[发明专利]基于多源域迁移的指静脉识别方法及系统

说明书

本发明提供的基于多源域迁移的指静脉识别方法，包括以下步骤：首先将目标域的指静脉图片，获取到该图片对应的ROI；再将ROI输入基础特征提取网络提取基础特征；之后再将基础特征分别输入CFTN和DFTN，得到通用特征和域指定特征；将通用特征和域指定特征进行拼接后，得到最终的聚合特征；将获得的聚合特征在已有的指静脉特征数据库中进行搜索，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；最终根据匹配分数输出该输入指静脉的匹配结果。通过使用多个源域迁移到目标域，减少目标域的样本需求，从而降低采集标注成本；将多个源域数据集的通用知识迁移到目标域，并且保留领域指定特征，从而最大程度地提升迁移学习的性能。

技术领域

本发明属于生物特征识别领域，尤其涉及基于多源域迁移的指静脉识别方法及系统。

背景技术

指静脉识别是新提出的、具有用户友好性的、高安全性的并且拥有天然防伪性质的用于生物特征识别的模态。越来越多的研究人员和工程人员开始致力于在指静脉识别领域进行研究。然而，在指静脉工程实践，指静脉识别仍然还受到以下两个问题的影响：

图像差异：由于光学成像传感器和近红外光光照的区别，不同场景下被不同设备所采集的指静脉图像都有区别，如图1所示。除此之外，他们的灰度直方图和局部二进制编码图像也分别在下面列出，以说明他们的区别。除此之外，不同的近红外光等照射强度也会对指静脉图像产生非线性的退化。由于这种图像退化具有很强的非线性，因此光照强度所导致的非线性退化也不能够直接建模，从而消除光照强度的影响。除此之外，不同的图像传感器有不同的光谱响应曲线，这也会导致同一个手指在相同的光照下产生不同的成像结果。尽管上面的两个原因已经被提出，但是由于目前的电子设备精度、光学设备的限制、制造成本限制，截止目前仍然没有合适的方法来解决他们。因此，在指静脉的实际应用中，不同设备采集的指静脉图像存在着不可避免的差别，这会导致在一个数据集上训练的深度学习模型无法很好的应用在新设计的指静脉设备上。

数据缺失：指静脉相对指纹、人脸和手势而言，是一个新的生物特征模态。目前指静脉数据库中的训练数据量还不足，并且类内的变化也不够大，这都会影响指静脉识别算法的性能。而目前大多数模式识别、深度学习方法，都需要大量的数据集来获得一个有效、鲁棒的识别模型。为了缓解数据短缺的问题，一个解决方法是在有充足数据的相关数据集上进行预训练然后在目标数据集上进行微调或者是联合训练。但是当从多个源域进行微调时，深度学习模型会存在严重的遗忘问题，并且联合训练会丢弃多个数据集之间的通用特征。

指静脉识别由于其极高的安全性和独一无二的活体检测性，其在学术界和工业界的影响力不断加大。大多数方法，尤其是基于深度学习的方法都倾向于使用大量的训练数据来获得一个有效且鲁棒的识别模型。然而，在实际的应用中，为每个新设计的指静脉识别设备收集充足的数据是十分耗时耗力、昂贵的。因此，在小样本的实验设置下如果获得一个最优的模型成了最近的一个研究热点。解决这类小样本学习问题的常用方法是使用微调或者是联合训练。但是从多个源域进行微调会受到严重的遗忘问题影响，而在多个源域上进行联合训练会丢弃通用特征。