[发明专利]基于多源域迁移的指静脉识别方法及系统

权利要求书

1.基于多源域迁移的指静脉识别方法，其特征在于，包括以下步骤：

构建并训练解耦迁移学习网络，所述解耦迁移学习网络包括嵌入网络、通用特征变换网络和目标域域指定特征变换网络，嵌入网络用于将指静脉图像转换为基础特征，通用特征变换网络用于将基础特征解耦得到通用特征，目标域域指定特征变换网络用于将基础特征解耦得到域指定特征，其中，在训练解耦迁移学习网络时，采用目标域和多个源域进行训练，将多个源域的域指定特征和通用知识迁移到目标域，得到目标域域指定特征变换网络；

将待识别的指静脉图片的感兴趣区域输入嵌入网络，得到基础特征；

将基础特征分别输入通用特征变换网络和目标域域指定特征变换网络，分别得到通用特征和域指定特征；

将得到的通用特征和域指定特征进行拼接，得到聚合特征；

计算聚合特征和已注册样本数据库中所有已注册样本特征之间的余弦距离，得到输入的指静脉图片和数据库中已有指静脉的匹配分数；

根据匹配分数输出该输入指静脉的匹配结果；

所述训练解耦迁移学习网络的方法步骤包括：

首先，对于多个源域，在任意两个源域中都随机采样出mini-batch，并对两个源域的mini-batch分别进行基础特征提取、通用特征提取、域指定特征提取，随后利用总体损失函数计算两个mini-batch之间的损失并使用反向传播算法更新DTL网络；

然后，在任意一个源域和目标域中都随机采样出mini-batch，并对该源域和目标域的mini-batch分别进行基础特征提取、通用特征提取、域指定特征提取，随后利用总体损失函数计算两个mini-batch之间的损失并使用反向传播算法更新DTL网络；

最后，对目标域随机采样出mini-batch，对该mini-batch进行基础特征提取、通用特征提取、域指定特征提取，随后使用目标域损失函数计算损失并使用反向传播算法更新DTL网络；

所述目标域损失函数的计算公式如下：

(9)

式中，表示DFTN的交叉熵损失，是中心损失的系数，表示中心损失；

所述总体损失函数的计算公式如下：

；

其中，；

；

式中，表示通用特征变换网络CFTN的交叉熵损失；表示DFTN的交叉熵损失；表示多源域最大均值差异损失；表示中心损失，和分别是MMMD损失和中心损失的系数，N是整个指静脉混合数据集的类别数目表示样本类别标签的one-hot编码，表示类别标签one-hot编码的第a个类别的指示值；是通用特征属于第a个类别的分类分数，表示源域的样本数量，表示第个源域的通用特征，表示第n个源域的通用特征，表示目标域上的通用特征，表示第m个源域和第n个源域之间通用特征的两个小批量数据之间的MMD距离，表示第个源域和第个源域之间通用特征的两个小批量数据之间的MMD距离，F表示mini-batch的大小，表示第个类的通用特征，表示第 个类的特征中心。

2.根据权利要求1所述的基于多源域迁移的指静脉识别方法，其特征在于，通用特征变换网络CFTN的交叉熵损失中的分类分数的计算公式如下:

式中，s是一个超参数，表示缩放的尺度因子；是特征和对应超平面之间的角度值；是特征和对应超平面之间的角度值，为加性角度间隔惩罚项。

3.根据权利要求1所述的基于多源域迁移的指静脉识别方法，其特征在于，所述通用特征变换网络包括网络结构和池化层，网络结构用于对通用特征进行特征变换，池化层用于沿通道维度将每个通道均值池化为一个值，使最终各个通道的均值组成特征向量。

4.根据权利要求1所述的基于多源域迁移的指静脉识别方法，其特征在于，所述目标域域指定特征变换网络包括网络结构和池化层，网络结构用于对通用特征进行特征变换，池化层用于沿通道维度将每个通道均值池化为一个值，使最终各个通道的均值组成特征向量。

5.根据权利要求1所述的基于多源域迁移的指静脉识别方法，其特征在于，所述将待识别的指静脉图片的感兴趣区域输入嵌入网络中，包括：将待识别的指静脉图片，经过灰度化、边缘提取算子处理、手指边缘获取、ROI截取后，得到该图片对应的感兴趣区域ROI。