期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于手指双模态特征的自动身份验证方法及系统
1
作者 刘凤 林丽英 黄怡欣 《信息安全学报》 CSCD 2024年第3期80-93,共14页
针对目前单模态生物特征识别在稳定性与安全性等方面的不足以及多模态融合识别的多设备多输入困难等问题,本文提出一种充分考虑类内与类间度量的学习模型,实现基于手指双模态特征的自动身份验证方法及系统。由于指静脉与指折痕具有不易... 针对目前单模态生物特征识别在稳定性与安全性等方面的不足以及多模态融合识别的多设备多输入困难等问题,本文提出一种充分考虑类内与类间度量的学习模型,实现基于手指双模态特征的自动身份验证方法及系统。由于指静脉与指折痕具有不易改变,难以伪造的特点,本文选取这两种重要的手部特征进行身份验证。通过结合两种不同模态特征,利用自编码网络对类内特征进行表示,来构建基于度量学习的孪生网络模型,从而提取类内与类间特征;接着将提取的指静脉和指折痕特征进行距离计算,将距离融合后使用逻辑回归模型进行概率判断,最终实现有效的双模态融合身份验证。为验证我们提出方法的有效性,我们对指静脉识别结果性能进行了对比。实验结果表明,我们的方法在更具有挑战性的数据库上识别等错误率为1.69%,较之现有代表性论文提出的模型的等错误率降低了2.96%。我们也将构建的双模态融合模型与仅使用单一模态模型进行对比,结果表明融合指静脉和指折痕特征的融合模型的等错误率为1.55%,比单一模态的指静脉与指折痕模型分别降低了0.14%和3.0%,表明了双模态身份验证模型性能更优。进一步地,本文采集了一个更具有挑战性的数据库,开发了显示图像及识别结果的图形界面,最终实现了一个从数据采集到识别匹配的端对端的一体化自动身份验证系统。基于以上研究,本文首次提出了一个基于指静脉和指折痕特征的多目自动身份验证方案,实现集准确性,鲁棒性和实效性为一体的系统。 展开更多
关键词 双模态融合 孪生网络 自编码器 生物特征
下载PDF
基于深度学习的亚表面指纹重构 被引量:3
2
作者 刘凤 张文天 +2 位作者 刘浩哲 刘国杰 沈琳琳 《计算机学报》 EI CAS CSCD 北大核心 2021年第10期2033-2046,共14页
光学相干层析成像(optical coherence tomography,OCT)是一种高分辨率成像技术,可以采集到手指表面皮肤下的多层深度信息,即指纹层析结构.将指纹层析结构高质量地重构为亚表面指纹图像,不仅可以解决因表面成像导致的低质量指纹图像问题... 光学相干层析成像(optical coherence tomography,OCT)是一种高分辨率成像技术,可以采集到手指表面皮肤下的多层深度信息,即指纹层析结构.将指纹层析结构高质量地重构为亚表面指纹图像,不仅可以解决因表面成像导致的低质量指纹图像问题,而且可以实现与现有传统指纹识别技术的无缝连接.本文首次提出一种基于深度学习的亚表面指纹重构方法.首先以HDCRes-34为基础网络,根据皮肤结构的不同,将每个OCT横截面图像分割成三层.然后,利用滑动窗口函数根据一个手指所有横截面图像的分割结果,纠正模型可能存在的分割失效情况.同时比较三个层次亚表面指纹信息,针对不同指纹特征,使用不同权重进行融合,得到高质量的亚表面指纹图像.实验结果表明,我们提出的分割模型达到平均像素准确率(meanPA)为0.956,以及平均交并比(mIoU)为0.873,从而显示我们的分割方法能很好地分割与皮肤结构相对应的三个层次的信息.同时,我们也比较了本文提出的重构方法与目前得到最好重构结果的方法,结果表明,我们的方法在单位像素指纹特征数量、脊线密度和等错误率(EER)方面均表现最佳. 展开更多
关键词 光学相干层析成像 亚表面指纹 内指纹 深度学习 指纹重构
下载PDF
Shearlet-Based Structure-Aware Filtering for Hyperspectral and LiDAR Data Classification
3
作者 Sen Jia Zhangwei Zhan Meng Xu 《Journal of Remote Sensing》 2021年第1期237-261,共25页
The joint interpretation of hyperspectral images(HSIs)and light detection and ranging(LiDAR)data has developed rapidly in recent years due to continuously evolving image processing technology.Nowadays,most feature ext... The joint interpretation of hyperspectral images(HSIs)and light detection and ranging(LiDAR)data has developed rapidly in recent years due to continuously evolving image processing technology.Nowadays,most feature extraction methods are carried out by convolving the raw data with fixed-size filters,whereas the structural and texture information of objects in multiple scales cannot be sufficiently exploited.In this article,a shearlet-based structure-aware filtering approach,abbreviated as ShearSAF,is proposed for HSI and LiDAR feature extraction and classification.Specifically,superpixel-guided kernel principal component analysis(KPCA)is firstly adopted on raw HSIs to reduce the dimensions.Then,the KPCA-reduced HSI and LiDAR data are converted to the shearlet domain for texture and area feature extraction.In contrast,superpixel segmentation algorithm utilizes the raw HSI data to obtain the initial oversegmentation map.Subsequently,by utilizing a well-designed minimum merging cost that fully considers spectral(HSI and LiDAR data),texture,and area features,a region merging procedure is gradually conducted to produce a final merging map.Further,a scale map that locally indicates the filter size is achieved by calculating the edge distance.Finally,the KPCA-reduced HSI and LiDAR data are convolved with the locally adaptive filters for feature extraction,and a random forest(RF)classifier is thus adopted for classification.The effectiveness of our ShearSAF approach is verified on three real-world datasets,and the results show that the performance of ShearSAF can achieve an accuracy higher than that of comparison methods when exploiting small-size training sample problems.The codes of this work will be available at http://jiasen.tech/papers/for the sake of reproducibility. 展开更多
关键词 LIDAR SHEAR utilize
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部