买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京邮电大学

摘要：本发明提供了一种基于三维特征和图神经网络的非接触指纹识别方法。所述方法包括：对非接触指纹图像进行预处理，对齐非接触指纹图像的偏航角并增强其对比度；通过一个卷积神经网络同时提取非接触指纹的三维特征，包括表面梯度和细节点；将表面梯度重建为深度，将深度信息和细节点融合得到三维细节点；将一对非接触指纹图像的三维细节点用图卷积网络进行特征编码；采用三元组损失计算真匹配特征以及假匹配特征之间的均方距离，并利用损失不断地优化骨干网络参数，拉近真匹配特征之间的距离，并使假匹配特征之间相互远离；应用时利用训练好的非接触指纹特征提取网络和图卷积网络分别对非接触指纹的样本和模版进行编码；计算当前非接触指纹样本特征与所有非接触指纹模板特征的特征距离表示；根据计算所得的特征距离预测出当前非接触指纹样本所属的用户。本发明在识别大姿态跨度的非接触指纹时具有明显优势。

主权项：1.一种基于三维特征和图神经网络的非接触指纹识别方法，其特征在于，所述方法包括以下步骤：步骤1，通过RGB相机如手机摄像头采集非接触指纹图像，并进行尺度归一化、灰度化、对比度增强、偏航角矫正处理。步骤2，将非接触指纹图像与三维特征标签进行关联，具体地：通过步骤1可以得到预处理后的非接触指纹图像FK，FK对应的用户手指编号记为uK，其中K代表用户手指编号，一个用户可得到10个用户手指编号，同时，FK对应的细节点标签为梯度标签为步骤3，在预处理完成的非接触指纹图像中随机选出一张非接触指纹图像记为F。利用特征提取网络对图像进行特征提取，具体地：使用特征提取网络对该图像F进行三维特征提取，在F提取得到的三维特征分别细节点m和表面梯度g。步骤4，计算预测的三维特征和真实三维特征之间的距离损失，并利用损失不断地优化骨干网络参数，具体地：通过步骤3得到预测细节点m和预测梯度g，之后与真实细节点mt和真实梯度gt进行距离的计算。特征提取网络在预测细节点时，将得到4个为输入图像尺寸的多通道特征，分别为该8×8区域是否包含细节点的概率ms，细节点在该区域的x坐标mx，细节点在该区域的y坐标my，细节点在该区域的方向mθ，通道数分别为1、8、8、180，每种损失均采用交叉熵损失进行计算，计算公式为对于细节点的总损失即为gi和之间差异的计算公式为其中γ是平滑项权重，wx，y表面梯度权重，用于表面梯度的平衡中心和边缘区域，使边缘区域更受重视。步骤5，在预处理和三维特征提取完成的非接触指纹图像中随机选出一张非接触指纹图像并记录编号，同时第二张非接触指纹图像与第一张所属用户手指编号相同且不为同一张图像，第三张非接触指纹图像与第一张所属用户手指编号不同，具体地：通过步骤2关联图像与用户手指后，可以按照上述规则选出两张非接触指纹图像，第一张的非接触指纹图像记为Fi，第二张的非接触指纹图像记为Fj，第二张的非接触指纹图像记为Fk，相应的对应的手指编号分别为ui和uk，其中i和k的最大值为每一手指对应指纹的总张数N；步骤6，利用同一图卷积特征提取网络对三张图像进行特征提取，具体地：得到步骤5中的三张图像Fi、Fj与Fk后，使用同一特征提取网络对三张图像进行三维特征提取，第一组信号Fi提取得到的三维特征分别细节点mi和深度di，第二组信号Fj提取得到的三维特征分别细节点mj和深度dj，第三组信号Fk提取得到的三维特征分别细节点mk和深度dk，训练时，图卷积特征提取网络分别输出fi，fj，fk；步骤7，计算三组特征间的基于特征距离的三元组损失，并利用损失不断地优化图卷积网络参数，具体地：通过步骤6得到三组特征进行特征距离的计算，特征距离计算中的常见的表示方法是相似度度量，在此以均方距离为例阐述三元组损失，计算公式为Lf1，fj，fk＝max||fi，fj||2-||fi，fk||2+γ，0，其中γ是三元组的边界，用于控制保证负样本离正样本距离足够远时不再更新，利用计算出得损失可以进行反向传播来更新骨干网络的权重，以提高其指纹识别性能；步骤8，应用时利用训练好的三维特征提取网络和图卷积网络分别提取待测非接触指纹与用户模板样本库中样本的特征，具体地：通过步骤4和步骤7，可以得到训练完成的三维特征提取网络和图卷积网络，进而可以对待测非接触指纹样本与用户模板样本库中样本进行特征提取，待测非接触指纹样本记为St，用户模板样本库中的非接触指纹样本记为u表示对应非接触指纹样本对应用户编号，St通过训练完成的卷积网络提取得到的特征为ft，通过训练完成的图卷积网络提取得到的特征为u的取值范围为1到M，M表示用户模板样本库中包含的用户编号数；步骤9，计算待测非接触指纹样本特征与每条用户模板样本特征的特征距离表示，具体地：根据步骤8中得到的待测非接触指纹样本与用户模板样本库中样本的特征，可以进行相应的特征距离的计算，这里特征距离的表示应与训练时一致，仍以均方距离为例，待测非接触指纹样本特征与每条用户模板样本特征的均方距离向量为其中步骤10，根据计算所得的特征距离预测出待测非接触指纹样本所属的用户，具体地：根据步骤7中得到的特征距离向量为可以得到待测非接触指纹样本St所属的用户编号为umax＝argminv1，v2，...，vM，即预测出该待测非接触指纹样本记为St所属的用户编号。

全文数据：

权利要求：

百度查询： 北京邮电大学 一种基于三维特征和图神经网络的非接触指纹识别方法