[发明专利]一种基于改进残差网络的非接触式掌静脉识别方法

说明书

本发明涉及一种基于改进残差网络的非接触式掌静脉识别方法，所述的非接触式掌静脉识别方法包括以下步骤：1）采集同一手掌的两张红外图像；2）定位手掌的ROI区域；3）掌静脉注册；4）掌静脉验证；5）掌静脉验证判定：设定识别阈值T，计算特征向量和注册模板的距离，若该距离小于设定的识别阈值T，则判定为该掌静脉验证成功，反之，验证失败；本发明提出一种改进的残差网络结构，该网络结构可在训练时提取输入样本不同尺度的纹理特征，从而使训练好的模型具备提取多尺度纹理信息的能力，提取的特征向量更好地表达输入样本信息，可一定程度上解决输入样本的多种缩放和平移的问题。

技术领域

本发明属于生物特征识别与深度学习技术领域，尤其涉及一种基于改进残差网络的非接触式掌静脉识别方法。

背景技术

手掌静脉是生物体内不易被仿造的生物特征，具有丰富独特稳定的身份信息，在安全性能方面具有独特优势，有很大的市场潜力。接触式地利用掌静脉等生物特征可以容易地进行身份识别；但接触式设备的使用依赖于手掌与设备接触的使用习惯，对于初次使用者往往体验效果较差；在公共场所下使用接触式设备，会增加因接触设备而传染疾病的风险，易引起人们使用时的抗拒心理；故非接触式生物特征识别技术替代传统接触式已成为大势所趋。

现有掌静脉识别方法利用传统纹理、SIFT、多方向滤波等特征，进行身份识别，例如专利号为CN201710222874.5的中国专利公开的一种融合纹理特征和尺度不变特征的掌静脉识别方法；但对于非接触式采集的静脉图像而言，存在大角度旋转、平移和缩放的等问题，会导致识别率不理想，无法达到识别多人手掌的目的；有些掌静脉识别利用浅层的卷积神经网络来提取掌静脉特，进行身份识别，但由于提取的特征区分能力不够，导致模型的泛化能力不好，识别率不高。

发明内容

本发明所要解决的技术问题是提供一种基于改进残差网络的非接触式掌静脉识别方法，克服因非接触式采集的静脉图像存在大角度旋转、平移和缩放等情况导致的泛化能力差，致识别率不理想的问题。

为了解决上述技术问题，本发明提供的技术方案为：

本发明涉及的一种基于改进残差网络的非接触式掌静脉识别方法，其包括以下步骤：

1）使用非接触设备采集同一手掌的两张红外图像，记为pic1和pic2；

2）定位手掌的ROI区域：将两张红外图像pic1和pic2分别输入到训练好的ROI检测深度学习模型中，分别得到对应的ROI区域位置信息，根据两张红外图像pic1和pic2的ROI区域位置信息裁剪出两张红外图像的ROI图像；

3）掌静脉注册：对红外图像pic1的ROI图像进行数据增强，输入到训练好的改进的残差网络掌静脉识别模型中进行特征提取，得到特征向量并以该特征向量作为注册模板，存入模板库；

4）掌静脉验证：对红外图像pic2的ROI图像进行数据增强，输入到训练好的改进的残差网络掌静脉识别模型中进行特征提取，得到特征向量；

5）掌静脉验证判定：设定识别阈值T，计算特征向量和注册模板的距离，若该距离小于设定的识别阈值T，则判定为该掌静脉验证成功，反之，验证失败；

所述步骤3）和步骤4）中，改进的残差网络掌静脉识别模型是指修改残差模块的组成结构和修改残差网络的损失函数的掌静脉识别模型；

所述修改残差模块的组成结构是在ResNet50网络结构的基础上增加2个不同尺度的卷积映射，即增加不同尺度的掌静脉纹理和边缘信息的提取，同时减少残差单元的个数，进而获得改进后的残差模块的组成结构；

所述修改残差网络的损失函数是在ArcFace损失函数的基础上，增加对类内中心的约束项，使类内距离更小，并增加角度的倍乘系数，根据残差单元的输入与类间距离调控角度的大小，进而获得改进后的损失函数。