面向指静脉识别系统的ROI提取算法研究
发布时间:2021-07-22 15:55
随着信息科学技术的高速发展,如何方便可靠的进行身份识别,保护自身信息安全成为当前社会急需解决的重要问题。指静脉识别技术,因其安全等级高、活体识别、内部特征等独特优势,吸引了越来越多生物识别研究者的兴趣。指静脉识别系统主要包含图像采集、预处理、特征提取、识别匹配四个阶段,在预处理环节,准确提取手指静脉图像的感兴趣区域(Region Of Interset,ROI)至关重要,直接影响特征提取、识别匹配的效果。在指静脉识别系统中提取指静脉图像的ROI较为经典的做法是通过Sobel、Canny等边缘检测算法得到手指的轮廓,再基于轮廓来切割出感兴趣区域,但Sobel、Canny边缘检测算法对噪声敏感,而指静脉图像中又包含很多设备背景噪声以及其它随机噪声,因此边缘检测的效果不够理想。为了能够鲁棒准确地提取出指静脉图像的感兴趣区域,本文做了如下工作:(1)本文提出了一种基于模板边缘检测的指静脉图像的感兴趣区域提取方法,它是利用模板边缘检测获取手指的粗糙边界,对于粗糙边界中存在错误的手指边界利用全连接神经网络对其拟合修复。该方法可以准确提取出低质量指静脉图像的手指边缘信息,进而切割出感兴趣区域。通过对...
【文章来源】:南京邮电大学江苏省
【文章页数】:72 页
【学位级别】:硕士
【部分图文】:
卷积神经网络与全卷积神经网络(2)Mask-RCNN
南京邮电大学专业学位硕士研究生学位论文第二章指静脉识别ROI提取相关研究16用全卷积网络对肝脏CT影像进行分割,中国科学技术大学左童春等人利用FCN提取遥感图像中的建筑物[29],文献[30]结合超像素和U型全卷积网络对胰腺CT图像进行了分割。图2.4卷积神经网络与全卷积神经网络(2)Mask-RCNNMask-RCNN是由区域神经网络[31](R-CNN)不断发展而来的,2013年,何凯明等人提出R-CNN(Region-basedConvolutionNeuralNetworks),它首次将卷积神经网络应用在目标检测中。R-CNN首先对输入的图片进行选择性搜索[46](SelectiveSearch,SS),产生大约2000个候选区域[34],将每一个候选区域归一化成相同的尺寸,然后利用CNN对每一个候选区域进行特征提取,使用SVM分类器对这些特征进行分类以及利用线性回归模型来对物体的位置进行回归,R-CNN框架如图2.5所示。R-CNN确实可以对图像中的物体进行分类以及给出边界框,但也存在很多缺点:①用于产生候选区域的选择性搜索算法复杂度极高,非常耗时;②卷积神经网络对所有候选区域都进行特征提取操作,其中存在较多的冗余计算。通过不断优化改良,相继提出了Fast-RCNN[32],Faster-RCNN[33]等目标检测框架,Mask-RCNN在Faster-RCNN基础之上增加了掩码分支,实现像素级别的分类,在图像分割领域应用广泛。文献[34]利用Mask-RCNN对口腔图片中的唇疱疹和溃疡疮进行检测与分割,文献[35]将Mask-RCNN应用到商店中自助机器人,对商店中的物品进行检测与分类,文献[36]利用Mask-RCNN来检测遥感图像中停靠在码头的船只进行检测。图2.5区域建议网络
南京邮电大学专业学位硕士研究生学位论文第三章深度学习相关理论及技术22导数可知L1损失函数对异常值较为鲁棒。1S()Lxx(3.6)"11(0)()1(0)LxSxx(3.7)3.L2损失函数L2损失函数也就做最小化平方误差(LeastSquareError,LSE),它是将标签值与预测值的差值的平方的总和最小化,其数学表达式为式(3.8),导数形式为式(3.9)。22()()LSxx(3.8)"2()2LSxx(3.9)4.SmoothL1损失函数SmoothL1损失函数结合了L1和L2损失函数各自的优点,即L1loss对噪声的鲁棒、L2loss收敛更快,并且规避掉L2loss的缺点,即预测值与标签值相差很大时可能出现梯度爆炸的情况。SmoothL1损失函数的数学表现形式如式(3.10),其导数形式为式(3.11),图3.8展示了三种损失函数图像。210.510.5()SmoothLxxSxotherwise(3.10)"1(1)()1()SmoothLxxSxotherwise(3.11)图3.8损失函数示意图(4)残差网络(Residualnetwork)从卷积神经网络的开山鼻祖LeNet,到2012年在ImageNet竞赛中夺得冠军的AlextNet,
【参考文献】:
期刊论文
[1]结合超像素和U型全卷积网络的胰腺分割方法[J]. 曹正文,乔念祖,卜起荣,冯筠. 计算机辅助设计与图形学学报. 2019(10)
[2]一种基于FCN的车道线检测算法[J]. 洪名佳,汪慧兰,黄娜君,戴舒. 无线电通信技术. 2018(06)
[3]基于全卷积神经网络的肝脏CT影像分割研究[J]. 郭树旭,马树志,李晶,张惠茅,孙长建,金兰依,刘晓鸣,刘奇楠,李雪妍. 计算机工程与应用. 2017(18)
[4]手指静脉图像鲁棒边缘检测算法[J]. 王明文,唐东明,于耀程,杨淏. 计算机应用研究. 2018(01)
[5]使用改进的方向滤波与修正的Hausdorff距离的指静脉识别方法[J]. 王科俊,马慧. 计算机辅助设计与图形学学报. 2011(03)
硕士论文
[1]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[2]基于SIFT特征提取的静脉身份认证技术研究[D]. 魏坦.北京邮电大学 2019
[3]基于高分辨率可见光遥感图像的建筑物提取技术研究[D]. 左童春.中国科学技术大学 2017
[4]手指静脉识别关键问题研究[D]. 刘菲.山东大学 2015
本文编号:3297447
【文章来源】:南京邮电大学江苏省
【文章页数】:72 页
【学位级别】:硕士
【部分图文】:
卷积神经网络与全卷积神经网络(2)Mask-RCNN
南京邮电大学专业学位硕士研究生学位论文第二章指静脉识别ROI提取相关研究16用全卷积网络对肝脏CT影像进行分割,中国科学技术大学左童春等人利用FCN提取遥感图像中的建筑物[29],文献[30]结合超像素和U型全卷积网络对胰腺CT图像进行了分割。图2.4卷积神经网络与全卷积神经网络(2)Mask-RCNNMask-RCNN是由区域神经网络[31](R-CNN)不断发展而来的,2013年,何凯明等人提出R-CNN(Region-basedConvolutionNeuralNetworks),它首次将卷积神经网络应用在目标检测中。R-CNN首先对输入的图片进行选择性搜索[46](SelectiveSearch,SS),产生大约2000个候选区域[34],将每一个候选区域归一化成相同的尺寸,然后利用CNN对每一个候选区域进行特征提取,使用SVM分类器对这些特征进行分类以及利用线性回归模型来对物体的位置进行回归,R-CNN框架如图2.5所示。R-CNN确实可以对图像中的物体进行分类以及给出边界框,但也存在很多缺点:①用于产生候选区域的选择性搜索算法复杂度极高,非常耗时;②卷积神经网络对所有候选区域都进行特征提取操作,其中存在较多的冗余计算。通过不断优化改良,相继提出了Fast-RCNN[32],Faster-RCNN[33]等目标检测框架,Mask-RCNN在Faster-RCNN基础之上增加了掩码分支,实现像素级别的分类,在图像分割领域应用广泛。文献[34]利用Mask-RCNN对口腔图片中的唇疱疹和溃疡疮进行检测与分割,文献[35]将Mask-RCNN应用到商店中自助机器人,对商店中的物品进行检测与分类,文献[36]利用Mask-RCNN来检测遥感图像中停靠在码头的船只进行检测。图2.5区域建议网络
南京邮电大学专业学位硕士研究生学位论文第三章深度学习相关理论及技术22导数可知L1损失函数对异常值较为鲁棒。1S()Lxx(3.6)"11(0)()1(0)LxSxx(3.7)3.L2损失函数L2损失函数也就做最小化平方误差(LeastSquareError,LSE),它是将标签值与预测值的差值的平方的总和最小化,其数学表达式为式(3.8),导数形式为式(3.9)。22()()LSxx(3.8)"2()2LSxx(3.9)4.SmoothL1损失函数SmoothL1损失函数结合了L1和L2损失函数各自的优点,即L1loss对噪声的鲁棒、L2loss收敛更快,并且规避掉L2loss的缺点,即预测值与标签值相差很大时可能出现梯度爆炸的情况。SmoothL1损失函数的数学表现形式如式(3.10),其导数形式为式(3.11),图3.8展示了三种损失函数图像。210.510.5()SmoothLxxSxotherwise(3.10)"1(1)()1()SmoothLxxSxotherwise(3.11)图3.8损失函数示意图(4)残差网络(Residualnetwork)从卷积神经网络的开山鼻祖LeNet,到2012年在ImageNet竞赛中夺得冠军的AlextNet,
【参考文献】:
期刊论文
[1]结合超像素和U型全卷积网络的胰腺分割方法[J]. 曹正文,乔念祖,卜起荣,冯筠. 计算机辅助设计与图形学学报. 2019(10)
[2]一种基于FCN的车道线检测算法[J]. 洪名佳,汪慧兰,黄娜君,戴舒. 无线电通信技术. 2018(06)
[3]基于全卷积神经网络的肝脏CT影像分割研究[J]. 郭树旭,马树志,李晶,张惠茅,孙长建,金兰依,刘晓鸣,刘奇楠,李雪妍. 计算机工程与应用. 2017(18)
[4]手指静脉图像鲁棒边缘检测算法[J]. 王明文,唐东明,于耀程,杨淏. 计算机应用研究. 2018(01)
[5]使用改进的方向滤波与修正的Hausdorff距离的指静脉识别方法[J]. 王科俊,马慧. 计算机辅助设计与图形学学报. 2011(03)
硕士论文
[1]基于深度学习的船只光学遥感图像检测和分割[D]. 冯冬青.电子科技大学 2019
[2]基于SIFT特征提取的静脉身份认证技术研究[D]. 魏坦.北京邮电大学 2019
[3]基于高分辨率可见光遥感图像的建筑物提取技术研究[D]. 左童春.中国科学技术大学 2017
[4]手指静脉识别关键问题研究[D]. 刘菲.山东大学 2015
本文编号:3297447
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3297447.html
最近更新
教材专著