(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210914435.1 (22)申请日 2022.08.01 (65)同一申请的已公布的文献号 申请公布号 CN 114998950 A (43)申请公布日 2022.09.02 (73)专利权人 北京圣点云信息技 术有限公司 地址 101400 北京市怀柔区雁栖经济开发 区雁栖路33号院1号楼103室(集群注 册) (72)发明人 胡振寰　李学双　赵国栋　 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/46(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/80(2022.01) 审查员 石爽 (54)发明名称 一种基于深度学习的静脉加密与识别方法 (57)摘要 一种基于深度学习的静脉加密与 识别方法， 步骤为： 1） 采集不同用户的静脉图像， 提取每一 用户的静脉特征； 2） 训练与所需编码位数相同个 数的分类超平 面模型， 所述分类超平 面模型可以 将所述静脉特征进行加密得到静脉特征编码； 3） 获取待注册用户的静脉特征和静脉特征编码存 储在注册特征库中； 4） 采集待识别用户的静脉图 像， 利用静脉特征编码进行粗匹配， 利用静脉特 征进行细匹配， 判断待识别用户是否对应到注册 特征库中的某 一用户。 本发明有效提高了静脉特 征的安全性， 同时提高了静脉识别的速度。 权利要求书2页 说明书4页 附图1页 CN 114998950 B 2022.11.22 CN 114998950 B 1.一种基于深度学习的静脉加密与识别方法， 其特 征在于， 步骤为： 1） 构建训练集： 采集 不同用户的静脉图像， 提取每一用户的静脉 特征； 2） 训练与所需编码位数相同个数的分类超平面模型， 所述分类超平面模型用于将所述 静脉特征进行加密得到静脉特征编码， 所述静脉特征编码和静脉特征一一对应， 所述训练 与所需编码位数相同个数的分类超平面模型， 包括： 2.1） 计算 不同用户间的距离， 并将所述距离从大到小排列； 2.2） 选取距离最大的两个用户的静脉特征， 训练分类超平面模型， 训练后的分类超平 面模型用于将所述两个用户的静脉 特征赋予0或1的编码； 2.3） 根据步骤2.1） 中距离大小排序， 重复步骤2.2） ， 求出所需编码位数相同个数的分 类超平面模型； 3） 采集待注册用户的静脉图像， 提取待注册用户的静脉特征， 采用分类超平面模型将 待注册用户的静脉特征进 行加密得到待注册用户的静脉特征编 码， 将待注册用户的静脉特 征和静脉 特征编码存 储在注册特征库中； 4） 采集待识别用户的静脉图像， 提取待识别用户的静脉特征， 采用分类超平面模型将 待识别用户的静脉特征进 行加密得到待识别用户的静脉特征编 码， 将待识别用户的静脉特 征编码与 注册特征库中的静脉特征编 码进行粗匹配， 将待识别用户的静脉特征与 注册特征 库中的静脉 特征进行细匹配， 判断待识别用户是否对应到注 册特征库中的某一用户。 2.根据权利要求1所述的基于深度学习的静脉加密与识别方法， 其特征在于， 步骤1） 包 括： 1.1） 分别采集 不同用户的多张静脉图像， 分别提取每张静脉图像的静脉 特征； 1.2） 将同一用户的静脉 特征进行融合， 融合后的特 征为该用户的静脉 特征。 3.根据权利要求2所述的基于深度学习的静脉加密与识别方法， 其特征在于， 所述静脉 特征为512维特征向量， 所述将同一用户的静脉特征进行融合为将同一用户的每张静脉图 像的512维特 征向量在各个维度上求取平均值。 4.根据权利要求1所述的基于深度 学习的静脉加密与识别方法， 其特征在于， 步骤2.1） 中所述计算 不同用户间的距离为计算 不同用户静脉 特征间的欧式距离、 余弦距离 。 5.根据权利要求4所述的基于深度学习的静脉加密与识别方法， 其特征在于， 所述训练 分类超平面模型包括： 使用梯度下降法对分类超平面模型进行多步训练。 6.根据权利要求5所述的基于深度学习的静脉加密与识别方法， 其特征在于， 在对分类 超平面模 型进行的每一步训练中加入自适应学习率， 包括： 求取两个用户静脉特征的中点， 将所述中点带入初始分类超平面模型求出值记为n； 在每一步训练后， 将所述中点带入训练 后的分类超平 面模型求出值记为m， 并以m/n的绝对值乘以本步训练的学习率作为下一步训 练的学习率。 7.根据权利要求1所述的基于深度学习的静脉加密与识别方法， 其特征在于， 步骤4） 中 将待识别用户的静脉特征编码与注册特征库中的静脉特征编码进行粗匹配， 包括： 设定编 码位数阈值； 分别计算待识别用户的静脉特征编码与 注册特征库中每一静脉特征编 码的相 同位数， 若所述相同位数大于等于编码位数阈值， 则注册特征库中对应的用户为粗匹配用 户。 8.根据权利要求7所述的基于深度学习的静脉加密与识别方法， 其特征在于， 步骤4） 中权　利　要　求　书 1/2 页 2 CN 114998950 B 2将待识别用户的静脉特征与粗匹配用户的静脉特征进 行细匹配， 包括： 设定距离阈值； 计算 待识别用户的静脉特征与每一粗匹配用户的静脉特征的余弦距离， 若最小余弦距离小于距 离阈值， 则细匹配通过， 该用户属于注册特征库中的用户， 反之细匹配失败， 该用户不属于 注册特征库中的用户。 9.根据权利要求1所述的基于深度学习的静脉加密与识别方法， 其特征在于， 所述静脉 图像为指静脉图像、 掌静脉图像、 面部静脉图像或指背静脉图像。权　利　要　求　书 2/2 页 3 CN 114998950 B 3