(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210668699.3 (22)申请日 2022.06.14 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区文苑路9 号 (72)发明人 穆恒宇　刘星利　马宇晗　郭剑　 姜依凡　朱楂　陈若星　张勤　 韩崇　王娟　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 杭行 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/25(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/46(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于ResNet和DenseNet的指静脉识别方法 (57)摘要 基于ResNet和Den seNet的指静脉识别方法， 采用ResNet和DenseNet两种网络分别处理同一 静脉图片在不同模态下的静脉图像。 其中， ResNet处理原始静脉图像； DenseNet处理ROI （Region Of Interest， ROI） 区域定位后的静脉 图像。 两个网络相互独立， 并分别进行特征提取。 最后， 本发明使用一种自适应阈值融合方法， 对 两个网络的输出结果进行特征融合， 得到最终的 识别结果。 本方法能够得到更为丰富的特征信 息， 有利于提升识别准确率； 可 以对两个网络发 挥的效用进行准确的评估， 并在此基础上进行综 合， 有利于提升最终结果的准确性； 可 以使用相 对更少的训练数据， 就能达 到较好的识别性能。 权利要求书2页 说明书5页 附图2页 CN 114913564 A 2022.08.16 CN 114913564 A 1.基于ResNet和DenseNet的指静脉识别方法， 其特 征在于： 所述方法的步骤如下： 步骤1， 输入手指静脉图像， 并将原图像保存为数据集B； 步骤2， ROI定位； 使用Canny算法处理输入的指静脉 图像， 然后进行ROI定位和截取， 并 将截取的图像保存为数据集A； 步骤3， 双网络特征提取及训练； 分别将数据 集A和数据集B输入DenseNet和ResNet网络 进行特征提取， 两个网络独立进行训练； 步骤4， 使用自适应阈值融合方法， 进行特征融合； 首先设定两组阈值向量， 并进行初始 化； 然后执 行如下步骤： 步骤4.1， 将两个网络输出结果与其对应阈值向量先进行乘法操作， 再进行加法操作， 完成网络间的融合， 并计算 其损失值； 步骤4.2， 根据上一步得到的损失值计算梯度， 进行反向传播， 完成对阈值向量的动态 更新； 步骤5， 特征匹配及输出； 将上一步骤的融合结果通过Softmax函数映射为每一个类别 的概率， 完成特 征匹配； 步骤6， 重复步骤3至步骤5， 当训练集中的所有数据都进行完一次网络训练后， 表示完 成一个Epoc h的迭代， 根据需要设定 Epoch数值； 保存训练过程中结果 最优的模型参数； 步骤7： 完成迭代后， 加载最优的网络参数， 输入需要识别的静脉图像， 得到匹配结果； 最后， 对匹配结果中概 率最大的标签进行输出， 即是 该图像所对应的身份信息 。 2.根据权利要求1所述的基于ResNet和 DenseNet的指 静脉识别方法， 其特征在于： 所述 步骤2中， 具体包括如下分步骤： 步骤2.1， 使用Canny算法进行手指边缘检测， 得到手指边缘的二值化图像； 图像中只存 在像素值为0和255的两种像素点， 其中， 像素值为0表示该像素点不包含边缘信息， 像素值 为255表示该像素点存在边 缘信息； 步骤2.2， 对得到的手指边缘图像， 从第一列中心位置开始， 向上逐像素检索， 检测到第 一个像素值为255的点即为上边缘的像素点， 记录其位置并进 行下一列的检索； 重复上述操 作， 找到手指所有上边缘的像素点； 然后利用该检索方法， 得到手指所有下边缘的像素点； 通过公式(1)和(2)确定ROI图像的上边 缘位置ETOP和下边缘位置EBOT： ETOP＝H/2–min({lti}),i＝1,2,3, …,W‑1   (1) EBOT＝H/2+min({lbi}),i＝1,2,3, …,W‑1   (2) 其中， H和W是指静脉图像的高度值和宽度值， i表示索引值， min()表示取集合的最小 值， lti、 lbi分别表示第i列的手指上边 缘和下边 缘像素点距离中线的距离； 步骤2.3， 根据得到的ETOP、 EBOT， 对原始图像进行截取， 得到ROI图像， 将其保存为数据集 A。 3.根据权利要求1所述的基于ResNet和 DenseNet的指 静脉识别方法， 其特征在于： 所述 步骤3中， 使用ResNet神经网络处理数据集B， 该网络由残差块结构堆叠组成； 使用DenseNet 神经网络处理数据集A， 利用密集网络连接， 通过将前层网络输出作为后层网络额外输入的 方式， 最大程度提取 特征信息。 4.根据权利要求1所述的基于ResNet和 DenseNet的指 静脉识别方法， 其特征在于： 步骤 4中， 设定X、 X ’分别为ResNet和DenseNet网络的输出向量， X＝(x1,x2,…,xt)T， X’＝(x’1,x权　利　要　求　书 1/2 页 2 CN 114913564 A 2’2,…,x’t)T， t是向量的维数； Q、 Q ’为阈值向量， Q＝(q1,q2,…,qi,…,qt)T， Q’＝(q’1,q ’2,…,q’i,…,q’t)T， 其中每一项 qi、 q’i的初始值均为0.5， 1≤i≤t； Y是自适应阈值融合后 得到的特 征向量， Y＝(y1,y2,…,yt)T； Channel为输出向量的通道数。 5.根据权利要求1所述的基于ResNet和 DenseNet的指 静脉识别方法， 其特征在于： 步骤 4.1中， 网络融合方法如式(3)所示： Y＝X⊙Q+X’⊙Q’    (3) 其中，⊙表示两个向量对应元 素相乘。 6.根据权利要求1所述的基于ResNet和 DenseNet的指 静脉识别方法， 其特征在于： 步骤 4.2中， 更新方法如式(4)所示。 其中， G、 G ’为计算得到的梯度向量， L 为更新阈值向量的学习率。权　利　要　求　书 2/2 页 3 CN 114913564 A 3