[发明专利]一种基于深度相关性特征学习的指静脉识别方法及装置

权利要求书

1.一种基于深度相关性特征学习的指静脉识别方法，其特征在于，具体步骤如下：

S1、提取细节点：提取手指静脉的细节点；

S2、构建图节点：根据细节点构建手指静脉的图结构；具体内容如下：提取细节点的特征，并将细节点特征对应的相关特征向量作为图的一个节点；其中，细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角；

S3、学习相关性映射图：基于RankSVM 的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；具体步骤如下：

S301、对于节点A，构建相关性信息，将节点A与剩余的节点构造样本对；

S302、通过样本对训练RankSVM；

S303、找到RankSVM输出的前K个样本，即与节点A相关的K个样本；

S304、计算节点A与K个样本的相似度，即得到相关性信息；其中，节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度；

S305、按照步骤S301-步骤S304计算出任何节点的相关性信息，即完成相关性映射图的学习；

S4、深度相关性特征学习：使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；

S5、匹配：将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。

2.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述步骤S1中提取细节点的具体步骤如下：

S101、对于一副手指静脉图像，用线性跟踪法对手指静脉的纹路进行分割，并进行二值化处理得到二值图像；

S102、对分割的二值图像进行细化，得到细化图像，基于细化图像提取整个手指静脉的细节点。

3.根据权利要求2所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述细节点包括手指静脉细化图像的交叉点和端点。

4.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述细节点的空间位置信息是指细节点在图像中的横坐标和纵坐标。

5.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述步骤S4中深度相关性特征学习是采用Resnet对相关特征进行学习。

6.根据权利要求1所述的基于深度相关性特征学习的指静脉识别方法，其特征在于，所述步骤S5中相似度比较是采用欧式距离进行相似度度量；对于待验证用户，找到与验证用户的图像欧式距离最小的模板，即能得到用户信息。

7.一种基于深度相关性特征学习的指静脉识别装置，其特征在于，该装置包括，

细节点提取模块，用于提取手指静脉的细节点；

图节点构建模块，用于根据细节点构建手指静脉的图结构；具体内容如下：提取细节点的特征，并将细节点特征对应的相关特征向量作为图的一个节点；其中，细节点的特征包括细节点的空间位置信息、细节点的灰度值、3邻域内的平均灰度值及该邻域内的灰度变化和细节点的夹角；

相关性映射图学习模块，用于基于RankSVM 的相关性图映射学习方法，获取相关性图的邻接矩阵，反映图节点之间的相关性信息；具体步骤如下：

（1）、对于节点A，构建相关性信息，将节点A与剩余的节点构造样本对；

（2）、通过样本对训练RankSVM；

（3）、找到RankSVM输出的前K个样本，即与节点A相关的K个样本；

（4）、计算节点A与K个样本的相似度，即得到相关性信息；其中，节点A与K个样本的相似度利用欧氏距离计算两个样本的相似度；

（5）、按照步骤S301-步骤S304计算出任何节点的相关性信息，即完成相关性映射图的学习；

深度相关性特征学习模块，用于使用卷积神经网络对相关性映射图的有效信息进行深度学习，得到有效的深度相关性特征；

匹配模块，用于将得到的有效的深度相关性特征与数据库中存储的模板进行相似度比较，从而完成匹配任务。