提供的技术方案为：

本发明涉及一种基于ArcFace Loss和改进残差网络的指静脉身份验证方法，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；

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；