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: 2024115408163
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
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.静脉识别模型的训练方法,其特征在于:包括以下步骤:步骤一:通过使用现有的静脉识别设备,从多角度采集静脉图像,确保每个角度下静脉的清晰度,并保持图像的连续性,采集的图像标记为;

步骤二:对每一角度下的静脉图像进行预处理,包括去噪、增强对比度和归一化处理,获取归一化静脉图像;

步骤三:通过使用仿射变换图像配准技术,将不同视角的预处理后的静脉图像进行对齐,获取对齐后的变换图像;

步骤四:将对齐后的变换图像通过加权融合算法进行合并,生成最终静脉图像Ifu;对每个视角下的对齐后的变换图像进行清晰度和质量评估,质量评估通过图像梯度进行计算,确定每个图像的质量;

质量评估公式为:

;

式中,表示第i个视角图像的质量指标,M*N表示图像大小,表示图像的梯度;

根据每个视角的质量评价,计算每个图像的权重值;

所述权重值通过以下公式获取:

;

权重值与图像的清晰度成正比,且所有权重的总和为1,满足;

根据每个视角图像的权重值,对变换图像进行像素级的加权融合,对于每个像素位置,获取最终静脉图像Ifu;

所述最终静脉图像Ifu通过以下公式获取:Ifu;

式中,Ifu表示最终静脉图像在位置处的像素值,表示对齐后的图像在该像素位置的数值;

通过加权融合得到的最终静脉图像Ifu综合了多个视角的静脉信息,减少了单一视角的遮挡和噪声影响,生成更为清晰、特征丰富的静脉图像;

步骤五:对最终静脉图像Ifu进行特征提取,通过使用卷积神经网络提取特征向量F;将最终静脉图像Ifu输入卷积神经网络的卷积层,进行一系列卷积运算,卷积层通过不同的滤波器提取出图像中的局部特征包括边缘、纹理和静脉结构,获取卷积层的输出:;

式中,表示第l层卷积层的输出特征图在通道c的像素值,表示卷积核,表示偏置项,Na表示卷积核的大小,表示卷积窗口的移动;

卷积层输出的特征图经过非线性激活函数ReLU处理使特征向量中的高频信息更加突出;

;随后进行池化操作,减少特征图的维度并保留最显著的静脉特征,池化后的特征图为;

经过多个卷积层、激活层和池化层后,将输出池化后的特征图为,展平为一维向量,并输入到全连接层中进行特征映射,生成最终的高维特征向量F;

所述高维特征向量F通过以下公式获取:

F;

式中,分别表示全连接层的权重值和偏置项,表示激活函数Sigmoid;

对高维特征向量F进行正则化处理,归一化为单位长度,在后续识别阶段不同样本的特征向量可进行有效比较:Fn;

式中,表示特征向量的范数;

步骤六:将提取的特征向量F输入到静脉识别模型中,进行模型的训练,获取最终的识别结果Y。

2.根据权利要求1所述的静脉识别模型的训练方法,其特征在于:通过静脉识别设备确定采集的预设角度,选择角度范围在0度到90度之间,通过使用准静脉识别设备,保证不同角度下图像的分辨率和光照条件一致,设备校准完成后,进行角度设置,设备按预设角度进行拍摄;

在预设角度下进行静脉图像采集,记录每个角度下采集的图像,通过使用自动化的图像采集模式,在短时间内从多个角度连续采集图像。

3.根据权利要求1所述的静脉识别模型的训练方法,其特征在于:通过使用高斯滤波去噪算法对静脉图像进行去噪处理,去除因采集设备和外部环境引入的图像噪声,获取去噪静脉图像;

所述去噪静脉图像通过以下公式获取:

*;

式中,表示图像像素值,表示像素的中心位置,表示高斯分布的标准差;

通过使用直方图均衡化增强去噪静脉图像的对比度,强调静脉结构的局部对比,突出静脉图像的边缘和纹理,获取增强静脉图像;

所述增强静脉图像通过以下公式获取:

;

式中,表示图像像素值的累积分布函数,M*N表示图像大小,L表示像素值的最大灰度级,表示累积分布函数的最小非零值;

对增强静脉图像进行归一化,将图像像素值统一映射到标准范围内,获取归一化静脉图像。

4.根据权利要求1所述的静脉识别模型的训练方法,其特征在于:通过使用特征点检测算法对归一化静脉图像提取关键点Pj,将关键点Pj进行整合,获取关键点集合,其中每个关键点Pj包括位置和描述符dj;

对不同视角的归一化静脉图像,通过进行关键点匹配,通过使用最近邻算法确定两个图像间的对应点对,获取匹配点;

根据匹配点通过最小二乘法计算仿射变换矩阵,仿射变换的形式为:;

式中,表示归一化静脉图像中的坐标,表示经过变换后静脉图像中的坐标,仿射变换矩阵中的参数a、b、c、d、e和f通过匹配点获取;

对归一化静脉图像进行仿射变换,将其转换到与变换后静脉图像对齐的坐标系下,获取变换图像。

5.根据权利要求4所述的静脉识别模型的训练方法,其特征在于:将提取的高维特征向量F作为静脉识别模型的输入,经过一系列全连接层、激活层和分类层,生成模型的输出预测值y,所述输出预测值y通过以下公式获取:y=M(F);

使用交叉熵损失函数来衡量模型的输出预测值与真实标签之间的差异;

;

式中,表示真实标签的one-hot编码,表示模型输出属于类别k的概率;其中,交叉熵损失越小,模型的预测与真实标签越接近;

根据损失函数计算结果,通过反向传播算法计算损失对模型参数的梯度,并使用SGD对模型的参数进行更新;模型通过多次迭代学习,逐步减小损失函数值;

;

式中,表示模型参数,表示学习率,表示损失函数相对于模型参数的梯度。

6.根据权利要求5所述的静脉识别模型的训练方法,其特征在于:在训练过程中,使用一部分未参与训练的验证集数据,输入模型进行前向传播,得到模型的最终的识别结果Y,并计算验证集的损失和准确率,验证集的损失和准确率用于监控模型的过拟合情况,并通过早停和模型正则化进行调整;

验证集损失的计算与训练损失相同;

;

验证集准确率的公式为:

;

式中,表示验证集样本数量,表示模型输出是否与真实标签一致;

训练完成后,使用独立的测试集数据进行模型最终评估,得到模型在测试集上的表现,包括测试集准确率、混淆矩阵、精确率、召回率和F1分数指标。

7.静脉识别模型的训练装置,其特征在于:所述训练装置包括:多视角图像获取模块,通过使用现有的静脉识别设备,从多角度采集静脉图像,确保每个角度下静脉的清晰度,并保持图像的连续性,采集的图像标记为;

图像预处理模块,对每一角度下的静脉图像进行预处理,包括去噪、增强对比度和归一化处理,获取归一化静脉图像;

图像对齐与校正模块,通过使用仿射变换图像配准技术,将不同视角的预处理后的静脉图像进行对齐,获取对齐后的变换图像;

多视角图像融合模块,将对齐后的变换图像通过加权融合算法进行合并,生成最终静脉图像Ifu;对每个视角下的对齐后的变换图像进行清晰度和质量评估,质量评估通过图像梯度进行计算,确定每个图像的质量;

质量评估公式为:

;

式中,表示第i个视角图像的质量指标,M*N表示图像大小,表示图像的梯度;

根据每个视角的质量评价,计算每个图像的权重值;

所述权重值通过以下公式获取:

;

权重值与图像的清晰度成正比,且所有权重的总和为1,满足;

根据每个视角图像的权重值,对变换图像进行像素级的加权融合,对于每个像素位置,获取最终静脉图像Ifu;

所述最终静脉图像Ifu通过以下公式获取:Ifu;

式中,Ifu表示最终静脉图像在位置处的像素值,表示对齐后的图像在该像素位置的数值;

通过加权融合得到的最终静脉图像Ifu综合了多个视角的静脉信息,减少了单一视角的遮挡和噪声影响,生成更为清晰、特征丰富的静脉图像;

特征提取模块,对最终静脉图像Ifu进行特征提取,通过使用卷积神经网络提取特征向量F;将最终静脉图像Ifu输入卷积神经网络的卷积层,进行一系列卷积运算,卷积层通过不同的滤波器提取出图像中的局部特征包括边缘、纹理和静脉结构,获取卷积层的输出:;

式中,表示第l层卷积层的输出特征图在通道c的像素值,表示卷积核,表示偏置项,Na表示卷积核的大小,表示卷积窗口的移动;

卷积层输出的特征图经过非线性激活函数ReLU处理使特征向量中的高频信息更加突出;

;随后进行池化操作,减少特征图的维度并保留最显著的静脉特征,池化后的特征图为;

经过多个卷积层、激活层和池化层后,将输出池化后的特征图为,展平为一维向量,并输入到全连接层中进行特征映射,生成最终的高维特征向量F;

所述高维特征向量F通过以下公式获取:

F;

式中,分别表示全连接层的权重值和偏置项,表示激活函数Sigmoid;

对高维特征向量F进行正则化处理,归一化为单位长度,在后续识别阶段不同样本的特征向量可进行有效比较:Fn;

式中,表示特征向量的范数;

模型训练与评估模块,将提取的特征向量F输入到静脉识别模型中,进行模型的训练,获取最终的识别结果Y。