基于残缺补全的指静脉深层特征提取与匹配方法及系统与流程

本发明涉及生物特征识别技术领域，尤其涉及基于残缺补全的指静脉深层特征提取与匹配方法及系统。

背景技术：

作为生物识别家族的一员，指静脉识别技术被广泛研究，常分为预处理、特征提取、特征匹配三个部分；现有的技术方案大多基于特定领域内知识，主要涵盖生理特征研究领域、数字图像处理领域，使得指静脉识别技术中的特征提取部分常常难以提取或实现，并且缺乏从原始采集图像提取特征的冗余性。

此外，指静脉识别技术现在仍然存在良好特征难以提取，特征维度过高，匹配困难等问题，对指静脉的发展造成了一定障碍。

现有的技术方案一为基于流行学习的投影变化提取特征；在训练阶段，通过大量训练得到最佳投影矩阵，一个手指训练就需要同一手指的多幅样本；在识别阶段，利用训练得到的最佳投影矩阵计算待匹配样本的特征矩阵；求得特征矩阵之后与注册库中的所有样本计算欧式距离，采用最邻近分类器进行分类；现有的技术方案二为基于深度神经网络进行特征提取的指静脉认证方法；作者采用其它已有的指静脉增强方法标注指静脉区域，把静脉分为清晰区和模糊区以及背景区，而后采用卷积神经网络进行训练，得到提取特征的神经网络模型。

现有的技术方案一每个手指需要至少45个样本训练才可能训练得到比较好的最佳投影矩阵，并且必须是经过预处理后较完整的图像；在实际问题中，一个用户不可能有如此多的样本进行训练，此外分类的时候采用最邻近分类器也会造成一定程度上精度的损失；现有的技术方案二在训练过程中需要使用其它指静脉特征提取方法提取静脉，由于原有特征和提取出的特征已经存在较大差异；再经过学习，学习到的特征和实际特征差距会更大，降低了识别精度。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了基于残缺补全的指静脉深层特征提取与匹配方法及系统，提取出指静脉图像的高区分度特征，提高匹配精度。

为了解决上述技术问题，本发明实施例提供了基于残缺补全的指静脉深层特征提取与匹配方法，所述指静脉深层特征提取与匹配方法包括：

s11：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；

所述对待注册指静脉图像进行预处理，包含依次进行感兴趣区域提取处理，图像归一化处理，直方图重映射处理；

s12：采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；

所述采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，具体过程如下：

1)将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；

2)采用由基础特征卷积核组成第一卷积池化层对所述特征补全后的待注册指静脉图像进行第一次卷积池化处理，获取待注册指静脉图像的基础特征；

3)采用由高阶特卷积核组成的第二卷积池化层对待注册指静脉图像的基础特征进行第二次卷积池化处理，获取待注册指静脉图像深度隐藏特征；

4)对所述待注册指静脉图像深度隐藏特征进行全连接处理处理，获取待注册指静脉图像深层特征；

s13：采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；

s14：采集待识别指静脉图像，将所述待识别指静脉图像依次进行s1、s2步骤处理，获取待识别指静脉图像深层特征；

s15：采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。

优选地，所述深度卷积神经网络的层次结构为6层，其中第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层。

优选地，所述将所述预处理后的待注册指静脉图像进行残缺特征补全处理，包括：

对所述预处理后的待注册指静脉图像进行数据集扩增处理，获取扩增后的待训练指静脉图像；

将所述扩增后的待训练指静脉图像在所述残缺补全层内进行迭代训练处理，通过迭代训练获取特征补全后的待注册指静脉图像。

优选地，所述采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，包括：

将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，获取欧氏距离集合；

对所述欧式距离集合内的欧氏距离进行排序，选取排序结果中最小的欧氏距离作为匹配结果；

判断所述匹配结果是否小于设定阈值，若是，则所述匹配结果为识别成功，若否，则所述匹配结果为识别失败。

优选地，所述采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理还包括：

将所述识别成功的待识别指静脉图像深层特征加入所述注册后的留存深层特征模板库中，采用所述识别成功的待识别指静脉图像深层特征对所述注册后的留存深层特征模板库进行更新，并标识对应的身份id号。

另外，本发明实施例还提供了基于残缺补全的指静脉深层特征提取与匹配系统，所述指静脉深层特征提取与匹配系统包括：

预处理模块：用于对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；

所述对待注册指静脉图像进行预处理，包含依次进行感兴趣区域提取处理，图像归一化处理，直方图重映射处理；

特征提取模块：用于采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；

所述特征提取模块包括：

残缺补全单元：用于将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；

第一卷积池化单元：用于采用由基础特征卷积核组成第一卷积池化层对所述特征补全后的待注册指静脉图像进行第一次卷积池化处理，获取待注册指静脉图像的基础特征；

第二卷积池化单元：用于采用由高阶特卷积核组成的第二卷积池化层对待注册指静脉图像的基础特征进行第二次卷积池化处理，获取待注册指静脉图像深度隐藏特征；

全连接单元：用于对所述待注册指静脉图像深度隐藏特征进行全连接处理处理，获取待注册指静脉图像深层特征；

模板库构建模块：用于采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；

第二特征提取模块：用于采集待识别指静脉图像，将所述待识别指静脉图像依次进行预处理和特征提取处理，获取待识别指静脉图像深层特征；

匹配模块：用于采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。

优选地，所述深度卷积神经网络的层次结构为6层，其中第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层。

优选地，所述残缺补全单元包括：

数据集扩增子单元：用于对所述预处理后的待注册指静脉图像进行数据集扩增处理，获取扩增后的待训练指静脉图像；

迭代训练子单元：用于将所述扩增后的待训练指静脉图像在所述残缺补全层内进行迭代训练处理，通过迭代训练获取特征补全后的待注册指静脉图像。

优选地，所述匹配模块包括：

计算单元：用于将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，获取欧氏距离集合；

排序单元：用于对所述欧式距离集合内的欧氏距离进行排序，选取排序结果中最小的欧氏距离作为匹配结果；

判断单元：用于判断所述匹配结果是否小于设定阈值，若是，则所述匹配结果为识别成功，若否，则所述匹配结果为识别失败。

优选地，所述匹配模块还包括：

更新单元：用于将所述识别成功的待识别指静脉图像深层特征加入所述注册后的留存深层特征模板库中，采用所述识别成功的待识别指静脉图像深层特征对所述注册后的留存深层特征模板库进行更新，并标识对应的身份id号。

在本发明实施例中，通过本发明实施例提取出高区分度的指静脉特征；由于深度模型结构的特殊性，不仅可以起到指静脉残缺补全的功能，增强指静脉图像，通过进行指静脉残缺补全，可以对指静脉图像质量要求较低，算法冗余性更高；而且由于提出了不同卷积池化层对应的卷积核，使得提取出的指静脉特征具有很强的特征描述性，提高了匹配精度。

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残缺补全的指静脉深层特征提取与匹配方法的方法流程示意图；

图2是本发明实施例中的进行匹配识别处理步骤的流程示意图；

图3是本发明另一实施例中的基于残缺补全的指静脉深层特征提取与匹配方法的方法流程示意图；

图4是本发明实施例中的基于残缺补全的指静脉深层特征提取与匹配系统的系统结构组成示意图。

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。

实施例一：

图1是本发明实施例中的基于残缺补全的指静脉深层特征提取与匹配方法的方法流程示意图，如图1所示，所述指静脉深层特征提取与匹配方法包括：

s11：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；

s12：采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；

s13：采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；

s14：采集待识别指静脉图像，将所述待识别指静脉图像依次进行s11、s12步骤处理，获取待识别指静脉图像深层特征；

s15：采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。

对s11作进一步说明：

对待注册的指静脉图像进行预处理，其中预处理包括roi提取(图像感兴趣区域提取)、图像归一化、直方图重映射等处理，具体如下：

所述预处理包括：

对所述待注册指静脉图像进行图像感兴趣区域提取处理，获取图像感兴趣区域提取处理的待注册指静脉图像；对图像感兴趣区域提取处理的待注册指静脉图像进行图像归一化处理，获取归一化处理后的指静脉图像；对归一化处理后的指静脉图像进行直方图重映射处理，获取预处理后的待注册指静脉图像；通过上述的预处理，可以得到待注册指静脉图像的增强图像，其中roi提取采用canny边缘检测算法实现，提取得到手指区域，去除非手指区域；图像归一化通过双线性插值方法实现，使得所有指静脉图像具有相同尺寸，灰度值范围为0-1。

对s12作进一步说明：

首先构建一个深度卷积神经网络，构建的深度卷积神经网络的层次结构为6层，其中第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层。

通过指静脉图像数据库中的图像对深度卷积神经网络进行大面积训练，调整深度学习模块中的6层模型的参数，获取到训练好的深度卷积神经网络。

将预处理后的待注册指静脉图像进通过训练好的深度卷积神经网络的输入层输入到训练好的深度卷积神经网络中，依次经过第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层处理，输出的时候获取到待注册指静脉图像深层特征。

指静脉图像具有固定属性，即图像中一部分的统计特性与其它部分是一样的，在指静脉图像中其中一部分学习到的特征也能用在另一部分，对图像上的所有位置都能使用相同的学习特征；而卷积核可以用来提取指静脉图像中的线、角、网络、边缘等特征，因此本发明中选择适用不同的卷积核来提取不同层次的指静脉特征。

在通过图像卷积之后需要用这些特征去做分类，通常用提取到的特征去进行匹配或者训练分类器，但是由于在本发明中学到的特征数量的个数依据隐藏层层数不同，每一个特征和图像卷积后都会得到一个很高维的卷积特性，这样导致很高维度的分类器，并且容易出现过拟合；本发明为了解决这个问题，选用池化解决；之所以决定使用卷积后的特征是因为图像具有一种“静态性”的属性，即一个图像区域有用的特征在另一个区域也适用。因此为了描述大的图像，对不同位置的特征进行聚合统计，即池化操作。

对s13作进一步说明：

将获取到的待注册指静脉图像深层特征在该识别匹配数据库中进行注册，并标识器对应的用户身份信息id，在注册好之后，将对应的深层特征和用户身份信息id更新进入到构建好的模板库中，最后完成获取有新用户注册后的更新的留存深层特征模板库。

对s14作进一步说明：

将待识别的指静脉图像依次进行上述的s11和s12步骤处理，获取待识别指静脉图像深层特征；关于具体的实施过程，在此就不赘述，具体可以参考s11和s12步骤的详细实施过程。

对s15作进一步说明：

采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取到待识别指静脉深层特征和留存深层特征模板库之间的匹配识别结果。

具体的，图2是本发明实施例中的进行匹配识别处理步骤的流程示意图，如图2所示，进行匹配识别处理步骤如下：

s151：将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，获取欧氏距离集合；

将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，具体的欧氏距离计算公式：

其中，a表示待识别指静脉图像特征，b表示注册后的留存深层特征模板库中的一个留存指静脉图像特征，i表示待识别指静脉图像特征和注册后的留存深层特征模板库中的留存指静脉图像深层特征的小特征，i＝1,2,3，...，n；d表示计算获得的欧氏距离；根据上述计算获得欧氏距离构建一个欧氏距离集合。

s152：对所述欧式距离集合内的欧氏距离进行排序，选取排序结果中最小的欧氏距离作为匹配结果；

通过上述计算之后，获得欧氏距离集合，通过对这欧氏距离集合中的距离进行一个排序，排序方法可根据用户实际情况而定，选取排序结果中的最小欧氏距离作为匹配结果。

s153：判断所述匹配结果是否小于设定阈值，若是，则所述匹配结果为识别成功，若否，则所述匹配结果为识别失败。

通过上述步骤，确定了在匹配过程中的匹配结果，将匹配结果中的欧氏距离与设定的阈值μ进行比较，阈值μ是通过多次试验选取的结果，在本发明实施例中选取μ＝1，保证识别真确率，阈值μ越小其匹配精度越高，匹配成功率越低，安全性越高，用户可以根据实际情况设置阈值μ，本发明实施例不做限制；当匹配结果中的欧氏距离小于或等于阈值μ时，则认为识别成功，若匹配结果中的欧氏距离大于阈值μ时，则认为识别失败。

当上述识别成功之后，还包括对注册后的留存深层特征模板库进行更新，具体如下：

将所述识别成功的待识别指静脉图像深层特征加入所述注册后的留存深层特征模板库中，采用所述识别成功的待识别指静脉图像深层特征对所述注册后的留存深层特征模板库进行更新，并标识对应的身份id号。

在本发明实施例中，通过本发明实施例提取出高区分度的指静脉特征；由于深度模型结构的特殊性，不仅可以起到指静脉残缺补全的功能，增强指静脉图像，通过进行指静脉残缺补全，可以对指静脉图像质量要求较低，算法冗余性更高；而且由于提出了不同卷积池化层对应的卷积核，使得提取出的指静脉特征具有很强的特征描述性，提高了匹配精度。

实施例二：

图3是本发明另一实施例中的基于残缺补全的指静脉深层特征提取与匹配方法的方法流程示意图，如图3所示，所述指静脉深层特征提取与匹配方法包括：

s21：对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；

具体实施过程可参考实施例一，在此不再赘述。

s22：将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；

对所述预处理后的待注册指静脉图像进行数据集扩增处理，获取扩增后的待训练指静脉图像；将所述扩增后的待训练指静脉图像在所述残缺补全层内进行迭代训练处理，通过迭代训练获取特征补全后的待注册指静脉图像。

具体的，进行数据集扩增；在已有经过预处理后的数据集的基础上，随机选取指静脉图像的任意1/6部分对应的像素点标注为非静脉区，起到样本集增加的作用，每幅指静脉图像扩增为10幅图像。图像在残缺补层经过大量迭代训练，训练得到的模型可以实现指静脉残缺补齐。

s23：采用由基础特征卷积核组成第一卷积池化层对所述特征补全后的待注册指静脉图像进行第一次卷积池化处理，获取待注册指静脉图像的基础特征；

第一卷积池化层中拥有15个卷积核，用来检测线条、角等初级特征，在第一卷积池化层主要实现卷积核池化两步，经过这一层之后提取出指静脉图像的基础特征(基础特征为线条、边、角等特征)。

卷积：

在这一层中，图像大小为40x80，选择的区域大小为10x10，卷积模式采用valid,即记输入矩阵：w×h，卷积核f×f，步长stride，输出高、宽为new_height,new_width,则：

new_width＝(w-f+1)/s

new_height＝(h-f+1)/s

计算得到结果后向上取整；在本文中，输入图像为40x80，步长为1，确保输入输出一致大。在每幅图像进行完卷积之后，保存到矩阵中进行后续运算。

池化：

由于指静脉采集图像经常会发生平移，而池化操作在图像平移方面表现良好，即当图像经过了平移，图像标记任然保持不变，因此用池化了降维。

在本发明中的处理过程为：获取到卷积特征后，确定池化区域大小m*n，则把卷积特征划分到数个大小为m*n的不相交区域上，然后用这些区域的平均特征来获取池化后的卷积特征，最终池化后的特征用来进行分类；第一层选择池化区域大小为4x4，第二层以后选择大小为2x2。

s24：采用由高阶特卷积核组成的第二卷积池化层对待注册指静脉图像的基础特征进行第二次卷积池化处理，获取待注册指静脉图像深度隐藏特征；

第二卷积池化层中的卷积核为经过自编码神经网络学习得到的高阶特卷积核组成；经过这一层之后，提取到待训练指静脉图像的高级特征，得到卷积核的方法如下：

定义一个自编码神经网路，整个自编码神经网络分为三层，输入层，隐藏层，输出层；令输出层与输入层相等，均为经过预处理后的指静脉图像，通过限定隐藏节点的数目，便可以自学到很好区分度的特征，最终学习到的高阶特卷积核组成第二卷积池化层中的卷积核。

s25：对所述待注册指静脉图像深度隐藏特征进行全连接处理处理，获取待注册指静脉图像深层特征；

经过全连接层进行全连接，全连接层的大小为128*1。

s26：采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；

具体实施过程可参考实施例一，在此不再赘述。

s27：采集待识别指静脉图像，将所述待识别指静脉图像依次进行s21-s25步骤处理，获取待识别指静脉图像深层特征；

具体实施过程可参考实施例一，在此不再赘述。

s28：采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。

具体实施过程可参考实施例一，在此不再赘述。

实施例三：

图4是本发明实施例中的基于残缺补全的指静脉深层特征提取与匹配系统的系统结构组成示意图，如图4所示，所述指静脉深层特征提取与匹配系统包括：

预处理模块11：用于对待注册指静脉图像进行预处理，获取预处理后的待注册指静脉图像；

所述对待注册指静脉图像进行预处理，包含依次进行感兴趣区域提取处理，图像归一化处理，直方图重映射处理；

特征提取模块12：用于采用深度卷积神经网络对所述预处理后的待注册指静脉图像进行深层特征提取训练处理，获取待注册指静脉图像深层特征；

所述特征提取模块12包括：

残缺补全单元121：用于将所述预处理后的待注册指静脉图像进行残缺特征补全处理，获取特征补全后的待注册指静脉图像；

第一卷积池化单元122：用于采用由基础特征卷积核组成第一卷积池化层对所述特征补全后的待注册指静脉图像进行第一次卷积池化处理，获取待注册指静脉图像的基础特征；

第二卷积池化单元123：用于采用由高阶特卷积核组成的第二卷积池化层对待注册指静脉图像的基础特征进行第二次卷积池化处理，获取待注册指静脉图像深度隐藏特征；

全连接单元124：用于对所述待注册指静脉图像深度隐藏特征进行全连接处理处理，获取待注册指静脉图像深层特征；

模板库构建模块13：用于采用所述待注册指静脉图像深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；

第二特征提取模块14：用于采集待识别指静脉图像，将所述待识别指静脉图像依次进行预处理和特征提取处理，获取待识别指静脉图像深层特征；

匹配模块15：用于采用所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行匹配识别处理，获取匹配识别结果。

优选地，所述深度卷积神经网络的层次结构为6层，其中第一层为输入层、第二层为残缺补全层、第三层为第一卷积池化层、第四层为第二卷积池化层、第五层为全连接层、第六层为输出层。

优选地，所述残缺补全单元121包括：

数据集扩增子单元：用于对所述预处理后的待注册指静脉图像进行数据集扩增处理，获取扩增后的待训练指静脉图像；

迭代训练子单元：用于将所述扩增后的待训练指静脉图像在所述残缺补全层内进行迭代训练处理，通过迭代训练获取特征补全后的待注册指静脉图像。

优选地，所述匹配模块15包括：

计算单元：用于将所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库中的留存深度特征一一进行欧氏距离计算，获取欧氏距离集合；

排序单元：用于对所述欧式距离集合内的欧氏距离进行排序，选取排序结果中最小的欧氏距离作为匹配结果；

判断单元：用于判断所述匹配结果是否小于设定阈值，若是，则所述匹配结果为识别成功，若否，则所述匹配结果为识别失败。

优选地，所述匹配模块15还包括：

更新单元：用于将所述识别成功的待识别指静脉图像深层特征加入所述注册后的留存深层特征模板库中，采用所述识别成功的待识别指静脉图像深层特征对所述注册后的留存深层特征模板库进行更新，并标识对应的身份id号。

具体地，本发明实施例的系统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，通过本发明实施例提取出高区分度的指静脉特征；由于深度模型结构的特殊性，不仅可以起到指静脉残缺补全的功能，增强指静脉图像，通过进行指静脉残缺补全，可以对指静脉图像质量要求较低，算法冗余性更高；而且由于提出了不同卷积池化层对应的卷积核，使得提取出的指静脉特征具有很强的特征描述性，提高了匹配精度。

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，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的基于残缺补全的指静脉深层特征提取与匹配方法及系统进行了详细介绍，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。