基于深度学习的指静脉识别算法研究

《基于深度学习的指静脉识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工程硕士学位论文基于深度学习的指静脉识别算法研究作者姓名唐溯工程领域控制工程校内指导教师邓飞其教授康文雄教授校外指导教师冯智辉高级工程师所在学院自动化科学与工程学院论文提交日期2018年3月ResearchofFingerVeinRecognitionBasedonDeepLearningADissertationSubmittedfortheDegreeofMasterCandidate:TangSuSupervisor:Prof.DengFeiqiProf.KangWenxiongSouthChinaUniversityo

2、fTechnologyGuangzhou,China分类号：TP391.4学校代号：10561学号：201521013177华南理工大学硕士学位论文基于深度学习的指静脉识别算法研究作者姓名：唐溯指导教师姓名、职称：邓飞其教授康文雄教授申请学位级别：工程硕士工程领域名称：控制工程论文形式：□产品研发□工程设计应用研究□工程/项目管理□调研报告研究方向：图像处理与模式识别论文提交日期：2018年03月15日论文答辩日期：2018年03月20日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：田森平委员：邓飞其岳

3、喜顺康文雄旷世芳摘要生物特征识别技术已经成为了身份认证的一种重要手段，在众多的生物特征中，指静脉以其独特的优势吸引了广泛的关注，指静脉识别技术也因此得到了快速的发展。然而，传统的指静脉识别算法普遍基于手工设计的特征，这些特征通常对图像成像质量及手指姿态变化较为敏感，针对这个问题，近些年出现了一些新的改进思路，旨在设计更好的图像预处理方法和更为有效的手工特征，但这些措施通常过于繁复且系统最终性能仍旧有限。为了从原始指静脉图像中自动学习并提取具有更强区分能力的特征，同时简化图像预处理流程，本文引入了深度学习方法，主要工作与贡献总结

4、如下：第一，通过使用指静脉图像数据扩增，以及基于预训练权重搭建CNN的方式，缓解了指静脉训练数据集不足的问题。第二，在基于预训练权重的CNN模型的基础上，构建了Siamese网络架构以进行度量学习，同时还提出了修正对比损失函数（ModifiedContrastiveLoss）用于网络的训练，使其性能得到了进一步的提高。通过度量学习，网络能够提取出具有更强区分力的特征，但在Siamese架构中所常用的原始对比损失函数对同类样本对的距离约束过强，使得网络在训练时容易受到同类的极端样本影响，对识别任务而言这种限制事实上是不必要的，因

5、此本文修改了原始对比损失函数以放宽其对同类样本对距离的约束。此外本文采用了结合难分样本挖掘技术的多阶段训练方式，在网络训练完成之后，对于每幅指静脉图片，网络能够输出256维的特征，识别阶段使用基于欧式距离的匹配方法。第三，考虑到基于预训练权重的CNN模型体积较大，计算复杂度较高，在硬件资源有限的嵌入式设备上部署较为困难，本文进一步构建了一个基于深度可分离卷积的轻量网络模型。在训练阶段中，首先使用知识蒸馏对其进行预训练，随后加入所提出的MCLoss对网络进行全局优化，在训练完成之后，使用权值量化方法进一步减小模型的大小。本文所提

6、出的基于预训练权重的CNN模型大小为7.95MB，在MMCBNU_6000、FV-USM、SDUMLA-HMT及自建的FV-SCUT数据集上分别取得了0.09%、0.15%、0.52%、1.84%的等误率；所提出的轻量网络模型大小仅为372KB，在这四个数据集上分别取得了0.08%、0.11%、0.75%及1.68%的等误率。实验结果充分证明本文所提出的方法具有良好的综合性能及不错的应用价值。关键词：指静脉识别；深度学习；卷积神经网络；Siamese网络；知识蒸馏IABSTRACTBiometricrecognitionhas

7、becomeanimportantmethodofidentityauthentication.Amongnumerousbiometricidentifiers,fingerveinattractswidespreadattentionduetoitsuniqueadvantage,thereforethefingerveinrecognitiontechnologydevelopedrapidlytheseyears.However,theexistingfingerveinrecognitionalgorithmsare

8、generallybasedonhandcraftfeatureswhichareusuallysensitivetoimagequalityandfingermovements.Aimingatthisissue,manyimprovedideashavebeenpropo