手指靜脈識(shí)別是指在近紅外光下獲取手指靜脈紋路,以此作為生物特征的一種身份驗(yàn)證技術(shù)。與傳統(tǒng)的生物識(shí)別技術(shù)相比,該方法具有顯著的優(yōu)勢(shì)。傳統(tǒng)的手指靜脈識(shí)別技術(shù)大多依賴基于各種數(shù)學(xué)假設(shè)的手工設(shè)計(jì)特征,經(jīng)驗(yàn)定義和人為干預(yù)會(huì)帶來(lái)誤差。從卷積神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)到的深度特征具有良好的泛化和表達(dá)能力,但其局限于建模更大、更復(fù)雜的靜脈特征,且沒(méi)有考慮手指靜脈像素的空間依賴關(guān)系。針對(duì)以上問(wèn)題,本文做了以下幾方面的工作:1.提出一種改進(jìn)的ROI提取方法和標(biāo)簽制作方法。針對(duì)部分?jǐn)?shù)據(jù)集存在的像素缺失現(xiàn)象,本文在常規(guī)的ROI提取流程中,額外加入滑動(dòng)窗口求像素和的方法進(jìn)行篩選,并利用自建工具手動(dòng)調(diào)整,該方法具有一定的通用性且對(duì)靜脈缺失圖像魯棒。針對(duì)當(dāng)前標(biāo)簽制作不能很好地利用基準(zhǔn)分割的優(yōu)勢(shì),本文賦予傳統(tǒng)基線不同權(quán)重來(lái)分配標(biāo)簽,該方法比單純?nèi)诤蠘?biāo)簽、組合標(biāo)簽更為精準(zhǔn),且更符合實(shí)際應(yīng)用情況。2.提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的手指靜脈分割算法。針對(duì)當(dāng)前的卷積神經(jīng)網(wǎng)絡(luò)缺乏處理固定幾何變換的內(nèi)部機(jī)制和鼓勵(lì)相鄰像素間邊緣、外觀、空間一致性的平滑約束等問(wèn)題,本文綜合了循環(huán)神經(jīng)網(wǎng)絡(luò)、殘差神經(jīng)網(wǎng)絡(luò)、可變形卷積網(wǎng)絡(luò)、條件隨機(jī)場(chǎng)的優(yōu)勢(shì)... 

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 指靜脈圖像采集
        1.3.2 指靜脈圖像預(yù)處理
        1.3.3 指靜脈特征提取
        1.3.4 指靜脈匹配識(shí)別
    1.4 論文的主要工作
    1.5 論文的組織結(jié)構(gòu)
2 圖像預(yù)處理和標(biāo)簽制作
    2.1 本文使用的公開(kāi)指靜脈數(shù)據(jù)集
    2.2 圖像預(yù)處理
        2.2.1 基于SDU-FV數(shù)據(jù)集的ROI提取方法
        2.2.2 基于HKPU數(shù)據(jù)集的ROI提取方法
        2.2.3 圖像增強(qiáng)
    2.3 標(biāo)簽制作
    2.4 本章小結(jié)
3 基于全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的手指靜脈分割
    3.1 基礎(chǔ)網(wǎng)絡(luò)架構(gòu)
        3.1.1 U-Net網(wǎng)絡(luò)
        3.1.2 可變形卷積
        3.1.3 殘差循環(huán)卷積
        3.1.4 條件隨機(jī)場(chǎng)
    3.2 基于全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的手指靜脈分割
    3.3 手指靜脈分割實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 性能評(píng)價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 基于SDU-FV數(shù)據(jù)集的手指靜脈分割
        3.4.2 基于MMCBNU數(shù)據(jù)集的手指靜脈分割
        3.4.3 基于HKPU數(shù)據(jù)集的手指靜脈分割
    3.5 本章小結(jié)
4 基于級(jí)聯(lián)優(yōu)化IU-Net的手指靜脈驗(yàn)證
    4.1 基礎(chǔ)網(wǎng)絡(luò)架構(gòu)
        4.1.1 深度對(duì)于網(wǎng)絡(luò)性能的影響
        4.1.2 寬度對(duì)于網(wǎng)絡(luò)性能的影響
    4.2 改進(jìn)網(wǎng)絡(luò)架構(gòu)
        4.2.1 IU-Net網(wǎng)絡(luò)架構(gòu)
        4.2.2 級(jí)聯(lián)優(yōu)化網(wǎng)絡(luò)框架
    4.3 手指靜脈驗(yàn)證實(shí)驗(yàn)
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 損失函數(shù)策略
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 欠采樣訓(xùn)練
        4.4.2 損失函數(shù)驗(yàn)證
        4.4.3 AWCE和 GHCE訓(xùn)練
        4.4.4 分類網(wǎng)絡(luò)預(yù)訓(xùn)練
        4.4.5 級(jí)聯(lián)優(yōu)化訓(xùn)練
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]級(jí)聯(lián)優(yōu)化CNN的手指靜脈圖像質(zhì)量評(píng)估[J]. 曾軍英,諶瑤,秦傳波,甘俊英,翟懿奎,馮武林.  中國(guó)圖象圖形學(xué)報(bào). 2019(06)
[2]基于CLAHE變換的低對(duì)比度圖像增強(qiáng)改進(jìn)算法[J]. 張璞,王英,王蘇蘇.  青島大學(xué)學(xué)報(bào)(工程技術(shù)版). 2011(04)
[3]基于相對(duì)距離和角度的手指靜脈識(shí)別方法[J]. 王科俊,劉靖宇.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(05)
[4]手指靜脈圖像增強(qiáng)算法研究[J]. 高曉燕,馬軍山,吳佳杰.  光學(xué)儀器. 2010(04)
[5]Finger vein recognition using weighted local binary pattern code based on a support vector machine[J]. Hyeon Chang LEE,Byung Jun KANG,Eui Chul LEE,Kang Ryoung PARK.  Journal of Zhejiang University-Science C（Computer ＆ Electronics）. 2010(07)
[6]基于CLAHE和top-hat變換的手背靜脈圖像增強(qiáng)算法[J]. 趙建軍,熊馨,張磊,付騰,趙龑驤.  激光與紅外. 2009(02)
[7]基于小波去噪和直方圖模板均衡化的手指靜脈圖像增強(qiáng)[J]. 溫學(xué)兵,趙江魏,梁學(xué)章.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2008(02)

碩士論文
[1]手指靜脈圖像質(zhì)量評(píng)估及其識(shí)別算法研究[D]. 諶瑤.五邑大學(xué) 2019
[2]基于深度學(xué)習(xí)的指靜脈識(shí)別算法研究[D]. 唐溯.華南理工大學(xué) 2018
[3]具備抗旋轉(zhuǎn)能力的指靜脈識(shí)別算法研究[D]. 李德健.華南理工大學(xué) 2017
[4]指靜脈識(shí)別算法及其密碼應(yīng)用[D]. 俞云.杭州電子科技大學(xué) 2017



本文編號(hào)：3733734