[发明专利]一种基于长期递归卷积神经网络的手指静脉认证方法

说明书

本发明提供了一种基于长期递归卷积神经网络的手指静脉认证方法，首先手指静脉图像进行标记、创建标签序列，然后训练长期递归卷积神经网络，对手指静脉分隔进行纹理标识和空间依赖性表示；对概率支持向量机进行训练，以计算对应的像素点属于静脉的概率；最后通过增强的汉明距离对同一样本的任意两幅图像在不同空间位移时的非重叠区域进行计算，从而对所有增强图像进行两两匹配。该方法可以快速、高效地对手指静脉进行记录和识别，能有效提高手指静脉认证的准确性。

技术领域

本发明属于手指静脉认证技术领域，特别涉及一种基于长期递归卷积神经网络的手指静脉认证方法。

背景技术

生物特征识别技术是利用人体生物学特征或者行为特征进行身份认证的技术，其中行为特征主要包括签名、语音、步态等，生物学特征可分为外部生物特征(指纹、掌型、虹膜视、脸型等)以及内部生物特征(手指静脉、手背静脉和手掌静脉等)其中，由于指纹识别具有唯一性、稳定性、易用性等优点，应用极为广泛。但是，在指纹识别中，必须要求使用者在录入指纹时保持手指洁净、光滑，因为任何存在于指纹上的脏东西或污点都能给识别带来困难，且指纹易于伪造，严重影响了指纹识别技术的安全性。与外部生物特征相比，内部生物特征很难盗取和伪造，因此具有更高的安全性能。在内部生物特征中，手指静脉特征具有高度的普遍性和唯一性，因此有望以此开发出全新的身份认证技术。

手指静脉识别通常利用透射光或反射光两种方式获取手指静脉图像，然后从手指静脉图像中提取静脉特征，进行特征匹配，从而实现了手指静脉识别，确认使用者身份。为此，在手指静脉识别过程中，由于手指静脉图像的采集受多种因素的影响，如环境光、环境温度、光散射，所以手指静脉识别仍然面临着严峻的挑战。在实际应用中这些因素很难被控制和克服，所以采集的图像中包含了许多模糊区域，在这些区域中，手指静脉特征与背景之间的区分度很差，一般情况下，匹配图像中模糊区域会导致认证精度的大大降低。目前基于手工特征的方法很难有效地提取到手指静脉纹路信息，导致认证效率和准确性有限。

发明内容

为了解决上述技术问题，本发明提供了一种基于长期递归卷积神经网络的手指静脉认证方法。

本发明具体技术方案如下：

本发明提供了一种基于长期递归卷积神经网络的手指静脉认证方法，包括如下步骤：

S1：对输入的手指静脉样本图像进行二值化，根据像素值从手指静脉样本二值图像的所有像素点中筛选出静脉像素点和背景像素点，并分别进行标记；在所述手指静脉样本二值图像中，筛选出若干像素点，并分别沿指定的C个方向θ提取多个子块构建训练集，每个像素点构建C个标签序列，其中C为不小于2的自然数；

S2：通过训练长期递归卷积神经网络LRCNN，以学习对手指静脉纹理的表示和空间依赖性表示；

S3：根据所述标签序列，分别为每个所述训练集生成C个训练数据集，并分别用每个所述训练数据集单独训练一个LRCNN，输出一个C维向量作为特征向量；

S4：通过所述特征向量对概率支持向量机P-SVM进行训练，以计算对应的所述像素点属于所述静脉像素点的概率；

S5：分别根据每个所述训练集生成一个增强图像，并对增强图像进行二值化的函数进行优化；

S6：利用优化的函数计算任意两幅图像在不同空间位移时的非重叠区域，从而对所有所述增强图像进行两两匹配。

进一步地，步骤S1的具体方法如下：

S1.1：分别采用至少两种不同的方法对输入的手指静脉样本图像进行二值化，得到至少两张不同的二值图像，并计算所有所述二值图像的均值，得到均值图像F，作为手指静脉样本二值图像；以像素值0代表背景、像素值1代表静脉，对所述手指静脉样本二值图像中的所有像素点F(x,y)进行标记，如果F(x,y)＝1，标记为静脉像素点；如果F(x,y)＝0，则标记为背景像素点；其他区域不进行标记；