(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 20221075437 7.0 (22)申请日 2022.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 114863499 A (43)申请公布日 2022.08.05 (73)专利权人 广州脉泽科技有限公司 地址 510699 广东省广州市越秀区东 风东 路836号二座1104室 专利权人 华南理工大 学 (72)发明人 董延杰　康文雄　连枫钊　黄俊端　 曾香玉　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 林丽明 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/74(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (56)对比文件 CN 110555380 A,2019.12.10 CN 114492833 A,2022.05.13 CN 113128701 A,2021.07.16 CN 114154643 A,202 2.03.08 CN 114580663 A,2022.06.03 CN 114448601 A,202 2.05.06 CN 114357067 A,202 2.04.15 CN 113205863 A,2021.08.0 3 CN 113571203 A,2021.10.2 9 CN 114299559 A,202 2.04.08 US 2020342204 A1,2020.10.2 9 WO 2021121106 A1,2021.0 6.24 (续) 审查员 于涛 (54)发明名称 一种基于联邦学习的指静脉与掌静脉识别 方法 (57)摘要 本发明公开了一种基于联邦学习的指静脉 与掌静脉识别方法、 系统及计算机可读存储介 质， 方法包括以下步骤： 获取手 静脉图像； 利用公 开数据集对mobilenetV2检测模型进行联邦 学习 训练； 将训练后的静脉检测模型mobilenetV2的 卷积部分的模 型参数上传至中心方； 中心方进行 联邦学习聚合得到若干个聚合模 型； 将得到的聚 合模型在本地数据集中进行微调得到训练好的 mobileNetV2检测模型； 将手静脉 图像输入至训 练好的mobileNetV2检测模型提取特征向量； 将 提取的特征向量与预设数据库中的已注册人员 的静脉特征向量计算相似度， 若相似度大于预设 阈值则判定当前手 静脉图像属于已注册人员， 识别成功。 本发明降低了 隐私数据泄露的风险； 同 时解决了数据集之间非独立同分布的问题。 [转续页] 权利要求书2页 说明书7页 附图2页 CN 114863499 B 2022.12.13 CN 114863499 B (56)对比文件 Junduan Huang et al. .FVT: Fi nger Vei n Transformer for Authenticati on. 《IEEE Transacti ons on Instrumentati on and Measurement》 .202 2,第1-13页. Alysa Ziying Tan et al. .Towards Personalized Federated Learn ing. 《arXiv: 2103.00710v3》 .202 2,第1-17页. 李剑.非独立同分布数据下的联邦学习算法 研究. 《中国优秀硕士学位 论文全文数据库信息 科技辑》 .2022,正文全文.2/2 页 2[接上页] CN 114863499 B1.一种基于联邦学习的指静脉与掌静脉识别方法， 其特 征在于， 包括以下步骤： S1、 获取手静脉图像； S2、 利用公开数据集对mobi lenetV2检测模型进行 联邦学习训练； S3、 将训练后的静脉检测模型mobilenetV2的卷积部分的模型参数上传至中心方， 其 中， 所述中心方是一个信任的第三方机构， 负责对参与联邦学习的所有客户端进行模型整 合； S4、 中心方进行联邦学习聚合得到若干个聚合模型； 中心方采用N ‑model的个性化联邦 学习聚合方式， 中心方为每一个客户端 执行一套聚合权重， 从而产生N个聚合模型， N为所有 客户端的个数， 不同客户端采用不同的聚合权 重， 所述聚合权 重的设计过程 为： 首先根据 所有客户端数据集大小设置每个客户端的初始聚合权重， 并对初始聚合权重 等比缩放,设缩放后初始权 重的和记为 W； 中心方获取 所有客户端的模型参数； 中心方利用缩放后的初始权重计算每个客户端的模型参数， 每次计算指定客户端的模 型参数时， 需要将指 定客户端缩放后的初始权重+(1 ‑W)作为当前指 定客户端的权重参与计 算； S5、 将得到的聚合模型在本地数据集中进行微调得到训练好的mobi leNetV2检测模型； S6、 将手静脉图像输入至训练好的mobi leNetV2检测模型提取 特征向量； S7、 将提取的特征向量与预设数据库中的已注册人员的静脉特征向量计算相似度， 若 相似度大于预设阈值则判定当前手静脉图像属于已注 册人员， 识别成功。 2.根据权利要求1所述的一种基于联邦学习的指静脉与掌静脉识别方法， 其特征在于， 所述获取手静脉图像包括： 采用红外摄像装置分别获取原始手指静脉灰度图、 原始手掌静 脉灰度图。 3.根据权利要求1所述的一种基于联邦学习的指静脉与掌静脉识别方法， 其特征在于， 在对mobilenetV2检测模型进行联邦学习训练中， 将mobilenetV2 检测模型的卷积部分与全 连接层部分分割开， 在训练过程中， 将公开数据集分隔为N个数据集， 将N个数据集作为N个 客户端， 所述客户端用于模拟现实场景中含有不同指静脉与掌静脉数据集的机构， 每一个 客户端在接收中心方下发的训练模型之后， 仅使用客户端对应的数据集对训练模型进 行迭 代更新。 4.根据权利要求3所述的一种基于联邦学习的指静脉与掌静脉识别方法， 其特征在于， 使用客户端对应的数据集对训练模型训练了2～3个epoch后， 将训练模型的卷积部分的模 型参数传输给中心方。 5.根据权利要求1所述的一种基于联邦学习的指静脉与掌静脉识别方法， 其特征在于， 将手静脉图像输入至训练后的mobileNetV2检测 模型， 在全连接层中获取静脉对应的特征 向量。 6.根据权利要求1所述的一种基于联邦学习的指静脉与掌静脉识别方法， 其特征在于， 计算相似度采用欧氏距离进行计算。 7.一种基于联邦学习的指静脉与掌静脉识别系统， 其特征在于， 该系统包括： 存储器、 处理器， 所述存储器中包括一种基于联邦学习的指静脉与掌静脉识别方法程序， 所述一种 基于联邦学习的指静脉与掌静脉识别方法程序被所述处 理器执行时实现如下步骤：权　利　要　求　书 1/2 页 2 CN 114863499 B 3