[发明专利]一种基于改进残差网络的非接触式掌静脉识别方法

权利要求书

1.一种基于改进残差网络的非接触式掌静脉识别方法，其特征在于：其包括以下步骤：

1）使用非接触设备采集同一手掌的两张红外图像，记为pic1和pic2；

2）定位手掌的ROI区域：将两张红外图像pic1和pic2分别输入到训练好的ROI检测深度学习模型中，分别得到对应的ROI区域位置信息，根据两张红外图像pic1和pic2的ROI区域位置信息裁剪出两张红外图像的ROI图像；

3）掌静脉注册：对红外图像pic1的ROI图像进行数据增强，输入到训练好的改进的残差网络掌静脉识别模型中进行特征提取，得到特征向量并以该特征向量作为注册模板，存入模板库；

4）掌静脉验证：对红外图像pic2的ROI图像进行数据增强，输入到训练好的改进的残差网络掌静脉识别模型中进行特征提取，得到特征向量；

5）掌静脉验证判定：设定识别阈值T，计算特征向量和注册模板的距离，若该距离小于设定的识别阈值T，则判定为该掌静脉验证成功，反之，验证失败；

所述步骤3）和步骤4）中，改进的残差网络掌静脉识别模型是指修改残差模块的组成结构和修改残差网络的损失函数的掌静脉识别模型；

所述修改残差模块的组成结构是在ResNet50网络结构的基础上增加2个不同尺度的卷积映射，即增加不同尺度的掌静脉纹理和边缘信息的提取，同时减少残差单元的个数，进而获得改进后的残差模块的组成结构，所述修改残差模块的组成结构时，残差单元个数从原来的16个减少到6个，修改残差模块的组成结构的计算公式为：

其中，H(x) 是该残差单元的输出，F(x)₁、F(x)₂和F(x)₃分别表示3个卷积模块的输出；x表示该残差单元的输入，即一个输入到输出的恒等映射；a、b、c分别表示3个卷积模块输出的权重；

所述修改残差网络的损失函数是在ArcFace损失函数的基础上，增加对类内中心的约束项，使类内距离更小，并增加角度的倍乘系数，根据残差单元的输入与类间距离调控角度的大小，进而获得改进后的损失函数；

所述修改残差网络的计算公式包括：

(3)

式中，表示改进后的损失函数，表示第i个样本的特征向量，表示第i个样本所属类别的标签，i表示第i个样本，j表示第j个类别，0i≤N，j=1或2，i、j都是整数；N表示训练样本总数，s是网络权值和输出模的乘积，即和的夹角；A是的倍乘系数；m是为了减小类内和增大类间距离的参数；表示惩罚项的惩罚力度，表示第类的中心，t表示迭代次数，表示类内中心更新的学习率；表示第j类在第t次迭代后的变化量。

2.根据权利要求1所述的基于改进残差网络的非接触式掌静脉识别方法，其特征在于：所述步骤2）中定位手掌的ROI区域的具体步骤包括：

2 .1）对含有手掌的图像库进行ROI区域手工标注，获得标注信息；

2 .2）将图像库和对应的ROI区标注信息输入MobileNet_SSD网络中进行训练，当训练loss收敛时，选择ROI检出率最高的模型作为ROI检测深度学习模型；

2 .3)将两张红外图像pic1和pic2分别输入到训练好的ROI检测深度学习模型中，并分别输出该两张红外图像中检测到的ROI区域位置信息。