[发明专利]一种基于融合局部与全局特征网络的指静脉识别方法

说明书

本发明公开了一种基于融合局部与全局特征网络的指静脉识别方法。本发明包括以下步骤：S1、构造训练数据集，采集若干个用户手指图像I_basic，作为基础训练集，对基础训练集I_basic进行扩充，经过归一化处理得到训练数据集I_train；S2、设计基于融合局部与全局特征的指静脉特征提取网络；S3、设计网络损失函数；S4、训练整个模型，直至迭代训练整个训练集若干次；S5、将测试集图像输入训练好的模型中提取指静脉特征，采用欧式距离进行1∶1比对识别。本发明提取的指静脉特征对于放置手指姿态变化的鲁棒性更强，识别性能性能更高，充分说明了本发明的有效性，进一步提升了指静脉识别技术在现实环境下的应用性能。

技术领域

本发明属于生物特征识别和计算机视觉领域，特别涉及到一种基于融合局部与全局特征网络的指静脉识别方法。

背景技术

指静脉识别是一种新兴的生物识别技术，由于其特征存在于手指内部难以复制、安全性高且识别迅速等特性，使其在医疗、军工、教育、金融等安全领域的应用越来越广泛。在实际使用的过程，为了考虑用户体验，指静脉图像采集设备并非严格固定用户手指，用户在放置手指时难免会出现平移、旋转等姿态变化，导致采集到的同类手指静脉图像之间的差异性相对较大，这使得提取的同类指静脉特征相似度降低，影响指静脉识别技术在实际应用场景中的识别性能。因此，对于如何提高指静脉特征对手指姿态变化的鲁棒性的研究是至关重要的。

在指静脉识别领域，目前大多数还是传统的基于人工特征的方法，主要包括基于指静脉纹理以及基于指静脉纹理特征等方法，Miura等在指静脉图像中随机初始化一批点，随后通过重复线追踪获取整幅图像中的指静脉纹路，该方法可以较为准确地获取出指静脉纹路的骨架，但算法本身需要重复进行迭代，以至于较为耗时；Yang等首先使用八方向的Gabor滤波器获取指静脉图像中的纹路信息，随后使用重建算法融合并导出指静脉纹路图像；基于指静脉纹理特征的方法最为典型的方法为基于LBP的方法。这些人工特征通常对指静脉图像成像质量和手指放置姿态变化比较敏感，表征能力有限。

随着深度学习的兴起，神经网络也被广泛应用于识别领域。利用神经网络的强大学习能力来自动学习并获取紧凑的指静脉特征。戴庆华等提出基于siamese卷积神经网络的指静脉识别算法，该算法采用三元组损失函数定义目标函数来约束网络学习到更加具有区分力的指静脉特征。包晓安等提出基于改进残差网络的指静脉识别算法，该算法采用中心损失用于约束指静脉的类内距离，同时采用softmax loss用于约束类间距离，提高了指静脉特征的识别力。但以上方法提取的都是指静脉图像的全局特征，当手指放置出现平移、旋转等姿态变化时，同类指静脉图像之间的出现某些局部静脉差异较大，导致提取的全局特征相似度较低，而其他局部区域指静脉相似度较高，这些局部区域的静脉特征更加有利于识别。

因此，为了提高指静脉特征对于手指放置姿态变化的鲁棒性，本文提出了一种基于融合局部与全局特征网络的指静脉识别方法。

发明内容

本发明的目的在于解决经典Resnet50模型提取的全局指静脉特征对于手指放置姿态变化鲁棒性不佳的问题，提出一种基于融合局部与全局特征网络的指静脉识别方法。

本发明所采用的技术方案为：

一种基于融合局部与全局特征网络的指静脉识别方法，包括以下步骤：

S1、构造训练数据集，采集若干个用户手指图像I_basic，作为基础训练集，对基础训练集I_basic进行扩充，经过归一化处理得到训练数据集I_train；

由于现实中很难采集到足够多包含各种姿态的指静脉图像，无法满足充分训练网络的需要。因此，针对基础训练集I_basic，利用平移、平面旋转、放缩操作来扩充手指放置的不同姿态，以获取泛化性更强的特征提取模型；

S1-1:采集若干个用户手指图像I_basic；