[发明专利]静脉识别模型的训练方法、装置和静脉图像识别装置

说明书

本发明公开了静脉识别模型的训练方法、装置和静脉图像识别装置，属于生物特征识别领域。本发明利用第一训练样本训练第一神经网络模型，获取特征提取模型；通过特征提取模型提取第二训练样本中的训练特征信息，采用训练特征信息训练第二神经网络模型，获取识别模型及识别模型的门限范围，实现基于新增样本(第二训练样本)对第二神经网络模型的训练；通过门限范围确定待识别样本的识别结果，使第二神经网络模型可对新增类别的样本进行识别，避免干扰类别样本对模型的干扰，从而实现快速训练学习的效果，达到实时训练模型的目的。

技术领域

本发明涉及生物特征识别领域，尤其涉及静脉识别模型的训练方法、装置和静脉图像识别装置。

背景技术

静脉特征(如：手指静脉、手掌静脉等)属于生理特征，不会磨损，较难伪造，具有很高安全性。静脉特征不仅支持活体检测这一独有的特性，更在抗干扰和防伪性方面远远优于人脸和指纹等其他生物特征。生物特征识别作为一门新兴的技术可通过识别静脉特征辨别人员身份信息，生物特征识别具有可抗干扰、防伪造、精准度高等优点。由于深度学习相比于传统的图像处理具有学习能力强，识别精度高的优点，因此目前主要采用深度学习的方法识别静脉特征。然而，由于现有的深度学习网络模型结构比较复杂、需要确定的参数很多、通常采用迭代寻优方式训练，训练时间较长，无法满足样本实时增加的需要，不能有效避免新增类别的样本对系统的干扰，训练效果差的问题。

发明内容

针对现有深度学习网络模型无法满足样本实时增加的问题，现提供一种旨在可支持新增样本，能够实时训练的静脉识别模型的训练方法、装置和静脉图像识别装置。

本发明提供了一种静脉识别模型的训练方法，包括：

采用第一训练样本训练第一神经网络模型，获取特征提取模型；

通过所述特征提取模型提取第二训练样本中的训练特征信息，采用所述训练特征信息训练第二神经网络模型，获取识别模型及所述识别模型的门限范围；

所述识别模型通过所述门限范围确定待识别样本的识别结果；

静脉识别模型包括所述特征提取模型和所述识别模型；

所述第一训练样本包括所述第二训练样本。

优选的，所述采用第一训练样本训练第一神经网络模型，获取特征提取模型，包括：

采用所述第一训练样本训练所述第一神经网络模型，采用所述第一训练样本对训练后的所述第一神经网络模型进行迁移学习，删除所述第一神经网络模型中的至少一层全连接层，获取所述特征提取模型。

优选的，所述通过所述特征提取模型提取第二训练样本中的训练特征信息，采用所述训练特征信息训练第二神经网络模型，获取识别模型及所述识别模型的门限范围，包括：

所述第二训练样本包括：第三训练样本和校验样本；

通过所述特征提取模型提取第三训练样本中的训练特征信息；

采用所述第三训练样本的训练特征信息训练所述第二神经网络模型，获取初始识别模型；

通过所述特征提取模型提取校验样本中的校验特征信息；

采用所述校验特征信息校验所述初始识别模型，获取识别模型及所述识别模型的门限范围。

优选的，所述第二神经网络模型采用极限学习机。

优选的，所述采用所述校验特征信息校验所述初始识别模型，获取识别模型及所述识别模型的门限范围，包括：

将所述校验特征信息输入所述初始识别模型的隐层节点进行训练，调节所述初始识别模型的权重参数，获取所述识别模型及所述识别模型的门限范围。