本發(fā)明屬于手掌靜脈識別，具體涉及一種單樣本手掌靜脈識別方法。

背景技術(shù)：

1、手掌靜脈識別技術(shù)是一種生物特征識別技術(shù)。通過近紅外光照射手掌后，由于手掌毛細(xì)血管對紅外線由較強(qiáng)的吸收性，因此會留下在靜脈血管處較暗的紋路的圖像。由于手掌靜脈具有乳突紋、主線和皺褶等特征，每個人的手掌靜脈圖像具有獨一性，因此在信息化發(fā)展的今天，手掌靜脈用于生物特征識別，用于鑒別用戶，保護(hù)個人信息安全。手掌靜脈識別技術(shù)采用紅外波照射手掌獲得靜脈血管圖像，再對圖像進(jìn)行處理，得到生物特征，最后將生物特征與數(shù)據(jù)庫進(jìn)行匹配，確定用戶身份。手掌靜脈相對于其他生物特征識別技術(shù)具有較大的優(yōu)勢，如手掌靜脈不受光照、表情、姿勢、化妝等干擾，同時手掌靜脈是在人的血液流動時，才能通過特定波長光線照射成像而得到手掌靜脈的清晰圖像，難以偽造，這提高了信息安全等級。

2、現(xiàn)有的手掌靜脈識別技術(shù)需要較多的樣本作為訓(xùn)練數(shù)據(jù)來訓(xùn)練模型，才能使得模型達(dá)到較高的識別精度。但獲取大量訓(xùn)練數(shù)據(jù)耗時費力，且需要用戶較高程度的配合，使得獲取訓(xùn)練數(shù)據(jù)時存在一定的阻力，因此這樣的方法效率較低。

技術(shù)實現(xiàn)思路

1、本發(fā)明公開了單樣本手掌靜脈識別方法，用于手掌靜脈的識別。本方法每個用戶只需要一張訓(xùn)練圖像就能訓(xùn)練出識別效率較高的識別模型，從而減少采集訓(xùn)練樣本的工作，提高效率。

2、本發(fā)明中的單樣本手掌靜脈識別方法，包括：

3、步驟1，利用每位用戶的單個手掌靜脈圖像訓(xùn)練樣本以及該訓(xùn)練樣本的多尺度、多方向變換結(jié)果，訓(xùn)練用于生成補(bǔ)充訓(xùn)練樣本的循環(huán)神經(jīng)網(wǎng)絡(luò)-擴(kuò)散模型；

4、步驟2，以用戶的單個手掌靜脈圖像訓(xùn)練樣本，以及循環(huán)神經(jīng)網(wǎng)絡(luò)-擴(kuò)散模型基于該訓(xùn)練樣本所生成的補(bǔ)充訓(xùn)練樣本共同形成訓(xùn)練樣本集，并以此訓(xùn)練手掌靜脈圖像識別網(wǎng)絡(luò)；

5、步驟3，利用步驟2中訓(xùn)練好的手掌靜脈圖像識別網(wǎng)絡(luò)識別手掌靜脈圖像。

6、進(jìn)一步的，步驟1中，除原圖外，多尺度、多方向變換結(jié)果包括原圖旋轉(zhuǎn)90度圖形、原圖縮小1/2圖像以及原圖縮小1/2+旋轉(zhuǎn)90度圖像。

7、進(jìn)一步的，所循環(huán)神經(jīng)網(wǎng)絡(luò)-擴(kuò)散模型由多尺度、多方向變換模塊以及多個擴(kuò)散模型和循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成；

8、單個手掌靜脈圖像訓(xùn)練樣本通過多尺度、多方向變換模塊得到原圖、原圖旋轉(zhuǎn)90度、原圖縮小1/2、原圖縮小1/2+旋轉(zhuǎn)90度四個不同的圖像；該四個圖像分別輸入擴(kuò)散模型1、擴(kuò)散模型2、擴(kuò)散模型3和擴(kuò)散模型4，每個擴(kuò)散模型由相互連接的編碼加噪聲模塊和解碼去噪聲模塊兩個部分組成；相鄰的編碼加噪聲模塊間，以及相鄰的解碼去噪聲模塊間，由循環(huán)神經(jīng)網(wǎng)絡(luò)相連接；

9、其中，原圖輸入擴(kuò)散模型1編碼加噪聲模塊，編碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與同時原圖旋轉(zhuǎn)90度圖像一起輸入擴(kuò)散模型2編碼加噪聲模塊；

10、擴(kuò)散模型2編碼加噪聲模塊的編碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與同時原圖縮小1/2圖像一起輸入擴(kuò)散模型3編碼加噪聲模塊；

11、擴(kuò)散模型3編碼加噪聲模塊的編碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與同時原圖縮小1/2+旋轉(zhuǎn)90度一起輸入擴(kuò)散模型4編碼加噪聲模塊；

12、擴(kuò)散模型4編碼加噪聲模塊的編碼結(jié)果直接輸入擴(kuò)散模型4解碼器去噪聲模塊，解碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與擴(kuò)散模型3編碼加噪聲模塊的編碼結(jié)果一起輸入擴(kuò)散模型3解碼器去噪聲模塊；

13、擴(kuò)散模型3解碼器去噪聲模塊的解碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與擴(kuò)散模型2編碼加噪聲模塊的編碼結(jié)果一起輸入擴(kuò)散模型2解碼器去噪聲模塊；

14、擴(kuò)散模型2解碼器去噪聲模塊的解碼結(jié)果經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)后，與擴(kuò)散模型1編碼加噪聲模塊的編碼結(jié)果一起輸入擴(kuò)散模型1解碼器去噪聲模塊；

15、最終由擴(kuò)散模型1的解碼去噪聲模塊輸出生成的數(shù)據(jù)圖像。

16、本發(fā)明通過所提出的循環(huán)神經(jīng)網(wǎng)絡(luò)-擴(kuò)散模型，能夠生成高質(zhì)量的數(shù)據(jù)，由此增加訓(xùn)練樣本，進(jìn)而在手掌靜脈圖像識別網(wǎng)絡(luò)的訓(xùn)練過程中，每個用戶只需要提供一個訓(xùn)練樣本即可訓(xùn)練出識別精度較高的模型；通過本發(fā)明所提出的模型可以減少訓(xùn)練數(shù)據(jù)的需求，從而簡化采集用戶數(shù)據(jù)，提高整體識別率，并提高模型的效率。

技術(shù)特征：

1.一種單樣本手掌靜脈識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟1中，除原圖外，多尺度、多方向變換結(jié)果包括原圖旋轉(zhuǎn)90度圖形、原圖縮小1/2圖像以及原圖縮小1/2+旋轉(zhuǎn)90度圖像。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所循環(huán)神經(jīng)網(wǎng)絡(luò)-擴(kuò)散模型由多尺度、多方向變換模塊以及多個擴(kuò)散模型和循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成；

技術(shù)總結(jié)
本發(fā)明屬于手掌靜脈識別技術(shù)領(lǐng)域，具體涉及一種單樣本手掌靜脈識別方法。包括，步驟1，利用每位用戶的單個手掌靜脈圖像訓(xùn)練樣本以及該訓(xùn)練樣本的多尺度、多方向變換結(jié)果，訓(xùn)練用于生成補(bǔ)充訓(xùn)練樣本的循環(huán)神經(jīng)網(wǎng)絡(luò)?擴(kuò)散模型；步驟2，以用戶的單個手掌靜脈圖像訓(xùn)練樣本，以及循環(huán)神經(jīng)網(wǎng)絡(luò)?擴(kuò)散模型基于該訓(xùn)練樣本所生成的補(bǔ)充訓(xùn)練樣本共同形成訓(xùn)練樣本集，并以此訓(xùn)練手掌靜脈圖像識別網(wǎng)絡(luò)；步驟3，利用步驟2中訓(xùn)練好的手掌靜脈圖像識別網(wǎng)絡(luò)識別手掌靜脈圖像。本方法每個用戶只需要一張訓(xùn)練圖像就能訓(xùn)練出識別效率較高的識別模型，從而減少采集訓(xùn)練樣本的工作，提高效率。

技術(shù)研發(fā)人員：劉崇文,秦華鋒,楊開元
受保護(hù)的技術(shù)使用者：重慶工商大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9