论文部分内容阅读
网络信息时代人们的安全意识不断提升,对于身份鉴定的要求随之提高,在各类身份鉴定技术中生物特征识别是最有效的方法之一。其中掌纹、掌静脉识别凭借自身稳定、难伪造的优势,逐渐受到研究人员的关注。深度学习近年来不断发展进步,在各个领域应用广泛,尤其在模式识别领域中,深度学习已经成为最重要的技术之一。在此背景下,将深度学习方法应用于掌纹、掌静脉识别中,也是目前的一种趋势。然而现有的基于深度学习的掌纹、掌静脉识别研究工作相对较少,且存在训练数据配置等的缺陷。本文针对上述问题,使用深度学习中的卷积神经网络对掌纹和掌静脉识别作了大规模的评估。本文的主要工作如下:(1)详细介绍并分析了当前卷积神经网络中比较典型的网络模型。首先介绍了神经网络的基本知识,之后对典型模型的网络结构、网络间关系等作了阐述。(2)使用深度学习中的卷积神经网络对掌纹、掌静脉识别进行了大规模的评估实验。选取9种网络模型,在5个掌纹数据库、2个掌静脉数据库上针对不同的网络结构、学习率、网络层数、训练数据量进行评估,此外还有混合第二阶段采集数据以及与非深度学习方法的对比评估。(3)在预处理中加入图像增强操作并设计了SPP-ResNet,以及改进现有的掌纹验证方法Siamese Network并应用于掌纹、掌静脉验证中。使用对比度受限的自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)增强图像,改善数据库的图像质量,并针对卷积神经网络的输入需要固定尺寸这一问题,结合空间金字塔池化设计了SPP-ResNet。对于现有的Siamese Network掌纹验证方法,在特征提取、网络训练等方面进行了改进。实验结果表明,本文针对掌纹、掌静脉识别的大规模评估实验能够加快相关研究的速度,并提供一定的指导。基于CLAHE的SPP-ResNet能够接收各种尺度的输入,并且提升了识别率。改进的Siamese Network验证方法也取得了较好的效果。