基于深度學習的指靜脈識別研究
發(fā)布時間：2021-06-14 03:24
隨著信息技術和大數據技術不斷地融入到我們的生活,生物識別技術也獲得了蓬勃的發(fā)展。為了保護公民的個人隱私和信息安全,越來越多的生物識別技術出現在我們的視野中。指靜脈識別技術,一種較為新穎的生物識別技術,因其重復率極低、難以偽造、性狀穩(wěn)定以及需要活體檢測等特性脫穎而出,取得了長足的進步。指靜脈識別技術一般使用紅外攝像頭,依據手指血液吸收紅外光的原理,形成手指靜脈圖像,并以此為特征進行身份驗證。為了解決傳統(tǒng)指靜脈識別算法通常容易受設備成像質量、手指形態(tài)改變或者光照條件的影響的問題,本文針對基于深度學習的指靜脈識別算法做了研究,主要的工作和貢獻如下所示:第一,提出了一個使用預訓練網絡微調的指靜脈感興趣區(qū)域提取網絡,以解決傳統(tǒng)感興趣區(qū)域提取方法魯棒性、遷移性過差的問題。同時,通過分析對指靜脈圖像識別精度影響最大的因素,針對性的通過數據擴增擴大訓練樣本數據集的規(guī)模并提高模型的魯棒性。第二,將本文提出的指靜脈感興趣區(qū)域選舉網絡作為區(qū)域選舉網絡,構建了一個指靜脈特征提取卷積神經網絡（FVR-CNN）。并為了適應指靜脈識別這一零樣本學習任務,使用度量學習的方法學習指靜脈圖像語義,同時提出了自適應感興趣區(qū)...
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數】：74 頁
【學位級別】：碩士
【部分圖文】：
圖１－３手指靜脈采集方式圖示及典型的指靜脈圖像【５１??圖１－３?Ｕ）是光透射式采集設備
自適??應感興趣區(qū)域損失函數與其他損失函數進行了一系列比對，并做了有效性驗證；對本文改??進的難樣本挖掘策略、指靜脈特征提取網絡的分類分支做了有效性驗證；與其他現有方法，??既包括傳統(tǒng)方法，也包括較新的深度學習方法，做了對比。第二大類實驗為對輕量特征提??取網絡所做的實驗。這其中包括對第四章所提出的卷積結構改進方法所做的實驗；對模型??剪枝方法做的對比實驗；對模型量化方法做的對比實驗。同時，對以上實驗結果做了分析。??最后一部分是對全部工作所做的總結，同時展望了未來的研究方向。??圖１－５展示了本文所提出的指靜脈特征提取網絡的流程圖。??特征圖????推理結果??＾Ｉ議?１?１１?推??輸入圖像?，?８＿?裔理??＾?＼ＫＫ］?＿＿＿ｓＪｊ！＿??＾—？圖細－化—＊區(qū)域選舉網絡—Ｈ坐躺量延側絡??｜訓??－語義向墨：＾??損失函數＾???圖像分類??圖１－５指靜脈特征提取網絡流程圖??８??
區(qū)域提取網絡??感興取區(qū)域的提取是指靜脈識別系統(tǒng)中極為關鍵的環(huán)節(jié)，提取優(yōu)秀穩(wěn)定的感興趣區(qū)域??對于后續(xù)指靜脈識別系統(tǒng)的精度有著至關重要的影響。在傳統(tǒng)的指靜脈圖像感興趣區(qū)域提??取方法中，最為普遍的流程是先對手指靜脈圖像進行邊緣檢測，獲得手指邊緣，然后根據??手指邊緣進行角度校正。得到水平的手指之后將手指內的像素值逐行疊加，尋找到亮度最??高的列作為手指關節(jié)處。最后，根據手指邊緣的長度、寬度和手指關節(jié)的位置確定一個矩??形窗口作為最終的感興趣區(qū)域。傳統(tǒng)的指靜脈感興趣區(qū)域提取算法的流程如圖２－１所示。??這些傳統(tǒng)方法往往對于某一數據集具有不錯的效果，但這些傳統(tǒng)方法的魯棒性和遷移性都??不如人意，無法適應多數據集聯合訓練。近年來，卷積神經網絡在關鍵點回歸領域獲得了??越來越廣泛的應用，其表現也被越來越多的圖像處理任務證明。由于卷積神經網絡的定位??精度高、魯棒性好的特性，本文引入卷積神經網絡進行指靜脈感興趣區(qū)域提取，提出了兩??種思路的網絡，通過實驗最終確定使用回歸邊界框的方法，有效地提升了所提取的感興趣??區(qū)域的魯棒性和精度。??獲取圖像一邊緣提泉區(qū)域確定—目標區(qū)域??是??角度校正???圖２－１傳統(tǒng)指靜脈感興趣區(qū)域提取算法流程圖??２．１指靜脈感興趣區(qū)域提取網絡設計??使用卷積神經網絡提取感興趣區(qū)域有兩種思路：一種是使用邊界框選定感興趣區(qū)域的??范圍，并通過卷積神經網絡以回歸的方式預測邊界框的位置；另一種是將感興趣區(qū)域的邊??界點視為關鍵點，通過卷積神經網絡預測圖上各點是關鍵點的概率。本節(jié)將介紹兩種思路??的網絡設計。由于指靜脈公開數據集的規(guī)模孝數量少，本文除了使用數據增強外還采用??對預訓練模型進行微調的方
【參考文獻】：
期刊論文
[1]基于擴展卷積神經網絡與度量學習的指靜脈識別[J]. 包曉安,涂小妹,徐璐,張娜,吳彪. 浙江理工大學學報(自然科學版). 2020(02)
[2]生物特征識別技術綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍天. 信息安全研究. 2016(01)
碩士論文
[1]基于深度學習的足球場關鍵點檢測[D]. 郭沖.北京郵電大學 2019
[2]基于深度學習的手指靜脈特征提取與防偽檢測算法研究[D]. 劉霞.重慶工商大學 2019
[3]深度學習的手指靜脈識別技術研究[D]. 熊遞恩.重慶理工大學 2019
[4]基于深度學習的指靜脈識別算法研究[D]. 唐溯.華南理工大學 2018
[5]基于卷積神經網絡的手指靜脈認證算法研究[D]. 胡慧.華南理工大學 2018
本文編號：3228964
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數】：74 頁
【學位級別】：碩士
【部分圖文】：
圖１－３手指靜脈采集方式圖示及典型的指靜脈圖像【５１??圖１－３?Ｕ）是光透射式采集設備
自適??應感興趣區(qū)域損失函數與其他損失函數進行了一系列比對，并做了有效性驗證；對本文改??進的難樣本挖掘策略、指靜脈特征提取網絡的分類分支做了有效性驗證；與其他現有方法，??既包括傳統(tǒng)方法，也包括較新的深度學習方法，做了對比。第二大類實驗為對輕量特征提??取網絡所做的實驗。這其中包括對第四章所提出的卷積結構改進方法所做的實驗；對模型??剪枝方法做的對比實驗；對模型量化方法做的對比實驗。同時，對以上實驗結果做了分析。??最后一部分是對全部工作所做的總結，同時展望了未來的研究方向。??圖１－５展示了本文所提出的指靜脈特征提取網絡的流程圖。??特征圖????推理結果??＾Ｉ議?１?１１?推??輸入圖像?，?８＿?裔理??＾?＼ＫＫ］?＿＿＿ｓＪｊ！＿??＾—？圖細－化—＊區(qū)域選舉網絡—Ｈ坐躺量延側絡??｜訓??－語義向墨：＾??損失函數＾???圖像分類??圖１－５指靜脈特征提取網絡流程圖??８??
區(qū)域提取網絡??感興取區(qū)域的提取是指靜脈識別系統(tǒng)中極為關鍵的環(huán)節(jié)，提取優(yōu)秀穩(wěn)定的感興趣區(qū)域??對于后續(xù)指靜脈識別系統(tǒng)的精度有著至關重要的影響。在傳統(tǒng)的指靜脈圖像感興趣區(qū)域提??取方法中，最為普遍的流程是先對手指靜脈圖像進行邊緣檢測，獲得手指邊緣，然后根據??手指邊緣進行角度校正。得到水平的手指之后將手指內的像素值逐行疊加，尋找到亮度最??高的列作為手指關節(jié)處。最后，根據手指邊緣的長度、寬度和手指關節(jié)的位置確定一個矩??形窗口作為最終的感興趣區(qū)域。傳統(tǒng)的指靜脈感興趣區(qū)域提取算法的流程如圖２－１所示。??這些傳統(tǒng)方法往往對于某一數據集具有不錯的效果，但這些傳統(tǒng)方法的魯棒性和遷移性都??不如人意，無法適應多數據集聯合訓練。近年來，卷積神經網絡在關鍵點回歸領域獲得了??越來越廣泛的應用，其表現也被越來越多的圖像處理任務證明。由于卷積神經網絡的定位??精度高、魯棒性好的特性，本文引入卷積神經網絡進行指靜脈感興趣區(qū)域提取，提出了兩??種思路的網絡，通過實驗最終確定使用回歸邊界框的方法，有效地提升了所提取的感興趣??區(qū)域的魯棒性和精度。??獲取圖像一邊緣提泉區(qū)域確定—目標區(qū)域??是??角度校正???圖２－１傳統(tǒng)指靜脈感興趣區(qū)域提取算法流程圖??２．１指靜脈感興趣區(qū)域提取網絡設計??使用卷積神經網絡提取感興趣區(qū)域有兩種思路：一種是使用邊界框選定感興趣區(qū)域的??范圍，并通過卷積神經網絡以回歸的方式預測邊界框的位置；另一種是將感興趣區(qū)域的邊??界點視為關鍵點，通過卷積神經網絡預測圖上各點是關鍵點的概率。本節(jié)將介紹兩種思路??的網絡設計。由于指靜脈公開數據集的規(guī)模孝數量少，本文除了使用數據增強外還采用??對預訓練模型進行微調的方
【參考文獻】：
期刊論文
[1]基于擴展卷積神經網絡與度量學習的指靜脈識別[J]. 包曉安,涂小妹,徐璐,張娜,吳彪. 浙江理工大學學報(自然科學版). 2020(02)
[2]生物特征識別技術綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍天. 信息安全研究. 2016(01)
碩士論文
[1]基于深度學習的足球場關鍵點檢測[D]. 郭沖.北京郵電大學 2019
[2]基于深度學習的手指靜脈特征提取與防偽檢測算法研究[D]. 劉霞.重慶工商大學 2019
[3]深度學習的手指靜脈識別技術研究[D]. 熊遞恩.重慶理工大學 2019
[4]基于深度學習的指靜脈識別算法研究[D]. 唐溯.華南理工大學 2018
[5]基于卷積神經網絡的手指靜脈認證算法研究[D]. 胡慧.華南理工大學 2018
本文編號：3228964
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3228964.html
