[发明专利]一种融合局部编码与CNN模型手指静脉识别方法

权利要求书

1.一种基于融合局部编码与CNN模型的指静脉图像识别方法，其特征在于：所述的指静脉图像识别方法包括按顺序进行的下列步骤：

1)对所有采集的指静脉图像进行ROI(感兴趣区域)提取而得到指静脉ROI图像，然后将指静脉ROI图像归一化为96*208，由此完成指静脉图像的预处理，得到预处理后的指静脉ROI图像；

2)采用基于加权对称局部图结构的编码算子对上述预处理后的指静脉ROI图像进行特征编码，并得到该图像中中心像素点的特征值；

3)利用一组预定义的稀疏二进制卷积滤波器、非线性激活函数和线性权重来重构LBP、LGS、WSLGS编码算子而得到三种重构后的编码卷积滤波器；

4)建立改进的卷积神经网络模型；

5)将步骤3)获得的重构后的编码卷积滤波器与步骤4)获得的CNN模型相结合，对上述预处理后的指静脉ROI图像进行特征提取，得到特征向量；

6)根据上述特征向量，采用支持向量机分类器或计算欧氏距离的特征匹配方法对待匹配的指静脉ROI图像进行相似性度量；

在步骤2)中，所述的采用基于加权对称局部图结构的编码算子对上述预处理后的指静脉ROI图像进行特征编码，并得到该图像中中心像素点的特征值的具体方法如下：

首先，构建加权对称局部图结构，然后针对上述预处理后的指静脉ROI图像中每一个中心像素点，在其周围左右对称的3*3邻域内各选取3个像素点，与中心像素点共同构成两个对称且中心像素点共用的正方形邻域；

然后，在右边的正方形邻域中，从中心像素点开始，按照图结构的方向两两比较四个像素点的灰度值；如果后一个像素点的灰度值比前一个像素点的灰度值大，那么这两个像素点之间的关系编码为1，否则，编码为0；之后，按照两两比较的顺序从大到小分配不同的权值；在左边的正方形邻域中进行同样的编码过程，并且给左右对称的像素点分配相同的权值；

最后，经过以上两步骤，一个中心像素点就能生成两个六位的二进制码，再根据式(3)、(4)将这两个六位的二进制码合成一个值作为该中心像素点的特征值：

其中，g_i和f_i分别表示右边的正方形邻域内两个待匹配像素点的灰度值，g_j和f_j分别表示左边的正方形邻域内两个待匹配像素点的灰度值，Feature表示中心像素点的特征值。

2.根据权利要求1所述的基于融合局部编码与CNN模型的指静脉图像识别方法，其特征在于：在步骤3)中，所述的利用一组预定义的稀疏二进制卷积滤波器、非线性激活函数和线性权重来重构LBP、LGS、WSLGS编码算子而得到三种重构后的编码卷积滤波器的具体方法如下：

每一种编码算子都由一组稀疏二进制卷积滤波器组成；LBP、LGS、WSLGS编码算子分别通过使用预定义的线性权重，即权向量v＝[2⁷，2⁶，2⁵，2⁴，2³，2²，2¹，2⁰]，v1，v2＝[2⁵，2⁴，2³，2²，2¹，2⁰]，将二进制码串进行加权求和；因此，三种重构后的编码卷积滤波器分别表示为：

其中，x表示预处理后的指静脉ROI图像，b_i表示稀疏二进制卷积滤波器，σ为作为非线性激活函数的Heaviside阶跃函数。

3.根据权利要求1所述的基于融合局部编码与CNN模型的指静脉图像识别方法，其特征在于：在步骤4)中，所述的改进的卷积神经网络模型将保留AlexNet网络的前3个卷积层，后面接两个全连接层；其中第一层卷积层C1中的卷积核大小为11×11，输出96个特征图，然后使用ReLU函数激活并通过LRN层归一化局部响应，对归一化后的特征图使用3×3的最大池化方法进行下采样；第二层卷积层C2的卷积核大小为5×5，卷积核个数为128个；第三层卷积层C3的卷积核大小为3×3，输出384个特征图；后面为两个全连接层，全连接层F1的输出为一个4096维的特征向量，全连接层F2为softmax层，输出每一类所对应的概率。