基于FPGA和卷积神经网络的指静脉识别算法研究

发布时间：2021-01-27 14:08

　　个人身份认证技术正在随着社会进步日益受到重视,尤其在安全和消费领域。传统的身份识别方法已经不能满足现代社会对信息安全的需求。生物特征识别技术越来越受到社会的重视,其中十分重要的手指静脉识别技术相比其他生物特征识别技术,具有成本低、采集装置小、非接触式采集和用户友好性等特点。本文首先分析了生物识别、图像预处理、卷积神经网络和FPGA加速计算优化等方面的基础理论知识,然后对FPGA对卷积神经网络加速计算优化、图像预处理以及手指静脉识别系统三个部分进行研究分析,并对整个手指静脉识别系统的流程做了详细的介绍。论文的主要工作和研究成果归纳如下:（1）FPGA对卷积神经网络加速计算的优化研究:针对卷积神经网络,将不同的优化对象分别划分到处理器系统与可编程逻辑上,对其优化方法进行研究。在处理器系统上实现基于流水线结构的层间模块复用,并建立对应的冲突处理机制来解决复用造成的信号冲突;在可编程逻辑上将之前方法中的分割参数作为参数,利用HLS工具设计不同的层加速器。最后采用动态定点运算来代替浮点运算,降低存储需求以及存储传输所消耗的资源,同时满足不同网络层的精度需求。（2）手指静脉图像的预处理:主要包括手... 

【文章来源】：浙江工业大学浙江省

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号说明
第一章 绪论
    1.1 研究背景及意义
    1.2 研究目的
        1.2.1 生物识别技术研究现状
        1.2.2 手指静脉识别技术研究现状
        1.2.3 基于FPGA的卷积神经网络研究现状
    1.3 论文的组织结构
        1.3.1 主要研究内容
        1.3.2 本文的结构安排
第二章 相关原理及技术介绍
    2.1 手指静脉的采集
        2.1.1 手指静脉的成像原理
        2.1.2 手指静脉的获取方法
        2.1.3 实验室自制的手指静脉采集装置
    2.2 手指静脉的识别方法
        2.2.1 特征提取方法
        2.2.2 匹配识别方法
    2.3 传统网络及轻量级网络
        2.3.1 卷积神经网络的结构
        2.3.2 传统卷积神经网络
        2.3.3 轻量级卷积神经网络
    2.4 FPGA开发方法
        2.4.1 基于HDL的设计流程
        2.4.2 基于HLS的设计流程
        2.4.3 HLS优化方法
    2.5 本章小结
第三章 基于改进动态配置的FPGA卷积神经网络的优化方法
    3.1 系统总体框架
    3.2 基于流水线结构的层间模块复用
        3.2.1 流水线结构设计
        3.2.2 层间模块复用冲突
    3.3 基于循环切割和重排的动态优化
        3.3.1 数据共享关系
        3.3.2 循环切割和重排
    3.4 动态定点数据量化
    3.5 实验分析及对比
        3.5.1 优化分析
        3.5.2 数据量化分析
        3.5.3 性能验证及比较
    3.6 本章小结
第四章 基于卷积神经网络的手指静脉图像识别
    4.1 手指静脉图像数据库
    4.2 感兴趣区域截取
    4.3 手指静脉图像的归一化处理
        4.3.1 尺寸归一化
        4.3.2 灰度归一化
    4.4 数据扩增
    4.5 实验结果
    4.6 本章小结
第五章 基于FPGA和卷积神经网络的手指静脉识别系统
    5.1 系统硬件框图
    5.2 系统软件流程
    5.3 系统平台搭建
        5.3.1 启动文件
        5.3.2 文件系统
    5.4 性能及精度对比分析
    5.5 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
作者简介
    1 作者简历
    2 攻读硕士学位期间已录用的学术论文
    3 参与的科研项目及获奖情况
    4 发明专利
学位论文数据集


【参考文献】：
期刊论文
[1]基于灰度变化方向的指静脉特征检测算法[J]. 熊显名,唐绮雯,张文涛.  现代电子技术. 2019(03)
[2]利用参数稀疏性的卷积神经网络计算优化及其FPGA加速器设计[J]. 刘勤让,刘崇阳.  电子与信息学报. 2018(06)
[3]基于卷积神经网络的目标跟踪算法综述[J]. 胡硕,赵银妹,孙翔.  高技术通讯. 2018(03)
[4]面向边缘计算的嵌入式FPGA卷积神经网络构建方法[J]. 卢冶,陈瑶,李涛,蔡瑞初,宫晓利.  计算机研究与发展. 2018(03)
[5]基于最佳局部差值编码位的手指静脉识别[J]. 袭肖明,尹义龙,张梦羽,杨璐,孟宪静,杜亨方.  模式识别与人工智能. 2017(09)
[6]基于分块LBP和分块PCA的指静脉识别方法[J]. 杨文文,毛建旭,陈姜嘉旭.  电子测量与仪器学报. 2016(07)
[7]基于小波灰度曲面的近红外手指静脉识别方法[J]. 徐天扬,惠晓威,林森.  激光与光电子学进展. 2016(04)
[8]用于手背静脉注射的图像自动识别与标注[J]. 张珣,郭永洪,李刚,何金龙.  红外技术. 2015(09)
[9]高质量手掌静脉图像获取及ROI提取的研究[J]. 陈朋,蓝晓柯,金峰,史金专.  传感技术学报. 2015(07)
[10]步态识别关键技术研究[J]. 卢官明,衣美佳.  计算机技术与发展. 2015(07)

博士论文
[1]基于手指多模态生物特征的身份认证关键问题研究[D]. 彭加亮.哈尔滨工业大学 2014

硕士论文
[1]基于HLS的Tiny-yolo卷积神经网络加速研究[D]. 张丽丽.重庆大学 2017
[2]手指多模态特征识别算法研究[D]. 姜立.浙江工业大学 2017
[3]基于异构计算的CNN并行框架的设计与实现[D]. 彭玉炳.电子科技大学 2016
[4]基于卷积神经网络的遥感图像分类方法研究[D]. 赵爽.中国地质大学(北京) 2015



本文编号：3003183