快速提取掌纹感兴趣区域的方法
【技术领域】
[0001] 本发明涉及生物识别技术领域中的掌纹识别，具体涉及一种提取掌纹感兴趣区域 的方法。
【背景技术】
[0002] 人体生物特征是人类所固有的各种生理特征和行为特征的总称，这些特征唯一性 和不变性强，和传统的身份认证方法相比，生物特征更安全更方便。生理特征多为先天性特 征，不随外在条件和主观意愿发生改变，如指纹、掌纹、静脉;行为特征则是人们后天养成的 行为习惯，如笔迹、步态。
[0003] 其中掌纹识别是近几年较为热门的生物特征识别方向之一，和发展较为成熟的指 纹识别相比，掌纹的有效区域大并且具有更丰富的纹理特征，因此能够提供更为有效可靠 的识别信息。在实际的掌纹识别过程中首先需要对掌纹图像进行预处理，以保证识别系统 能够从手掌图像中准确高效地提取到感兴趣区域，达到系统的实用性和高效性。
[0004]掌纹感兴趣区域的提取主要是指通过图像调整和关键点定位，从掌纹图像中有效 的选择分割出手掌中心特征较为丰富的区域。中心区域的提取过程希望，同一手掌不同掌 纹图像的感兴趣区域基本相同，不同大小掌纹能够在提取过程中自动进行区域和相关位置 参数上的优化，以适应差异化掌纹图像对感兴趣区域的提取要求。
[0005] 掌纹感兴趣区域提取作为掌纹预处理阶段的重要一环，在掌纹识别过程中非常重 要。它的目的在于提取掌纹图像的核心特征区并进行归一化的处理，以便进行之后的特征 提取与特征选择。
[0006] 现有的掌纹感兴趣区域的提取方法，主要通过局部切线切圆或测量特定距离的方 式得到指间谷点，以此提取有效区域。这些方法为了保证得到较好的提取效果，需要在指间 关键点筛查及切线切圆逼近参数上进行较长时间的优化调整。人为调整参数的过程较为繁 琐，需要依据总体提取效果进行调整，这直接导致参数的自调节能力低、调整过程费时费 力，提取掌纹有效区域的速度有待提高。这些问题正是已有算法在提取感兴趣区域过程中 亟待解决的问题。
【发明内容】
[0007] 本发明的主要目的在于提出一种快速准确提取高分辨掌纹图像感兴趣区域的方 法，以解决现有方法通过设定距离及切线切圆参数提取所带来的：提取速度慢，调参复杂度 高、算法鲁棒性低的问题，从而能够快速准确的提取到掌纹感兴趣区域。
[0008] 本发明提供的提取掌纹感兴趣区域的技术方案如下：
[0009] -种掌纹有效区域的提取方法，所述方法包括五个过程:标记训练样本的指间谷 点、训练用于检测低分辨掌纹指间谷点的卷积神经网络，提取低分辨掌纹指间关键点并据 此在高分辨掌纹中获取以关键点为中心的子图、针对子图精确提取指间谷点、根据精确谷 点定位掌纹感兴趣区域。
[0010] 优选地：
[0011] 所述训练卷积神经网络的过程，训练样本经扩增后分批多次输入到网络，训练中 学习率随批次增加逐渐降低以提升训练速度;所述掌纹有效区域提取过程为了能够快速定 位掌纹感兴趣区域，提取过程首先定位低分辨掌纹的指间谷点，然后通过映射从高分辨掌 纹中获取以关键点为中心的子图，并在子图中使用卷积神经网络或局部切线法精确提取指 间谷点，最终以这些点准确定位掌纹感兴趣区域。
[0012] 标记训练集中低分辨掌纹图像指间谷点的目的在于提供给后续的卷积神经网络 以训练样本。掌纹指间谷点的标记过程首先需要缩小原始掌纹图像来获得低分辨的较小掌 纹图像，然后在低分辨率掌纹图像中提取手掌边界轮廓，以切线逼近的方式寻找谷点，从而 构成卷积神经网络的训练样本。
[0013] 卷积神经网络的训练过程中，训练集为标记过指间谷点的低分辨掌纹图像，这些 掌纹已标记了三个指间谷点。卷积神经网络，通过引入卷积层，使用局部联结、权值共享和 池化的方式有效提高了整个网络的描述力和表达力。训练适用于在低分辨掌纹中检测关键 点的网络主要分为三个过程:使用无监督学习对每一层网络中的掌纹图像进行预训练;每 次用无监督学习只训练一层，并将其输出的掌纹特征结果作为更高一层的输入;然后再用 有监督的学习方法调整所有层的权值系数，在权值调整过程中使用梯度下降法逼近全局最 优值，每一次的权值调整代表着一次逼近。在构建卷积神经网络时，首先可以创建三个卷积 层和两个全连接层相连的卷积神经网络，其中三个卷积层每一层之后连接一个最大池化 层，每个池化层之后连接一个丢弃层以提高其网络性能，第一个全连接层之后也需要连接 一个丢弃层，然后对这四个丢弃层分别指定其丢弃概率。初始卷积层有多个滤波器，之后的 每个卷积层会把滤波器的数量翻倍，输出层将包含六个节点用于输出三个指间谷点的位置 信息。创建卷积神经网络的过程可以使用深度学习工具实现，每一层参数可以进行相应的 设定，神经网络的权重初始化为选定区间的均匀分布值，通过上面这些结构参数的设定就 能够构建完整的卷积神经网络。
[0014] 在网络训练过程中，每一批图像训练完成后均会更新神经网络的权重，更新过程 使用梯度下降法，设定合适的步长更新权重，就可以保证参数较快的收敛到全局最优值。同 时为了使用大的训练集来提升网络性能，该掌纹训练样本可以选择下面的方式输入网络进 行训练:分批多次输入网络，每一批次选择多张掌纹图像，这些图像以一定概率进行水平翻 转。这样的训练方式能够扩增训练集并增加其信息量，使卷积网络取得更好的训练结果。同 时为了提高整个网络的训练速度，可以先选取一个较大的学习率，在每一批次训练完成之 后调用更新函数线性减小学习率，从而加速网络训练过程。
[0015] 掌纹有效区域的快速定位过程核心在于使用卷积神经网络快速精准提取指间谷 点，而为了提高定位高分辨掌纹图像指间谷点的速度，整个发明将这个过程分为三个阶段： 第一阶段是标记训练集中低分辨掌纹图像的关键点，用它们训练一个卷积神经网络并进行 提取测试;第二阶段是将提取到的低分辨掌纹关键点映射至对应的高分辨掌纹图像，依据 它们的对应关系建立映射矩阵，然后以映射后的矩形像素块为中心提取掌纹子图；三是在 掌纹子图中进行局部搜索以快速提取到指间谷点，提取过程使用两种方法:局部切线法和 卷积神经网络提取法。局部切线在子图这样的局部小图中逼近寻找时能够快速找到谷点， 同时能够保证谷点精度;使用卷积神经网络提取的方法，需要构建、训练并优化新网络，进 而实现从子图中快速精确的提取关键点的目的，该卷积神经网络的结构与用来提取低分辨 掌纹谷点的网络基本相同，只需要降低其输入层和全连接层的维数，该方法同时能够明显 提升谷点精度。
[0016] 在使用卷积神经网络精确提取到掌纹指间谷点之后，可以依据这些谷点来确定掌 纹感兴趣区域。定位过程首先需要使用谷点建立坐标轴，本发明中建立坐标轴的方式有两 种:一种针对相邻谷点间距离较大的手掌即伸展程度较大或手型较大的手掌，该方式使用 食指与中指、无名指与小拇指间的两个谷点连线作为横轴，连线中垂线作为纵轴来建立坐 标系；另一种针对相邻谷点间距离较小的手掌即伸展程度较小或手型较小的手掌，该方式 将食指与中指、中指与无名指间的两个谷点的连线作为横轴，连线中垂线作为纵轴来建立 坐标系。在提取到三个指间谷点并选择其中两个谷点建立坐标系之后，首先初始化感兴趣 区域的固定大小，而后使用三个谷点内相邻点间的距离对其大小进行微调，在微调完成后 对提取到的感兴趣区域做归一化处理，以方便之后的特征提取与匹配。
[0017] 本发明提出了一种使用深度学习中的卷积神经网络快速提取高分辨掌纹图像感 兴趣区域的方法，解决了现有技术中感兴趣区域提取速度慢，调参复杂度高、算法鲁棒性低 的问题，最终能够快速并准确提取到掌纹感兴趣区域。这种方法对于掌纹图像预处理操作 及整个掌纹识别过程而言有着重要的价值。
【附图说明】
[0018] 图1是本发明中使用卷积神经网络提取掌纹感兴趣区域的具体流程图。
[0019] 图2是本发明构建用于提取低分辨率指间谷点的卷积神经网络的结构示意图。
[0020] 图3是本发明对图2中的卷积神经网络进行具体优化操作的流程示意图。
[0021 ]图4是本发明使用两种方法在掌纹子图中快速精确定位指间谷点的流程示意图。
【具体实施方式】
[0022] 下面对照附图并结合优选的实施方式对本发明作进一步说明。
[0023] 本发明具体实施示例提供了一个搭建卷积神经网络并提取掌纹感兴趣区域的详 细过程，如图1所示，包括以下步骤:标记训练样本的指间谷点，训练用于提取低分辨掌纹图 像指间谷点的卷积神经网络，提取关键点并映射至高分辨掌纹从中提取以关键点为中心的 子图，选择二次提取方法，当标识选择为1时训练新的卷积神经网络快速提取子图指间谷 点，当标识选择为〇时使用局部切线法快速提取子图指间谷点，最后利用子图谷点准确定位 高分辨率掌纹感兴趣区域。其中：
[0024] 所述标记训练集样本的具体过程:首先将高分辨掌纹图像缩小N倍获取低分辨掌 纹图像，对低分辨率手掌图像进行二值化处理并从中检测得到手掌边界点，然后使用局部 切线逼近法对手掌边界点进行逐点检测，根据最小距离原则，即分别计算手掌轮廓各点到 手掌中心的欧式距离最小的轮廓点，进而聚类提取到除大拇指外其他四指间的3个谷点，在 图像中进行标记以构成卷积神经网络的训练集。
[0025] 所述构建用于检测较低分辨掌纹指间谷点的过程，首先需要构建用于提取较低分 辨掌纹图像指间谷点的卷积神经网络，其结构如图2所示包含:输入层、三个卷积层、三个池 化层、两个全连接隐层、四个丢弃层和最终的输出层。输入层输入低分辨的掌纹图像，第一 卷积层包含32个不同卷积核，第二、第三卷积层卷积核数量依次翻倍，分别为64个和128个， 两个全连接隐层各包含1000个节点，每个卷积层和第一个全连接层之后均连接一个丢弃 层，丢弃概率由初始值依固定步长依次增大，如以0.1为初始值以0.1为步长依次增大，输出 层为6个节点，用于输出指间的3个谷点，提取掌纹指间谷点的卷积神经网络细节参数设定 可依据具体使用的掌纹数据库进行微调。
[0026]本发明所述的训练卷积神经网络的过程，使用已标记指间谷点的低分辨掌纹图像 作为训练集，针对训练过程中数据集、学习率、迭代次数及丢弃方式依次采用了如图3所示 的方式来提升训练得到的卷积神经网络的性能：
[0027] 1)扩充数据集
[0028] 扩充掌纹数据集对于提升卷积神经网络的性