CN109657567A - 一种基于3d指纹图像的弱监督的特征分析方法及系统 - Google Patents
一种基于3d指纹图像的弱监督的特征分析方法及系统 Download PDFInfo
- Publication number
- CN109657567A CN109657567A CN201811456842.2A CN201811456842A CN109657567A CN 109657567 A CN109657567 A CN 109657567A CN 201811456842 A CN201811456842 A CN 201811456842A CN 109657567 A CN109657567 A CN 109657567A
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- fingerprint
- analysis method
- feature
- characteristic analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000012014 optical coherence tomography Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 8
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于3D指纹图像的弱监督的特征分析方法及系统,所述基于3D指纹图像的弱监督的特征分析方法包括以下步骤:步骤S1,采集指纹图像数据;步骤S2,针对所述指纹图像数据搭建指纹图像特征提取模型;步骤S3,随机采集指纹图像测试数据,并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中,进而对指纹图像测试数据的指纹特征信息进行表征。本发明利用3D指纹图像对指纹图像特征进行分析和识别,实现了对指纹图像特征区域的可视化分析和提取,避免了指纹图像的表面环境对其识别的影响,进而实现了更高正确率和精确度的指纹图像特征提取,提高了抗噪性能,为证实指纹内部特征的存在奠定了很好的技术基础。
Description
技术领域
本发明涉及一种特征分析方法,尤其涉及一种基于3D指纹图像的弱监督的特征分析方法,并设计采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。
背景技术
手指存在许多特征,而指纹作为手指的主要生物特征,具有普遍性、显著性、永久性、可收集性、可接受性和抗规避性等几个理想特性。现有基于传统2D指纹图像的生物特征识别,在指尖表面被严重损坏或存在油污或汗液等情况下,使得不可能或极难形成传统的参考2D指纹图案。随着OCT成像技术的成熟,利用OCT 3D指纹图像分析指纹内部信息,可以很好的避免此类问题。OCT为Optical coherence tomography,即光学相干断层扫描,在本申请中,3D指纹图像指的是OCT 3D指纹图像。
OCT 3D指纹图像所展示的指纹内部信息,清晰展现了指纹的深层结构。同时OCT3D指纹图像由多张纵向指尖图像的截面图构成,单指尖的3D扫描图像数量多于2D,可以提供更多且更完整的指纹特征。但是现有的2D指纹图像分析方法对于OCT 3D指纹图像的特征提取,存在维度损失和特征无法定位等问题,也无法表相应征特征信息。
现有特征提取方法中,深度学习作为一种区别于传统图像处理的图像分析方法在识别精度上表现良好,广泛应用于计算机视觉领域。在深度学习中对特征可视化可以将图像特征信息直观表征在原图像中,对于图像特征的提取、分析有着重要作用,但现有传统可视化方法均不适用于图像的特征分析,且现有深度学习网络所涉及的模型解释可视化技术尚未应用到表征图像特征提取区域中。
发明内容
本发明所要解决的技术问题是需要提供一种能够基于OCT成像技术以实现3D指纹图像的弱监督的特征分析方法,进而提高指纹图像特征提取的准确性和精准度;还进一步提供采用了该基于3D指纹图像的弱监督的特征分析方法的特征分析系统。
对此,本发明提供一种基于3D指纹图像的弱监督的特征分析方法,包括以下步骤:
步骤S1,采集指纹图像数据;
步骤S2,针对所述指纹图像数据搭建指纹图像特征提取模型;
步骤S3,随机采集指纹图像测试数据,并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中,进而对指纹图像测试数据的指纹特征信息进行表征。
本发明的进一步改进在于,所述步骤S2包括以下子步骤:
步骤S21,通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络;
步骤S22,训练特征提取网络,并优化所述特征提取网络的参数;
步骤S23,保存优化后的特征提取网络模型作为指纹图像特征提取模型。
本发明的进一步改进在于,所述步骤S22包括以下子步骤:
步骤S221,输入指纹图像数据,通过卷积结构提取生物信息特征,通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况,进而输出离散化的生物信息特征标签;
步骤S222,反馈对生物信息特征的提取结果,进而对特征提取网络的参数进行调整,所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模型进行迭代更新。
本发明的进一步改进在于,所述步骤S221的训练特征提取网络过程中,采用两块以上的显卡并行计算和训练,先通过对每一块显卡进行机器学习和训练,实现更新迭代,并计算两块以上的显卡的均值以实现变量的更新;然后将更新后的变量参数返回到至CPU中,以输入至每一块显卡中,实现反复迭代。
本发明的进一步改进在于,所述步骤S3包括以下子步骤:
步骤S31,随机采集指纹图像测试数据;
步骤S32,将所述指纹图像测试数据输入所述指纹图像特征提取模型中;
步骤S33,在所述指纹图像特征提取模型中对指纹图像测试数据进行表征。
本发明的进一步改进在于,所述步骤S33包括以下子步骤:
步骤S331,使用引导反向传播表征所提取的指纹图像特征区域;
步骤S332,使用梯度加权类激活映射表征所提取的指纹图像特征区域;
步骤S333,将步骤S331和步骤S332所述的两种表征方法相结合来表征所提取的指纹图像特征区域。
本发明的进一步改进在于,所述步骤S331中,使用引导反向传播表征所提取的指纹图像特征区域的过程为:在梯度传播时,只传递输入大于零所对应的指纹图像特征的梯度至所述指纹图像特征提取模型中的输入端,得到的权重叠加到指纹图像特征中,得到初步的指纹图像特征区域。
本发明的进一步改进在于,所述步骤S332中,使用梯度加权类激活映射表征所提取的指纹图像特征区域的过程为:在网络最后一层中使用全局平均池化,通过加权和得到输出,并对输出进行上采样,得到每对指纹图像特征所对应的权重,并将指纹图像特征所对应的权重叠加到原指纹图像中以得到梯度加权类激活映射后的指纹图像特征区域。
本发明的进一步改进在于,所述步骤S333中,对指纹图像特征提取模型反向计算其隐藏层梯度,并得到卷积层的权重值和经上采样之后得到特征图像的权重值进行相乘,并叠加到原指纹图像中以得到最终的指纹图像特征区域。
本发明还提供一种基于3D指纹图像的弱监督的特征分析系统,采用了如上所述的基于3D指纹图像的弱监督的特征分析方法。
与现有技术相比,本发明的有益效果在于:利用3D指纹图像对指纹图像特征进行分析和识别,实现了对指纹图像特征区域的可视化分析和提取,避免了指纹图像的表面环境对其识别的影响,进而实现了更高正确率和精确度的指纹图像特征提取,提高了抗噪性能,为证实指纹内部特征的存在奠定了很好的技术基础。
附图说明
图1是本发明一种实施例的工作流程示意图;
图2是本发明一种实施例的训练特征提取网络的工作原理示意图;
图3是本发明一种实施例对指纹特征信息进行表征的工作原理示意图。
具体实施方式
下面结合附图,对本发明的较优的实施例作进一步的详细说明。
如图1至图3所示,本例提供一种基于3D指纹图像的弱监督的特征分析方法,包括以下步骤:
步骤S1,采集指纹图像数据;
步骤S2,针对所述指纹图像数据搭建指纹图像特征提取模型;
步骤S3,随机采集指纹图像测试数据,并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中,进而对指纹图像测试数据的指纹特征信息进行表征。
本例所述基于3D指纹图像的弱监督的特征分析方法,即通过输入3D指纹图像和所其具有的生物信息特征的离散化标签值,在进行特征提取过程中,表征OCT 3D指纹图形所对应的生物特征信息的分布情况。
本例所述步骤S1中,通过OCT(光学相干断层扫描)采集的3D指纹图像作为训练数据,优选为集同一用户的同一个手指至少400张的指纹图像作为指纹图像数据,以保证训练数据的准确性。
本例所述步骤S2包括以下子步骤:
步骤S21,通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络;
步骤S22,训练特征提取网络,并优化所述特征提取网络的参数;
步骤S23,保存优化后的特征提取网络模型作为指纹图像特征提取模型。
本例所述步骤S21中,采用现有的深度学习算法进行网络的搭建;本例所述步骤S22包括以下子步骤:
步骤S221,输入指纹图像数据,通过卷积结构提取生物信息特征,通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况,进而输出离散化的生物信息特征标签;
步骤S222,反馈对生物信息特征的提取结果,进而对特征提取网络的参数进行调整,所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模型进行迭代更新。
本例所述步骤S221的训练特征提取网络过程中,采用两块以上的显卡并行计算和训练,先通过对每一块显卡进行机器学习和训练,实现更新迭代,并计算两块以上的显卡的均值以实现变量的更新;然后将更新后的变量参数返回到至CPU中,以输入至每一块显卡中,实现反复迭代。
如图2所示,本例所述步骤S221中,采用两块以上的显卡并行计算和训练,其中将指纹图像特征提取网络放至每张显卡中进行训练,得到的结果为当前训练训练次数下单显卡的梯度值、损失函数值和判别正确率,将上述每张显卡中的3个结果返回到CPU中并分别求均值,得到显卡计算出的梯度值、损失函数值和判别正确率,在CPU中根据显卡的计算出的梯度值反向传播,对判别模型中的参数(包括权重和偏置等)逐层求偏导数,进行参数更新,并将参数更新后的指纹图像特征提取网络再放入显卡中继续训练,实现网络参数的更新迭代。
本例所述步骤S221采用多显卡并行计算加快网络训练速度,比如使用三块显卡进行计算为例。在CPU中实现具体算法中相关参数的更新迭代并输入GPU中,在三块GPU中实现机器学习和深度学习算法的训练过程,即实现变量的更新,并将计算的参数返回到CPU中,反复迭代,进而能够提高训练的准确性和精确度。
更为具体的,本例所述步骤S22中,通过深度学习算法进行弱监督学习训练,提取图像特征是指针对指纹图像提取具有离散化生物信息标签,所述离散化生物信息标签包括血型、性别和年龄等,通过指纹图像特征提取模型寻找离散化的生物信息标签的作用域以及其对应特征分布中的生物信息特征,生物信息特征指的是,血型包括A型、B型、AB型和O型,性别包括男性和女性等。
关于所述指纹图像特征提取模型,本例针对指纹图像提取具有离散化生物信息标签,这一过程通过定义指纹信息场为M、离散化特征判别器G以及指纹特征提取器为F来实现,则所述指纹图像特征提取模型可定义为:min Remp(G)s.t.G=F(M),其中,Remp为经验风险泛函,本例以使用cross-entropy为例作为Remp,以ResNet深度学习算法为例;在实验中,将指纹生物特征信息场M近似为指纹内部图像即,M~Image。其中,所述指纹图像特征提取模型公式min Remp(G)s.t.G=F(M)的意思为:在特征提取器F(M)中提取出指纹生物特征信息场M中的某种特征满足离散化特征判别器G的约束条件下,使得离散化特征判别器G的经验风险泛函Remp最小;s.t.G指的是(subject to离散化特征判别器G)译为受约束于离散化特征判别器G。
通过求解该优化问题,即可得到离散化特征判别器G。定义正确率ACC,其中,TM和LM分别为指纹图像数据的测试集的样本和标签(生物信息标签),而sgn则为符号函数,即其中,G(M)指的是在指纹生物特征信息场M下的离散化特征判别器G。
本例所述步骤S3包括以下子步骤:
步骤S31,随机采集指纹图像测试数据;
步骤S32,将所述指纹图像测试数据输入所述指纹图像特征提取模型中;
步骤S33,在所述指纹图像特征提取模型中对指纹图像测试数据进行表征。其原理如图3所示,更为具体的,所述步骤S33包括以下子步骤:
步骤S331,使用引导反向传播(Guided Backpropagation)表征所提取的指纹图像特征区域;
步骤S332,使用梯度加权类激活映射(Grad-Cam)表征所提取的指纹图像特征区域;
步骤S333,将步骤S331和步骤S332所述的两种表征方法相结合来表征所提取的指纹图像特征区域,即通过Guided Grad-CAM来表征所提取的指纹图像特征区域。其中,Guided Grad-CAM为Gradient-weighted Class Activation Mapping,译为梯度加权类激活映射技术,Guided Grad-CAM也称为导向梯度加权类激活映射。
本例所述步骤S33用于提取ROI区域(指纹图像特征区域),即使用S331至步骤S333所包括的子步骤实现可视化表征指纹图像中所提取出的生物信息特征所在的位置分布。
更为具体的,本例所述步骤S331中,使用引导反向传播表征所提取的指纹图像特征区域的过程为:在梯度传播时,只传递输入大于零所对应的指纹图像特征的梯度至所述指纹图像特征提取模型中的输入端,得到的卷积层权重叠加到指纹图像特征中,得到初步的指纹图像特征区域。
本例步骤S331中,通过离散化特征判别器G和模型的输出标签得到理想标签Lg即,Lg=LTM G(M),其中,LTM指的是生物信息标签LM矩阵的转置,G(M)指的是在指纹生物特征信息场M下的离散化特征判别器G。
然后反向计算隐藏层的梯度,得到了卷积层的权重W,通过公式实现卷积层权重的计算,其中,Keri表示第i卷积核处的梯度向量,表示从x和y方向计算出的梯度向量之和,height(Keri)表示梯度向量的高度方向,weight(Keri)表示梯度向量的宽度方向,x表示高度(height)方向上的变量,y表示宽度(weight)方向上的变量,num(Keri)表示梯度向量的个数;i表示第i卷积核,取自然数。
以权重W将卷积核的输出与指纹图像特征进行叠加,即得到了离散特征判别器G的兴趣区域ImageROI,其中。output(Keri,M)表示在指纹生物特征信息场M为模型离散化特征判别器G的输入时,梯度向量Keri的输出值;HL为该隐藏层。
本例所述步骤S332中,使用梯度加权类激活映射表征所提取的指纹图像特征区域的公式如下:其中,表示在网络最后一层中使用全局平均池化,即得到最后一个卷积层每个特征图的均值;表示通过反向传播得到的梯度;c指的是分类类别;yc指的是对应类别的分数;A表示开始反向传播的卷积层名称;Ak指的是A卷积层的特征映射;k表示第k个特征图。对反向传播得到的梯度进行全局平均池化便可得到权重
由公式可知,通过对权重和A卷积层的特征映射加权求和,并使用ReLU激活函数(ReLU激活函数为神经元激活函数)进行映射即可得到输出权重将此输出权重上采样至原图像并与原指纹图像叠加,得到梯度加权类激活映射后的指纹图像特征区域。
本例所述步骤S333中,对步骤S331指纹图像特征提取模型反向计算其隐藏层梯度,得到卷积层的权重值Wi与步骤S332中经上采样之后得到特征图像的权重值相乘,并叠加到原指纹图像中以得到最终的指纹图像特征区域。
本例还提供一种基于3D指纹图像的弱监督的特征分析系统,采用了如上所述的基于3D指纹图像的弱监督的特征分析方法。
综上所述,本例利用3D指纹图像对指纹图像特征进行分析和识别,实现了对指纹图像特征区域的可视化分析和提取,避免了指纹图像的表面环境对其识别的影响,进而实现了更高正确率和精确度的指纹图像特征提取,提高了抗噪性能,为证实指纹内部特征的存在奠定了很好的技术基础。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于3D指纹图像的弱监督的特征分析方法,其特征在于,包括以下步骤:
步骤S1,采集指纹图像数据;
步骤S2,针对所述指纹图像数据搭建指纹图像特征提取模型;
步骤S3,随机采集指纹图像测试数据,并将所述指纹图像测试数据输入至所述指纹图像特征提取模型中,进而对指纹图像测试数据的指纹特征信息进行表征。
2.根据权利要求1所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S2包括以下子步骤:
步骤S21,通过深度学习算法搭建对指纹图像进行特征提取的特征提取网络;
步骤S22,训练所述特征提取网络,并优化所述特征提取网络的参数;
步骤S23,保存优化后的特征提取网络模型作为指纹图像特征提取模型。
3.根据权利要求2所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S22包括以下子步骤:
步骤S221,输入指纹图像数据,通过卷积结构提取生物信息特征,通过损失函数和优化器提取所述生物信息特征在生物信息标签下的特征分布情况,进而输出离散化的生物信息特征标签;
步骤S222,反馈对生物信息特征的提取结果,进而对特征提取网络的参数进行调整,所述对特征提取网络的参数进行调整的过程为在迭代过程中对特征提取网络的损失函数、优化器和网络模型进行迭代更新。
4.根据权利要求3所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S221的训练特征提取网络过程中,采用两块以上的显卡并行计算和训练,先通过对每一块显卡进行机器学习和训练,实现更新迭代,并计算两块以上的显卡的均值以实现变量的更新;然后将更新后的变量参数返回到至CPU中,以输入至每一块显卡中,实现反复迭代。
5.根据权利要求1至4任意一项所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S3包括以下子步骤:
步骤S31,随机采集指纹图像测试数据;
步骤S32,将所述指纹图像测试数据输入所述指纹图像特征提取模型中;
步骤S33,在所述指纹图像特征提取模型中对指纹图像测试数据进行表征。
6.根据权利要求5所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S33包括以下子步骤:
步骤S331,使用引导反向传播表征所提取的指纹图像特征区域;
步骤S332,使用梯度加权类激活映射表征所提取的指纹图像特征区域;
步骤S333,将步骤S331和步骤S332所述的两种表征方法相结合来表征所提取的指纹图像特征区域。
7.根据权利要求6所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S331中,使用引导反向传播表征所提取的指纹图像特征区域的过程为:在梯度传播时,只传递输入大于零所对应的指纹图像特征的梯度至所述指纹图像特征提取模型中的输入端,得到的权重叠加到指纹图像特征中,得到初步的指纹图像特征区域。
8.根据权利要求7所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S332中,使用梯度加权类激活映射表征所提取的指纹图像特征区域的过程为:在网络最后一层中使用全局平均池化,通过加权和得到输出,并对输出进行上采样,得到每对指纹图像特征所对应的权重,并将指纹图像特征所对应的权重叠加到原指纹图像中以得到梯度加权类激活映射后的指纹图像特征区域。
9.根据权利要求8所述的基于3D指纹图像的弱监督的特征分析方法,其特征在于,所述步骤S333中,对指纹图像特征提取模型反向计算其隐藏层梯度,并得到卷积层的权重值和经上采样之后得到特征图像的权重值进行相乘,并叠加到原指纹图像中以得到最终的指纹图像特征区域。
10.一种基于3D指纹图像的弱监督的特征分析系统,其特征在于,采用了如权利要求1至9任意一项所述的基于3D指纹图像的弱监督的特征分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456842.2A CN109657567B (zh) | 2018-11-30 | 2018-11-30 | 一种基于3d指纹图像的弱监督的特征分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456842.2A CN109657567B (zh) | 2018-11-30 | 2018-11-30 | 一种基于3d指纹图像的弱监督的特征分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657567A true CN109657567A (zh) | 2019-04-19 |
CN109657567B CN109657567B (zh) | 2022-09-02 |
Family
ID=66111151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811456842.2A Active CN109657567B (zh) | 2018-11-30 | 2018-11-30 | 一种基于3d指纹图像的弱监督的特征分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657567B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110287970A (zh) * | 2019-06-25 | 2019-09-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
CN110309738A (zh) * | 2019-06-17 | 2019-10-08 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110909614A (zh) * | 2019-10-28 | 2020-03-24 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344823A1 (en) * | 2016-05-26 | 2017-11-30 | Alitheon, Inc. | Controlled authentication of physical objects |
CN107480649A (zh) * | 2017-08-24 | 2017-12-15 | 浙江工业大学 | 一种基于全卷积神经网络的指纹汗孔提取方法 |
CN108446633A (zh) * | 2018-03-20 | 2018-08-24 | 深圳大学 | 一种新型指纹自动防伪与活体检测的方法、系统及装置 |
-
2018
- 2018-11-30 CN CN201811456842.2A patent/CN109657567B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170344823A1 (en) * | 2016-05-26 | 2017-11-30 | Alitheon, Inc. | Controlled authentication of physical objects |
CN107480649A (zh) * | 2017-08-24 | 2017-12-15 | 浙江工业大学 | 一种基于全卷积神经网络的指纹汗孔提取方法 |
CN108446633A (zh) * | 2018-03-20 | 2018-08-24 | 深圳大学 | 一种新型指纹自动防伪与活体检测的方法、系统及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110176001B (zh) * | 2019-06-03 | 2021-09-03 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110309738A (zh) * | 2019-06-17 | 2019-10-08 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110309738B (zh) * | 2019-06-17 | 2022-09-30 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110287970A (zh) * | 2019-06-25 | 2019-09-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
CN110287970B (zh) * | 2019-06-25 | 2021-07-27 | 电子科技大学 | 一种基于cam与掩盖的弱监督物体定位方法 |
CN110909614A (zh) * | 2019-10-28 | 2020-03-24 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
CN110909614B (zh) * | 2019-10-28 | 2023-04-07 | 陕西科技大学 | 一种将自编码网络用于指纹性别分类的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109657567B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657567A (zh) | 一种基于3d指纹图像的弱监督的特征分析方法及系统 | |
Liu et al. | Attribute-aware face aging with wavelet-based generative adversarial networks | |
Huang et al. | Faster R-CNN for marine organisms detection and recognition using data augmentation | |
CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Chen et al. | Automatic feature extraction in X-ray image based on deep learning approach for determination of bone age | |
Batool et al. | Fast detection of facial wrinkles based on Gabor features using image morphology and geometric constraints | |
CN104850825B (zh) | 一种基于卷积神经网络的人脸图像颜值计算方法 | |
CN111210467A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
Wang et al. | GKFC-CNN: Modified Gaussian kernel fuzzy C-means and convolutional neural network for apple segmentation and recognition | |
Akrim et al. | Classification of Tajweed Al-Qur'an on Images Applied Varying Normalized Distance Formulas | |
CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
CN108764250A (zh) | 一种运用卷积神经网络提取本质图像的方法 | |
Malm et al. | Simulation of bright‐field microscopy images depicting pap‐smear specimen | |
CN109508692A (zh) | 一种基于3d指纹图像的性别识别方法及系统 | |
CN113221660B (zh) | 一种基于特征融合的跨年龄人脸识别方法 | |
CN109657586A (zh) | 一种基于排序卷积神经网络的人脸表情分析方法及系统 | |
Yu et al. | Research on clothing patterns generation based on multi-scales self-attention improved generative adversarial network | |
CN117058723A (zh) | 掌纹识别方法、装置及存储介质 | |
CN110263620B (zh) | 一种基于l2,1偏标记学习的年龄估计方法 | |
Tunc et al. | Age group and gender classification using convolutional neural networks with a fuzzy logic-based filter method for noise reduction | |
CN110210562A (zh) | 基于深度网络和稀疏Fisher矢量的图像分类方法 | |
Zhang et al. | Digital instruments recognition based on PCA-BP neural network | |
CN111914751B (zh) | 一种图像人群密度识别检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190419 Assignee: Nanjing Baoyan Technology Development Co.,Ltd. Assignor: SHENZHEN University Contract record no.: X2023980046871 Denomination of invention: A weakly supervised feature analysis method and system based on 3D fingerprint images Granted publication date: 20220902 License type: Common License Record date: 20231113 |
|
EE01 | Entry into force of recordation of patent licensing contract |