[发明专利]一种基于手部图像的身份识别方法

权利要求书

1.一种基于手部图像的身份识别方法，其特征在于，包括如下步骤：

步骤1，建立基于SqueezeNet的双线性模型HandNet；

步骤2，对于输入的手部图像，经过预处理获得去噪图I_B和细节图I_D，分别作为卷积神经网络的输入，训练基于SqueezeNet的双线性卷积神经网络模型；

步骤3，将训练号的双线性卷积神经网络模型作为特征提取器，获取手部图像的深度特征；

步骤4，将步骤3得到的手部图像的深度特征用于训练SVM分类器，设计权重融合分类结果，获得基于手部图像的身份识别率。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：基于SqueezeNet的双线性模型HandNet的结构包括图像预处理模块，双线性卷积神经网络特征提取模块和分类器模块；

其中，所述图像预处理模块用于对手部图像进行去噪处理；

所述双线性卷积神经网络特征提取模块用于获取手部图像的深度特征；

所述分类器模块用于对手部图像进行分类。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：使用图像预处理模块分别提取去噪图I_B和细节图I_D，I_B由可见光图像I经过导向滤波获得，细节图I_D由原图像与去噪图像的比值构成，如式(1)所示，其中ε常数：

4.根据权利要求3所述的方法，其特征在于，步骤2中，所述双线性卷积神经网络模型包括通道一和通道二，尺寸为227*227*3的输入图像，经过第一层卷积核大小为3*3的卷积层，得到尺寸为76*76*64的输出，接下来输入SqueezeNet中的八个Fire模块，每个Fire模块由1*1和3*3的小卷积核构成；通道一在Fire模块后增加全连接层f_{Cx_1}，通道二在Fire模块后增加全连接层f_{Cx_2}；最后，使用融合层f_C对f_{Cx_1}和f_{Cx_2}进行特征融合，得到融合特征。

5.根据权利要求4所述的方法，其特征在于，步骤2中，使用级联融合的方式来构建融合层，融合层Y_concat将两个一维的特征向量进行串联，如公式(2)所示：

其中||为级联操作，A，B分别为全连接层f_{Cx_1}的特征向量和全连接层f_{Cx_2}的特征向量，W^T为权值矩阵，b为偏差向量。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：对于K类问题，分别训练K个独立的SVM分类器，其中1类为正类，k-1类为负类，第k个分类器的输出a_k(x)如公式(3)所示，其中w为SVM分类超平面法向量，x为输入参数：

a_k(x)＝w^Tx (3)

预测标签为：

7.根据权利要求6所述的方法，其特征在于，步骤4中，当输入x_j，得到实际输出y_j＝e_j(x_j)时，对应分类器e_j的加权p(D∈C_l|e_j(x_j)＝y_j)如式(5)所示：

其中y_j为分类器e_j的输出；为输入类别C_l时分类器的e_j期望输出，M为分类器的总数，i为1到M之间的任一数字，c为常数。