基于深度学习的指静脉识别研究
发布时间：2021-06-14 03:24
随着信息技术和大数据技术不断地融入到我们的生活,生物识别技术也获得了蓬勃的发展。为了保护公民的个人隐私和信息安全,越来越多的生物识别技术出现在我们的视野中。指静脉识别技术,一种较为新颖的生物识别技术,因其重复率极低、难以伪造、性状稳定以及需要活体检测等特性脱颖而出,取得了长足的进步。指静脉识别技术一般使用红外摄像头,依据手指血液吸收红外光的原理,形成手指静脉图像,并以此为特征进行身份验证。为了解决传统指静脉识别算法通常容易受设备成像质量、手指形态改变或者光照条件的影响的问题,本文针对基于深度学习的指静脉识别算法做了研究,主要的工作和贡献如下所示:第一,提出了一个使用预训练网络微调的指静脉感兴趣区域提取网络,以解决传统感兴趣区域提取方法鲁棒性、迁移性过差的问题。同时,通过分析对指静脉图像识别精度影响最大的因素,针对性的通过数据扩增扩大训练样本数据集的规模并提高模型的鲁棒性。第二,将本文提出的指静脉感兴趣区域选举网络作为区域选举网络,构建了一个指静脉特征提取卷积神经网络（FVR-CNN）。并为了适应指静脉识别这一零样本学习任务,使用度量学习的方法学习指静脉图像语义,同时提出了自适应感兴趣区...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图１－３手指静脉采集方式图示及典型的指静脉图像【５１??图１－３?Ｕ）是光透射式采集设备
自适??应感兴趣区域损失函数与其他损失函数进行了一系列比对，并做了有效性验证；对本文改??进的难样本挖掘策略、指静脉特征提取网络的分类分支做了有效性验证；与其他现有方法，??既包括传统方法，也包括较新的深度学习方法，做了对比。第二大类实验为对轻量特征提??取网络所做的实验。这其中包括对第四章所提出的卷积结构改进方法所做的实验；对模型??剪枝方法做的对比实验；对模型量化方法做的对比实验。同时，对以上实验结果做了分析。??最后一部分是对全部工作所做的总结，同时展望了未来的研究方向。??图１－５展示了本文所提出的指静脉特征提取网络的流程图。??特征图????推理结果??＾Ｉ議?１?１１?推??输入图像?，?８＿?裔理??＾?＼ＫＫ］?＿＿＿ｓＪｊ！＿??＾—？图細－化—＊区域选举网络—Ｈ坐躺量延侧络??｜训??－语义向墨：＾??损失函数＾???图像分类??图１－５指静脉特征提取网络流程图??８??
区域提取网络??感兴取区域的提取是指静脉识别系统中极为关键的环节，提取优秀稳定的感兴趣区域??对于后续指静脉识别系统的精度有着至关重要的影响。在传统的指静脉图像感兴趣区域提??取方法中，最为普遍的流程是先对手指静脉图像进行边缘检测，获得手指边缘，然后根据??手指边缘进行角度校正。得到水平的手指之后将手指内的像素值逐行叠加，寻找到亮度最??高的列作为手指关节处。最后，根据手指边缘的长度、宽度和手指关节的位置确定一个矩??形窗口作为最终的感兴趣区域。传统的指静脉感兴趣区域提取算法的流程如图２－１所示。??这些传统方法往往对于某一数据集具有不错的效果，但这些传统方法的鲁棒性和迁移性都??不如人意，无法适应多数据集联合训练。近年来，卷积神经网络在关键点回归领域获得了??越来越广泛的应用，其表现也被越来越多的图像处理任务证明。由于卷积神经网络的定位??精度高、鲁棒性好的特性，本文引入卷积神经网络进行指静脉感兴趣区域提取，提出了两??种思路的网络，通过实验最终确定使用回归边界框的方法，有效地提升了所提取的感兴趣??区域的鲁棒性和精度。??获取图像一边缘提泉区域确定—目标区域??是??角度校正???图２－１传统指静脉感兴趣区域提取算法流程图??２．１指静脉感兴趣区域提取网络设计??使用卷积神经网络提取感兴趣区域有两种思路：一种是使用边界框选定感兴趣区域的??范围，并通过卷积神经网络以回归的方式预测边界框的位置；另一种是将感兴趣区域的边??界点视为关键点，通过卷积神经网络预测图上各点是关键点的概率。本节将介绍两种思路??的网络设计。由于指静脉公开数据集的规模孝数量少，本文除了使用数据增强外还采用??对预训练模型进行微调的方
【参考文献】：
期刊论文
[1]基于扩展卷积神经网络与度量学习的指静脉识别[J]. 包晓安,涂小妹,徐璐,张娜,吴彪. 浙江理工大学学报(自然科学版). 2020(02)
[2]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
硕士论文
[1]基于深度学习的足球场关键点检测[D]. 郭冲.北京邮电大学 2019
[2]基于深度学习的手指静脉特征提取与防伪检测算法研究[D]. 刘霞.重庆工商大学 2019
[3]深度学习的手指静脉识别技术研究[D]. 熊递恩.重庆理工大学 2019
[4]基于深度学习的指静脉识别算法研究[D]. 唐溯.华南理工大学 2018
[5]基于卷积神经网络的手指静脉认证算法研究[D]. 胡慧.华南理工大学 2018
本文编号：3228964
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图１－３手指静脉采集方式图示及典型的指静脉图像【５１??图１－３?Ｕ）是光透射式采集设备
自适??应感兴趣区域损失函数与其他损失函数进行了一系列比对，并做了有效性验证；对本文改??进的难样本挖掘策略、指静脉特征提取网络的分类分支做了有效性验证；与其他现有方法，??既包括传统方法，也包括较新的深度学习方法，做了对比。第二大类实验为对轻量特征提??取网络所做的实验。这其中包括对第四章所提出的卷积结构改进方法所做的实验；对模型??剪枝方法做的对比实验；对模型量化方法做的对比实验。同时，对以上实验结果做了分析。??最后一部分是对全部工作所做的总结，同时展望了未来的研究方向。??图１－５展示了本文所提出的指静脉特征提取网络的流程图。??特征图????推理结果??＾Ｉ議?１?１１?推??输入图像?，?８＿?裔理??＾?＼ＫＫ］?＿＿＿ｓＪｊ！＿??＾—？图細－化—＊区域选举网络—Ｈ坐躺量延侧络??｜训??－语义向墨：＾??损失函数＾???图像分类??图１－５指静脉特征提取网络流程图??８??
区域提取网络??感兴取区域的提取是指静脉识别系统中极为关键的环节，提取优秀稳定的感兴趣区域??对于后续指静脉识别系统的精度有着至关重要的影响。在传统的指静脉图像感兴趣区域提??取方法中，最为普遍的流程是先对手指静脉图像进行边缘检测，获得手指边缘，然后根据??手指边缘进行角度校正。得到水平的手指之后将手指内的像素值逐行叠加，寻找到亮度最??高的列作为手指关节处。最后，根据手指边缘的长度、宽度和手指关节的位置确定一个矩??形窗口作为最终的感兴趣区域。传统的指静脉感兴趣区域提取算法的流程如图２－１所示。??这些传统方法往往对于某一数据集具有不错的效果，但这些传统方法的鲁棒性和迁移性都??不如人意，无法适应多数据集联合训练。近年来，卷积神经网络在关键点回归领域获得了??越来越广泛的应用，其表现也被越来越多的图像处理任务证明。由于卷积神经网络的定位??精度高、鲁棒性好的特性，本文引入卷积神经网络进行指静脉感兴趣区域提取，提出了两??种思路的网络，通过实验最终确定使用回归边界框的方法，有效地提升了所提取的感兴趣??区域的鲁棒性和精度。??获取图像一边缘提泉区域确定—目标区域??是??角度校正???图２－１传统指静脉感兴趣区域提取算法流程图??２．１指静脉感兴趣区域提取网络设计??使用卷积神经网络提取感兴趣区域有两种思路：一种是使用边界框选定感兴趣区域的??范围，并通过卷积神经网络以回归的方式预测边界框的位置；另一种是将感兴趣区域的边??界点视为关键点，通过卷积神经网络预测图上各点是关键点的概率。本节将介绍两种思路??的网络设计。由于指静脉公开数据集的规模孝数量少，本文除了使用数据增强外还采用??对预训练模型进行微调的方
【参考文献】：
期刊论文
[1]基于扩展卷积神经网络与度量学习的指静脉识别[J]. 包晓安,涂小妹,徐璐,张娜,吴彪. 浙江理工大学学报(自然科学版). 2020(02)
[2]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
硕士论文
[1]基于深度学习的足球场关键点检测[D]. 郭冲.北京邮电大学 2019
[2]基于深度学习的手指静脉特征提取与防伪检测算法研究[D]. 刘霞.重庆工商大学 2019
[3]深度学习的手指静脉识别技术研究[D]. 熊递恩.重庆理工大学 2019
[4]基于深度学习的指静脉识别算法研究[D]. 唐溯.华南理工大学 2018
[5]基于卷积神经网络的手指静脉认证算法研究[D]. 胡慧.华南理工大学 2018
本文编号：3228964
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3228964.html
