一种基于自动增强对比学习的指静脉识别算法

本发明涉及深度学习的，具体涉及一种基于自动增强对比学习的指静脉识别算法。

背景技术：

1、随着互联网等信息技术的进步与发展，人们越来越依赖其带来的便利，但与此同时，人们的隐私和个人信息愈发暴露在网络上，尤其是涉及到互联网金融领域和人身安全时，会造成严重的隐患。为了解决这些问题，生物特征识别技术以其可靠便利的特性，受到了海内外学者的普遍关注和研究。指静脉识别是一种很有研究价值的生物识别技术，因其高安全性和可靠性而受到越来越多的关注。手指静脉图像可以使用非侵入性成像技术捕获，使手指静脉识别成为一种方便和用户友好的生物识别方法。

2、目前已有的手指静脉识别方法主要分为两类，分别是传统方法和深度学习方法。指静脉识别研究的难点在于关键特征的有效提取，早年的传统算法研究大多基于几何结构，局部二值特征，点等局部不变特征，也有特殊的基于pca(principalcomponentanalysis)、基于hmm(hiddenmarkovmodel)的信号处理和基于小波变换的方法。几何特征是根据指静脉的轮廓，方向角度等提出来的特征。如重复线跟踪算法，该方法对指静脉进行多次跟踪，识别出局部指静脉纹路，沿着纹路轨迹逐像素寻至无纹路位置，再随机重新位置跟踪，最终得到整个图像的纹路特征。局部二值特征以比较像素灰度值，将像素划分不同类型来表示指静脉的局部特征信息。点特征指依据算法筛选出来的交点、拐点和分叉点等具有位置信息的像素点特征。常用sift、surf和harris算子来获取点特征。sift特征对于仿射变换和亮度变化具有不变性，且有一定的降低干扰的作用，但要求高品质的图像，噪声模糊、灰度不均和颜色变化会导致点特征提取困难，提取特征点量大，影响匹配时间。传统的算法虽然具有可观的识别率，但对于图像质量要求很高，对于形态变化敏感，复杂场景需要进行大量的数学推导和参数的手工设计，使得识别系统的可用性一般。

3、随着深度学习的发展，更多研究人员逐步将其与静脉识别相结合，其中卷积神经网络(convolutionalneuralnetworks，cnn)不像传统方法那样需要人工设计特征提取方法和参数，对于旋转平移等变换具有不变性，具有较强的抗干扰性，因而以cnn为代表的深度学习算法也被逐渐使用在指静脉识别领域。有将特征融合和深度置信网络(featureblockfusionanddeepconfidencenetwork，fbf-dbn)结合的识别算法，该方法利用深度神经网络的非线性学习能力识别指静脉特征，将多种指静脉特征融合后利用dbn进行判决，并优化权值参数，大幅减少了学习和识别时间。有基于差分输入的微调vgg16网络方法，利用真实标签图像和混淆图像获得两幅图之间的差分图像作为训练图像，以消除噪声和环境变化影响。也有先将图像的每个像素标记为静脉和背景，再利用全卷积网络(fullyconvolutionnetwork)，实现对每一个像素的分类，基于概率阈值提取出静脉图案。度量学习方法，resnet网络等很多深度学习方法或是网络都相继用在静脉识别领域。基于深度学习的方法大同小异，主要集中在主干网络的选取，损失和激活函数的改进，卷积改进和特殊模块的改进和使用。但也不乏特别的算法。比如基于unet和cyclegan的指静脉生成对抗网络，设计了图像生成和模式图生成器，通过二者与鉴别器的对抗训练，得到鲁棒的指静脉特征提取器，这种基于静脉图和模式图联合分布学习的方法，解决了cnn特征表达能力易受到低质量指静脉图像影响和处理时间慢等问题。

4、但目前静脉图像质量较差，变化情况单一不丰富，有较多的非手指部分的背景信息干扰，并且单一类别图像十分稀少，十分容易造成网络过拟合，难以充分发挥深度学习大数据量学习的优势。

技术实现思路

1、针对现有技术中所存在的不足，本发明提供了一种基于自动增强对比学习的指静脉识别算法，以解决现有技术中静脉图像质量较差，变化情况单一不丰富，有较多的非手指部分的背景信息干扰，并且单一类别图像十分稀少，十分容易造成网络过拟合，难以充分发挥深度学习大数据量学习的优势的要求技术问题。

2、本发明提供了一种基于自动增强对比学习的指静脉识别算法，包括：

3、s1、利用现有公开数据集，收集并创建静脉图像数据集，并对数据集中的静脉图像进行预处理得到原始静脉图像；

4、s2、采用增强网络对静脉图像数据集中不同环境下的原始静脉图像进行数据增强，生成最大化对比损失，并得到增强后静脉图像；

5、s3、采用最大均值差异来限制原始静脉图像和增强后静脉图像之间的空间分布，并将原始静脉图像和增强后静脉图像输入至分布器，计算原始静脉图像分布和增强后静脉图像分布之间最小化分布损失；

6、s4、引入鉴别器分别对不同增强网络中的增强后静脉图像进行二元分类，生成最小化鉴别器损失用以更新增强网络的参数；

7、s5、结合最大化对比损失、最小化分布损失和最小化鉴别器损失指导增强网络的学习，以实现输出增强静脉图像样本对。

8、可选地，所述采用增强网络对静脉图像数据集中不同环境下的静脉图像进行数据增强，包括：

9、所述增强网络包括几何变换模块gφ、光照变换模块cφ和噪声增强模块pφ，将预处理后的原始静脉图像x分别输入至两个增强网络和中的几何变换模块gφ、光照变换模块cφ和噪声增强模块pφ，分别得到两个增强静脉图像样本和生成最大化对比损失表示为：

10、

11、其中，d是余弦距离，x1和x2是同一静脉图像的两个不同变换版本，所述静脉图像在光照变换模块的定义为：

12、x′i＝augc(xi,ci),ci＝cφ(xi,z),

13、其中，augc是一个带有参数ci的光照变换函数，z～n(0,in),n(0,in)是一个n维高斯分布，cφ是一个小型卷积网络；

14、所述静脉图像在几何变换模块的定义为：

15、x″＝augg(x′,a+i),a＝gφ(z),

16、其中，是适用于静脉图像的几何变换的仿射变换，a∈r2×3是学习到的变换参数，i∈r2×3由矩阵iii＝1和0组成，使得仿射变换成为一个恒等映射，z为n维高速分布；

17、所述静脉图像在噪声增强模块的定义为：

18、x″′＝augp(x″,xz),xz＝pφ(x″)

19、其中，xz的大小和输入x一致。

20、可选地，所述采用最大均值差异来限制原始静脉图像和增强后静脉图像的分布差异，生成最小化分布损失用以更新编码器的参数，包括：

21、采用最大均值差异测量再生核希尔伯特空间中所述原始静脉图像和增强后静脉图像两个分布之间的距离，表示为：

22、

23、在这个公式中，xoriginal表示原始静脉图像，xaug表示增强后静脉图像，m和n分别等于批大小，g是高斯核函数，其作用是将x映射到再生希尔伯特空间，并将原始静脉图像x和增强后静脉图像的x1、x2输入至分布器e(·)中，计算原始静脉图像分布和增强后静脉图像分布之间的最小化分布损失ld，表示为：

24、

25、可选地，所述引入鉴别器分别对不同增强网络中的增强后静脉图像进行二元分类，生成最小化鉴别器损失用以更新增强网络的参数，包括：

26、为不同增强网络和中的增强后图像分配不同的伪标签，输入空间表示为x＝{xaug1,xaug2}，标签集表示为y＝{0，1}，0和1是分配给来自两个不同增强网络的增强后静脉图像的标签，鉴别器的最小化鉴别器损失表示为：

27、

28、其中di表示第i个样本的标签，xi表示是否来自增强网络如果di＝0，则为xi～xaug1或来自增强网络如果di＝1，则为xi～xaug2。

29、可选地，所述结合最大化对比损失、最小化分布损失和最小化鉴别器损失指导增强网络的学习，包括：

30、指导增强网络的损失表示为：

31、

32、其中，λ是用于限制增强网络的超参数。

33、相比于现有技术，本发明具有如下有益效果：

34、本专利基于无负样本的对比学习模型中的增强网络，分别引入鉴别器和分布器，鉴别器和增强网络呈对抗关系，而分布器用于约束增强网络，避免产生偏离原数据分布的静脉图片。实现通过对抗学习自动增强生成更优的增强静脉图像样本对，提高对比学习模型性能。