中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。

基于Hessian矩阵和Gabor滤波的手指静脉特征提取

提出基于Hessian矩阵特征值比率的增强算法和改进的Gabor滤波特征提取算法相结合的手指静脉特征提取方法。将不同尺度下的Hessian矩阵的特征值应用于静脉增强函数中进行图像增强,然后再通过Gabor滤波进行特征提取,并在Poly U手指静脉数据库对所提算法进行实验验证。结果表明,该算法用于身份识别时的误识率为0. 375%,拒识率为1. 73%,等误率为0. 021%,比目前其他的手指静脉提取算法的识别性能有所提高。