基于神经网络的掌静脉特征识别

发布时间：2023-04-25 19:19

　　数据被誉为“21世纪的石油和钻石矿”,数据的安全是网络空间安全的核心。而生物特征识别技术是有效保护数据安全的第一道关卡。人类的掌静脉信息具有其他生物特征不具备的活体性,从而得到各国政府和研究机构的高度重视。基于神经网络的机器学习和深度学习技术在模式识别领域取得了巨大的成功,也为研究如何提升现有掌静脉特征识别技术的性能提供了方式方法。为了能够在性能一般的办公计算机上使用神经网络进行掌静脉识别、加速掌静脉识别技术的普及和推广,本文以香港理工大学的手掌NIR图像库为实验数据,借助神经网络和机器学习技术,以神经网络结构为基础对掌静脉的特征提取和识别方法进行了研究。为了保证能够提取到更多掌静脉细节特征信息,提高识别的准确度,本论文在人脑视觉信息处理模型HMAX模型的基础上结合纹理增强算法和像素层融合算法提出了一种新的掌静脉特征提取算法,该算法的结构是一种类似于神经网络的层次结构。经过一系列的实验测试后,得出该特征提取算法比使用LBP和PCA提取掌静脉特征的识别准确度要高出三个百分点以上,能够达到96.83%。由于卷积神经网络能够提取出更加本质的掌静脉特征,同时会省掉部分预处理的过程,为进一步研究...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
        1.1.1 研究背景
        1.1.2 研究目的及意义
    1.2 国内外研究现状
        1.2.1 静脉特征识别技术的国内外研究现状
        1.2.2 掌静脉特征识别技术的国内外研究现状
    1.3 本文重难点
    1.4 本文的组织结构
第2章 掌静脉图像获取与预处理
    2.1 掌静脉生理特征
    2.2 掌静脉图像的采集方法与装置
    2.3 掌静脉图像识别过程与装置
        2.3.1 掌静脉图像识别过程
        2.3.2 掌静脉图像的识别装置
    2.4 掌静脉图像ROI提取和降噪
        2.4.1 ROI区域提取
        2.4.2 掌静脉ROI区域的降噪
    2.5 本章小结
第3章 掌静脉ROI图像特征提取
    3.1 现有特征提取方法存在的不足
    3.2 人脑的图像信息处理机制
    3.3 类脑图像识别模型的数学原理与结构
        3.3.1 HMAX模型
        3.3.2 人工神经网络
    3.4 基于浅层神经网络的掌静脉特征提取算法设计
        3.4.1 掌静脉特征提取流程
        3.4.2 掌静脉特征提取网络各层设计
    3.5 本章小结
第4章 基于卷积神经网络的掌静脉特征识别
    4.1 卷积神经网络
        4.1.1 卷积神经网络的生物机理
        4.1.2 卷积神经网络的基本结构
    4.2 基于卷积神经网络的掌静脉特征识别算法设计
        4.2.1 经典的卷积神经网络模型
        4.2.2 改进的网络结构
    4.3 本章小结
第5章 掌静脉特征处理算法性能分析
    5.1 掌静脉特征提取算法的性能测试与结果分析
        5.1.1 实验数据及实验环境
        5.1.2 性能评价指标
        5.1.3 测试内容及结果分析
    5.2 基于卷积神经网络的掌静脉识别算法性能测试与结果分析
        5.2.1 实验数据与实验环境
        5.2.2 测试内容与结果分析
    5.3 本章小结
结论
参考文献
致谢
攻读硕士学位期间的学术论文
攻读硕士学位期间取得的科研成果



本文编号：3800898