快速提取掌紋感興趣區(qū)域的方法
【技術領域】
[0001] 本發(fā)明涉及生物識別技術領域中的掌紋識別，具體涉及一種提取掌紋感興趣區(qū)域 的方法。
【背景技術】
[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，和傳統(tǒng)的身份認證方法相比，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 行為習慣，如筆跡、步態(tài)。
[0003] 其中掌紋識別是近幾年較為熱門的生物特征識別方向之一，和發(fā)展較為成熟的指 紋識別相比，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 的識別信息。在實際的掌紋識別過程中首先需要對掌紋圖像進行預處理，以保證識別系統(tǒng) 能夠從手掌圖像中準確高效地提取到感興趣區(qū)域，達到系統(tǒng)的實用性和高效性。
[0004]掌紋感興趣區(qū)域的提取主要是指通過圖像調整和關鍵點定位，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進行區(qū)域和相關位置 參數(shù)上的優(yōu)化，以適應差異化掌紋圖像對感興趣區(qū)域的提取要求。
[0005] 掌紋感興趣區(qū)域提取作為掌紋預處理階段的重要一環(huán)，在掌紋識別過程中非常重 要。它的目的在于提取掌紋圖像的核心特征區(qū)并進行歸一化的處理，以便進行之后的特征 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量特定距離的方 式得到指間谷點，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 關鍵點篩查及切線切圓逼近參數(shù)上進行較長時間的優(yōu)化調整。人為調整參數(shù)的過程較為繁 瑣，需要依據總體提取效果進行調整，這直接導致參數(shù)的自調節(jié)能力低、調整過程費時費 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)明內容】

[0007] 本發(fā)明的主要目的在于提出一種快速準確提取高分辨掌紋圖像感興趣區(qū)域的方 法，以解決現(xiàn)有方法通過設定距離及切線切圓參數(shù)提取所帶來的：提取速度慢，調參復雜度 高、算法魯棒性低的問題，從而能夠快速準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，所述方法包括五個過程:標記訓練樣本的指間谷 點、訓練用于檢測低分辨掌紋指間谷點的卷積神經網絡，提取低分辨掌紋指間關鍵點并據 此在高分辨掌紋中獲取以關鍵點為中心的子圖、針對子圖精確提取指間谷點、根據精確谷 點定位掌紋感興趣區(qū)域。
[0010] 優(yōu)選地：
[0011] 所述訓練卷積神經網絡的過程，訓練樣本經擴增后分批多次輸入到網絡，訓練中 學習率隨批次增加逐漸降低以提升訓練速度;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，然后通過映射從高分辨掌 紋中獲取以關鍵點為中心的子圖，并在子圖中使用卷積神經網絡或局部切線法精確提取指 間谷點，最終以這些點準確定位掌紋感興趣區(qū)域。
[0012] 標記訓練集中低分辨掌紋圖像指間谷點的目的在于提供給后續(xù)的卷積神經網絡 以訓練樣本。掌紋指間谷點的標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，從而 構成卷積神經網絡的訓練樣本。
[0013] 卷積神經網絡的訓練過程中，訓練集為標記過指間谷點的低分辨掌紋圖像，這些 掌紋已標記了三個指間谷點。卷積神經網絡，通過引入卷積層，使用局部聯(lián)結、權值共享和 池化的方式有效提高了整個網絡的描述力和表達力。訓練適用于在低分辨掌紋中檢測關鍵 點的網絡主要分為三個過程:使用無監(jiān)督學習對每一層網絡中的掌紋圖像進行預訓練;每 次用無監(jiān)督學習只訓練一層，并將其輸出的掌紋特征結果作為更高一層的輸入;然后再用 有監(jiān)督的學習方法調整所有層的權值系數(shù)，在權值調整過程中使用梯度下降法逼近全局最 優(yōu)值，每一次的權值調整代表著一次逼近。在構建卷積神經網絡時，首先可以創(chuàng)建三個卷積 層和兩個全連接層相連的卷積神經網絡，其中三個卷積層每一層之后連接一個最大池化 層，每個池化層之后連接一個丟棄層以提高其網絡性能，第一個全連接層之后也需要連接 一個丟棄層，然后對這四個丟棄層分別指定其丟棄概率。初始卷積層有多個濾波器，之后的 每個卷積層會把濾波器的數(shù)量翻倍，輸出層將包含六個節(jié)點用于輸出三個指間谷點的位置 信息。創(chuàng)建卷積神經網絡的過程可以使用深度學習工具實現(xiàn)，每一層參數(shù)可以進行相應的 設定，神經網絡的權重初始化為選定區(qū)間的均勻分布值，通過上面這些結構參數(shù)的設定就 能夠構建完整的卷積神經網絡。
[0014] 在網絡訓練過程中，每一批圖像訓練完成后均會更新神經網絡的權重，更新過程 使用梯度下降法，設定合適的步長更新權重，就可以保證參數(shù)較快的收斂到全局最優(yōu)值。同 時為了使用大的訓練集來提升網絡性能，該掌紋訓練樣本可以選擇下面的方式輸入網絡進 行訓練:分批多次輸入網絡，每一批次選擇多張掌紋圖像，這些圖像以一定概率進行水平翻 轉。這樣的訓練方式能夠擴增訓練集并增加其信息量，使卷積網絡取得更好的訓練結果。同 時為了提高整個網絡的訓練速度，可以先選取一個較大的學習率，在每一批次訓練完成之 后調用更新函數(shù)線性減小學習率，從而加速網絡訓練過程。
[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網絡快速精準提取指間谷 點，而為了提高定位高分辨掌紋圖像指間谷點的速度，整個發(fā)明將這個過程分為三個階段： 第一階段是標記訓練集中低分辨掌紋圖像的關鍵點，用它們訓練一個卷積神經網絡并進行 提取測試;第二階段是將提取到的低分辨掌紋關鍵點映射至對應的高分辨掌紋圖像，依據 它們的對應關系建立映射矩陣，然后以映射后的矩形像素塊為中心提取掌紋子圖；三是在 掌紋子圖中進行局部搜索以快速提取到指間谷點，提取過程使用兩種方法:局部切線法和 卷積神經網絡提取法。局部切線在子圖這樣的局部小圖中逼近尋找時能夠快速找到谷點， 同時能夠保證谷點精度;使用卷積神經網絡提取的方法，需要構建、訓練并優(yōu)化新網絡，進 而實現(xiàn)從子圖中快速精確的提取關鍵點的目的，該卷積神經網絡的結構與用來提取低分辨 掌紋谷點的網絡基本相同，只需要降低其輸入層和全連接層的維數(shù)，該方法同時能夠明顯 提升谷點精度。
[0016] 在使用卷積神經網絡精確提取到掌紋指間谷點之后，可以依據這些谷點來確定掌 紋感興趣區(qū)域。定位過程首先需要使用谷點建立坐標軸，本發(fā)明中建立坐標軸的方式有兩 種:一種針對相鄰谷點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谷點連線作為橫軸，連線中垂線作為縱軸來建立坐 標系；另一種針對相鄰谷點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谷點的連線作為橫軸，連線中垂線作為縱軸來建立 坐標系。在提取到三個指間谷點并選擇其中兩個谷點建立坐標系之后，首先初始化感興趣 區(qū)域的固定大小，而后使用三個谷點內相鄰點間的距離對其大小進行微調，在微調完成后 對提取到的感興趣區(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習中的卷積神經網絡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)有技術中感興趣區(qū)域提取速度慢，調參復雜度高、算法魯棒性低 的問題，最終能夠快速并準確提取到掌紋感興趣區(qū)域。這種方法對于掌紋圖像預處理操作 及整個掌紋識別過程而言有著重要的價值。
【附圖說明】
[0018] 圖1是本發(fā)明中使用卷積神經網絡提取掌紋感興趣區(qū)域的具體流程圖。
[0019] 圖2是本發(fā)明構建用于提取低分辨率指間谷點的卷積神經網絡的結構示意圖。
[0020] 圖3是本發(fā)明對圖2中的卷積神經網絡進行具體優(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的流程示意圖。
【具體實施方式】
[0022] 下面對照附圖并結合優(yōu)選的實施方式對本發(fā)明作進一步說明。
[0023] 本發(fā)明具體實施示例提供了一個搭建卷積神經網絡并提取掌紋感興趣區(qū)域的詳 細過程，如圖1所示，包括以下步驟:標記訓練樣本的指間谷點，訓練用于提取低分辨掌紋圖 像指間谷點的卷積神經網絡，提取關鍵點并映射至高分辨掌紋從中提取以關鍵點為中心的 子圖，選擇二次提取方法，當標識選擇為1時訓練新的卷積神經網絡快速提取子圖指間谷 點，當標識選擇為〇時使用局部切線法快速提取子圖指間谷點，最后利用子圖谷點準確定位 高分辨率掌紋感興趣區(qū)域。其中：
[0024] 所述標記訓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，對低分辨率手掌圖像進行二值化處理并從中檢測得到手掌邊界點，然后使用局部 切線逼近法對手掌邊界點進行逐點檢測，根據最小距離原則，即分別計算手掌輪廓各點到 手掌中心的歐式距離最小的輪廓點，進而聚類提取到除大拇指外其他四指間的3個谷點，在 圖像中進行標記以構成卷積神經網絡的訓練集。
[0025] 所述構建用于檢測較低分辨掌紋指間谷點的過程，首先需要構建用于提取較低分 辨掌紋圖像指間谷點的卷積神經網絡，其結構如圖2所示包含:輸入層、三個卷積層、三個池 化層、兩個全連接隱層、四個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個和128個， 兩個全連接隱層各包含1000個節(jié)點，每個卷積層和第一個全連接層之后均連接一個丟棄 層，丟棄概率由初始值依固定步長依次增大，如以0.1為初始值以0.1為步長依次增大，輸出 層為6個節(jié)點，用于輸出指間的3個谷點，提取掌紋指間谷點的卷積神經網絡細節(jié)參數(shù)設定 可依據具體使用的掌紋數(shù)據庫進行微調。
[0026]本發(fā)明所述的訓練卷積神經網絡的過程，使用已標記指間谷點的低分辨掌紋圖像 作為訓練集，針對訓練過程中數(shù)據集、學習率、迭代次數(shù)及丟棄方式依次采用了如圖3所示 的方式來提升訓練得到的卷積神經網絡的性能：
[0027] 1)擴充數(shù)據集
[0028] 擴充掌紋數(shù)據集對于提升卷積神經網絡的性