[发明专利]一种基于深度卷积神经网络的指静脉验证身份识别方法

说明书

技术领域

本发明属于信息安全的身份验证领域，具体涉及到一种基于深度卷积神经网络的指静脉验证身份识别方法。

背景技术

指静脉验证作为一种新兴的生物特征验证方法备受关注，因其具有诸多优势包括安全性和便利性。采集的指静脉很难被伪造和假冒。因此，指静脉的验证与广泛应用的指纹验证相比更具安全性。同时，指静脉图像采用非侵犯和非接触的采集方式，方便用户使用。

在近二十年，有许多著名的指静脉验证方法被提出。日本著名研究员Naoto Miura等人于2004年提出基于重复线跟踪的特征提取方案的指静脉验证方法。Naoto Miura等人又于2007年利用最大曲率点改进指静脉特征提取算法。黄贝宁等人于2010年提出一种基于宽线检测的算子和模式归一化的指静脉验证新方法。目前，黄贝宁等人的方法因其较高的准确率，被广泛应用在商业领域的指静脉验证系统。2010年以来，生物特征验证技术发展迅速。更多的指静脉验证方法被提出。一些方法主要集中在改进特征提取方法包括细节点的频谱特征表示和改进的细节点的频谱特征表示。

然而，指静脉验证方法在实践中仍然存在许多挑战。最重要的问题仍然是个人身份验证的准确率。在第一届和第二届的指静脉识别竞赛中，本发明观察到，指静脉验证算法在被评测时，虽然该算法在实验室收集的数据库上得到一个比较低的错误率，但该算法在从实际应用收集的数据集上应用却得不到一个可接受的错误率。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提出一种基于深度卷积神经网络的指静脉验证身份识别方法。

本发明设计了一个拟合指静脉特征的训练集大小和图像大小的深度卷积神经网络，在深度卷积神经网络上进行指静脉特征匹配获得更好效果。本发明通过难分样本挖掘的DCNN训练策略能提高该方法的准确率和加速整个训练过程。

本发明的技术方案为：

一种基于深度卷积神经网络的指静脉验证身份识别方法，其步骤为：

1)采集或选取多个样本图像，即指静脉近红外图像；其中，每一手指对应至少两个样本图像；

2)对于每一所述近红外图像，生成一指静脉特征模板；

3)利用各所述指静脉特征模板训练基于深度卷积神经网络，得到一个将同一手指的一对指静脉特征模板映射到一个相似度的基于深度卷积神经网络；

4)利用训练后的基于深度卷积神经网络计算待验证指静脉近红外图像的指静脉特征模板与每一样本图像的指静脉特征模板的相似度，并据相似度判断两者是不是同一个手指的指静脉近红外图像。

进一步的，该基于深度卷积神经网络由不同类型的26层组成，第1层是输入层，第26层是输出层，第h层的输出作为第h+1层的输入；其中，第1、3层为卷积层，包括64个滤波器，第6、8层为卷积层，包括128个滤波器，第11、13、15、18、20、22为卷积层，包括256个滤波器；第5、10、17、24层为池化层；第2、4、7、9、12、14、16、19、21、23激励层；第25、26层为全连接层。

进一步的，所述卷积层用于对输入数据进行线性乘积求和得到输入数据的卷积特征；所述池化层用于对卷积特征降维，将卷积特征划分为数个n x n的不相交区域，用这些区域的最大特征来表示降维后的卷积特征；所述激励层为校正线性激活函数。

进一步的，将同一手指的两个指静脉特征模板分别重置为128x 128像素大小；然后将其为一个2通道的128x 128像素大小的图像后输入到该基于深度卷积神经网络的第一层。

进一步的，所述校正线性激活函数为ReLU函数，ReLU函数对于输入x计算f(x)＝max(0,x)，当x＜0时，f(x)＝0，当x＞0时，f(x)＝x。

进一步的，利用各所述指静脉特征模板训练基于深度卷积神经网络的方法为：

11)选取N对指静脉特征模板作为训练集；输入N对指静脉特征模板的全部像素值x和基于深度卷积神经网络的权重向量θ到该基于深度卷积神经网络进行训练；

12)计算权重向量θ的损失函数J(θ)的损失值；