手指静脉图像的概率分割方法研究

由于光在生物组织内部会产生严重衰减,手指静脉特征的图像质量往往较差,这十分不利于实现静脉区域的稳定分割.为了较为精确地获取手指静脉网络,本文提出了一种新的基于卷积神经网络的手指静脉区域分割方法.首先,利用韦伯定律去除光照变化实现对手指静脉图像的增强.然后,通过自动粗略标注静脉区域与非静脉区域,获得带有标签的像素训练集.利用训练集,训练一个可产生像素属于静脉区域和非静脉区域概率的卷积神经网络模型.最后,利用概率图,通过概率运算实现对手指静脉图像的分割.实验结果表明,通过该方法能够得到较为理想的静脉网络.

基于CNN的手指三模态多级特征融合与识别

随着人们对生物特征识别的要求不断提高,手指因为包含有丰富的生物特征信息受到越来越多的关注。手指同时携带了指纹、指节纹和指静脉三种模态信息,作为一个整体来表征个体的生物特性,具有得天独厚的优势。本文中,我们提出了一种基于CNN (Convolutional Neural Network)的手指三模态多级特征融合与识别算法,以融合指纹、指静脉和指节纹三种模态的特征信息来进行身份识别。该融合框架由联合优化的三部分组成,手指三模态特征提取模块,手指三模态浅层特征融合模块和手指三模态多级特征融合模块。手指三模态特征提取模块由三个并行的特征提取框架组成,分别用于提取手指单模态多级特征。浅层特征融合模块以CNN作为融合框架,以手指三模态特征提取网络的浅层输出特征作为输入,来获取三模态浅层融合特征。多级特征融合模块以全连接网络作为融合框架,手指三模态浅层融合特征和手指三模态的深层特征作为全连接网络的输入,以实现手指三模态多级特征融合。最后在手指三模态数据库上进行了大量实验,本文提出的算法识别精度可以达到99.91%。实验结果表明本文提出的手指三模态多级特征融合与识别算法性能优于其他现有的算法。

基于神经网络的手指三模态多级特征编码融合方法

本文提出了一种基于神经网络的手指三模态多级特征编码融合方法。首先,针对手指三模态原始图像分别构建轻量级卷积神经网络实现多级特征提取。其次,利用聚合向量编码方式对手指三模态多级特征进行编码,分别得到指静脉编码特征、指纹编码特征和指节纹编码特征。然后,利用构建的全连接神经网络模型分别将手指三模态浅层特征和深层特征进行融合。最后,将手指三模态浅层融合特征和深层融合特征进行串联融合,得到手指三模态融合特征。实验结果表明通过该方法得到的融合特征的识别准确率为99.76%,说明该方法能够得到具有良好个性特征表达能力的融合特征,可以有效提高个体身份识别精度。

一种基于图模型与定序编码的手指静脉识别方法

手指静脉的网络结构是指静脉区分性的来源,但获得可靠的手指静脉网络结构描述一直是个难题。为此,本文提出一种基于图模型与定序编码的手指静脉网络特征描述方法。对于一幅手指静脉图像,首先通过划分图块来获得图的节点集,其次利用三角剖分法获得图的边集,边的权重由边所连接的节点特征来决定。经过上述操作,一幅手指静脉图像可构建一个加权图,通过度量加权图的邻接矩阵相似度来实现手指静脉识别。本文中研究影响识别结果的几个因素,并通过实验证明了该方法的有效性。