[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

说明书

本发明公开了一种基于深度相关性特征学习的指静脉识别方法及装置，属于生物识别领域，本发明要解决的技术问题为如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能，采用的技术方案为：①该方法步骤如下：S1、提取细节点；S2、构建图节点；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；S4、深度相关性特征学习；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该装置包括细节点提取模块、图节点构建模块、相关性映射图学习模块、深度相关性特征学习模块以及匹配模块。

技术领域

本发明涉及生物识别领域，具体地说是一种基于深度相关性特征学习的指静脉识别方法及装置。

背景技术

随着社会的进步，各个领域技术都有了长足的发展。生物特征识别技术是利用人体生物特征或者行为特征进行人体身份认证，其中，人体生物特征主要包括两大类：外部生物特征和内部生物特征。外部生物特征如指纹、虹膜视和脸型等。内部生物特征如手指静脉等。手指静脉识别是一种具有巨大潜力的新兴生物识别技术，其具有内部特征、活体识别等优点受到越来越多研究者和开发人员的关注。特征提取是指静脉识别的关键一环。基于细节点的特征能够表示指静脉的拓扑结构，具有较强的可解释性。然而这类特征忽略了细节点之间的关联性信息，从而影响了最后的识别性能。因此，如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能是目前现有技术中急需解决的技术问题。

专利号为CN109558827A的专利文献公开了一种基于个性化卷积神经网络的手指静脉识别方法，包括训练和识别两部分，在训练部分首先基于正类样本的重要性进行个性化加权，将个性化加权后的样本存入个性化信息生成中心，同时并将加权后的正类样本与收集的手指静脉图像构成样本对进行训练，以构建个性化的卷积神经网络，在识别部分则借助个性化信息生成中心构造，借助个性化的卷积神经网络完成识别，并输出识别结果，结果分为验证通过和验证不通过两种。该技术方案针对不同的场景要求获取重要客户的身份信息，提高识别率和用户满意度。但是不能有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能。

发明内容

本发明的技术任务是提供一种基于深度相关性特征学习的指静脉识别方法及装置，来解决如何有效的对较细静脉的进行精确识别，建立细节点之间的关联性信息，确保具有较强的识别性能的问题。

本发明的技术任务是按以下方式实现的，一种基于深度相关性特征学习的指静脉识别方法，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；

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；

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。

作为优选，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。

更优地，所述细节点包括手指静脉细化图像的交叉点和端点。