基于深度学习的非接触式掌静脉识别技术研究

发布时间：2021-05-17 06:53

　　随着当今经济和信息技术的快速发展,如何有效地提升公民身份信息安全显得尤其重要。掌静脉识别技术是一种安全性高、防伪性高的生物特征识别技术,在未来将会有广阔的应用空间。然而,目前的掌静脉识别算法大都基于人工设计的特征进行识别,这些特征的鲁棒性不高,对图像质量以及手掌姿态等较为敏感;而且,目前掌静脉识别的研究普遍基于接触式设备采集的图像进行,对非接触式掌静脉识别的研究较少。非接触方式采集的掌静脉图像往往具有较大的形变,如手掌弯曲、手掌倾斜或者手掌过度伸展等,而且光照也不够均匀,因此具有更高的识别难度。但与接触式相比,非接触式的采集方式具有更好的用户体验,其应用前景更加广阔。针对上述问题,本文采用了深度学习方法,对非接触式掌静脉识别过程中的手掌关键点定位问题和掌静脉图像的特征提取问题进行研究,取得了较好的提升效果。本文的主要研究内容如下:1)针对传统算法难以对非接触式手掌图像的关键点进行准确定位的问题,本文提出采用深度学习的方法进行手掌关键点定位,设计了两级卷积神经网络级联来定位手掌关键点;并且为了提高手掌关键点定位的精确度,对MSE损失函数进行改进,提出了Modified MSE Loss进... 

【文章来源】：广东工业大学广东省

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 静脉识别的国内外研究现状及难点
        1.2.1 手指和手背静脉识别的研究现状
        1.2.2 手掌静脉识别研究现状
        1.2.3 非接触式掌静脉识别的研究难点
    1.3 本文创新点
    1.4 论文的结构安排及主要研究工作
第二章 掌静脉图像的获取及预处理
    2.1 手掌静脉图像采集
    2.2 掌静脉数据库介绍
    2.3 掌静脉图像ROI选取
        2.3.1 手掌关键点选择
        2.3.2 图像旋转校正
        2.3.3 掌静脉ROI选取及尺度归一化
    2.4 掌静脉图像增强
        2.4.1 直方图均衡
        2.4.2 CLAHE(对比度限制自适应直方图均衡)
    2.5 掌静脉图像去噪
        2.5.1 均值滤波
        2.5.2 中值滤波
    2.6 本章小结
第三章 手掌关键点定位网络
    3.1 手掌关键点定位网络设计
        3.1.1 粗略定位网络
        3.1.2 精确定位网络
    3.2 关键点回归损失函数设计
    3.3 实验数据准备及结果分析
        3.3.1 手掌图像数据集扩增
        3.3.2 实验结果分析
    3.4 本章小结
第四章 基于卷积神经网络的掌静脉特征提取模型
    4.1 深层掌静脉特征提取网络
        4.1.1 特征提取网络的输入输出维度设定
        4.1.2 深层卷积神经网络结构介绍
        4.1.3 深层掌静脉特征提取网络设计
    4.2 轻量级掌静脉特征提取网络
        4.2.1 轻量级神经网络结构介绍
        4.2.2 轻量级掌静脉特征提取网络设计
    4.3 损失函数设计
        4.3.1 Softmax Loss
        4.3.2 Center Loss
        4.3.3 L-softmax Loss和 A-softmax Loss
        4.3.4 Additive Angular Margin Loss
    4.4 特征向量的相似性度量方法
    4.5 模型压缩
    4.6 本章小结
第五章 实验结果及分析
    5.1 实验数据准备
        5.1.1 掌静脉数据扩增
        5.1.2 实验数据准备
    5.2 实验性能指标
        5.2.1 类内比对和类间比对
        5.2.2 误识率、拒识率和等误率
    5.3 实验设置及模型训练参数设置
    5.4 实验结果分析
        5.4.1 不同特征向量维度的性能对比
        5.4.2 不同网络结构的性能对比
        5.4.3 改进Residual Block对算法精度的提升
        5.4.4 不同损失函数的性能对比
        5.4.5 与其他算法性能对比
        5.4.6 模型压缩及网络时间测试
    5.5 本章小结
总结与展望
参考文献
致谢



本文编号：3191308