[发明专利]一种基于加权元度量学习的开放集掌纹识别系统及方法

权利要求书

1.一种基于加权元度量学习的开放集掌纹识别方法，其特征在于，包括以下步骤：

当检测到待验证身份信息人员的人体信息时，进行掌纹图像采集，否则继续监测人体信息；

采集待验证身份信息人员的掌纹图像，并将获取到的掌纹图像传输至边缘服务器；

边缘服务器对接收到的掌纹图像进行处理，并对处理后的掌纹图像通过基于权重的元度量学习方法进行识别匹配，然后反馈识别匹配结果；

所述对接收到的掌纹图像进行处理包括去噪、图像增强、手掌检测定位、关键点检测、根据手掌关键点位置坐标信息并建立相应的坐标系、以及对用于掌纹图像识别的掌纹图像感兴趣区域进行提取；

所述对处理后的掌纹图像通过基于权重的元度量学习方法进行识别匹配的具体方法如下：

步骤1：假设训练集中共有个样本，则训练集为：

其中，是图像的标签；

根据元度量学习的形式，从中随机选择属于个类别的张掌纹图像生成新任务；其中，；

步骤2：从训练集中随机采样选取张图像作为支持集，则支持集为：

其中，；

将训练集中其余图像采样为询问集，询问集记为；

步骤3：计算查询样本和元支持集之间的距离，通过限制它们之间的距离，元度量学习能够正确识别来自询问集的查询图像和来自支持集的支持图像；优化对象表示为：

其中，代表距离；

在特征空间中，支持集中相同类别的所有特征形成一个元支持集，表示为：

其中，代表第个类别，代表由卷积神经网络实现的嵌入函数；是图像的权重；查询样本和元支持集之间的距离受到约束以便区分表示，距离表示为：

其中，是第个类别的查询图像，是第个元支持集，表示通过提取的不同样本的特征之间的距离；

步骤4：在每个训练迭代期间，将具有相同类的查询样本和元支持集组合为正元集，并将不同类的查询样本和元支持集组合为负元集；通过最小化正元集之间的距离并增大与负元集之间的距离来优化模型；

步骤5：采用硬样本挖掘和加权策略选择信息性元集；基于正负元集之间的相对相似性，选择信息性样本以形成正或负元集；对于查询样本，当满足条件（4）时，选择正元集中的正对，所述条件（4）如下：

其中，代表边距；

对于查询样本，当满足条件（5）时，选择负元集中的负对，所述条件（5）如下：

对于查询样本，所选的负元集和正元集分别表示为和，然后为所选的正、负元集进一步分配不同的权重；

对于正元集中的正对，其权重为：

其中，和是两个超参数；

对于负元集中的负对，其权重为：

其中，和是两个超参数；

故基于权重的元度量学习方法的总体优化对象表述为：

其中，代表查询样本数，分别为在式（6）或式（7）中定义的权重。

2.根据权利要求1所述的基于加权元度量学习的开放集掌纹识别方法，其特征在于，所述掌纹图像通过有线或无线方式传输至边缘服务器。

3.一种用于实现权利要求1或2所述方法的基于加权元度量学习的开放集掌纹识别系统，其特征在于，包括：

红外人体检测单元，所述红外人体检测单元用于在检测到待验证身份信息人员的人体信息时，进行掌纹图像采集，否则继续监测人体信息；

掌纹图像采集单元，所述掌纹图像采集单元用于采集待验证身份信息人员的掌纹图像，并将获取到的掌纹图像传输至边缘服务器；

边缘服务器，所述边缘服务器用于对接收到的掌纹图像进行处理，并对处理后的掌纹图像通过基于权重的元度量学习方法进行识别匹配，然后反馈识别匹配结果。

4.根据权利要求3所述的基于加权元度量学习的开放集掌纹识别系统，其特征在于，还包括：

红外体温测量单元，用于在对掌纹图像进行识别的同时对手掌及手腕温度进行测量，并将体温测量结果发送到监控单元进行存储；

数据传输单元，所述数据传输单元掌纹图像采集单元与边缘服务器之间进行数据传输；

门锁控制单元，所述门锁控制单元用于接收控制指令，控制社区门禁。