CN108985231A - 一种基于多尺度卷积核的掌静脉特征提取方法 - Google Patents
一种基于多尺度卷积核的掌静脉特征提取方法 Download PDFInfo
- Publication number
- CN108985231A CN108985231A CN201810787416.0A CN201810787416A CN108985231A CN 108985231 A CN108985231 A CN 108985231A CN 201810787416 A CN201810787416 A CN 201810787416A CN 108985231 A CN108985231 A CN 108985231A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution kernel
- vena metacarpea
- feature
- multiple dimensioned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 230000001788 irregular Effects 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 210000003462 vein Anatomy 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Abstract
本发明公开了一种基于多尺度卷积核的掌静脉特征提取方法，针对掌静脉图像纹理结构的特殊性，采用非规则的卷积核，检测掌静脉横向和纵向的网状结构，并设计了一种针对掌静脉识别的多尺度卷积核的特征提取网络，主要由4个模块构成，分别为感知层、降维层、特征融合层和特征向量表示层。本发明的技术方案能够针对掌静脉图像特殊的网状结构、易变形、局部相关性弱和拓扑结构复杂等特点，通过非规则的卷积核，如3x7、7x3、1x7、7x1，使特征提取网络对掌静脉特征提取具有很好的适应性和有效性。
Description
技术领域
本发明涉及手掌静脉特征识别技术领域，尤其涉及一种基于多尺度卷积核的掌静脉特征提取方法。
背景技术
手掌静脉识别是一种新兴的生物特征识别技术，利用人体手掌血液中血红素对近红外光具有较强的吸收特性，获得手掌静脉的分布纹路进行身份识别。掌静脉识别不仅具有非接触式认证和高可靠性的优点，而且必须活体检测，无法造假，安全级别高。随着技术的发展，掌静脉识别技术逐渐应用于安防系统、楼宇门禁、金融银行等领域。
近些年对掌静脉特征提取与识别的方法大致分为两类：一类是基于整体的子空间学习方法；另一类是基于曲线匹配的方法。这两种方法都是基于传统模式识别技术，很少运用深度学习技术。自2012年ImageNet比赛，人工智能再次兴起，提出了很多先进的网络结构，如ResNet、Inception、DenseNet等。在图像识别、自然语言处理、机器翻译等领域取得了重大突破，尤其是人脸识别技术已经开始商用。
但是，将深度神经网络应用于掌静脉识别的技术依然较少，大部分直接使用已有的成熟网络结构应用于掌静脉识别，识别精度低，其主要原因是掌静脉图像为特殊的网状结构，易变形，局部相关性弱，拓扑结构复杂。一般的深度神经网络采用正方形的卷积核，如3x3、5x5，对局部相关性较强的识别如人脸识别具有明显的效果。如果将这些网络结构直接应用于掌静脉识别，识别效果并不明显，因为该网络结构不适合提取网状结构的掌静脉特征。
发明内容
为解决上述问题，本发明提供了一种基于多尺度卷积核的掌静脉特征提取方法，针对掌静脉图像结构的特殊性，重新设计了卷积网络，尤其是卷积核的形状。该方法采用多尺度卷积核的特征提取网络，并使用3x7、7x3、1x7、7x1的非规则卷积核，以检测掌静脉横向和纵向的网状结构，对掌静脉图像进行特征提取。本发明的技术方案，对掌静脉图像的特征提取具有很好的适应性，同时提高了特征提取的有效性。
一种基于多尺度卷积核的掌静脉特征提取方法，其采用的多尺度卷积核的特征提取网络主要由1个感知层、4个降维层、4个融合层和1个特征向量表示层构成。
所述的感知层由2个基础卷积层、1个叠加层和1个求和层构成，2个基础卷积核分别为3x7和7x3，感知层对掌静脉的线条型和交叉型的特征进行提取。
优选的，所述的基础卷积层由1个卷积核大小为m×n的卷积层、1个批量化层和1个激活函数层构成。
所述的降维层由1个池化层、2个基础卷积层和1个求和层构成，基础卷积核分别为1x1和3x3，降维层的主要功能为降低卷积特征平面的维度。
所述的融合层由多个融合单元构成，4个融合层中每个级别的融合层可以根据识别精度和速度的需求，设置不同个数的融合单元，融合层用于封装多个融合单元，构建网络结构。
优选的，所述的融合单元由3个卷积核为1x1的基础卷积层、2个卷积核为7x1的基础卷积层、2个卷积核为1x7的基础卷积层、1个叠加层和1个求和层构成，包括4条通路，第一条路径依次经过卷积核分别为1x1、7x1和1x7的基础卷积层，第二条路径依次经过卷积核为1x1、1x7和7x1的基础卷积层，第三条路径只经过卷积核1x1的基础卷积层，第四条为残差路径，将前三条路径的输出结果叠加，叠加后的输出再与第四条残差求和。
所述的特征向量表示层由3个全连接层、1个激活函数层，1个Dropout层和一个Softmax层构成，特征向量表示层，用于将掌静脉的高维特征转换为低维的特征向量。
优选的，所述的特征向量表示层首先经过一个大小为4096的全连接层，激活函数层和Dropout层，然后通过大小为512的全连接层，将高维的特征转换为低维的特征向量，即最终提取的掌静脉特征向量，最后经过一个大小为8000的全连接层和Softmax层，将低维的特征向量映射到各自的类中心，通过Softmax层的分类功能完成掌静脉特征识别的训练。
附图说明
图1是本发明多尺度卷积核的网络结构图；
图2是本发明掌静脉图像示意图；
图3是本发明感知层的结构图；
图4是本发明基础卷积层结构图；
图5是本发明降维层的结构图；
图6是本发明融合层的结构图；
图7是本发明融合层单元的结构图；
图8是本发明特征向量表示层的结构图；
图9是本发明多尺度卷积核的网络参数信息表图。
具体实施方式
为了使本发明的目的，技术方案更加清楚明白，以下结合附图对本发明作进一步描述。
如图1所示，一种基于多尺度卷积核的掌静脉特征提取方法，采用多尺度卷积核的特征提取网络，具体如下：
(1)输入层
多尺度卷积核的特征提取网络的输入层数据为经预处理后的掌静脉图像，如图2所示，a图为通过近红外光拍摄采集的掌静脉ROI区域图像，经二值化及图像增强等处理后得到b图，为预处理后的掌静脉图像，可以明显看出掌静脉图像特殊的网状结构，以此掌静脉图像作为的多尺度卷积核的特征提取网络的输入层。
(2)多尺度卷积核的特征提取网络
本发明公开的一种基于多尺度卷积核的特征提取网络结构如图1所示，该网络结构主要由1个感知层、4个降维层、4个融合层和1个特征向量表示层构成，融合层1设置3个融合单元，融合层2设置4个融合单元，融合层3设置6个融合单元，融合层4设置3个融合单元：
感知层使用卷积核为3x7和7x3的卷积层，相比正方形的卷积核，这种长条形的卷积核更适合提取掌静脉的网状结构，感知更多有意义的特征；
降维层利用池化层和卷积层的两路叠加，不仅满足了对卷积特征平面降维的需求，而且减少了降维过程中的信息损失；
融合层可以根据需求配置不同个数的融合单元，融合单元的设计不再使用正方形的3x3和5x5卷积核，这里使用7x1和1x7的卷积核，通过多层级联，提取更丰富的高级特征，完成高维掌静脉的特征融合；
特征向量表示层将掌静脉的高维卷积特征转换为低维的特征向量，利用Softmax层完成特征向量的学习。
该网络结构首先经过感知层，然后经过4级降维层和融合层，最后经过特征向量表示层，最终完成掌静脉特征的提取。
(2.1)感知层的设置
如图3所示为感知层的网络结构，由1个卷积核为3x7的基础卷积层(BasicConv)，1个卷积核为7x3的基础卷积层，1个求和层(Add)和1个叠加层(Concat)构成。感知层由2条通路构成，1条通路经过卷积核为3x7的基础卷积层，另1条通路经过卷积核为7x3的基础卷积层，然后两条通路经过求和层完成对应通道的求和运算，最后将这三路输出经过叠加层，输出给下一级网络。感知层的两个基础卷积的Stride设置为2，主要因为掌静脉分布稀疏，不需要提取密集的特征，同时可以将卷积特征平面降低，减少计算量。
优选的，所述的基础卷积层，如图4所示，由1个卷积核大小为m x n的卷积层(Convolution)，一个批量化层(BatchNorm)和一个激活函数层(ReLU)构成。首先输入经过卷积核大小为m×n、Stride为s的卷积层，然后经过批量化层，最后经过一个激活函数层。批量化层的主要作用是解决网络梯度消散和爆炸问题，可以更加稳定的训练网络，这里激活函数层选择ReLU，主要因为ReLU是最简单的激活函数，并且实施效果好。
(2.2)降维层的设置
如图5所示为降维层的网络结构，由1个池化层(MaxPool)，2个基础卷积层和1个求和层构成。降维层由2条通路构成，1条通路经过池化层，另1条通路首先经过一个卷积核为1x1的基础卷积层，然后再经过一个卷积核为3x3的基础卷积层，最后将2条通路对应通道求和，作为下一级网络的输入。
卷积核为1x1的基础卷积层主要功能是压缩卷积通道数，降低下一级基础卷积层的计算量。卷积核为3x3的基础卷积层，Stride为2，用于降低卷积特征平面。这样设计的降维层相比直接使用池化层，减少了卷积特征降维过程中的信息损失。
(2.3)融合层的设置
如图6所示为融合层的网络结构，其由多个融合单元级联构成，每个融合单元的网络结构一样，可以根据识别精度和速度，在不同级别的融合层上灵活配置不同的融合单元个数。本发明技术方案中融合层1配置3个融合单元，融合层2配置4个融合单元，融合层3配置6个融合单元，融合层4配置3个融合单元。
优选的，所述的融合单元，如图7所示，其网络结构由3个卷积核为1x1的基础卷积层，2个卷积核为7x1的基础卷积层，2个卷积核为1x7的基础卷积层，1个叠加层和1个求和层构成。融合单元包括4条通路，第1条通路路径依次经过卷积核分别为1x1、7x1和1x7的基础卷积层，第2条通路路径依次经过卷积核为1x1、1x7和7x1的基础卷积层，第3条通路路径只经过卷积核1x1的基础卷积层，第四条为残差路径。将前三条路径的输出结果叠加，叠加后的输出再与第四条残差求和。
融合单元第1条和第2条路径中卷积核为1x1的基础卷积用于压缩输入卷积通道数，减少后续的计算量；第4条路径主要用于引入残差，降低深层网络的退化问题，可以使深层网络获得更高的表达能力。在求和层的计算中，如果残差的通道数小于前三条路径叠加后的总通道数，残差层不足的通道数全部补零计算。
(2.4)特征向量表示层的设置
如图8所示为特征向量表示层的网络结构，特征向量表示层由三个全连接层(FC)，一个激活函数层(ReLU)，一个Dropout层和一个Softmax构成。特征向量表示层首先经过一个大小为4096的全连接层，激活函数层和Dropout层，然后通过大小为512的全连接层，将高维的特征转换为低维的特征向量，即获得掌静脉最终提取的特征向量，最后经过一个大小为8000的全连接层和Softmax层，将低维的特征向量映射到各自的类中心，通过Softmax层的分类功能完成掌静脉特征识别的训练。
在本发明的实施例中，Dropout的参数设置为0.5，主要目的是降低网络过拟合，最后一个全连接层设置为8000，训练中用到了8000类数据训练，如果训练数据不是8000，可以根据实际训练类数作相应的修改。
本发明技术方案针对掌静脉图像的网状结构特殊性，具有横向和纵向的网状特征，通过设计非规则的卷积核并利用多尺度卷积核的特征提取网络，使对掌静脉的特征提取具有良好的适应性和有效性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于多尺度卷积核的掌静脉特征提取方法，其特征在于：采用多尺度卷积核的特征提取网络，并使用3x7、7x3、1x7、7x1的非规则卷积核，对掌静脉图像进行特征提取，得到掌静脉特征向量，所述的采用多尺度卷积核的特征提取网络由1个感知层、4个降维层、4个融合层和1个特征向量表示层构成：
(1)感知层由2个基础卷积层、1个叠加层和1个求和层构成，2个基础卷积核分别为3x7和7x3，感知层对掌静脉的线条型和交叉型的特征进行提取；
(2)降维层由1个池化层、2个基础卷积层和1个求和层构成，基础卷积核分别为1x1和3x3，降维层的主要功能为降低卷积特征平面的维度；
(3)融合层由多个融合单元构成，4个融合层中每个级别的融合层可以根据识别精度和速度的需求，设置不同个数的融合单元，融合层用于封装多个融合单元，构建网络结构；
(4)特征向量表示层由3个全连接层、1个激活函数层，1个Dropout层和一个Softmax层构成，特征向量表示层，用于将掌静脉的高维特征转换为低维的特征向量。
2.根据权利要求1所述的一种基于多尺度卷积核的掌静脉特征提取方法，其特征在于：(1)中所述的基础卷积层由1个卷积核大小为m×n的卷积层、1个批量化层和1个激活函数层构成。
3.根据权利要求1所述的一种基于多尺度卷积核的掌静脉特征提取方法，其特征在于：(3)中的融合单元由3个卷积核为1x1的基础卷积层、2个卷积核为7x1的基础卷积层、2个卷积核为1x7的基础卷积层、1个叠加层和1个求和层构成，包括4条通路，第一条路径依次经过卷积核分别为1x1、7x1和1x7的基础卷积层，第二条路径依次经过卷积核为1x1、1x7和7x1的基础卷积层，第三条路径只经过卷积核为1x1的基础卷积层，第四条为残差路径，将前三条路径的输出结果叠加，叠加后的输出再与第四条残差求和。
4.根据权利要求1所述的一种基于多尺度卷积核的掌静脉特征提取方法，其特征在于：(4)中的特征向量表示层首先经过一个大小为4096的全连接层，激活函数层和Dropout层，然后通过大小为512的全连接层，将高维的特征转换为低维的特征向量，即最终提取的掌静脉特征向量，最后经过一个大小为8000的全连接层和Softmax层，将低维的特征向量映射到各自的类中心，通过Softmax层的分类功能完成掌静脉特征识别的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810787416.0A CN108985231B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多尺度卷积核的掌静脉特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810787416.0A CN108985231B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多尺度卷积核的掌静脉特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108985231A true CN108985231A (zh) | 2018-12-11 |
| CN108985231B CN108985231B (zh) | 2021-08-13 |
Family
ID=64549548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810787416.0A Active CN108985231B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多尺度卷积核的掌静脉特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985231B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046964A (zh) * | 2019-12-18 | 2020-04-21 | 电子科技大学 | 一种基于卷积神经网络的人和车辆红外热图像识别方法 |
| CN111462379A (zh) * | 2020-03-17 | 2020-07-28 | 广东网深锐识科技有限公司 | 一种含掌静脉和人脸识别的门禁管理方法、系统及介质 |
| CN111914560A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技（深圳）有限公司 | 文本蕴含关系识别方法、装置、设备及存储介质 |
| CN112200159A (zh) * | 2020-12-01 | 2021-01-08 | 四川圣点世纪科技有限公司 | 一种基于改进残差网络的非接触式掌静脉识别方法 |
| CN112861743A (zh) * | 2021-02-20 | 2021-05-28 | 厦门熵基科技有限公司 | 一种掌静脉图像防伪方法、装置和设备 |
| CN114240761A (zh) * | 2020-09-09 | 2022-03-25 | 成都鼎桥通信技术有限公司 | 图像去雨模型训练方法、图像去雨方法及设备 |
| CN117315833A (zh) * | 2023-09-28 | 2023-12-29 | 杭州名光微电子科技有限公司 | 一种用于智能门锁的掌静脉识别模组及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631426A (zh) * | 2015-12-29 | 2016-06-01 | 中国科学院深圳先进技术研究院 | 对图片进行文本检测的方法及装置 |
| CN106372581A (zh) * | 2016-08-25 | 2017-02-01 | 中国传媒大学 | 构建及训练人脸识别特征提取网络的方法 |
| CN106710589A (zh) * | 2016-12-28 | 2017-05-24 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音特征提取方法及装置 |
| CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
| CN107688808A (zh) * | 2017-08-07 | 2018-02-13 | 电子科技大学 | 一种快速的自然场景文本检测方法 |
| CN107977683A (zh) * | 2017-12-20 | 2018-05-01 | 南京大学 | 基于卷积特征提取和机器学习的联合sar目标识别方法 |
-
2018
- 2018-07-12 CN CN201810787416.0A patent/CN108985231B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631426A (zh) * | 2015-12-29 | 2016-06-01 | 中国科学院深圳先进技术研究院 | 对图片进行文本检测的方法及装置 |
| CN106372581A (zh) * | 2016-08-25 | 2017-02-01 | 中国传媒大学 | 构建及训练人脸识别特征提取网络的方法 |
| CN106710589A (zh) * | 2016-12-28 | 2017-05-24 | 百度在线网络技术（北京）有限公司 | 基于人工智能的语音特征提取方法及装置 |
| CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
| CN107688808A (zh) * | 2017-08-07 | 2018-02-13 | 电子科技大学 | 一种快速的自然场景文本检测方法 |
| CN107977683A (zh) * | 2017-12-20 | 2018-05-01 | 南京大学 | 基于卷积特征提取和机器学习的联合sar目标识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| CHRISTIAN SZEGEDY 等: "Going Deeper with Convolutions", 《2015 IEEE》 * |
| CHRISTIAN SZEGEDY 等: "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning", 《ARXIV:1602.07261V2 [CS.CV]》 * |
| HAIPENG WAN 等: "Dorsal Hand Vein Recognition Based On Convolutional Neural Networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
| HYUNG GIL HONG 等: "Convolutional Neural Network-Based Finger-Vein Recognition Using NIR Image Sensors", 《SENSORS》 * |
| 吴超 等: "基于深度学习的指静脉识别研究", 《计算机技术与发展》 * |
| 蔺素珍 等: "基于深度堆叠卷积神经网络的图像融合", 《计算机学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046964A (zh) * | 2019-12-18 | 2020-04-21 | 电子科技大学 | 一种基于卷积神经网络的人和车辆红外热图像识别方法 |
| CN111462379A (zh) * | 2020-03-17 | 2020-07-28 | 广东网深锐识科技有限公司 | 一种含掌静脉和人脸识别的门禁管理方法、系统及介质 |
| CN111914560A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技（深圳）有限公司 | 文本蕴含关系识别方法、装置、设备及存储介质 |
| CN114240761A (zh) * | 2020-09-09 | 2022-03-25 | 成都鼎桥通信技术有限公司 | 图像去雨模型训练方法、图像去雨方法及设备 |
| CN114240761B (zh) * | 2020-09-09 | 2023-09-22 | 成都鼎桥通信技术有限公司 | 图像去雨模型训练方法、图像去雨方法及设备 |
| CN112200159A (zh) * | 2020-12-01 | 2021-01-08 | 四川圣点世纪科技有限公司 | 一种基于改进残差网络的非接触式掌静脉识别方法 |
| CN112861743A (zh) * | 2021-02-20 | 2021-05-28 | 厦门熵基科技有限公司 | 一种掌静脉图像防伪方法、装置和设备 |
| CN117315833A (zh) * | 2023-09-28 | 2023-12-29 | 杭州名光微电子科技有限公司 | 一种用于智能门锁的掌静脉识别模组及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108985231B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985231A (zh) | 一种基于多尺度卷积核的掌静脉特征提取方法 | |
| Zhai et al. | DF-SSD: An improved SSD object detection algorithm based on DenseNet and feature fusion | |
| CN104376326B (zh) | 一种用于图像场景识别的特征提取方法 | |
| Zhang et al. | Weakly supervised fine-grained categorization with part-based image representation | |
| CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
| CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
| CN108764063A (zh) | 一种基于特征金字塔的遥感影像时敏目标识别系统及方法 | |
| CN109886986A (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
| CN108399380A (zh) | 一种基于三维卷积和Faster RCNN的视频动作检测方法 | |
| CN107748900A (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 | |
| Wang et al. | Improving human pose estimation with self-attention generative adversarial networks | |
| CN108446694A (zh) | 一种目标检测方法及装置 | |
| CN110046550A (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
| CN109978077A (zh) | 视觉识别方法、装置和系统及存储介质 | |
| WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
| CN109886153A (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
| CN110163117A (zh) | 一种基于自激励判别性特征学习的行人重识别方法 | |
| CN103984954B (zh) | 基于多特征融合的图像合成方法 | |
| CN108920446A (zh) | 一种工程文本的处理方法 | |
| CN108446661A (zh) | 一种深度学习并行化人脸识别方法 | |
| Cui et al. | Hard sample mining and learning for skeleton-based human action recognition and identification | |
| Lin et al. | Lateral refinement network for contour detection | |
| Yan et al. | SEResU-Net for multimodal brain tumor segmentation | |
| CN109740407A (zh) | 一种基于图网络的掌静脉特征提取方法 | |
| Zhu et al. | A sparse-based transformer network with associated spatiotemporal feature for micro-expression recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 510670 17 / F, building 3, Yunsheng Science Park, No. 11, puyuzhong Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. Address before: 510670 5th floor, building 5, No.8, science Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU MELUX INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20231120 Granted publication date: 20210813 |
|
| PP01 | Preservation of patent right | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20231219 Granted publication date: 20210813 |
|
| PD01 | Discharge of preservation of patent |