CN107392114A - 一种基于神经网络模型的手指静脉识别方法及*** - Google Patents
一种基于神经网络模型的手指静脉识别方法及*** Download PDFInfo
- Publication number
- CN107392114A CN107392114A CN201710515995.9A CN201710515995A CN107392114A CN 107392114 A CN107392114 A CN 107392114A CN 201710515995 A CN201710515995 A CN 201710515995A CN 107392114 A CN107392114 A CN 107392114A
- Authority
- CN
- China
- Prior art keywords
- image information
- processing
- information
- user
- finger vein
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于神经网络模型的手指静脉识别方法及***,其中所述手指静脉识别方法包括:获取待识别用户的手指静脉图像信息;对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。在本发明实施例中,可以较大程度解决指静脉识别***对于光线变化的问题,提高了对噪声的冗余性,并且在匹配阶段使用神经网络提高了匹配精确度。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种基于神经网络模型的手指静脉识别方法及***。
背景技术
生物识别技术(biometrics),即依据人本身的生理特征与行为特征来区分个体。通用的身份鉴别手段如签名、语音、指纹等存在易伪造,易损,易变换问题,以及虹膜、DNA、掌形等存在近距离与不友好等问题。指静脉的生物特征信息提取与匹配识别技术研究可以很好的克服这些缺点,并提高生物识别***精度、安全性、便捷性。结合图像处理技术、机器学***台移植。因此,手指静脉识别技术成为目前生物特征识别家族中前最看好的重要成员之一,并在楼宇门禁、银行、ATM存取款机、PC登录、汽车安全等领域得到应用。
但是指静脉识别技术仍然存在着诸多不足。由于指静脉多采用红外成像方式,采集到的图像光照变化幅度较大,对匹配识别造成很大困难。此外大多匹配识别率较高的识别***进行特征提取与匹配需要涉及大量计算,在实验中要调整各项关键参数。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于神经网络模型的手指静脉识别方法及***,可以较大程度解决指静脉识别***对于光线变化的问题,提高了对噪声的冗余性,并且在匹配阶段使用神经网络提高了匹配精确度。
为了解决上述技术问题,本发明提供了一种基于神经网络模型的手指静脉识别方法,所述手指静脉识别方法包括:
获取待识别用户的手指静脉图像信息;
对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
优选地,所述对获取的手指静脉图像信息进行图像信息预处理,包括:
对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;
对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;
对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果。
优选地,所述对所述降噪后灰度化图像信息进行归一化处理,包括:
采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理,处理后所述每个像素点的灰度值在[0,255]范围;
采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理,处理后的所述图像尺寸大小在64*64范围。
优选地,所述对所述预处理后图像信息进行降维局部二元特征提取处理,包括:
将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
优选地,所述采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,包括:
将获取的所述待识别用户的指静脉特征信息输入通过深度信念网络训练的神经网络模型进行匹配处理,输出待识别用户的匹配结果,识别所述待识别用户的身份信息。
优选地,所述通过深度信念网络训练的神经网络模型的训练步骤,包括:
获取待训练用户的手指静脉图像信息;
对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
另外,本发明实施例还提供了了一种基于神经网络模型的手指静脉识别***,所述手指静脉识别***包括:
图像获取模块:用于获取待识别用户的手指静脉图像信息;
图像预处理模块:用于对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
特征提取模块:用于对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
身份识别模块:用于采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
优选地,所述图像预处理模块包括:
灰度化处理单元:用于对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;
降噪处理单元:用于对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;
归一化处理单元:用于对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果;
优选地,所述特征提取模块包括:
图像分割单元:用于将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
像素比较单元:用于采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
降维处理单元:用于对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
直方图计算单元:用于对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
直方图归一化单元:用于直方图对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
串联单元:用于串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
数据归一化单元:用于对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
优选地,所述手指静脉识别***还包括神经网络模型训练模块:
图像获取单元:用于获取待训练用户的手指静脉图像信息;
图像预处理单元:用于对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
特征提取单元:用于对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
初始化单元:用于采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
训练单元:用于将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
在本发明实施例中,可以较大程度解决指静脉识别***对于光线变化的问题,提高了对噪声的冗余性,通过使用深度信念网络对整体神经网络进行初始化,提高神经网络收敛速率,降低运算开销,降低整体指静脉识别***匹配时间,并且在匹配阶段使用正则化参数防止过拟合,提高了匹配精确度,降低了拒真率与识假率。
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,显而易见的,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的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于神经网络模型的手指静脉识别方法的方法流程示意图;
图2是本发明实施例中的特征提取处理的处理流程示意图;
图3是本发明实施例中的神经网络模型的训练步骤的流程示意图;
图4是本发明实施例中的基于神经网络模型的手指静脉识别***的结构组成示意图;
图5是本发明实施例中的另一基于神经网络模型的手指静脉识别***的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1是本发明实施例中的基于神经网络模型的手指静脉识别方法的方法流程示意图,如图1所示,所述手指静脉识别方法包括:
S11:获取待识别用户的手指静脉图像信息;
S12:对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
S13:对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
S14:采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
对S11作进一步说明:
获取待识别用户的手指静脉图像信息,待识别用户将手指放置在静脉图像信息采集设备上,静脉图像信息采集设备对手指上的静脉图像信息进行采集并保存为待识别用户的手指静脉图像信息。
对S12作进一步说明:
对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;其中预处理过程中,先后需要进行图像信息灰度化处理,滤波降噪处理和归一化处理。
进一步的包括:对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果。
其中,对所述手指静脉图像信息灰度化处理过程中,采用符合人眼特性的灰度化方法,令:
Gray=0.299R+0.587G+0.114B
其中R、G、B为原始输入色彩图像信息的三通过值。
对所述灰度化图像信息进行滤波降噪处理的过程中,采用均值滤波来实现,令:
其中,M=9,I为像素点周围3*3的区域,f(x,y)位像素点的灰度值,g(x,y)为经过均值滤波后的像素点的灰度值。
对所述降噪后灰度化图像信息进行归一化处理,采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理,处理后所述每个像素点的灰度值在[0,255]范围;采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理,处理后的所述图像尺寸大小在64*64范围。
其中,像素灰度值归一化,将每一个像素点的灰度值统一归一化为0到255之间,归一化方法为MAX-MIN方法,归一化公式如下:
其中z(x,y)为每个像素点归一化后的灰度值。
其中,采用双线性插值法进行尺度归一化处理,遍历图像信息上的每一个像素点,在x,y方向上进行插值和调整,尺度归一化处理后,图像尺寸大小在64*64范围。
对S13作进一步说明:
对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;对每一幅大小在64*64范围的图像信息提取降维局部二元特征(LocalBinary Pattern,LBP),具体提取过程:图2是本发明实施例中的特征提取处理的处理流程示意图,如图2所示:
S131:将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
进一步的,把上述归一化处理后图像尺寸大小为64*64的图像信息进行分块,分块大小为4*4,分块之后形成16个小块,每个小块的像素值为16*16。
S132:采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
进一步的,对上述分块后大小为4*4、像素值为16*16的图像块中的每一个像素与该像素的八个邻域像素进行比较(左上、左中、左下、右上等),对于中心像素大于某一个领域像素的,设置为1;对于中心像素小于某一个领域像素的,设置为0,得到一个8位的二进制数,作为该位置的特征,共256维。
S133:对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
进一步的,生成的特征向量是256维,再进行匹配的时候不仅运算量巨大,在后续的神经网络中难以训练,而且维度高的时候含有的很多都是冗余无关的信息,因此进行降维,从256维变为59维。由于在图像中90%以上信息的二进制循环序列0与1的变化次数不超过2次,都包含在58维里,诸如10100000的变化次数为3,超过2次归为第59维,而变化次数为0的有两种情况,即全0和全1,为1的有0次,为2的有7x8=56次。共计58种。把其它所有值分为第59维,统计59维中每一个维度的数目。
S134:对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
进一步的,对上述每一个分块都进行直方图计算,所有区块进行直方图累加后最终提取出的降维LBP直方图。
S135:对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
进一步的,采用MAX-MIN方法对上述降维LBP直方图进行归一化处理,将降维LBP直方图归一化到[0,1]之间。
S136:串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
进一步的,串联所有区块的直方图,这就得到了当前检测窗口的特征向量,向量长度为944(59*16)。
S137:对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
进一步的,采用归一化处理方法对拼接得到的特征向量数据归一化到[0,0.5]。
对S14作进一步说明:
采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息;进一步的,将获取的所述待识别用户的指静脉特征信息输入训练好的神经网络模型进行匹配处理,输出待识别用户的匹配结果,识别所述待识别用户的身份信息。
进一步的,神经网络模型经过深度信念网络初始化参数后,对于训练样本不断进行监督训练,得到神经完了合适权值和偏置并保存,训练标签为训练样本所对应的用户序号,训练样本为指静脉图像所提取并拼接好的降维LBP静脉特征向量;在匹配时,对于每个人采集到的指静脉图像,经过预处理、特征提取后得到特征向量,将特征向量输入到已经训练好节点权值和偏置的神经网络中,输出结果即为匹配到的用户序号。
图3是本发明实施例中的神经网络模型的训练步骤的流程示意图,如图3所示,所述神经网络模型的训练步骤,包括:
S21:获取待训练用户的手指静脉图像信息;
进一步的,获取待识别用户的手指静脉图像信息,待识别用户将手指放置在静脉图像信息采集设备上,静脉图像信息采集设备对手指上的静脉图像信息进行采集并保存为待识别用户的手指静脉图像信息。
S22:对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
进一步的,对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;其中预处理过程中,先后需要进行图像信息灰度化处理,滤波降噪处理和归一化处理。
进一步的包括:对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果。
其中,对所述手指静脉图像信息灰度化处理过程中,采用符合人眼特性的灰度化方法,令:
Gray=0.299R+0.587G+0.114B
其中R、G、B为原始输入色彩图像信息的三通过值。
对所述灰度化图像信息进行滤波降噪处理的过程中,采用均值滤波来实现,令:
其中,M=9,I为像素点周围3*3的区域,f(x,y)位像素点的灰度值,g(x,y)为经过均值滤波后的像素点的灰度值。
对所述降噪后灰度化图像信息进行归一化处理,采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理,处理后所述每个像素点的像素在[0,1]范围;采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理,处理后的所述图像尺寸大小在64*64范围。
其中,像素灰度值归一化,将每一个像素点的灰度值统一归一化为0到255之间,归一化方法为MAX-MIN方法,归一化公式如下:
其中z(x,y)为每个像素点归一化后的灰度值。
其中,采用双线性插值法进行尺度归一化处理,遍历图像信息上的每一个像素点,在x,y方向上进行插值和调整,尺度归一化处理后,图像尺寸大小在64*64范围。
S23:对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
进一步的,对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;对每一幅大小在64*64范围的图像信息提取降维局部二元特征(Local Binary Pattern,LBP);具体参考S13。
S24:采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
进一步的,受限波尔兹曼机(restricted Boltzmann machine,RBM),在RBM中,其中v为可视层单元,h为隐藏层单元,每个节点都是随机二值变量节点(只能取0或者1值),同时全概率分布满足Boltzmann分布。
RBM的能量函数定义为:
E(v,h)=-b'v-c'h-h'Wv
其中W表示连接隐藏和可见单位的权重;b,c分别是可见层和隐藏层的偏移;同时因为是二值图隐藏节点直接相互独立有:
通过调整参数,可使得从隐藏层得到的可视层v1与原来的可视层v一样,则隐藏层可以作为可视层输入数据的特征;对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定:
其中,
而后,最大似然函数学习算法通过同时更新隐藏层单元与可视化单元来训练神经网络,成本函数如公式所示:
其中为学习速率,m为样本个数。通过梯度下降法优化成本函数。最终得到v和h合适的权值,用来构建深度信念网络。
DBN是由RBM通过逐层训练和堆叠得到的,因此是学习提取训练数据的深层次图形模型。其中初始向量x和l隐藏层h^k的联合概率分布如公式8所示:
其中x=h0,P(hk-1|hk)是k层RBM上的可视化单元在隐藏层单元上的条件概率,P(hl-1|hl)是最顶层RBM上的联合分布。
在本次试实验中,深度信念网络的训练过程如下:
令输入数据x=h(0)作为第一层RBM的可视层,开始训练;
用第一层得到输入数据的表示,用来用在第二层上。表示选择平均激活p(h(1)|h(0));
训练第二层RBM,利用平均激活作为训练样本。
根据层数迭代2,3步,向上传播平均值。
微调深层网络架构的所有参数。
S25:将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
进一步的,整个神经网络的结构如下所示,网络由四层构成,一个输入层,两个隐藏层与一个输出层;由于用来训练的图像个数是64×12,因此输入层节点的个数为768(不包含偏置节点),两个隐藏层的节点个数为50,50,输出层节点为64。其中θ(1),θ(2),θ(3)由DBN参数初始化得到。
网络中:
输入层:a(1)=x;
隐藏层1:z(2)=θ(1)a(1),a(2)=g(z(2));
隐藏层2:z(3)=θ(2)a(2),a(3)=g(z(3));
输出层:z(4)=θ(3)a(3),a(4)=g(z(4))=hθ(x)。
其中a表示输入节点的值,z表示输出节点的值,g表示激活函数,h表示预测函数。
整个网络的训练过程分为三步:
1、首先通过DBN初始化隐藏层参数;
2、输出层用随机初始化;
3、计算初始误差函数与梯度,不断迭代直到达到次数或者收敛。
图4是本发明实施例中的基于神经网络模型的手指静脉识别***的结构组成示意图,如图4所示,所述手指静脉识别***包括:
图像获取模块:用于获取待识别用户的手指静脉图像信息;
图像预处理模块:用于对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
特征提取模块:用于对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
身份识别模块:用于采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
优选地,所述图像预处理模块包括:
灰度化处理单元:用于对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;
降噪处理单元:用于对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;
归一化处理单元:用于对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果;
优选地,所述对所述降噪后灰度化图像信息进行归一化处理,包括:
采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理,处理后所述每个像素点的灰度值在[0,255]范围;
采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理,处理后的所述图像尺寸大小在64*64范围。
优选地,所述特征提取模块包括:
图像分割单元:用于将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
像素比较单元:用于采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
降维处理单元:用于对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
直方图计算单元:用于对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
直方图归一化单元:用于直方图对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
串联单元:用于串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
数据归一化单元:用于对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
优选地,所述采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,包括:
将获取的所述待识别用户的指静脉特征信息输入通过深度信念网络训练的神经网络模型进行匹配处理,输出待识别用户的匹配结果,识别所述待识别用户的身份信息。
图5是本发明实施例中的另一基于神经网络模型的手指静脉识别***的结构组成示意图,如图5所示,在这一实施例中,部分模块具体实施过程参照上述图4的实施过程进行处理,需要参照图5作进一步说明的如下:
所述手指静脉识别***还包括神经网络模型训练模块:
图像获取单元:用于获取待训练用户的手指静脉图像信息;
图像预处理单元:用于对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
特征提取单元:用于对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
初始化单元:用于采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
训练单元:用于将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
具体地,本发明实施例的***相关功能模块的工作原理可参见方法实施例的相关描述,这里不再赘述。
在本发明实施例中,可以较大程度解决指静脉识别***对于光线变化的问题,提高了对噪声的冗余性,通过使用深度信念网络对整体神经网络进行初始化,提高神经网络收敛速率,降低运算开销,降低整体指静脉识别***匹配时间,并且在匹配阶段使用正则化参数防止过拟合,提高了匹配精确度,降低了拒真率与识假率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于神经网络模型的手指静脉识别方法及***进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于神经网络模型的手指静脉识别方法,其特征在于,所述手指静脉识别方法包括:
获取待识别用户的手指静脉图像信息;
对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
2.根据权利要求1所述的基于神经网络模型的手指静脉识别方法,其特征在于,所述对获取的手指静脉图像信息进行图像信息预处理,包括:
对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;
对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;
对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果。
3.根据权利要求2所述的基于神经网络模型的手指静脉识别方法,其特征在于,所述对所述降噪后灰度化图像信息进行归一化处理,包括:
采用MAX-MIN方法对所述降噪后灰度化图像信息的每个像素点进行归一化处理,处理后所述每个像素点的灰度值在[0,255]范围;
采用双线性插值法对所述降噪后灰度化图像信息的图像尺寸进行归一化处理,处理后的所述图像尺寸大小在64*64范围。
4.根据权利要求1所述的基于神经网络模型的手指静脉识别方法,其特征在于,所述对所述预处理后图像信息进行降维局部二元特征提取处理,包括:
将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
5.根据权利要求1所述的基于神经网络模型的手指静脉识别方法,其特征在于,所述采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,包括:
将获取的所述待识别用户的指静脉特征信息输入通过深度信念网络训练的神经网络模型进行匹配处理,输出待识别用户的匹配结果,识别所述待识别用户的身份信息。
6.根据权利要求1或5所述的基于神经网络模型的手指静脉识别方法,其特征在于,所述通过深度信念网络训练的神经网络模型的训练步骤,包括:
获取待训练用户的手指静脉图像信息;
对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
7.一种基于神经网络模型的手指静脉识别***,其特征在于,所述手指静脉识别***包括:
图像获取模块:用于获取待识别用户的手指静脉图像信息;
图像预处理模块:用于对所述手指静脉图像信息进行图像信息预处理,获取预处理后图像信息;
特征提取模块:用于对所述预处理后图像信息进行降维局部二元特征提取处理,获取待识别用户的手指静脉特征信息;
身份识别模块:用于采用通过深度信念网络训练的神经网络模型对所述待识别用户的所述指静脉特征信息进行识别处理,识别所述待识别用户的身份信息。
8.根据权利要求1所述的基于神经网络模型的手指静脉识别***,其特征在于,所述图像预处理模块包括:
灰度化处理单元:用于对所述手指静脉图像信息灰度化处理,获取灰度化图像信息;
降噪处理单元:用于对所述灰度化图像信息进行滤波降噪处理,获取降噪后灰度化图像信息;
归一化处理单元:用于对所述降噪后灰度化图像信息进行归一化处理,获取归一化处理结果。
9.根据权利要求1所述的基于神经网络模型的手指静脉识别***,其特征在于,所述特征提取模块包括:
图像分割单元:用于将所述预处理后的尺寸在64*64的图像信息进行4*4分割处理,获取16个图像分块,每个图像分块的像素为16*16;
像素比较单元:用于采用对每个图像分块中的每个像素与所述像素的8个领域像素进行比较,若所述领域像素大于所述像素则设置为0,反之设置为1,获取8位的二进制数作为对应图像分块的256维特征;
降维处理单元:用于对每个图像块的256维特征进行降维处理,处理后每个图像块为59维特征;
直方图计算单元:用于对所述处理后每个图像块为59维特征进行直方图计算处理,处理后为降维LBP直方图;
直方图归一化单元:用于直方图对所述降维LBP直方图进行归一化处理,获取归一化降维LBP直方图;
串联单元:用于串联每个图像块的归一化降维LBP直方图,获取串联特征向量数据;
数据归一化单元:用于对所述串联特征向量数据进行归一化处理,处理后每个特征向量数据为[0,0.5]。
10.根据权利要求7所述的基于神经网络模型的手指静脉识别***,其特征在于,所述手指静脉识别***还包括神经网络模型训练模块:
图像获取单元:用于获取待训练用户的手指静脉图像信息;
图像预处理单元:用于对所述待训练用户的手指静脉图像信息进行图像信息预处理,获取预处理后待训练图像信息;
特征提取单元:用于对所述预处理后待训练图像信息进行降维局部二元特征提取处理,获取待训练用户的手指静脉特征信息;
初始化单元:用于采用深度信息网络对神经网络进行参数初始化处理,获取参数初始化神经网络;
训练单元:用于将所述待训练用户的手指静脉特征信息输入参数初始化神经网络进行训练,获取深度信念网络训练的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515995.9A CN107392114A (zh) | 2017-06-29 | 2017-06-29 | 一种基于神经网络模型的手指静脉识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710515995.9A CN107392114A (zh) | 2017-06-29 | 2017-06-29 | 一种基于神经网络模型的手指静脉识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392114A true CN107392114A (zh) | 2017-11-24 |
Family
ID=60334518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710515995.9A Pending CN107392114A (zh) | 2017-06-29 | 2017-06-29 | 一种基于神经网络模型的手指静脉识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392114A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及*** |
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及*** |
CN110084238A (zh) * | 2019-04-09 | 2019-08-02 | 五邑大学 | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 |
CN110147732A (zh) * | 2019-04-16 | 2019-08-20 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN110298343A (zh) * | 2019-07-02 | 2019-10-01 | 哈尔滨理工大学 | 一种手写黑板板书识别方法 |
CN111166070A (zh) * | 2019-12-17 | 2020-05-19 | 五邑大学 | 一种基于指静脉认证的医疗储物柜及其管理方法 |
CN111178221A (zh) * | 2019-12-24 | 2020-05-19 | 珠海格力电器股份有限公司 | 身份识别方法及装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN112560710A (zh) * | 2020-12-18 | 2021-03-26 | 北京曙光易通技术有限公司 | 一种用于构建指静脉识别***的方法及指静脉识别*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411711A (zh) * | 2012-01-04 | 2012-04-11 | 山东大学 | 一种基于个性化权重的手指静脉识别方法 |
CN104102913A (zh) * | 2014-07-15 | 2014-10-15 | 无锡优辰电子信息科技有限公司 | 腕部静脉认证*** |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
-
2017
- 2017-06-29 CN CN201710515995.9A patent/CN107392114A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411711A (zh) * | 2012-01-04 | 2012-04-11 | 山东大学 | 一种基于个性化权重的手指静脉识别方法 |
CN104102913A (zh) * | 2014-07-15 | 2014-10-15 | 无锡优辰电子信息科技有限公司 | 腕部静脉认证*** |
CN106548160A (zh) * | 2016-11-09 | 2017-03-29 | 浙江博天科技有限公司 | 一种人脸微笑检测方法 |
Non-Patent Citations (1)
Title |
---|
CHENG CHEN,ETC.: "A Finger Vein Recognition Algorithm Using Feature Block Fusion and Depth Neural Network", 《INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND INTELLIGENT SYSTEMS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171243A (zh) * | 2017-12-18 | 2018-06-15 | 广州七乐康药业连锁有限公司 | 一种基于深度神经网络的医疗图像信息识别方法及*** |
CN108009520A (zh) * | 2017-12-21 | 2018-05-08 | 东南大学 | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及*** |
CN110084238A (zh) * | 2019-04-09 | 2019-08-02 | 五邑大学 | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 |
CN110084238B (zh) * | 2019-04-09 | 2023-01-03 | 五邑大学 | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 |
CN110147732A (zh) * | 2019-04-16 | 2019-08-20 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
CN110298343A (zh) * | 2019-07-02 | 2019-10-01 | 哈尔滨理工大学 | 一种手写黑板板书识别方法 |
CN111166070A (zh) * | 2019-12-17 | 2020-05-19 | 五邑大学 | 一种基于指静脉认证的医疗储物柜及其管理方法 |
CN111178221A (zh) * | 2019-12-24 | 2020-05-19 | 珠海格力电器股份有限公司 | 身份识别方法及装置 |
CN111639550A (zh) * | 2020-05-13 | 2020-09-08 | 燕山大学 | 基于多尺度融合lbp和改进深度置信网络的指静脉识别方法 |
CN112560710A (zh) * | 2020-12-18 | 2021-03-26 | 北京曙光易通技术有限公司 | 一种用于构建指静脉识别***的方法及指静脉识别*** |
CN112560710B (zh) * | 2020-12-18 | 2024-03-01 | 北京曙光易通技术有限公司 | 一种用于构建指静脉识别***的方法及指静脉识别*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392114A (zh) | 一种基于神经网络模型的手指静脉识别方法及*** | |
Yuan et al. | Fingerprint liveness detection using an improved CNN with image scale equalization | |
Zhang et al. | Finger vein image enhancement based on guided tri-Gaussian filters | |
CN108009520A (zh) | 一种基于卷积变分自编码器神经网络的手指静脉识别方法及*** | |
CN109190566A (zh) | 一种融合局部编码与cnn模型手指静脉识别方法 | |
CN110390282A (zh) | 一种基于余弦中心损失的指静脉识别方法及*** | |
CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
Wang et al. | Damaged fingerprint classification by Deep Learning with fuzzy feature points | |
CN106529395A (zh) | 基于深度置信网络和k均值聚类的签名图像鉴定方法 | |
CN114821682B (zh) | 一种基于深度学习算法的多样本混合掌静脉识别方法 | |
Stojanovic et al. | A novel neural network based approach to latent overlapped fingerprints separation. | |
Kumar et al. | Fingerprint matching using multi-dimensional ANN | |
Zhang et al. | Adaptive gabor convolutional neural networks for finger-vein recognition | |
Pradeep et al. | An revolutionary fingerprint authentication approach using GABOR filters for feature extraction and deep learning classification using convolutional neural networks | |
CN108182399A (zh) | 指静脉特征比对方法、装置、存储介质和处理器 | |
Lazimul et al. | Fingerprint liveness detection using convolutional neural network and fingerprint image enhancement | |
Sujana et al. | An effective CNN based feature extraction approach for iris recognition system | |
Albadarneh et al. | Iris recognition system for secure authentication based on texture and shape features | |
Latha et al. | A novel method for person authentication using retinal images | |
Gaxiola et al. | Modular neural networks for person recognition using segmentation and the iris biometric measurement with image pre-processing | |
Aboalhsan et al. | Deep learning technique for fingerprint recognition | |
Al-jaberi et al. | Palm vein recognition based on convolution neural network | |
Yani et al. | A robust damaged fingerprint identification algorithm based on deep learning | |
Yuan et al. | A realtime fingerprint liveness detection method for fingerprint authentication systems | |
Assim et al. | CNN and Genetic Algorithm for Finger Vein Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171124 |