论文部分内容阅读
指静脉识别作为一种新的生物识别技术,因其具有高度防伪、无接触性、难窃取性等优势受到越来越广泛的关注。但基于传统图像处理的指静脉识别算法通常对图像的成像质量及手指姿态变化较为敏感,难提取具有鲁棒性的静脉特征。而基于深度学习的指静脉识别算法提取的静脉特征不足以表达纹理结构复杂的静脉信息,并且常用的距离度量算法主要是将特征之间的距离或方向角度作为特征的相似度,这样的度量算法不能从结构本质上进行特征相似度度量。为了解决基于深度学习的指静脉识别算法提取静脉特征信息不足的问题。本文提出了一种基于扩展卷积神经网络与度量学习的指静脉识别算法。此外,为了弥补常用的距离度量算法不能有效地度量静脉特征之间相似度的问题,本文采用了 Wasserstein距离度量算法。论文的主要研究内容概括如下:（1）通过分析传统卷积神经网络（Convolutional Neural Network,ConvNet）提取静脉特征信息不足的问题,本文首先,构建提取指静脉特征的学习网络,该网络通过扩展ConvNet网络宽度和深度来提高网络提取静脉特征的表达能力。其次,根据构建的学习网络设计合理的损失函数,本文使用TriHard度量学习函数作为网络损失函数。再次,网络训练时通过前向传播计算网络的整体损失,采用随机梯度下降法（Stochastic gradient descent,SGD）反向传播更新ConvNet网络的参数。（2）通过分析常用的距离度量算法不能有效地度量静脉特征之间相似度的问题,本文采用Wasserstein距离度量算法计算两个特征向量之间的相似度。该算法不仅能提高同源静脉间的相似度,同时能降低异源静脉间的相似度。（3）为了进一步研究与开发静脉识别算法。本文设计并实现了指静脉识别系统,该系统提供了指静脉可视化界面,并且能将使用本文算法提取的静脉特征保存到本地数据库中,同时,在静脉识别阶段可以提供识别的结果信息。本文采用公开静脉数据集FV-USM和MMCBNU6000进行测试。实验结果表明,本文提出的扩展卷积神经网络与度量学习算法在指静脉识别算法中有一个较高的准确率。同时,使用Wasserstein距离度量算法在静脉识别中的准确率较使用其他常用的距离度量算法高。