掌静脉识别方法、装置和电子设备与流程

本技术涉及生物特征识别领域，尤其涉及一种掌静脉识别方法、装置和电子设备。

背景技术：

1、掌静脉识别广泛应用于银行移动展业终端、自助设备及金库门禁等高安全身份认证场景，用于对用户的身份进行验证。

2、目前，通常结合图像处理或深度学习方法完成手掌区域提取、纹路分割和特征比对。

3、然而，现有的方法在复杂光照、背景干扰及手部姿态变化条件下，易出现手掌区域定位偏差，导致后续处理引入较多无效信息。并且，存在对细微纹路表征不足的情况，使得识别准确度较低。

技术实现思路

1、本技术实施例提供一种掌静脉识别方法、装置和电子设备，能够提升掌静脉识别的准确性和可靠性。

2、第一方面，本技术实施例提供一种掌静脉识别方法，包括：

3、获取采集到的初始掌静脉图像；

4、将所述初始掌静脉图像输入到区域提取模型中，通过所述区域提取模型对所述初始掌静脉图像进行预测，得到所述区域提取模型输出的手掌检测框；

5、根据所述手掌检测框对所述初始掌静脉图像进行裁剪，得到手掌区域图像；

6、将所述手掌区域图像输入到纹路分割模型中，通过所述纹路分割模型对所述手掌区域图像进行处理，得到所述纹路分割模型输出的掌静脉纹路图像；

7、将所述掌静脉纹路图像输入到多尺度特征识别模型中，通过所述多尺度特征识别模型对所述掌静脉纹路图像进行处理，得到所述多尺度特征识别模型输出的掌静脉的目标特征向量；

8、计算所述目标特征向量与预先存储的至少一个特征向量的相关度；

9、若存在所述相关度大于预设阈值的特征向量，则确定所述初始掌静脉图像识别通过。

10、在一种可能的实施方式中，所述区域提取模型为轻量化的yolov11n网络模型；所述yolov11n网络模型包括骨干网络、颈部网络和检测头；

11、其中，所述骨干网络的前三个卷积层为gsconv模块，所述颈部网络中使用gsbottleneck构建的vov-gscsp模块替换原网络模型中c3k2模块；

12、所述通过所述区域提取模型对所述初始掌静脉图像进行预测，得到所述区域提取模型输出的手掌检测框，包括：

13、通过所述骨干网络对所述初始掌静脉图像进行多尺度特征提取，得到多尺度的手掌特征图像；

14、通过所述颈部网络对所述多尺度的手掌特征图像进行拼接融合处理，得到处理后的手掌特征图像；

15、通过所述检测头对处理后的手掌特征图像进行预测，得到所述手掌检测框。

16、在一种可能的实施方式中，所述纹路分割模型为acsr-unet网络模型；所述acsr-unet网络模型包括编码器、解码器和输出层；

17、其中，所述编码器采用resnetv2预激活残差结构，所述编码器与所述解码器之间的跳跃连接中嵌入注意力门控ag机制；所述acsr-unet网络模型中的每个残差块内部嵌入通道空间注意力机制。

18、在一种可能的实施方式中，所述通过所述纹路分割模型对所述手掌区域图像进行处理，得到所述纹路分割模型输出的掌静脉纹路图像，包括：

19、通过所述编码器的resnetv2预激活残差结构进行下采样，提取所述手掌区域图像中的多尺度语义特征；

20、通过所述解码器对编码器进行上采样得到上采样特征；

21、通过所述注意力门控ag机制对所述编码器得到的低级特征与所述解码器的上采样特征做加权计算；

22、通过所述输出层输出所述掌静脉纹路图像。

23、在一种可能的实施方式中，所述多尺度特征识别模型为msganet网络模型；所述msganet网络模型包括多尺度纹理捕捉模块和级联分组注意力模块；

24、所述通过所述多尺度特征识别模型对所述掌静脉纹路图像进行处理，得到所述多尺度特征识别模型输出的掌静脉的目标特征向量，包括：

25、通过所述多尺度纹理捕捉模块中三个并行分支分别采用不同尺度的可学习gabor卷积提取所述掌静脉纹路图像中的纹理特征，得到三个纹路特征图像；并将所述三个纹路特征图像进行融合，得到目标纹路特征图像；

26、通过所述级联分组注意力模块对所述目标纹路特征图像进行特征细化，得到掌静脉的所述目标特征向量。

27、在一种可能的实施方式中，所述计算所述目标特征向量与预先存储的至少一个特征向量的相关度，包括：

28、计算所述目标特征向量与预先存储的至少一个特征向量的余弦相似度或欧氏距离；

29、若存在所述相关度大于预设阈值的特征向量，则确定所述初始掌静脉图像识别通过，包括：

30、若余弦相似度大于预设相似度或欧氏距离大于预设距离，则确定所述初始掌静脉图像识别通过。

31、第二方面，本技术实施例提供一种区域提取模型的训练方法，所述方法包括：

32、构建初始yolov11n网络模型，所述yolov11n网络模型包括骨干网络、颈部网络和检测头；其中，所述骨干网络的前三个卷积层为gsconv模块，所述颈部网络中使用gsbottleneck构建的vov-gscsp模块替换原网络模型中c3k2模块；

33、通过掌静脉图像的训练集对所述初始yolov11n网络模型进行多轮迭代训练，直至满足预设条件，停止训练，得到训练好的区域提取模型；

34、其中，每一轮训练过程中，基于损失函数，计算当前得到的真实框和预测框的损失，以对下一轮训练的参数进行优化。

35、在一种可能的实施方式中，所述基于损失函数，计算当前得到的真实框和预测框的损失，包括：

36、计算所述真实框和所述预测框之间的重叠度；

37、根据所述重叠度确定比例因子；

38、通过所述比例因子对所述真实框和所述预测框进行缩放，得到缩放后的真实框和预测框；

39、基于所述损失函数，计算缩放后的真实框和预测框之间的损失。

40、第三方面，本技术实施例提供一种纹路分割模型的训练方法，所述方法包括：

41、构建初始acsr-unet网络模型，其中，所述acsr-unet网络模型包括编码器、解码器和输出层；所述编码器采用resnetv2预激活残差结构，所述编码器与所述解码器之间的跳跃连接中嵌入注意力门控ag机制；所述acsr-unet网络模型中的每个残差块内部嵌入通道空间注意力机制

42、通过手掌区域图像的训练集对所述初始acsr-unet网络模型进行多轮迭代训练，直至满足预设条件，停止训练，得到训练好的纹路分割模型；

43、其中，每一轮训练过程中，根据戴斯系数损失函数与二元交叉熵损失函数，计算当前得到的真实掌静脉纹路图像和预测掌静脉纹路图像之间的复合损失，以对下一轮训练的参数进行优化。

44、在一种可能的实施方式中，所述根据戴斯系数损失函数与二元交叉熵损失函数，计算当前得到的真实掌静脉纹路图像和预测掌静脉纹路图像之间的复合损失，包括：

45、根据所述戴斯系数损失函数、所述戴斯系数损失函数的第一权重、所述二元交叉熵损失函数和所述二元交叉熵损失函数的第二权重，计算当前得到的真实掌静脉纹路图像和预测掌静脉纹路图像之间的复合损失。

46、第四方面，本技术实施例提供一种多尺度特征识别模型的训练方法，所述方法包括：

47、构建初始msganet网络模型；

48、通过掌静脉纹路图像的训练集对所述初始msganet网络模型进行多轮迭代训练，直至满足预设条件，停止训练，得到训练好的多尺度特征识别模型；

49、其中，每一轮训练过程中，基于联合损失函数，计算当前得到的真实特征向量和预测特征向量之间的联合损失以对下一轮训练的参数进行优化。

50、在一种可能的实施方式中，所述计算联合损失函数为第一损失函数和第一调节因子的乘积，与，第二损失函数和第二调节因子的乘积之间的加和；

51、所述第一损失函数为三元组损失函数和中心损失函数的加权值，

52、所述第二损失函数为加性角度间隔损失函数。

53、第五方面，本技术实施例提供一种掌静脉识别装置，包括：

54、获取模块，用于获取采集到的初始掌静脉图像；

55、处理模块，用于将所述初始掌静脉图像输入到区域提取模型中，通过所述区域提取模型对所述初始掌静脉图像进行预测，得到所述区域提取模型输出的手掌检测框；根据所述手掌检测框对所述初始掌静脉图像进行裁剪，得到手掌区域图像；将所述手掌区域图像输入到纹路分割模型中，通过所述纹路分割模型对所述手掌区域图像进行处理，得到所述纹路分割模型输出的掌静脉纹路图像；将所述掌静脉纹路图像输入到多尺度特征识别模型中，通过所述多尺度特征识别模型对所述掌静脉纹路图像进行处理，得到所述多尺度特征识别模型输出的掌静脉的目标特征向量；

56、识别模块，用于计算所述目标特征向量与预先存储的至少一个特征向量的相关度；若存在所述相关度大于预设阈值的特征向量，则确定所述初始掌静脉图像识别通过。

57、第六方面，本技术实施例提供一种电子设备，包括：存储器，处理器；

58、所述存储器存储计算机执行指令；

59、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上第一方面、第二方面、第三方面、第四方面各种可能的实施方式。

60、第七方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面、第二方面、第三方面、第四方面各种可能的实施方式。

61、第八方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面、第二方面、第三方面、第四方面各种可能的实施方式。

62、本技术实施例提供的掌静脉识别方法、装置和电子设备，该方法包括：获取采集到的初始掌静脉图像；通过区域提取模型对初始掌静脉图像进行预测，得到区域提取模型输出的手掌检测框；根据手掌检测框对初始掌静脉图像进行裁剪，得到手掌区域图像；通过纹路分割模型对手掌区域图像进行处理，得到纹路分割模型输出的掌静脉纹路图像；通过多尺度特征识别模型对掌静脉纹路图像进行处理，得到多尺度特征识别模型输出的掌静脉的目标特征向量；计算目标特征向量与预先存储的至少一个特征向量的相关度；若存在相关度大于预设阈值的特征向量，则确定初始掌静脉图像识别通过。这样，先利用区域提取模型确定手掌检测框，并依据手掌检测框对初始掌静脉图像进行裁剪以得到手掌区域图像，能够减少背景干扰及定位偏差对后续处理的影响，进而提高输入信息的有效性；通过将手掌区域图像输入纹路分割模型，得到掌静脉纹路图像，能够突出掌静脉纹路信息并降低无关图像内容的干扰，进而提升纹路提取的精度；通过将掌静脉纹路图像输入多尺度特征识别模型，得到掌静脉的目标特征向量，并计算目标特征向量与预先存储的至少一个特征向量的相关度，能够增强对掌静脉细微纹路特征的表征与判别能力。因此，本技术的方法能够有效的提升掌静脉识别的准确性和鲁棒性。