基于深度卷积神经网络的掌纹识别方法

发布时间：2020-03-27 11:18

【摘要】：掌纹识别成为近年来生物识别技术的热潮,掌纹纹理具有稳定性,且掌纹的纹理信息丰富、分类性强,采集方式比较容易。因此,研究掌纹识别技术有了重要的价值与意义。传统掌纹识别方法是通过计算法来进行特征提取,然后对特征进行分类,特征提取时消耗的时间多,计算的过程中的误差导致识别率不高。为了简单有效地识别掌纹,避免掌纹特征提取与识别的缺点,结合卷积神经网络(CNN)的特点,本文提出了一种基于现有神经网络下的直接在掌纹原图像上进行特征提取的掌纹识别算法。这种方法选取现有的卷积神经网络,对掌纹的特征进行提取,通过修改网络提升训练速度及识别率。本文选取现有的掌纹数据库,分别对三个卷积神经网络进行修改训练。主要研究工作如下:1)、ConvNet-1网络,是对标准的MobileNet网络进行修改:略过平均池化层(7×7),最后一层卷积层直接与全连接层连接。2)、ConvNet-2网络,对标准的DenseNet网络进行修改:省略了平均池化层(7×7)。3)、ConvNet-3网络,对标准的ReseNet网络结构进行以下修改:最后一层卷积层之后直接与全连接层连接,即省略了平均池化层(1×1)。文中三个卷积神经网络模型的建立对掌纹库进行识别,结合1)、2)及3)中提出的修改可以进行有效的掌纹识别。其中三种网络的识别率分别为:99.94%、99.98%、99.83%。对本文所获取的结果进行分析对比,对其他使用本文掌纹数据集实现的典型代表性的掌纹识别算法进行对比,并把近五年来研究的典型代表性的传统算法实现掌纹识别率最高的算法与本文中掌纹识别最高的方法进行比对。同时,与现有的基于卷积神经网络下的掌纹识别比对,本文的方法,训练速度快,训练的时间减少,识别率提高。
【图文】：

神经元模型,神经元

以使网络的训练更容易一些。逡逑２．１．１神经元逡逑神经元是最基本的单元结构，，如图２．１所示：逡逑Ｘ，：逡逑Ｘ；邋？邋ｗ，逦ｂ＇逡逑？逦—＿——逡逑ｘ逡逑ｎ逡逑图２．１神经元模型逡逑其中：Ｘ，表示输入信号；表示输入信号与神经元连接的权重值；／）表逡逑示偏置值：％为神经元的输出。输出与输入之间的关系为：逡逑ｙ；邋＝邋／Ｋ？Ｚ（ｘ－＊ＷＪ）逡逑／0表示激活函数，表达式如下：逡逑崩（２－２）逡逑１邋＋邋ｒ逡逑５逡逑

多层感知器,隐含层,反向传播算法,隐藏层

逦隐藏层〖逦隐藏层２逡逑图２．２多层感知器（有两个隐含层）逡逑图２．２中箭头的连接是信号传输的方向和神经元，神经元是通过权值连接。逡逑隐含层和输出层中的神经元的输入是输出值的加权和。其表达式为：逡逑（２＿３）逡逑／＝１逡逑＝ｆｋ．）逦（２－４）逡逑其中：Ｖ表示／层ｍ个神经元的输入；逡逑ｍ逡逑ｙ表示神经元输出值；逡逑ｍ逡逑Ｖ表示偏置：逡逑ｍ逡逑表示神经元的权值。逡逑２．１．３反向传播算法逡逑反向传播算法是目前常用于训练人工神经网络的有效算法，主要思想是：逡逑（１）
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183

【参考文献】