申请/专利权人：华南理工大学

申请日：2020-06-05

公开（公告）日：2024-04-16

公开（公告）号：CN111914616B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.11.27#实质审查的生效;2020.11.10#公开

摘要：本发明提供了一种指静脉识别与防伪一体化方法、装置、存储介质和设备；其中，方法包括：对指静脉图像进行预处理；将预处理后的指静脉数据输入至指静脉识别防伪任务卷积神经网络模型，得到防伪任务分类概率p和识别任务特征向量v；在注册模式下，当防伪任务分类概率p≤概率阈值s1，则将识别任务特征向量v输出并保存；在识别模式下，通过对防伪任务分类概率p与概率阈值s1进行比较，以及对识别任务特征向量v与各个注册样本识别任务特征向量的余弦距离与距离阈值s2进行比较，输出判定结果。本发明将指静脉识别和指静脉防伪两个任务整合到统一算法中，可在保证识别和防伪精度的同时，提升了静脉识别效率和系统实时性。

主权项：1.一种指静脉识别与防伪一体化方法，其特征在于：包括：获取待识别的指静脉图像；对指静脉图像进行预处理，得到预处理后的指静脉数据；将所述预处理后的指静脉数据输入至指静脉识别防伪任务卷积神经网络模型，通过所述指静脉识别防伪任务卷积神经网络模型对所述指静脉图像进行识别和防伪处理，得到防伪任务分类概率p和识别任务特征向量v；其中，所述指静脉识别防伪任务卷积神经网络模型为对初始指静脉识别防伪任务卷积神经网络模型进行训练处理得到的模型；在注册模式下，当指静脉数据的防伪任务分类概率p≤概率阈值s1，则将静脉数据的识别任务特征向量v输出并保存为注册样本识别任务特征向量；在识别模式下，通过对静脉数据的防伪任务分类概率p与概率阈值s1进行比较，以及对静脉数据的识别任务特征向量v与各个注册样本识别任务特征向量的余弦距离与距离阈值s2进行比较，输出判定结果；所述对指静脉图像进行预处理，是指：在指静脉图像提取手指上下边缘；提取手指上下边缘的垂直中点集合，通过最小二乘法拟合手指中线，从而求出手指与水平方向的倾斜角；然后对指静脉图像旋转，将手指矫正到水平方向；采用活动窗口求和的方法来获取原始指静脉图像手指轴向方的亮度统计曲线趋势；亮度统计曲线趋势的两个波峰设定为手指的两个指间关节；在两个指间关节之间截取ROI作为预处理后的指静脉数据；所述指静脉识别防伪任务卷积神经网络模型包括基础识别网络和防伪分支；所述基础识别网络包括依次连接的两个卷积网络、三个卷积模块和全连接层；所述防伪分支包括依次连接的一个卷积模块和两个全连接层；防伪分支的卷积模块前端插入于基础识别网络的第一个卷积模块之后，从而构建出单输入多输出的指静脉识别防伪任务卷积神经网络模型；所述指静脉识别防伪任务卷积神经网络模型为对初始指静脉识别防伪任务卷积神经网络模型进行训练处理得到的模型，是指：训练样本包括识别注册样本集合和防伪样本集合；识别样本集合为R＝{r1,r2,...,rn}，防伪样本集合为S＝{s1,s2,...,sn}；其中，防伪样本集合中的伪造样本，根据识别样本中的类别进行伪造生成，即si＝fri，0≤in；以遍历识别样本集合和防伪样本集合为迭代单位，交替对指静脉识别防伪任务卷积神经网络模型中的基础识别网络和防伪分支进行训练；在训练过程中，每次只有基础识别网络和防伪分支的其中一项参与训练，另一项的权重固定；在基础识别网络和防伪分支的训练中，均使用中心损失作为损失函数，其中，中心损失为： 其中，N表示样本数目，x代表网络输出的识别任务特征向量，c表示该类别的中心；训练评价指标为：GEERω＝ω·SEER+1-ω·EER′其中，ω表示基础识别网络和防伪分支的比重，SEER表示防伪分支的等误率，EER’表示基础识别网络的等误率。

全文数据：

权利要求：

百度查询： 华南理工大学 指静脉识别与防伪一体化方法、装置、存储介质和设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD