[发明专利]一种基于深度度量学习的指静脉特征提取方法

说明书

本发明提供一种基于深度度量学习的指静脉特征提取方法，包括以下步骤：步骤1，对指静脉原始图像做预处理，提取图像的感兴趣区域；步骤2，将正负样本对组成的三元组(a,p,n)传入特征提取网络，得到特征三元组，步骤3，在欧式度量空间上计算损失,然后，将特征三元组传入分类器得到类别概率，并计算在余弦度量空间上的损失，通过反向传播一并优化，与现有技术相比，本发明具有如下的有益效果：(1)基于样本配对的训练方式，让数据集以另一种形式得到了扩充。(2)能够提取显著性特征，在度量空间中达到同类距离小，异类距离大的目标。(3)具有良好的鲁棒性，在大规模的数据集上仍然有不错的性能。

技术领域

本发明属于指静脉识别领域，特别涉及一种基于深度度量学习的指静脉特征提取方法。

背景技术

特征提取是指静脉识别过程的一个关键阶段。在该阶段，将红外传感器采集到的指静脉图像映射的某一特征度量空间，以特征向量表示指静脉的可量化属性。这些特征向量将作为指静脉识别的模板，用于下一阶段的匹配或识别。

传统的指静脉特征提取方法大致有三类：基于静脉模式的方法、基于局部二进制码的方法、基于降维的方法。这些方法通过人类专家手工设计特征参数(如：静脉图案的几何和拓扑结构、局部二进制码等)提取特征，需要图像有清晰的静脉纹路，并且需要人为精心调整参数，实现复杂且算法鲁棒性差。随着深度学习的发展，让计算自主学习特征参数成为一种可行的途径。基于深度学习的特征提取方法，如：FV-Net、FV-GAN等，在一些公开的指静脉数据集上取得了不错的效果，但是这些方法存在两个问题：首先，算法测试是基于闭集识别的，这可能无法满足指静脉场景下不断新增类别的需求。其次，这些方法骨干网络通常采用小型CNN，无法表示丰富的深层特征，优化目标也只关注特征可分离性，没有考虑特征的类内紧凑性。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于深度度量学习的指静脉特征提取方法，解决上述背景技术中提出的问题。

本发明通过以下的技术方案实现：一种基于深度度量学习的指静脉特征提取方法，包括以下步骤：

步骤1，对指静脉原始图像做预处理，提取图像的感兴趣区域；

步骤2，将正负样本对组成的三元组(a,p,n)传入特征提取网络，得到特征三元组；

步骤3，在欧式度量空间上计算损失,然后，将特征三元组传入分类器得到类别概率，并计算在余弦度量空间上的损失，通过反向传播一并优化。

作为一优选的实施方式，步骤1中，首先获取手指的上下边界，确定手指的位置，其次，根据手指的边界计算出手指的中轴线，反求出手指平面偏移的角度，以便对手指进行旋转矫正，最后寻找手指第二关节的位置，截取感兴趣区域。

采用了上述技术方案后，本发明的有益效果是：(1)基于样本配对的训练方式，让数据集以另一种形式得到了扩充。(2)能够提取显著性特征，在度量空间中达到同类距离小，异类距离大的目标。(3)具有良好的鲁棒性，在大规模的数据集上仍然有不错的性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为指静脉特征提取整体框架示意图。

图2为手指边界检测示意图。

图3为手指旋转矫正示意图。

图4为手指图像ROI提取示意图。

图5为残差学习示意图。

图6为残差模块示意图。

图7为FV-FE-Net网络结构表示意图。