[发明专利]一种基于多尺度注意力机制深度哈希的指静脉索引方法

权利要求书

1.一种基于多尺度注意力机制深度哈希的指静脉索引方法，其特征在于，所述方法包括：

获取包括指静脉特征数据的训练集；

对所述获取的训练集进行遍历和扩充操作，得到扩充训练集；

基于所述扩充训练集和预先构建的多尺度注意力特征提取模型，提取多尺度注意力机制指静脉深度特征；

基于所述多尺度注意力机制指静脉深度特征、预先构建的分类监督模型、预先构建的哈希编码模型和预先构建的检索任务监督模型，进行三重损失函数的协同训练，生成最终的训练模型。

2.根据权利要求1所述的基于多尺度注意力机制深度哈希的指静脉索引方法，其特征在于，所述对所述获取的训练集进行遍历和扩充操作操作，得到扩充训练集，具体的扩充操作包括：

在所述获取的训练集的训练图像I中，以一定的概率P_c选择是否随机裁剪图像，若裁剪图像则在训练图像I中随机选择原图大小的90％区域裁剪，并且恢复为原图尺寸大小，产生的图像记为I_c；

对图像I_c进行随机旋转，图像I_c的旋转角度以均匀分布在角度集合A＝{-3,-2,-1,0,1,2,3}中随机采样，产生的旋转图像记为I_r；

对图像I_c的亮度和对比度进行随机变换，亮度因子在[0.7,1.3)中随机均匀选取，对比度因子在[0.8,1.2)中随机均匀选取，生成的图像记为I_b；

对图像I_b进行标准化，计算公式如下所示：

其中，I_n为标准化操作生成的图像，μ为I_b的图像均值，σ为I_b的图像标准差；

将图像I_n作为最终扩充图像进行保存，与原始图像共同组成扩充训练集。

3.根据权利要求1所述的基于多尺度注意力机制深度哈希的指静脉索引方法，其特征在于，所述多尺度注意力特征提取模型包括五个卷积层、三个最大池化层以及三个多尺度注意力模块；所述的五个卷积层按命名顺序串联，网络层均采用relu激活函数激活，三个最大池化层分别插入在第一卷积层、第二卷积层以及第三卷积层之后，所述的三个多尺度注意力机制模块分别插入在第三卷积层、第四卷积层以及第五卷积层之后；

所述基于所述扩充训练集和预先构建的多尺度注意力特征提取模型，提取出多尺度注意力机制指静脉深度特征，包括：

所述多尺度注意力机制模块将输入的所述扩充训练集中的特征进行注意力掩码的计算，并将掩码与原特征向量进行点乘。

4.根据权利要求1所述的基于多尺度注意力机制深度哈希的指静脉索引方法，其特征在于，所述分类监督模型采用交叉熵损失函数进行约束优化，具体的公式为：

其中，p＝[p₀,p₁,...,p_C-1]是当前样本的分类监督模型所输出的一个概率分布，p_i是当前样本属于第i类的概率，y＝[y₀,y₁,...,y_C-1]是样本标签的独热编码，当样本属于第i类时y_i＝1，否则y_i＝0；C为样本标签。

5.根据权利要求1所述的基于多尺度注意力机制深度哈希的指静脉索引方法，其特征在于，所述哈希编码模型由用来优化哈希编码的特征表达能力的对比损失和优化哈希编码量化过程的量化误差两部分组成，具体的公式为：

上式中，第一项为对比损失，第二项为量化损失，N为单个batch的图像个数，S_i,j为第i和第j个图像的近邻关系，如果同类则S_i,j＝1，反之S_i,j＝0，b_i,b_j,b_k分别为第i,j,k个哈希码向量，1为每个元素都为1的且与哈希码尺寸相同的向量，m为边界阈值。