欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108117979
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于卷积神经网络的形变检测与矫正的手指静脉识别方法,其特征在于:所述方法包括如下步骤:步骤1:通过矩阵变换对手指静脉进行形变矫正,为手指静脉原始图像选择矩阵变换用于后面的手指静脉矫正;

步骤2:设置矩阵变换中的形变参数P,通过定位网络得到手指静脉图像到形变参数的映射关系,并规定定位网络的循环次数;

步骤3:得到形变参数后,找到手指静脉图像与矫正后图像之间像素点坐标的映射关系;

步骤4:得到映射关系后,将手指静脉图像坐标点的像素值作为矫正后图像坐标点的像素值,并进行双线性采样的像素填充,记录此时定位网络的循环次数;

步骤5,判断步骤4中的定位网络循环次数是否等于步骤2中规定的定位网络循环次数,若相等则进入步骤6,若不相等,则令步骤4处理后得到的手指静脉图像返回步骤2进行处理;

步骤6:使用参数Psum对手指静脉原始图像I进行最终的形变矫正得到矫正后的图像,进入步骤7;

步骤7:得到矫正后的手指静脉图像,对其进行特征提取,将矫正后的手指静脉图像作为SE-ResNet网络的输入,通过卷积运算得到一个2048维的向量,后根据数据集的类别数N,将2048维的向量映射为N维的向量,计算N维向量中的最大值,最大值对应的位数即为手指静脉预测的结果,进入步骤8;

步骤8:判断此时SE-ResNet网络执行的是训练还是识别;如果是训练,计算网络的损失函数loss,并通过反向传播进行网络学习,更新网络参数,跳转步骤1;如果是识别,进入步骤9步骤9:输出手指静脉识别结果。

2.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法,其特征在于:步骤2中,形变参数P=[p1,p2,p3,p4,p5,p6],使用定位网络dloc()实现手指静脉图像I*到参数P的映射关系,即P=dloc(I*),并规定定位网络循环次数Nloc,其中网络的输入 表示图像I*为宽W,高H的灰度图,这里的定位网络dloc()包含两个卷积层并添加了激活函数ReLU、一个最大池化层以及两个全连接层。

3.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法,其特征在于:步骤3中,得到单次手指静脉形变矫正的形变参数P后,定义手指变换所需要的最终参数Psum,参数Psum的初始值为0,仅在定义时设置初始值,令Psum=P+Psum,Psum用来保存每个循环,即步骤2-5中P的值,为找到手指静脉图像I*与矫正图之间像素点坐标的对应关系,定义矫正后的指静脉图像为 将矫正后图像V的坐标点(x’i,y’i)作为自变*量,以P为参数做一个矩阵运算,得到输入的指静脉图像I的坐标点(xi,yi)。

4.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法,其特征在于:步骤4中,得到矫正后图像V的坐标点(x’i,y’i)与手指静脉图像I*的坐标点(xi,yi)的映射关系后,将坐标点(xi,yi)的像素值作为坐标点(x’i,y’i)的像素值,对经过步骤3的矩阵运算后得到的映射坐标使用双线性采样进行像素填充,并记录此时定位网络的循环次数n,进入步骤5。

5.根据权利要求1所述的基于卷积神经网络的形变检测与矫正的手指静脉识别方法,其特征在于:步骤5中,判断n是否和Nloc相等,Nloc用来记录循环次数,Nloc次循环共产生Nloc个形变参数P,Psum将Nloc个形变参数P累加;如果n=Nloc,直接进入步骤6;如果n