快速提取掌紋感興趣區(qū)域的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及生物識(shí)別技術(shù)領(lǐng)域中的掌紋識(shí)別，具體涉及一種提取掌紋感興趣區(qū)域 的方法。
【背景技術(shù)】
[0002] 人體生物特征是人類所固有的各種生理特征和行為特征的總稱，這些特征唯一性 和不變性強(qiáng)，和傳統(tǒng)的身份認(rèn)證方法相比，生物特征更安全更方便。生理特征多為先天性特 征，不隨外在條件和主觀意愿發(fā)生改變，如指紋、掌紋、靜脈;行為特征則是人們后天養(yǎng)成的 行為習(xí)慣，如筆跡、步態(tài)。
[0003] 其中掌紋識(shí)別是近幾年較為熱門的生物特征識(shí)別方向之一，和發(fā)展較為成熟的指 紋識(shí)別相比，掌紋的有效區(qū)域大并且具有更豐富的紋理特征，因此能夠提供更為有效可靠 的識(shí)別信息。在實(shí)際的掌紋識(shí)別過程中首先需要對(duì)掌紋圖像進(jìn)行預(yù)處理，以保證識(shí)別系統(tǒng) 能夠從手掌圖像中準(zhǔn)確高效地提取到感興趣區(qū)域，達(dá)到系統(tǒng)的實(shí)用性和高效性。
[0004]掌紋感興趣區(qū)域的提取主要是指通過圖像調(diào)整和關(guān)鍵點(diǎn)定位，從掌紋圖像中有效 的選擇分割出手掌中心特征較為豐富的區(qū)域。中心區(qū)域的提取過程希望，同一手掌不同掌 紋圖像的感興趣區(qū)域基本相同，不同大小掌紋能夠在提取過程中自動(dòng)進(jìn)行區(qū)域和相關(guān)位置 參數(shù)上的優(yōu)化，以適應(yīng)差異化掌紋圖像對(duì)感興趣區(qū)域的提取要求。
[0005] 掌紋感興趣區(qū)域提取作為掌紋預(yù)處理階段的重要一環(huán)，在掌紋識(shí)別過程中非常重 要。它的目的在于提取掌紋圖像的核心特征區(qū)并進(jìn)行歸一化的處理，以便進(jìn)行之后的特征 提取與特征選擇。
[0006] 現(xiàn)有的掌紋感興趣區(qū)域的提取方法，主要通過局部切線切圓或測(cè)量特定距離的方 式得到指間谷點(diǎn)，以此提取有效區(qū)域。這些方法為了保證得到較好的提取效果，需要在指間 關(guān)鍵點(diǎn)篩查及切線切圓逼近參數(shù)上進(jìn)行較長(zhǎng)時(shí)間的優(yōu)化調(diào)整。人為調(diào)整參數(shù)的過程較為繁 瑣，需要依據(jù)總體提取效果進(jìn)行調(diào)整，這直接導(dǎo)致參數(shù)的自調(diào)節(jié)能力低、調(diào)整過程費(fèi)時(shí)費(fèi) 力，提取掌紋有效區(qū)域的速度有待提高。這些問題正是已有算法在提取感興趣區(qū)域過程中 亟待解決的問題。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的主要目的在于提出一種快速準(zhǔn)確提取高分辨掌紋圖像感興趣區(qū)域的方 法，以解決現(xiàn)有方法通過設(shè)定距離及切線切圓參數(shù)提取所帶來的：提取速度慢，調(diào)參復(fù)雜度 高、算法魯棒性低的問題，從而能夠快速準(zhǔn)確的提取到掌紋感興趣區(qū)域。
[0008] 本發(fā)明提供的提取掌紋感興趣區(qū)域的技術(shù)方案如下：
[0009] -種掌紋有效區(qū)域的提取方法，所述方法包括五個(gè)過程:標(biāo)記訓(xùn)練樣本的指間谷 點(diǎn)、訓(xùn)練用于檢測(cè)低分辨掌紋指間谷點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)，提取低分辨掌紋指間關(guān)鍵點(diǎn)并據(jù) 此在高分辨掌紋中獲取以關(guān)鍵點(diǎn)為中心的子圖、針對(duì)子圖精確提取指間谷點(diǎn)、根據(jù)精確谷 點(diǎn)定位掌紋感興趣區(qū)域。
[0010] 優(yōu)選地：
[0011] 所述訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程，訓(xùn)練樣本經(jīng)擴(kuò)增后分批多次輸入到網(wǎng)絡(luò)，訓(xùn)練中 學(xué)習(xí)率隨批次增加逐漸降低以提升訓(xùn)練速度;所述掌紋有效區(qū)域提取過程為了能夠快速定 位掌紋感興趣區(qū)域，提取過程首先定位低分辨掌紋的指間谷點(diǎn)，然后通過映射從高分辨掌 紋中獲取以關(guān)鍵點(diǎn)為中心的子圖，并在子圖中使用卷積神經(jīng)網(wǎng)絡(luò)或局部切線法精確提取指 間谷點(diǎn)，最終以這些點(diǎn)準(zhǔn)確定位掌紋感興趣區(qū)域。
[0012] 標(biāo)記訓(xùn)練集中低分辨掌紋圖像指間谷點(diǎn)的目的在于提供給后續(xù)的卷積神經(jīng)網(wǎng)絡(luò) 以訓(xùn)練樣本。掌紋指間谷點(diǎn)的標(biāo)記過程首先需要縮小原始掌紋圖像來獲得低分辨的較小掌 紋圖像，然后在低分辨率掌紋圖像中提取手掌邊界輪廓，以切線逼近的方式尋找谷點(diǎn)，從而 構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。
[0013] 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，訓(xùn)練集為標(biāo)記過指間谷點(diǎn)的低分辨掌紋圖像，這些 掌紋已標(biāo)記了三個(gè)指間谷點(diǎn)。卷積神經(jīng)網(wǎng)絡(luò)，通過引入卷積層，使用局部聯(lián)結(jié)、權(quán)值共享和 池化的方式有效提高了整個(gè)網(wǎng)絡(luò)的描述力和表達(dá)力。訓(xùn)練適用于在低分辨掌紋中檢測(cè)關(guān)鍵 點(diǎn)的網(wǎng)絡(luò)主要分為三個(gè)過程:使用無監(jiān)督學(xué)習(xí)對(duì)每一層網(wǎng)絡(luò)中的掌紋圖像進(jìn)行預(yù)訓(xùn)練;每 次用無監(jiān)督學(xué)習(xí)只訓(xùn)練一層，并將其輸出的掌紋特征結(jié)果作為更高一層的輸入;然后再用 有監(jiān)督的學(xué)習(xí)方法調(diào)整所有層的權(quán)值系數(shù)，在權(quán)值調(diào)整過程中使用梯度下降法逼近全局最 優(yōu)值，每一次的權(quán)值調(diào)整代表著一次逼近。在構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)時(shí)，首先可以創(chuàng)建三個(gè)卷積 層和兩個(gè)全連接層相連的卷積神經(jīng)網(wǎng)絡(luò)，其中三個(gè)卷積層每一層之后連接一個(gè)最大池化 層，每個(gè)池化層之后連接一個(gè)丟棄層以提高其網(wǎng)絡(luò)性能，第一個(gè)全連接層之后也需要連接 一個(gè)丟棄層，然后對(duì)這四個(gè)丟棄層分別指定其丟棄概率。初始卷積層有多個(gè)濾波器，之后的 每個(gè)卷積層會(huì)把濾波器的數(shù)量翻倍，輸出層將包含六個(gè)節(jié)點(diǎn)用于輸出三個(gè)指間谷點(diǎn)的位置 信息。創(chuàng)建卷積神經(jīng)網(wǎng)絡(luò)的過程可以使用深度學(xué)習(xí)工具實(shí)現(xiàn)，每一層參數(shù)可以進(jìn)行相應(yīng)的 設(shè)定，神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化為選定區(qū)間的均勻分布值，通過上面這些結(jié)構(gòu)參數(shù)的設(shè)定就 能夠構(gòu)建完整的卷積神經(jīng)網(wǎng)絡(luò)。
[0014] 在網(wǎng)絡(luò)訓(xùn)練過程中，每一批圖像訓(xùn)練完成后均會(huì)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重，更新過程 使用梯度下降法，設(shè)定合適的步長(zhǎng)更新權(quán)重，就可以保證參數(shù)較快的收斂到全局最優(yōu)值。同 時(shí)為了使用大的訓(xùn)練集來提升網(wǎng)絡(luò)性能，該掌紋訓(xùn)練樣本可以選擇下面的方式輸入網(wǎng)絡(luò)進(jìn) 行訓(xùn)練:分批多次輸入網(wǎng)絡(luò)，每一批次選擇多張掌紋圖像，這些圖像以一定概率進(jìn)行水平翻 轉(zhuǎn)。這樣的訓(xùn)練方式能夠擴(kuò)增訓(xùn)練集并增加其信息量，使卷積網(wǎng)絡(luò)取得更好的訓(xùn)練結(jié)果。同 時(shí)為了提高整個(gè)網(wǎng)絡(luò)的訓(xùn)練速度，可以先選取一個(gè)較大的學(xué)習(xí)率，在每一批次訓(xùn)練完成之 后調(diào)用更新函數(shù)線性減小學(xué)習(xí)率，從而加速網(wǎng)絡(luò)訓(xùn)練過程。
[0015] 掌紋有效區(qū)域的快速定位過程核心在于使用卷積神經(jīng)網(wǎng)絡(luò)快速精準(zhǔn)提取指間谷 點(diǎn)，而為了提高定位高分辨掌紋圖像指間谷點(diǎn)的速度，整個(gè)發(fā)明將這個(gè)過程分為三個(gè)階段： 第一階段是標(biāo)記訓(xùn)練集中低分辨掌紋圖像的關(guān)鍵點(diǎn)，用它們訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)并進(jìn)行 提取測(cè)試;第二階段是將提取到的低分辨掌紋關(guān)鍵點(diǎn)映射至對(duì)應(yīng)的高分辨掌紋圖像，依據(jù) 它們的對(duì)應(yīng)關(guān)系建立映射矩陣，然后以映射后的矩形像素塊為中心提取掌紋子圖；三是在 掌紋子圖中進(jìn)行局部搜索以快速提取到指間谷點(diǎn)，提取過程使用兩種方法:局部切線法和 卷積神經(jīng)網(wǎng)絡(luò)提取法。局部切線在子圖這樣的局部小圖中逼近尋找時(shí)能夠快速找到谷點(diǎn)， 同時(shí)能夠保證谷點(diǎn)精度;使用卷積神經(jīng)網(wǎng)絡(luò)提取的方法，需要構(gòu)建、訓(xùn)練并優(yōu)化新網(wǎng)絡(luò)，進(jìn) 而實(shí)現(xiàn)從子圖中快速精確的提取關(guān)鍵點(diǎn)的目的，該卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與用來提取低分辨 掌紋谷點(diǎn)的網(wǎng)絡(luò)基本相同，只需要降低其輸入層和全連接層的維數(shù)，該方法同時(shí)能夠明顯 提升谷點(diǎn)精度。
[0016] 在使用卷積神經(jīng)網(wǎng)絡(luò)精確提取到掌紋指間谷點(diǎn)之后，可以依據(jù)這些谷點(diǎn)來確定掌 紋感興趣區(qū)域。定位過程首先需要使用谷點(diǎn)建立坐標(biāo)軸，本發(fā)明中建立坐標(biāo)軸的方式有兩 種:一種針對(duì)相鄰谷點(diǎn)間距離較大的手掌即伸展程度較大或手型較大的手掌，該方式使用 食指與中指、無名指與小拇指間的兩個(gè)谷點(diǎn)連線作為橫軸，連線中垂線作為縱軸來建立坐 標(biāo)系；另一種針對(duì)相鄰谷點(diǎn)間距離較小的手掌即伸展程度較小或手型較小的手掌，該方式 將食指與中指、中指與無名指間的兩個(gè)谷點(diǎn)的連線作為橫軸，連線中垂線作為縱軸來建立 坐標(biāo)系。在提取到三個(gè)指間谷點(diǎn)并選擇其中兩個(gè)谷點(diǎn)建立坐標(biāo)系之后，首先初始化感興趣 區(qū)域的固定大小，而后使用三個(gè)谷點(diǎn)內(nèi)相鄰點(diǎn)間的距離對(duì)其大小進(jìn)行微調(diào)，在微調(diào)完成后 對(duì)提取到的感興趣區(qū)域做歸一化處理，以方便之后的特征提取與匹配。
[0017] 本發(fā)明提出了一種使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)快速提取高分辨掌紋圖像感 興趣區(qū)域的方法，解決了現(xiàn)有技術(shù)中感興趣區(qū)域提取速度慢，調(diào)參復(fù)雜度高、算法魯棒性低 的問題，最終能夠快速并準(zhǔn)確提取到掌紋感興趣區(qū)域。這種方法對(duì)于掌紋圖像預(yù)處理操作 及整個(gè)掌紋識(shí)別過程而言有著重要的價(jià)值。
【附圖說明】
[0018] 圖1是本發(fā)明中使用卷積神經(jīng)網(wǎng)絡(luò)提取掌紋感興趣區(qū)域的具體流程圖。
[0019] 圖2是本發(fā)明構(gòu)建用于提取低分辨率指間谷點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。
[0020] 圖3是本發(fā)明對(duì)圖2中的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行具體優(yōu)化操作的流程示意圖。
[0021 ]圖4是本發(fā)明使用兩種方法在掌紋子圖中快速精確定位指間谷點(diǎn)的流程示意圖。
【具體實(shí)施方式】
[0022] 下面對(duì)照附圖并結(jié)合優(yōu)選的實(shí)施方式對(duì)本發(fā)明作進(jìn)一步說明。
[0023] 本發(fā)明具體實(shí)施示例提供了一個(gè)搭建卷積神經(jīng)網(wǎng)絡(luò)并提取掌紋感興趣區(qū)域的詳 細(xì)過程，如圖1所示，包括以下步驟:標(biāo)記訓(xùn)練樣本的指間谷點(diǎn)，訓(xùn)練用于提取低分辨掌紋圖 像指間谷點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)，提取關(guān)鍵點(diǎn)并映射至高分辨掌紋從中提取以關(guān)鍵點(diǎn)為中心的 子圖，選擇二次提取方法，當(dāng)標(biāo)識(shí)選擇為1時(shí)訓(xùn)練新的卷積神經(jīng)網(wǎng)絡(luò)快速提取子圖指間谷 點(diǎn)，當(dāng)標(biāo)識(shí)選擇為〇時(shí)使用局部切線法快速提取子圖指間谷點(diǎn)，最后利用子圖谷點(diǎn)準(zhǔn)確定位 高分辨率掌紋感興趣區(qū)域。其中：
[0024] 所述標(biāo)記訓(xùn)練集樣本的具體過程:首先將高分辨掌紋圖像縮小N倍獲取低分辨掌 紋圖像，對(duì)低分辨率手掌圖像進(jìn)行二值化處理并從中檢測(cè)得到手掌邊界點(diǎn)，然后使用局部 切線逼近法對(duì)手掌邊界點(diǎn)進(jìn)行逐點(diǎn)檢測(cè)，根據(jù)最小距離原則，即分別計(jì)算手掌輪廓各點(diǎn)到 手掌中心的歐式距離最小的輪廓點(diǎn)，進(jìn)而聚類提取到除大拇指外其他四指間的3個(gè)谷點(diǎn)，在 圖像中進(jìn)行標(biāo)記以構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。
[0025] 所述構(gòu)建用于檢測(cè)較低分辨掌紋指間谷點(diǎn)的過程，首先需要構(gòu)建用于提取較低分 辨掌紋圖像指間谷點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示包含:輸入層、三個(gè)卷積層、三個(gè)池 化層、兩個(gè)全連接隱層、四個(gè)丟棄層和最終的輸出層。輸入層輸入低分辨的掌紋圖像，第一 卷積層包含32個(gè)不同卷積核，第二、第三卷積層卷積核數(shù)量依次翻倍，分別為64個(gè)和128個(gè)， 兩個(gè)全連接隱層各包含1000個(gè)節(jié)點(diǎn)，每個(gè)卷積層和第一個(gè)全連接層之后均連接一個(gè)丟棄 層，丟棄概率由初始值依固定步長(zhǎng)依次增大，如以0.1為初始值以0.1為步長(zhǎng)依次增大，輸出 層為6個(gè)節(jié)點(diǎn)，用于輸出指間的3個(gè)谷點(diǎn)，提取掌紋指間谷點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)細(xì)節(jié)參數(shù)設(shè)定 可依據(jù)具體使用的掌紋數(shù)據(jù)庫進(jìn)行微調(diào)。
[0026]本發(fā)明所述的訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程，使用已標(biāo)記指間谷點(diǎn)的低分辨掌紋圖像 作為訓(xùn)練集，針對(duì)訓(xùn)練過程中數(shù)據(jù)集、學(xué)習(xí)率、迭代次數(shù)及丟棄方式依次采用了如圖3所示 的方式來提升訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)的性能：
[0027] 1)擴(kuò)充數(shù)據(jù)集
[0028] 擴(kuò)充掌紋數(shù)據(jù)集對(duì)于提升卷積神經(jīng)網(wǎng)絡(luò)的性