隨著當(dāng)今經(jīng)濟和信息技術(shù)的快速發(fā)展,如何有效地提升公民身份信息安全顯得尤其重要。掌靜脈識別技術(shù)是一種安全性高、防偽性高的生物特征識別技術(shù),在未來將會有廣闊的應(yīng)用空間。然而,目前的掌靜脈識別算法大都基于人工設(shè)計的特征進行識別,這些特征的魯棒性不高,對圖像質(zhì)量以及手掌姿態(tài)等較為敏感;而且,目前掌靜脈識別的研究普遍基于接觸式設(shè)備采集的圖像進行,對非接觸式掌靜脈識別的研究較少。非接觸方式采集的掌靜脈圖像往往具有較大的形變,如手掌彎曲、手掌傾斜或者手掌過度伸展等,而且光照也不夠均勻,因此具有更高的識別難度。但與接觸式相比,非接觸式的采集方式具有更好的用戶體驗,其應(yīng)用前景更加廣闊。針對上述問題,本文采用了深度學(xué)習(xí)方法,對非接觸式掌靜脈識別過程中的手掌關(guān)鍵點定位問題和掌靜脈圖像的特征提取問題進行研究,取得了較好的提升效果。本文的主要研究內(nèi)容如下:1)針對傳統(tǒng)算法難以對非接觸式手掌圖像的關(guān)鍵點進行準確定位的問題,本文提出采用深度學(xué)習(xí)的方法進行手掌關(guān)鍵點定位,設(shè)計了兩級卷積神經(jīng)網(wǎng)絡(luò)級聯(lián)來定位手掌關(guān)鍵點;并且為了提高手掌關(guān)鍵點定位的精確度,對MSE損失函數(shù)進行改進,提出了Modified MSE Loss進... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 靜脈識別的國內(nèi)外研究現(xiàn)狀及難點
        1.2.1 手指和手背靜脈識別的研究現(xiàn)狀
        1.2.2 手掌靜脈識別研究現(xiàn)狀
        1.2.3 非接觸式掌靜脈識別的研究難點
    1.3 本文創(chuàng)新點
    1.4 論文的結(jié)構(gòu)安排及主要研究工作
第二章 掌靜脈圖像的獲取及預(yù)處理
    2.1 手掌靜脈圖像采集
    2.2 掌靜脈數(shù)據(jù)庫介紹
    2.3 掌靜脈圖像ROI選取
        2.3.1 手掌關(guān)鍵點選擇
        2.3.2 圖像旋轉(zhuǎn)校正
        2.3.3 掌靜脈ROI選取及尺度歸一化
    2.4 掌靜脈圖像增強
        2.4.1 直方圖均衡
        2.4.2 CLAHE(對比度限制自適應(yīng)直方圖均衡)
    2.5 掌靜脈圖像去噪
        2.5.1 均值濾波
        2.5.2 中值濾波
    2.6 本章小結(jié)
第三章 手掌關(guān)鍵點定位網(wǎng)絡(luò)
    3.1 手掌關(guān)鍵點定位網(wǎng)絡(luò)設(shè)計
        3.1.1 粗略定位網(wǎng)絡(luò)
        3.1.2 精確定位網(wǎng)絡(luò)
    3.2 關(guān)鍵點回歸損失函數(shù)設(shè)計
    3.3 實驗數(shù)據(jù)準備及結(jié)果分析
        3.3.1 手掌圖像數(shù)據(jù)集擴增
        3.3.2 實驗結(jié)果分析
    3.4 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的掌靜脈特征提取模型
    4.1 深層掌靜脈特征提取網(wǎng)絡(luò)
        4.1.1 特征提取網(wǎng)絡(luò)的輸入輸出維度設(shè)定
        4.1.2 深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹
        4.1.3 深層掌靜脈特征提取網(wǎng)絡(luò)設(shè)計
    4.2 輕量級掌靜脈特征提取網(wǎng)絡(luò)
        4.2.1 輕量級神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹
        4.2.2 輕量級掌靜脈特征提取網(wǎng)絡(luò)設(shè)計
    4.3 損失函數(shù)設(shè)計
        4.3.1 Softmax Loss
        4.3.2 Center Loss
        4.3.3 L-softmax Loss和 A-softmax Loss
        4.3.4 Additive Angular Margin Loss
    4.4 特征向量的相似性度量方法
    4.5 模型壓縮
    4.6 本章小結(jié)
第五章 實驗結(jié)果及分析
    5.1 實驗數(shù)據(jù)準備
        5.1.1 掌靜脈數(shù)據(jù)擴增
        5.1.2 實驗數(shù)據(jù)準備
    5.2 實驗性能指標
        5.2.1 類內(nèi)比對和類間比對
        5.2.2 誤識率、拒識率和等誤率
    5.3 實驗設(shè)置及模型訓(xùn)練參數(shù)設(shè)置
    5.4 實驗結(jié)果分析
        5.4.1 不同特征向量維度的性能對比
        5.4.2 不同網(wǎng)絡(luò)結(jié)構(gòu)的性能對比
        5.4.3 改進Residual Block對算法精度的提升
        5.4.4 不同損失函數(shù)的性能對比
        5.4.5 與其他算法性能對比
        5.4.6 模型壓縮及網(wǎng)絡(luò)時間測試
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻
致謝



本文編號：3191308