[发明专利]手指静脉识别方法、装置、电子设备及可读存储介质

权利要求书

1.一种基于多视图特征融合及联合贝叶斯识别模型的手指静脉识别方法，其特征在于，包括：

利用手指静脉图像获取手指轮廓图像和手指静脉感兴趣区域图像；

将所述手指轮廓图像输入第一分支卷积神经网络，提取手指轮廓特征；

将所述手指静脉感兴趣区域图像输入第二分支卷积神经网络，提取手指静脉主特征；

将所述手指轮廓特征和所述手指静脉主特征串联，以生成融合特征向量；

计算所述融合特征向量和训练集中多个类别身份向量中的每个类别身份向量之间的相似度得分；以及

根据多个所述相似度得分确定所述手指静脉图像的类别。

2.根据权利要求1所述的方法，其特征在于，所述计算所述融合特征向量x和训练集中多个类别身份向量中的每个类别身份向量μ之间的相似度得分r，其计算公式为：

r(x，μ)＝x^TBx+μ^THμ-2x^THμ

上式中，S_μ和S_ε分别表示训练集中的融合特性向量的类内协方差矩阵和类间协方差矩阵。

3.根据权利要求2所述的方法，其特征在于，

所述训练集中的融合特征向量的类内协方差矩阵S_μ和类间协方差矩阵S_ε使用期望算法进行更新。

4.根据权利要求1所述的方法，其特征在于，所述第一分支卷积神经网络和所述第二分支卷积神经网络的参数集θ和类别身份向量μ使用随机梯度下降法更新。

5.根据权利要求3-4所述的方法，其特征在于，所述类内协方差矩阵、所述类间协方差矩阵、所述参数集以及所述类别身份向量的更新效果以手指静脉识别损失L_JBS为判断依据，所述手指静脉识别损失L_JBS通过联合贝叶斯识别损失函数计算生成，其公式为：

上式中，C表示训练集中的类别数，y_i为类别标签值，r(x，μ_i)为所述融合特征向量x和训练集中类别i的身份向量μ_i之间的相似度得分。

6.根据权利要求1所述的方法，其特征在于，所述利用手指静脉图像获取手指轮廓图像和手指静脉感兴趣区域图像包括：

利用边缘检测算子计算所述手指静脉图像的邻近像素梯度，得到手指的边缘信息，再对边缘信息进行二值化处理生成所述手指轮廓图像；

对所述手指静脉图像进行方向校正、裁剪，最后归一化到相同尺寸生成所述手指静脉感兴趣区域图像。

7.根据权利要求1所述的方法，其特征在于，所述手指轮廓图像与所述手指静脉感兴趣区域图像成对出现。

8.根据权利要求1所述的方法，其特征在于，还包括：

获取用于训练所述第一分支卷积神经网络和所述第二分支卷积神经网络的样本集中每一类别样本对应的融合特征向量，其中，所述样本集中包括多个类别样本，每个类别包括多个样本；

计算所述每一类别样本对应的融合特征向量的平均值；

将所述每一类别样本对应的融合特征向量的平均值作为一个所述类别身份向量。

9.一种基于多视图特征融合及联合贝叶斯识别模型的手指静脉识别装置，其特征在于，包括：

第一获取模块，用于利用手指静脉图像获取手指轮廓图像和手指静脉感兴趣区域图像；

第一输入模块，用于将所述手指轮廓图像输入第一分支卷积神经网络，提取手指轮廓特征；

第二输入模块，用于将所述手指静脉感兴趣区域输入第二分支卷积神经网络，提取手指静脉主特征；

串联模块，用于将所述手指轮廓特征和所述手指静脉主特征串联，以生成融合特征向量；

第一计算模块，用于计算所述融合特征向量和多个类别身份向量中的每个类别身份向量之间的相似度得分；以及

第一确定模块，用于根据多个所述相似度得分确定所述手指静脉图像的类别。