掌静脉识别模型构建方法、装置、电子设备及存储介质与流程

本发明掌静脉数据识别，尤其涉及一种掌静脉识别模型构建方法、装置、电子设备及存储介质。

背景技术：

1、掌静脉识别技术是新一代的生物特征识别技术，它识别的是人体内部隐秘的生物特征—静脉信息。掌静脉识别技术是利用人体血液中的血红蛋白吸收近红外光的特性，获取掌静脉图像，通过定位、增强、特征提取等算法提取特征值验证个人身份，可以完美代替码、卡、币、证。

2、掌静脉识别技术具有许多独特的优势。首先，静脉图案是人体皮肤下的血管网络结构，在自然光照条件下肉眼几乎不可见，只有使用红外照明时才能从体内获得。这使得窃取或伪造指静脉信息变得极其困难，大大提高了技术的安全性。其次，掌静脉识别技术属于内生理特征，不会磨损，具有很高的稳定性和长期可用性。此外，它还具有非接触式识别的特点，手掌无需与设备接触即可完成识别，既卫生又方便。

3、目前掌静脉识别技术多采用智能算法（例如，人工神经网络、支持向量机等）经过海量样本进行训练而获得识别模型。这种识别技术的缺点是识别模型的构建需要海量的样本和较长的训练、效果验证周期，前期投入大；识别模型依赖的智能算法依赖于操作系统、软件平台和硬件，软硬件投入均较大，小型化、微型化较为困难，不利于后期推广。

4、基于此，需要开发设计出一种掌静脉识别模型构建方法。

技术实现思路

1、本发明实施方式提供了一种掌静脉识别模型构建方法、装置、电子设备及存储介质，用于解决现有技术中掌静脉识别需要耗费的软件资源或硬件资源较多的问题。

2、第一方面，本发明实施方式提供了一种掌静脉识别模型构建方法，包括：

3、获取多个掌静脉图；

4、对所述多个掌静脉图进行灰度区间调整和边缘特征提取，获得多个边缘特征图，其中，每个边缘特征图对应一个掌静脉图；

5、根据第一池化度参数对每个边缘特征图进行池化，并根据掌静脉图对应的手掌为池化获得的池化数据块分配标识码，其中，对应同一个手掌的池化数据块对应同一个标识码；

6、从池化数据块中提取多个子数据块输入到标识生成模型中，根据模型生成的标识与所述池化数据块的标识之间的偏差，调整所述标识生成模型的参数，直至所述偏差小于阈值，获得掌静脉识别模型。

7、在一种可能实现的方式中，所述对所述多个掌静脉图进行灰度区间调整和边缘特征提取，获得多个边缘特征图，包括：

8、对于所述多个掌静脉图中的每个掌静脉图，分别执行如下步骤：

9、获取参照队列以及多个像素值区间，其中，所述参照队列的每个队列元素对应一个像素值区间；

10、对掌静脉图中的多个像素值按照值的大小进行排列，获得像素值队列；

11、根据所述参照队列从所述像素值队列中提取像素值构建为多个像素集，其中，每个像素集对应所述参照队列的一个队列元素；

12、根据所述多个像素集以及所述多个像素值区间，对掌静脉图中的像素进行灰度区间调整，获得灰度图；

13、采用差分法对所述灰度图提取边缘，获得边缘特征图。

14、在一种可能实现的方式中，所述根据所述多个像素集以及所述多个像素值区间，对掌静脉图中的像素进行灰度区间调整，获得灰度图，包括：

15、根据第一公式、所述多个像素集以及所述多个像素值区间，对掌静脉图中的像素进行灰度区间调整，获得灰度图，所述第一公式为：

16、

17、式中，为灰度区间调整后的像素值，为灰度区间调整前的像素值，为像素集中最小的像素值，为像素集中最大的像素值，为像素值区间的上限，为像素值区间的下限；

18、所述采用差分法对所述灰度图提取边缘，获得边缘特征图，包括：

19、对于所述边缘特征图中的每个像素，采用以1像素为半径内的最小像素值进行像素值替代，获得边缘凸化图；

20、根据第二公式、所述灰度图以及所述边缘凸化图对所述灰度图的边缘进行提取，其中，所述第二公式为：

21、

22、式中，为边缘特征图的像素值，为边缘凸化图的像素值，为灰度图的像素值。

23、在一种可能实现的方式中，所述根据第一池化度参数对每个边缘特征图进行池化，包括：

24、对于每个边缘特征图分别执行如下步骤：

25、获取第一池化度参数，其中，所述第一池化度参数包括：池化维度和偏移量；

26、根据第一位置从边缘特征图中取出所述池化维度的数据块作为待处理数据块；

27、将所述待处理数据块中多个数据的最大值或平均值作为池化数据；

28、以所述第一位置为索引，将所述池化数据加入池化数据块；

29、若未完成对边缘特征图的遍历，则根据所述偏移量对所述第一位置进行偏移，并跳转至所述根据第一位置从边缘特征图中取出所述池化维度的数据块作为待处理数据块的步骤。

30、在一种可能实现的方式中，所述标识生成模型为：

31、

32、式中，为标识输出，为中间节点的总行数，为第个输出节点的权重系数，为第行第列节点的第个权重系数，为第行第列中间节点的输出，为第个输入变量，为中间节点的总列数，为自然常数，为偏置系数。

33、在一种可能实现的方式中，所述从池化数据块中提取多个子数据块输入到标识生成模型中，包括：

34、对于每个池化数据块，分别执行如下步骤：

35、获取分割维度以及子块数；

36、根据所述分割维度将池化数据块分割成多个子数据块；

37、从所述多个子数据块中随机选择所述子块数的子数据块作为多个待处理子数据块；

38、将所述多个待处理子数据块输入到所述标识生成模型中。

39、在一种可能实现的方式中，所述根据模型生成的标识与所述池化数据块的标识之间的偏差，调整所述标识生成模型的参数，直至所述偏差小于阈值，包括：

40、获取多个系数数组，其中，每个系数数组包括对应所述标识生成模型中多个系数的数据；

41、将所述多个系数数组分别代入到所述标识生成模型中，获得多个标识码指示，其中，每个标识码指示对应一个系数数组；

42、根据目标标识码以及所述多个标识码指示确定多个标识偏差，其中，每个标识偏差对应一个系数数组，所述目标标识码为所述多个子数据块来源池化数据块的标识码；

43、若存在标识偏差大于偏差阈值的系数数组，则根据所述多个标识偏差从所述多个系数数组中选择三个最优的系数数组，并根据第三公式以及所述三个最优的系数数组对大于偏差阈值的系数数组进行调整，其中，所述第三公式为：

44、

45、式中，为第次调整后的系数数组的第个数据，为第次调整后的系数数组的第个数据，、、以及分别为第一距离、第二距离、第三距离以及第四距离，、、以及分别为第一系数、第二系数、第三系数以及第四系数，、、以及分别为最优系数数组的第个数据、次优系数数组的第个数据、第三优系数数组的第个数据以及当前系数数组历次迭代的最优系数数组的第个数据；

46、若未完成对全部池化数据块的遍历，则从池化数据块中提取多个子数据块输入到标识生成模型中，并跳转至所述根据目标标识码以及所述多个标识码指示确定多个标识偏差的步骤；

47、若完成对全部池化数据块的遍历且在本轮遍历过程中存在未经过调整的系数数组，则将未经过调整的系数数组代入的标识生成模型作为所述掌静脉识别模型；

48、否则，启用新一轮池化数据块的遍历，从被遍历的池化数据块中提取多个子数据块输入到标识生成模型中，并跳转至所述根据目标标识码以及所述多个标识码指示确定多个标识偏差的步骤。

49、第二方面，本发明实施方式提供了一种掌静脉识别模型构建装置，用于实现如上第一方面或第一方面的任一种可能的实现方式所述的掌静脉识别模型构建方法，所述掌静脉识别模型构建装置包括：

50、图片获取模块，用于获取多个掌静脉图；

51、边缘提取模块，用于对所述多个掌静脉图进行灰度区间调整和边缘特征提取，获得多个边缘特征图，其中，每个边缘特征图对应一个掌静脉图；

52、池化模块，用于根据第一池化度参数对每个边缘特征图进行池化，并根据掌静脉图对应的手掌为池化获得的池化数据块分配标识码，其中，对应同一个手掌的池化数据块对应同一个标识码；

53、以及，

54、模型构建模块，用于从池化数据块中提取多个子数据块输入到标识生成模型中，根据模型生成的标识与所述池化数据块的标识之间的偏差，调整所述标识生成模型的参数，直至所述偏差小于阈值，获得掌静脉识别模型。

55、第三方面，本发明实施方式提供了一种电子设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

56、第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

57、本发明实施方式与现有技术相比存在的有益效果是：

58、本发明实施方式公开了一种掌静脉识别模型构建方法，其首先获取多个掌静脉图；然后对所述多个掌静脉图进行灰度区间调整和边缘特征提取，获得多个边缘特征图，其中，每个边缘特征图对应一个掌静脉图；接着根据第一池化度参数对每个边缘特征图进行池化，并根据掌静脉图对应的手掌为池化获得的池化数据块分配标识码，其中，对应同一个手掌的池化数据块对应同一个标识码；最后从池化数据块中提取多个子数据块输入到标识生成模型中，根据模型生成的标识与所述池化数据块的标识之间的偏差，调整所述标识生成模型的参数，直至所述偏差小于阈值，获得掌静脉识别模型。本发明实施方式将掌静脉图灰度化处理后提取边缘特征，相对二值化提取的边缘特征，包含的特征内容更为丰富，便于提高识别率；本发明实施方式在池化后提取池化数据块中的部分数据送入到模型中，对模型进行标识码拟合，可以使得在应用模型时，仅需要获取少部分掌静脉图就可以完成识别，提高了识别效率和准确度。本发明实施方式无需智能算法，通过掌静脉图生成多个子数据块对模型参数进行确定，相比传统智能算法需要的样本少，软件平台、硬件平台依赖度低，前期建模和后期使用均耗费的资源少，便于使用和推广。