[发明专利]一种基于Transformer的静脉认证方法在审
申请号: | 202210416195.2 | 申请日: | 2022-04-20 |
公开(公告)号: | CN114863497A | 公开(公告)日: | 2022-08-05 |
发明(设计)人: | 康文雄;黄俊端 | 申请(专利权)人: | 华南理工大学 |
主分类号: | G06V40/14 | 分类号: | G06V40/14;G06V10/44;G06V10/764;G06N3/04;G06N3/08 |
代理公司: | 广州粤高专利商标代理有限公司 44102 | 代理人: | 江裕强 |
地址: | 510640 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 transformer 静脉 认证 方法 | ||
本发明公开了一种基于Transformer的静脉认证方法,包括以下步骤:S1、将静脉图像进行预处理;S2、将预处理后的静脉图像输入基于Transformer的静脉认证模型进行特征提取,输出待认证的静脉图像的特征;S2、将待认证的静脉图像的特征与样本库里的静脉特征做相似度度量,大于设置的阈值时则认为认证成功。本发明将金字塔分层结构引入视觉Transformer模型中,不仅具有参数量少、计算速度快的优点,还有利于提取静脉图像的多层级特征,从而使得提取到的静脉特征更具有表达力。
技术领域
本发明属于计算机视觉领域,具体涉及一种基于Transformer的静脉认证方法。
背景技术
随着信息时代的高速发展,信息以不同的形式在日常生活中传输,同时也带来了个人信息泄漏等问题。在人们的日常生活中,需要进行身份认证的场合越来越多,比如移动支付、安防系统等,人们对信息的保护意识愈发增强,安全有效且便利的身份认证技术也逐渐成为刚需。相比于密码与电子芯片等一些传统的身份认证方式,利用生物特征进行身份认证的方式以其更安全以及更便利的特点逐渐成为主流。
生物特征作为生物体具有独特性的特征信息,在身份认证技术中体现出了其强大的安全性能,生物特征识别技术根据一组具有唯一性的个体特征来识别和验证一个人的身份信息。常用的生物特征识别方法包括了人脸识别、指纹识别、虹膜识别、步态识别等。然而上述几种生物特征识别方法都有其局限性,人脸识别会由于年龄增长、物体遮挡等出现较大区别而导致识别失败,指纹识别会由于磨损、污迹等导致识别准确率降低,虹膜识别与步态识别的便利性低导致其使用并不广泛。除此之外,作为应用较为广泛的生物特征识别模态——人脸和指纹,它们同样存在着安全隐患。人脸图片非常容易被人采集,从而发生仿冒等问题,指纹在一些高清图像中也会有很高的几率被盗取。
在众多生物特征识别技术中,静脉识别以其高稳定性、难以仿冒、使用便利、活体检测等特点成为一种安全易用并且具有广泛应用场景的生物特征识别技术。静脉图像的获取不同于人脸、指纹,它通过固定波长范围的近红外光照射手指,手指皮下血管中的活体红血球蛋白会吸收近红外光,而其它非血管位置的近红外光则会发生透射,采用近红外摄像头就可以获取静脉暗影图像,即静脉图像。静脉的分布主要是由基因所决定的,这保证了其特征的唯一性,同时也不易因为年龄的增长而发生改变,所以静脉识别技术具有较高的稳定性;由于静脉隐藏于皮肤之下以及其特殊的成像原理,静脉图像不会受到表皮的损伤或外部环境变化的影响,而且难以仿冒;静脉成像需要血管中存在充足的血红蛋白,这为活体检测提供了保障;同时,在静脉认证过程中,使用者只需要将手放在认证设备上,即可完成身份认证,使用起来非常方便。从上面的分析可以看出,相比于人脸识别、指纹识别等一些应用比较广泛的生物特征识别技术,静脉识别除了具备其它生物特征所具有的稳定性和唯一性,还具备了静脉特征的非显性,只有使用特殊的设备才能采集到静脉图像信息。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南理工大学,未经华南理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210416195.2/2.html,转载请声明来源钻瓜专利网。
- 基于Transformer+LSTM神经网络模型的商品销量预测方法及装置
- 一种基于Transformer模型自然场景文字识别方法
- 一种深度Transformer级联神经网络模型压缩算法
- 点云分割方法、系统、介质、计算机设备、终端及应用
- 基于Transformer的中文智能对话方法
- 一种基于改进Transformer模型的飞行器故障诊断方法和系统
- 一种基于Transformer模型的机器翻译模型优化方法
- 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法
- 基于U-Transformer多层次特征重构的异常检测方法及系统
- 基于EfficientDet和Transformer的航空图像中的飞机检测方法