[发明专利]基于Gabor神经网络的指静脉识别方法及系统

摘要

本发明公开了基于Gabor神经网络的指静脉识别方法及系统，包括：确定手指区域的上下边缘点集，细化边缘到一个像素宽度；从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；根据获得像素点坐标，对手指的旋转进行矫正，并将背景灰度值置0；获得ROI，宽度选择为原始图像0.73倍，上边缘截取时选择最下面的边缘坐标，下边缘截取时选择最上面的边缘坐标进行高度截取；对总计3816张636类静脉图像提取ROI后调整尺寸到同一的尺寸并进行保存；本发明中使用80*80的尺寸；使用Gabor神经网络进行静脉特征提取，Gabor神经网络即使用一组多方向的Gabor滤波器对网络中的卷积核进行调制，使用SoftMax分类器进行静脉图像的分类，K‑折交叉验证得到网络的平均准确率。

主权项

1.基于Gabor神经网络的指静脉识别方法，其特征在于，包括：S1、在原始图像中确定手指区域的上下边缘点集，细化边缘到一个像素宽度，所述原始图像中的手指区域水平放置；S2、从细化后的边缘点集中选取合适的点进行边缘扩展，获得真实边缘点集；S3、对手指旋转进行矫正，并根据真实边缘点集，将非手指区域灰度值置0；S4、对经过S3处理的图像进行裁剪，宽度选择为原始图像的0.73±5％倍，优选为0.73倍，上边缘截取时选择最下面的边缘坐标、下边缘截取时选择最上面的边缘坐标进行高度截取，得到静脉感兴趣区域ROI；S5、对静脉感兴趣区域ROI进行resize，待匹配使用；S6、对预设的多个类别的多张静脉图像使用S1‑S5的步骤处理提取静脉感兴趣区域ROI并进行保存；S7、特征提取使用Gabor卷积神经网络，每个卷积核需要经过一组多方向的Gabor滤波器进行调制，其结构为一个22层的卷积神经网络，包括5个卷积层，5个批归一化层，6个激活层，4个最大池化层，2个全连接层以及一个dropout层，用SoftMax分类器进行分类；S8、网络经过训练之后可以投入实际使用，将一张新的静脉图像输入到网络中可以得到这张静脉图像的分类结果，即该静脉图像所属的人。