[发明专利]一种基于迁移学习和GAN网络的指静脉身份识别系统

说明书

本发明公开了一种基于迁移学习和GAN网络的指静脉精准身份识别系统(Vein Accurate Recognition System，VARS)；包括图像采集及预处理模块，样本质量评估模块，欺骗检测模块，特征提取模块，身份认证模块，数据存储模块；训练三元网络深度学习模型做为特征提取模块基准模型，再基于CycleGAN网络为基础的迁移学习架构，利用少量真实指静脉数据对基准模型进行迁移学习，得到一个针对真指静脉的精准特征提取模块；通过该特征提取模块构建的指静脉身份识别系统具有鲁棒性好、精度高、运行速度快、简单轻量、新增用户所需时间极短和部署价格低等一系列优点。围绕该模块构建的数据存储模块、欺骗检测模块、身份认证模块，占用系统存储和计算资源很少，因此具有较低的硬件依赖，降低了部署成本。

技术领域

本发明涉及生物特征识别技术领域，具体提供一种基于迁移学习和GAN网络的的指静脉识别方法及系统。

背景技术

指静脉识别技术是利用近红外线穿透手指后所得的静脉纹路影像来进行个人识别，是具有高精度、高速度的世界上最尖端的生物识别技术。在各种生物识别技术中，因其是利用外部看不到的生物内部特征进行识别的技术，所以作为具有高防伪性的第二代生物识别技术备受瞩目。由于其是利用身体内部特征来识别且必须是活体才可利用，指静脉则必须是活体有流动的血液，且隐藏于手指内部，复制难度极大，比较与指纹之类的识别技术又跨进了一大步。以往传统的方法，如基于指静脉纹路的方法、SIFT、LBP、WLD、HOG等等基于人工设计的特征提取方法，在适应多样性数据上都缺乏鲁棒性，当光学仪器的散射现象，低分辨率，手指过于肥大导致血管不明显等问题出现时，以上传统方法都难以完美解决，产生性能下降的问题。深度学习做为一种可以自动从大量图片集中学习特征提取方法的技术逐渐受到科研界和工业界的重视。但深度学习的一大前提是需要大量的图片集数据，而指静脉这一领域难以采集获得大量数据，当数据量不足时，深度学习将会出现过拟合现象：训练集数据下模型的效果极好，测试集和实际应用时效果不佳。

当某领域数据量不足时，我们可以从另一个相似的、容易获取大量数据的领域中训练一个优质模型，利用一些学习框架，基于已训练好的模型，将模型参数逐渐迁移，最终将模型迁移为目标领域的优质模型，这种学习方法就称为迁移学习。

利用迁移学习的方法对深度网络模型进行优化，既发挥了深度学习的特征提取能力，又有效地避免了小数据量下深度学习由于过拟合能力受限的问题。

发明内容

本发明所述的指静脉精准身份识别系统(Vein Accurate Recognition System，VARS)，首次采用迁移学习的方式，利用生成的海量仿真指静脉数据，训练三元网络深度学习模型做为特征提取模块基准模型，再基于CycleGAN网络为基础的迁移学习架构，利用少量真实指静脉数据对基准模型进行迁移学习，得到一个针对真指静脉的精准特征提取模块。通过该特征提取模块构建的指静脉身份识别系统具有鲁棒性好、精度高、运行速度快、简单轻量、新增用户所需时间极短和部署价格低等一系列优点。

VARS系统能够对重要出入口提供高可靠性的安全管理措施，广泛应用于银行、机房、军械库、机要室、监狱、部队、政府、学校、办公室等高安保领域，以及其他身份识别相关的应用领域，如指静脉付款、指静脉签名等。

本发明具有以下优点：

本专利基于迁移学习训练所得的深度卷积网络，继承了卷积网络的特征提取方面的优势，相较于传统的图像处理、模式识别等人工特征提取方法，具有更全面的特征提取能力，针对不同的图片质量和环境影响都有很好的鲁棒性和精度，且在图片预处理上不需要过多操作(仅需感兴趣区域ROI裁剪，尺寸统一，流明度归一化)，使得整体识别流程时间大大缩短。且本专利所采用的基于CycleGAN的迁移学习框架，解决了小数据量下深度卷积网络容易过拟合(训练效果好，实际应用效果差)的问题。