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！

龙图腾网获悉浙江工业大学申请的专利一种基于多输入卷积神经网络的高分辨率掌纹识别的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114581962B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210176443.0，技术领域涉及：G06V40/12；该发明授权一种基于多输入卷积神经网络的高分辨率掌纹识别的方法是由王海霞;王影影;张怡龙;梁荣华;陈朋设计研发完成，并于2022-02-25向国家知识产权局提交的专利申请。

本一种基于多输入卷积神经网络的高分辨率掌纹识别的方法在说明书摘要公布了：一种基于多输入卷积神经网络的高分辨率掌纹识别的方法，包括如下步骤：1对高分辨率掌纹ROI进行定义，包括中心ROI区域和边缘ROI区域包括大鱼际ROI区域，小鱼际ROI区域，指间区ROI区域，简称ROI1,ROI2,ROI3的裁剪。因此，一只手掌数据共可以裁剪出4块ROI区域图像，作为用于识别的数据；2设计高分辨率掌纹识别的网络模型，用步骤1裁剪的ROI样本,并对其进行数据增广以此生成更多的掌纹ROI数据来进行训练；3运行多输入卷积神经网络模型并输出结果。本发明能够联合掌纹中心ROI区域和边缘ROI区域提取更全面的特征以达到更高的高分辨率掌纹识别率。

本发明授权一种基于多输入卷积神经网络的高分辨率掌纹识别的方法在权利要求书中公布了：1.一种基于多输入卷积神经网络的高分辨掌纹识别的方法，其特征在于，包括如下步骤： 1对高分辨率掌纹ROI进行定义，包括中心ROI区域和边缘ROI区域的裁剪，边缘ROI区域包括大鱼际ROI区域，小鱼际ROI区域，指间区ROI区域，简称ROI1,ROI2,ROI3；因此，一只手掌数据共裁剪出4块ROI区域图像，作为用于识别的数据； 2设计高分辨率掌纹识别的网络模型，用步骤1裁剪的ROI样本,并对其进行数据增广以此生成更多的掌纹ROI数据来进行训练，具体包括： 21设计构建一个多输入卷积神经网络模型，设定训练参数和损失函数，使其能够同时实现对掌纹图像的中心区域和边缘区域特征的提取以及识别，该多输入卷积神经网络包括特征提取部分和特征融合部分； 211特征提取部分对高分辨率掌纹ROI进行下采样操作，由于一组掌纹ROI数据大小差距问题，因此特征提取部分分为三条路径，分别将中心ROI、ROI2和ROI3、ROI1输入； 首先针对中心ROI图像特征提取这条路径，包括7层，每一层由两个卷积模块和一层池化层组成，其中每个卷积模块的卷积层的卷积核大小为3*3，数量为16个，步幅为1；池化层步幅为2；输入的中心ROI图像依次经过第一卷积模块的第一卷积层、BN层以及ReLU激活函数；再依次经过第二卷积模块的第一卷积层、BN层以及ReLU激活函数处理，最后经过池化层下采样处理；再进行6次先两次卷积后池化，其对应的卷积模块的卷积核大小皆为3*3，数量分别为32个，64个，128个，256个，512个，512个；将大小为512×512的中心ROI图像输入，依次经过第一层到第七层，输出的特征大小为4*4*512； 对于边缘ROI2,ROI3特征提取路径，和前面中心ROI特征提取路径相似，但由于图片尺寸相对较小，所以少了一层卷积池化步骤，包括6层，每层对应的卷积核数量分别为32个，64个，128个，256个，512个，512个；由于4块ROI尺寸相差太大，为了保证提取的特征能够更好更方便地融合，所以在进行特征提取过程中对大小为900*300的ROI2、ROI3图像输入时，进行了切片工作；将图像切成大小为300×300的三份，然后依次进行输入；300×300的图像输入，依次经过第一层到第六层，输出的特征大小为4*4*512； 而ROI1特征提取路径，和中心ROI特征提取路径相同，将大小为512×512的ROI1图像输入，依次经过第一层到第七层，输出的特征大小为4*4*512； 212特征融合部分将手掌的边缘ROI特征和中心ROI特征进行融合；在上述特征提取过程中，中心ROI、ROI1和切片后的ROI2、ROI3最后输出的特征大小皆为4*4*512，保持了一致，然后将三条路径输出的特征进行级联操作，进行特征层融合； 22网络训练部分，共输入三份数据，分别为锚，正样本和负样本，用多输入卷积神经网络对此三份数据进行特征提取，因此它们的参数是共享的；网络提取的特征，之后再经过两个卷积模块和一层池化层操作，其中每个卷积模块的卷积层的卷积核大小为3*3，数量为1024个，步幅为1；池化层步幅为2；最后进行自适应平均池化形成1024维的特征向量，再使用卡方距离Chi-squareDistance计算锚和正样本以及锚和负样本的距离，并把这两个距离送入损失函数进行计算；之后，使用AdamOptimizer优化器进行优化迭代，迭代多次后得到最优解； 所述多输入卷积神经网络的损失函数为： Loss＝maxda,p-da,n+margin,01 其中a表示锚，p表示和a相同类别的正样本，n表示和a不同类别的负样本，margin表示一常量，设为0.2，da,n表示锚a与负样本n之间的距离；最小化Loss的目标是：使得da,p接近0，da,n大于da,p+margin； 3运行多输入卷积神经网络模型并输出结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。