【技術實現步驟摘要】
本專利技術屬于生物特征識別領域，具體是涉及基于改進自動編碼網絡的指靜脈識別方法。
技術介紹
1、指靜脈識別技術是一種新興的生物識別技術，由于活體識別、非接觸性、不易受體外因素干擾等優點，得到了學術界和工業界的廣泛關注。在指靜脈識別系統中，識別過程一般包括四個步驟：圖像采集、預處理、特征提取、圖像對比與匹配；其中，特征提取的任務是從原始指靜脈圖片中抽取與識別任務相關的關鍵信息，以便后續的識別算法可以更好地區分不同個體之間的差異。特征提取技術一般可分為兩類：基于傳統方法的特征提取和基于深度學習的特征提取。傳統方法包括gabor濾波器、重復線追蹤、局部二進制模式(localbinary?patterns，lbp)、主成分分析(principal?component?analysis，pca)、線性判別分析(linear?discriminantanalysis，lda)等。近年來，研究人員開始將深度學習技術，如dcnn(dynamic?convolution?neural?network)、vgg(visual?geometry?group?network)、agcnn(attention-based?graph?convolution?network)等，與指靜脈識別技術相結合。深度學習技術能夠利用其非線性映射的特點表示圖像的深層特征，因此取得了比傳統方法更好的效果。但是研究也發現，由于手指圖像存在手指位移、旋轉和圖像質量差等問題，一些神經網絡無法準確地判斷和提取特征，導致準確率受限。
2、隨著指靜脈識別技術的應用，識別
技術實現思路
1、為解決上述技術問題，本專利技術提供了基于改進自動編碼網絡的指靜脈識別方法，基于改進的自動編碼網絡，能從未標記數據中無監督地學習結構與特征，提高了識別準確率；采用適用于實值特征的實值糾錯碼(error?correcting?code，ecc)來保護模板，可以在提升安全性的同時，避免了細節信息的損失，進而提高了識別系統的靈敏度和準確性。
2、本專利技術所述的基于改進自動編碼網絡的指靜脈識別方法，包括以下步驟：
3、步驟1、用戶注冊階段，具體包括：
4、步驟1-1、批量采集指靜脈圖片并進行像素歸一化處理，對圖片進行數據增強后，將所有圖片保存為數據集；
5、步驟1-2、構建自動編碼網絡，并進行訓練，得到訓練好的自動編碼網絡；
6、步驟1-3、輸入指靜脈圖片，獲取指靜脈特征，并采用實值糾錯碼進行特征加密，生成相應的加密模板，并存入系統數據庫，用戶注冊完成；
7、步驟2、驗證匹配階段，具體包括：
8、步驟2-1、將請求指靜脈圖片進行像素歸一化處理后，輸入用戶注冊階段訓練好的自動編碼網絡，得到輸入請求指靜脈特征t'；
9、步驟2-2、將請求指靜脈特征和注冊指靜脈特征利用驗證算法進行驗證匹配，如果全部不匹配則失敗，輸出拒絕；如果匹配成功則停止比對，輸出接受。
10、進一步的，步驟1-1中，對每張指靜脈圖片進行歸一化處理，將圖片的像素值縮放到[0,1]區間范圍內，歸一化計算方式如式(1)所示：
11、x′＝(x-min(x))/(max(x)-min(x))?(1)
12、其中，x′為歸一化后的像素，x為原始像素，min函數表示取數據中的最小值，max函數表示取數據中的最大值。
13、進一步的，步驟1-1中，對數據集中的圖片進行數據增強，每張圖片隨機選擇應用下述的其中的一種或一種以上變換，并將調整后的指靜脈圖片放入數據集中；
14、(1)旋轉變換：使圖片在[0°,7°]范圍內進行隨機的角度旋轉；
15、(2)水平位置變換：使圖片在[0,0.025×圖片長度]范圍內進行隨機的水平方向平移；
16、(3)垂直位置變換：使圖片在[0,0.025×圖片高度]范圍內進行隨機的垂直方向平移；
17、(4)放縮變換：將圖片在長或寬的方向，進行隨機的放大或縮小變換，縮放參數在[0.95,1.05]區間內。
18、進一步的，構建改進的自動編碼網絡，包括編碼器、嵌入層、解碼器和損失函數；
19、所述編碼器包括四個卷積層，分別具有16、32、64、128個濾波器，并且在每層中使用3×3的卷積核；在每次卷積運算后，有bn歸一化模塊和relu激活函數；
20、所述嵌入層包括全連接層和dropout模塊，編碼器輸出的特征經過嵌入層降維被送至解碼器；
21、所述解碼器包括四個反向卷積層，分別包括128、64、32、16個濾波器，并且在每層中使用3×3的卷積核；前三層反向卷積層中，每次反向卷積運算后，都有bn歸一化模塊和relu激活函數；在第四層反向卷積層中，反向卷積運算之后是sigmoid激活函數，將像素值限制在0和1之間，還原指靜脈圖片的維度和特征，得到重本文檔來自技高網...
【技術保護點】
1.基于改進自動編碼網絡的指靜脈識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-1中，對每張指靜脈圖片進行歸一化處理，將圖片的像素值縮放到[0,1]區間范圍內，歸一化計算方式如式(1)所示：
3.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-1中，對數據集中的圖片進行數據增強，每張圖片隨機選擇應用下述的其中的一種或一種以上變換，并將調整后的指靜脈圖片放入數據集中；
4.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，構建改進的自動編碼網絡，包括編碼器、嵌入層、解碼器和損失函數；
5.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-3中，對注冊用戶的指靜脈圖片進行像素歸一化處理，輸入訓練好的網絡得到特征，這些特征集合即為M；針對特征集合M中的每個指靜脈特征t，利用保護算法為指靜脈分配實值糾錯碼c，生成相應的加密模板k，并存入系統數據庫。
6.根據權利要求5所述的基于改進
7.根據權利要求5所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，假設每個指靜脈特征長度為n，針對給定的隨機正整數α，調用均勻分布算法生成一個實值糾錯碼c＝(c1,...,ci,...,cn)，1≤i≤n；c是由0、和構成的長度為n的單位向量，且恰好有α個非零項；具體為：
8.根據權利要求7所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，利用驗證算法將請求指靜脈特征和注冊指靜脈特征進行驗證匹配；驗證算法算法的輸入為待檢測特征t'和受保護的模板k＝(r,P)，輸出是接受或者拒絕；具體為：
9.根據權利要求8所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，調用解碼算法，對輸入的請求指靜脈特征t'和旋轉矩陣P，計算并返回對應的實值糾錯碼c'；具體為：
...【技術特征摘要】
1.基于改進自動編碼網絡的指靜脈識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-1中，對每張指靜脈圖片進行歸一化處理，將圖片的像素值縮放到[0,1]區間范圍內，歸一化計算方式如式(1)所示：
3.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-1中，對數據集中的圖片進行數據增強，每張圖片隨機選擇應用下述的其中的一種或一種以上變換，并將調整后的指靜脈圖片放入數據集中；
4.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，構建改進的自動編碼網絡，包括編碼器、嵌入層、解碼器和損失函數；
5.根據權利要求1所述的基于改進自動編碼網絡的指靜脈識別方法，其特征在于，步驟1-3中，對注冊用戶的指靜脈圖片進行像素歸一化處理，輸入訓練好的網絡得到特征，這些特征集合即為m；針對特征集合m中的每個指靜脈特征t，利用保護算法為指靜脈分配實值糾錯碼c，生...
【專利技術屬性】
技術研發人員：郁瑜，孫力娟，郭劍，鄒浩然，季潔，韓崇，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。