[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

说明书

本发明提供一种基于多尺度注意力机制深度哈希的指静脉索引方法，包括：获取包括指静脉特征数据的训练集；对训练集进行遍历和扩充操作，得到扩充训练集；基于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；基于多尺度注意力机制指静脉深度特征和预先构建的分类监督模型、哈希编码模型、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。本发明主要通过采用神经网络的方法并且加入多尺度注意力机制，相比较于传统的特征提取算法，特征的鲁棒性获得一定的提升，同时，本发明中的模型是端到端的，可以保证哈希编码和特征提取的整体性，编码质量和编码效率得到了保障。

技术领域

本发明涉及指静脉识别技术领域，具体而言，尤其涉及一种基于多尺度注意力机制深度哈希的指静脉索引方法。

背景技术

近年来，随着的生物特征识别技术的快速发展，指静脉识别技术逐渐被人们所熟知。指静脉识别技术除了具有普遍性，持久性，唯一性和可采集性的生物特征识别的固有特性外还有活体检测和非接触特性的特有属性，因此被民众广泛接受。在指静脉识别技术的应用越来越广泛的情况下，数据库中存储的注册用户逐渐累积，过往的识别技术在逐渐积累的数据量下难以达到实时效果。并且传统的手工特征在海量数据下也难以保证良好的鲁棒性。

现有的指静脉哈希索引方法，使用双侧红外照射采集的指静脉图像进行预处理、边缘检测、方向矫正和感兴趣区域(ROI)提取，采用Res2net卷积神经网络对ROI图像进行二进制编码。将提取的二进制编码特征作为待注册/识别的指静脉特征；构建指静脉图像数据库，将待识别指静脉图像经过上述处理得到的特征编码后在指静脉数据库中通过汉明距离进行一一匹配得到最终的检索识别结果。但该方法存在的缺陷是：

(1)模型是非端到端的，即指静脉特征的提取和哈希编码是分步进行的，模型的运行效率难以保证。

(2)两个模块的目标函数并不一致，两个模块组合产生的哈希编码的鲁棒性难以保证。

发明内容

根据上述提出的技术问题，而提供一种基于多尺度注意力机制深度哈希的指静脉索引方法。本发明主要通过采用神经网络的方法并且加入多尺度注意力机制，相比较于传统的特征提取算法，特征的鲁棒性获得一定的提升，同时，本发明中的模型是端到端的，可以保证哈希编码和特征提取的整体性，编码质量和编码效率得到了保障。

本发明采用的技术手段如下：

一种基于多尺度注意力机制深度哈希的指静脉索引方法，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和预先构建的分类监督模型、哈希编码模型、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。

进一步地，所述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，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；