基于HRF-Net的指纹细节点及汗孔统一提取方法

基于多级特征(例如细节点、汗孔等)融合的指纹识别技术,大大提高了指纹识别系统的安全性和鲁棒性.然而,目前基于高精度指纹的识别技术,几乎都是基于第三级特征中的汗孔特征,而忽略了指纹图像中的其他重要特征.针对这一问题,本文首次提出一种指纹特征提取方法,能够实现在高精度指纹图像上同时提取不同层级特征,包括二级的细节点特征和三级的汗孔特征.本文设计了High-Resolution Fingerprint Net(HRF-Net)作为特征提取模型,利用指纹图像生成细节点与汗孔的热力图,再通过滑动窗口算法处理得到特征点坐标.在HRF-Net模型中,通过引入中继输出结构以实现汗孔和细节点特征的解耦,利用由粗到细的阶段式监督以兼顾网络对不同层级特征的学习,在网络中加入shuffle unit模块减少模型计算复杂度,实现了对指纹不同层级特征高效准确的提取.实验结果表明,本文提出的特征统一提取方法在汗孔的提取上真阳率(RT)达到了96.59%,比目前取得最好性能的Judge CNN提高了3.45%;在细节点的提取上真阳率(RT)达到了81.93%.同时,我们在对汗孔和细节点单独提取上也达到了最好的结果,以衡量提取综合性能的F1-score作为评价指标,模型提取汗孔的F1-score达到了95.83%,比Judge CNN提高1.48%.我们利用所提取的特征在指纹匹配数据集上的指纹图像进行匹配实验,在等错误率(Equal Error Rate,EER)上达到了5.39%,相比传统方法下降7.02%.结果表明,本文的方法在汗孔和细节点的提取性能以及匹配结果上都达到了目前最佳水平.

基于AdaBoost和帧间特征的人数统计

视频监控中出入口人数统计的难点在于人流密集时对每个人体的准确分割。通过学习的方法得到人头检测的分类器,并在垂直拍摄图像中提取人头候选区域,以分离相互靠近的人体目标,进而根据人头的运动特征剔除静止误检区域,根据误检目标检测频率低及其响应位置不连续的特征剔除动态误检区域。最后提出一种简易可行的过线跟踪方案以完成计数。实验中对各种复杂情况的过线视频进行测试,正确率能够达到95%以上。与传统方法相比,本文方法解决了多人过线或搬货物过线时传统方法难以准确完成的行人分割和计数,更适于实际情况的人数统计。