[发明专利]基于卷积神经网络的形变检测与矫正的手指静脉识别方法

权利要求书

1.基于卷积神经网络的形变检测与矫正的手指静脉识别方法，其特征在于：所述方法包括如下步骤：

步骤1：通过矩阵变换对手指静脉进行形变矫正，为手指静脉原始图像选择矩阵变换用于后面的手指静脉矫正；

步骤2：设置矩阵变换中的形变参数P，通过定位网络得到手指静脉图像到形变参数的映射关系，并规定定位网络的循环次数；

步骤3：得到形变参数后，找到手指静脉图像与矫正后图像之间像素点坐标的映射关系；

步骤4：得到映射关系后，将手指静脉图像坐标点的像素值作为矫正后图像坐标点的像素值，并进行双线性采样的像素填充，记录此时定位网络的循环次数；

步骤5，判断步骤4中的定位网络循环次数是否等于步骤2中规定的定位网络循环次数，若相等则进入步骤6，若不相等，则令步骤4处理后得到的手指静脉图像返回步骤2进行处理；

步骤6：使用参数P_sum对手指静脉原始图像I进行最终的形变矫正得到矫正后的图像，进入步骤7；

步骤7：得到矫正后的手指静脉图像，对其进行特征提取，将矫正后的手指静脉图像作为SE-ResNet网络的输入，通过卷积运算得到一个2048维的向量，后根据数据集的类别数N，将2048维的向量映射为N维的向量，计算N维向量中的最大值，最大值对应的位数即为手指静脉预测的结果，进入步骤8；

步骤8：判断此时SE-ResNet网络执行的是训练还是识别；如果是训练，计算网络的损失函数loss，并通过反向传播进行网络学习，更新网络参数，跳转步骤1；如果是识别，进入步骤9；

步骤9：输出手指静脉识别结果。

2.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法，其特征在于：步骤2中，形变参数P＝[p₁,p₂,p₃,p₄,p₅,p₆]，使用定位网络d_loc()实现手指静脉图像I^*到参数P的映射关系，即P＝d_loc(I^*)，并规定定位网络循环次数N_loc，其中网络的输入表示图像I^*为宽W，高H的灰度图，这里的定位网络d_loc()包含两个卷积层并添加了激活函数ReLU、一个最大池化层以及两个全连接层。

3.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法，其特征在于：步骤3中，得到单次手指静脉形变矫正的形变参数P后，定义手指变换所需要的最终参数P_sum，参数P_sum的初始值为0，仅在定义时设置初始值，令P_sum＝P+P_sum，P_sum用来保存每个循环，即步骤2-5中P的值，为找到手指静脉图像I^*与矫正图之间像素点坐标的对应关系，定义矫正后的指静脉图像为将矫正后图像V的坐标点(x’_i,y’_i)作为自变量，以P为参数做一个矩阵运算，得到输入的指静脉图像I^*的坐标点(x_i,y_i)。

4.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法，其特征在于：步骤4中，得到矫正后图像V的坐标点(x’_i,y’_i)与手指静脉图像I^*的坐标点(x_i,y_i)的映射关系后，将坐标点(x_i,y_i)的像素值作为坐标点(x’_i,y’_i)的像素值，对经过步骤3的矩阵运算后得到的映射坐标使用双线性采样进行像素填充，并记录此时定位网络的循环次数n，进入步骤5。

5.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法，其特征在于：步骤5中，判断n是否和N_loc相等，N_loc用来记录循环次数，N_loc次循环共产生N_loc个形变参数P，P_sum将N_loc个形变参数P累加；如果n＝N_loc，直接进入步骤6；如果nN_loc，将I’＝V，跳转到步骤2。