CN111950454B - 一种基于双向特征提取的手指静脉识别方法 - Google Patents
一种基于双向特征提取的手指静脉识别方法 Download PDFInfo
- Publication number
- CN111950454B CN111950454B CN202010807107.2A CN202010807107A CN111950454B CN 111950454 B CN111950454 B CN 111950454B CN 202010807107 A CN202010807107 A CN 202010807107A CN 111950454 B CN111950454 B CN 111950454B
- Authority
- CN
- China
- Prior art keywords
- finger vein
- data set
- feature
- bidirectional
- finger
- 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.)
- Active
Links
- 210000003462 vein Anatomy 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 14
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000013526 transfer learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于双向特征提取的手指静脉识别方法，涉及接触式识别技术领域。该方法获取指静脉数据集，在获取的数据集基础上制作位置信息相反的指静脉数据集，并对所得两个数据集进行图像预处理；使用单向指静脉数据集训练、保存CNN网络模型，在此基础上调整网络结构形成指静脉特征提取器；并通过指静脉特征提取器提取单向指静脉数据的指静脉特征；连接两个指静脉数据集下的单向指静脉特征信息形成双向指静脉特征信息；最后将双向指静脉特征信息通过SVM分类器训练、测试得到指静脉识别结果；本发明方法包括两次提取指静脉图像特征的过程，同一份指静脉图片，经过此过程能获得更多的、更丰富的特征信息。
Description
技术领域
本发明涉及接触式识别技术领域，尤其涉及一种基于双向特征提取的手指静脉识别方法。
背景技术
手指静脉识别技术具有活体识别、防伪性高的特点，被广泛应用于信息安全、网络支付等领域。基于以上优点，指静脉识别技术备受研究者们关注。手指静脉识别过程通常由两个过程组成，即特征提取与匹配。指静脉图像包含许多不规则的纹理信息、阴影部分和噪声点，同一根手指的指静脉图像具有相似的信息，不同根的手指静脉图像则差别较大，因此人们通常从指静脉图像中提取有效的静脉图案，之后通过匹配策略达到指静脉识别的目的。
现有的指静脉识别方法模型，其大致分为非学习模型以及学习模型两个类别。第一种主要是通过提取指静脉的特征向量、二值静脉纹理或者特征点，最后通过匹配策略达到指静脉识别的目的。以上方法容易受到指静脉图片质量、纹理缺失等问题的严重影响，识别过程鲁棒性不高。
为了解决以上问题，人们开始引入基于学习模型的指静脉识别方法，此类方法具有很强的稳健性，不易受到指静脉图片质量、位置信息的影响。此类方法虽然获得了较好的效果，但仍需要部分主观算法的特征提取，并且系统的分块执行也增加了研究的复杂度。近年来，CNN在生物识别领域的应用越来越广泛，深度的特征提取与稳健性强等优点提升了指静脉识别的性能，但是识别准确率方面仍有进一步提升的空间。迁移学习的出现则解决了CNN训练过程中参数量训练巨大，收敛缓慢的问题。这些研究为迁移学习在生物特征识别技术领域中的应用奠定了理论基础。
以上提到的指静脉识别方法仅采用单方向的手指静脉数据集做特征提取以及后续的识别步骤，所得识别准确率均不太理想，在实际应用中，容易产生一些安全隐患。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于双向特征提取的手指静脉识别方法，通过两次提取指静脉图像特征，实现对手指静脉识别。
为解决上述技术问题，本发明所采取的技术方案是：一种基于双向特征提取的手指静脉识别方法，获取指静脉数据集，在获取的数据集基础上制作位置信息相反的指静脉数据集并对所得两个数据集进行图像预处理；使用单向指静脉数据集训练、保存CNN网络模型，在此基础上调整网络结构形成指静脉特征提取器；并通过指静脉特征提取器提取单向指静脉数据的指静脉特征；连接两个指静脉数据集下的单向指静脉特征信息形成双向指静脉特征信息；最后将双向指静脉特征信息通过SVM分类器训练、测试得到指静脉识别结果；
具体包括以下步骤：
步骤1：获取手指静脉数据集作为正向指静脉数据集，制作手指静脉图像位置信息相反的数据集作为反向指静脉数据集，并对以上正反两个指静脉数据集进行图像预处理；
所述图像预处理包括均值滤波、ROI提取、区域截取、尺寸归一化和图像增强处理；所述ROI提取包括边缘检测、骨骼化、闭合操作以及去噪；所述图像增强采用自适应直方图均衡化算法对手指静脉图像进行增强处理；
所述的制作位置信息相反的指静脉数据集的方法为：在原有指静脉数据集的基础上将指静脉图像旋转180°得到新的单向指静脉数据集；
步骤2：采用正反两个指静脉数据集分别训练CNN并保存网络模型，并移除预训练CNN网络的Softmax分类层后加入池化层以及2048维的全连接层，得到正反两个指静脉特征提取器；
步骤3：将获取到的正向指静脉数据集以及制作的位置信息相反的指静脉数据集分别输入搭建好的正反两个指静脉特征提取器中，两个指静脉特征提取器均以前馈方式输出2048维向量，以此作为正向或反向指静脉图像的特征表示；
步骤4：将两个指静脉特征提取器输出的两份位置信息相反的指静脉特征对应连接在一起，形成手指静脉数据集的指静脉双向特征；
步骤5：通过手指静脉数据集的指静脉双向特征对SVM进行训练与测试，实现对手指静脉的识别。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于双向特征提取的手指静脉识别方法，通过图像预处理可以有效提取手指静脉图片的ROI区域，与传统方法相比更能清晰还原原始图像，具有一定的自适应性，为后续的指静脉识别步骤提供良好的图像基础。本发明的指静脉特征提取器，将传统的CNN更改为特征提取器，为后续的特征提取以及特征连接奠定基础。传统的卷积神经网络提取图像特征的过程是采取自左往右、自上而下的顺序。本发明方法包含两次提取指静脉图像特征的过程，同一份指静脉图片，经过此过程能获得更多的、更丰富的特征信息，进而对后续的识别结果产生重要影响。本发明提出的方法是现有手指静脉识别方法的有效补充和替代，为未来实现识别准确率高的手指静脉识别系统提供帮助。
附图说明
图1为本发明实施例提供的一种基于双向特征提取的手指静脉识别方法的流程图；
图2为本发明实施例提供的一种基于双向特征提取的手指静脉识别方法的过程示意图；
图3为本发明实施例提供的指静脉图像预处理过程示意图，其中，(a)为原始静脉图像，(b)为均值滤波，(c)为边缘检测，(d)为闭合操作，(e)为骨骼化，(f)为去噪，(g)为区域截取，(h)为尺寸归一化，(i)为图像增强；
图4为本发明实施例提供的单向手指静脉识别模型的识别过程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于双向特征提取的手指静脉识别方法，获取指静脉数据集，在获取的数据集基础上制作位置信息相反的指静脉数据集并对所得两个数据集进行图像预处理；使用单向指静脉数据集训练、保存CNN网络模型，在此基础上调整网络结构形成指静脉特征提取器；并通过指静脉特征提取器提取单向指静脉数据的指静脉特征；连接两个指静脉数据集下的单向指静脉特征信息形成双向指静脉特征信息；最后将双向指静脉特征信息通过SVM分类器训练、测试得到指静脉识别结果；
具体如图1和2所示，包括以下步骤：
步骤1：获取手指静脉数据集作为正向指静脉数据集，制作手指静脉图像位置信息相反的数据集作为反向指静脉数据集，并对以上正反两个指静脉数据集进行图像预处理；
所述图像预处理如图3所示，包括均值滤波、ROI提取、区域截取、尺寸归一化和图像增强处理；所述ROI提取包括边缘检测、骨骼化、闭合操作以及去噪；所述图像增强采用自适应直方图均衡化算法对手指静脉图像进行增强处理；
所述的制作位置信息相反的指静脉数据集的方法为：在原有指静脉数据集的基础上将指静脉图像旋转180°得到新的单向指静脉数据集；
步骤2：采用正反两个指静脉数据集分别训练CNN并保存网络模型，并移除预训练CNN网络的Softmax分类层后加入池化层以及2048维的全连接层，得到正反两个指静脉特征提取器；
步骤3：将获取到的正向指静脉数据集以及制作的位置信息相反的指静脉数据集分别输入搭建好的正反两个指静脉特征提取器中，两个指静脉特征提取器均以前馈方式输出2048维向量，以此作为正向或反向指静脉图像的特征表示；
步骤4：将两个指静脉特征提取器输出的两份位置信息相反的指静脉特征对应连接在一起，形成手指静脉数据集的指静脉双向特征；
步骤5：通过手指静脉数据集的指静脉双向特征对SVM进行训练与测试，实现对手指静脉的识别。
实施例1：
步骤1、本实施例所采用的指静脉数据集使用马来西亚理工大学公开的指静脉数据库(FV-USM)中的图像。FV-USM中一共有492个类别的指静脉图像，每个类别图像为6张。本实施例将FV-USM数据库中原来所有的指静脉数据图像均旋转180°，制作一份新的位置信息相反的数据集，并将原来的FV-USM称为正向数据集(A FV-USM)，旋转后的数据集称为反向数据集(B FV-USM)。然后对以上正反两个数据集进行，均值滤波、ROI提取、尺寸归一化、图像增强等图像预处理操作。
步骤2、将FV-USM数据集下的训练集与测试集比例设置为2:1，遵循Vgg19网络结构和参数进行手指静脉识别网络搭建，此处提到的参数为网络参数的设置，如网络初始化、迭代步长、批处理数、激活函数设置等。迁移学习的出现解决了CNN训练过程中参数量训练巨大，收敛缓慢的问题，本发明中CNN训练过程也用到了迁移学习技术。以上所述准备完毕后，训练以上两份单向指静脉数据集并保存网络模型。移除预训练网络模型最后的Softmax分类层，在其后加入池化层以及2048维全连接层，将其当做固定的指静脉特征提取器；
步骤3：将A FV-USM、B FV-USM分别输入搭建好的指静脉特征提取器中，每个特征提取器以前馈方式输出2048维特征向量，并以此作为单向指静脉图像的特征表示；
步骤4：将得到的两份单向的指静脉特征对应连接在一起，形成原始指静脉数据集下的指静脉双向特征。如将A FV-USM数据集下的Vgg19网络模型提取的特征向量与B FV-USM数据集下的Vgg19网络模型提取的特征向量连接，组成代表该数据集的双向特征。经过上述处理得到4096维的指静脉特征向量，最后对连接得到的4096维的特征向量通过SVM进行训练与测试得到指静脉数据集的识别结果。
传统的CNN识别方法对指静脉的识别过程如图4所示，本实施例中，在Vgg19网络结构的基础上，采用传统的CNN识别方法对FV-USM数据集中指静脉的识别率为96.33％，而采用本发明所提出的基于双向特征提取的手指静脉识别方法得到的指静脉识别率为98.00％。据此可以说明，本发明的基于双向特征提取的手指静脉识别方法与传统的CNN识别方法相比存在着明显的优势。
实施例2：
本实施例所采用的指静脉数据集与实施例1相同，均使用马来西亚理工大学公开的指静脉数据库(FV-USM)中的图像；制作反向数据集指静脉数据集以及图像预处理过程也与实施例相同，但本实施例中的CNN采用ResNet50网络结构，并遵循ResNet50网络结构和参数进行手指静脉识别网络搭建。然后与实施例1步骤相同，再基于此手指静脉识别网络形成指静脉特征提取器；并通过指静脉特征提取器提取单向指静脉数据的指静脉特征；连接两个指静脉数据集下的单向指静脉特征信息形成双向指静脉特征信息；最后将双向指静脉特征信息通过SVM分类器训练、测试得到指静脉识别结果。
本实施例中，在ResNet50网络结构基础上，采用传统的CNN识别方法对FV-USM数据集中指静脉的识别率为99.33％，采用本发明所提出的基于双向特征提取的手指静脉识别方法得到的指静脉识别率为99.67％。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于双向特征提取的手指静脉识别方法，其特征在于：首先获取指静脉数据集，在获取的数据集基础上制作位置信息相反的指静脉数据集，并对所得两个数据集进行图像预处理；再使用单向指静脉数据集训练、保存CNN网络模型，在此基础上调整网络结构形成指静脉特征提取器；并通过指静脉特征提取器提取单向指静脉数据的指静脉特征；连接两个指静脉数据集下的单向指静脉特征信息形成双向指静脉特征信息；最后将双向指静脉特征信息通过SVM分类器训练、测试得到指静脉识别结果；
具体包括以下步骤：
步骤1：获取手指静脉数据集作为正向指静脉数据集，制作手指静脉图像位置信息相反的数据集作为反向指静脉数据集，并对以上正反两个指静脉数据集进行图像预处理；
制作位置信息相反的指静脉数据集的方法为：在原有指静脉数据集的基础上将指静脉图像旋转180°得到新的单向指静脉数据集；
步骤2：采用正反两个指静脉数据集分别训练CNN并保存网络模型，并移除预训练CNN网络的Softmax分类层后加入池化层以及2048维的全连接层，得到正反两个指静脉特征提取器；
步骤3：将获取到的正向指静脉数据集以及制作的位置信息相反的指静脉数据集分别输入搭建好的正反两个指静脉特征提取器中，两个指静脉特征提取器均以前馈方式输出2048维向量，以此作为正向或反向指静脉图像的特征表示；
步骤4：将两个指静脉特征提取器输出的两份位置信息相反的指静脉特征对应连接在一起，形成手指静脉数据集的指静脉双向特征；
步骤5：通过手指静脉数据集的指静脉双向特征对SVM进行训练与测试，实现对手指静脉的识别。
2.根据权利要求1所述的一种基于双向特征提取的手指静脉识别方法，其特征在于：所述图像预处理包括均值滤波、ROI提取、区域截取、尺寸归一化和图像增强处理；所述ROI提取包括边缘检测、骨骼化、闭合操作以及去噪；所述图像增强采用自适应直方图均衡化算法对手指静脉图像进行增强处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807107.2A CN111950454B (zh) | 2020-08-12 | 2020-08-12 | 一种基于双向特征提取的手指静脉识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010807107.2A CN111950454B (zh) | 2020-08-12 | 2020-08-12 | 一种基于双向特征提取的手指静脉识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950454A CN111950454A (zh) | 2020-11-17 |
| CN111950454B true CN111950454B (zh) | 2024-04-02 |
Family
ID=73333335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010807107.2A Active CN111950454B (zh) | 2020-08-12 | 2020-08-12 | 一种基于双向特征提取的手指静脉识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950454B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076927B (zh) * | 2021-04-25 | 2023-02-14 | 华南理工大学 | 基于多源域迁移的指静脉识别方法及系统 |
| CN117437665A (zh) * | 2023-11-27 | 2024-01-23 | 江苏芯灵智能科技有限公司 | 一种手指静脉特征提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180132535A (ko) * | 2017-06-02 | 2018-12-12 | 동국대학교 산학협력단 | Cnn 기반 지정맥 인식 장치 및 인식 방법 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
| CN110555380A (zh) * | 2019-07-30 | 2019-12-10 | 浙江理工大学 | 基于Center Loss损失函数的指静脉识别方法 |
| CN111209850A (zh) * | 2020-01-04 | 2020-05-29 | 圣点世纪科技股份有限公司 | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 |
-
2020
- 2020-08-12 CN CN202010807107.2A patent/CN111950454B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180132535A (ko) * | 2017-06-02 | 2018-12-12 | 동국대학교 산학협력단 | Cnn 기반 지정맥 인식 장치 및 인식 방법 |
| CN109815869A (zh) * | 2019-01-16 | 2019-05-28 | 浙江理工大学 | 一种基于fcn全卷积网络的指静脉识别方法 |
| CN110555380A (zh) * | 2019-07-30 | 2019-12-10 | 浙江理工大学 | 基于Center Loss损失函数的指静脉识别方法 |
| CN110555382A (zh) * | 2019-07-31 | 2019-12-10 | 浙江理工大学 | 一种基于深度学习和Wasserstein距离度量的指静脉识别方法 |
| CN111209850A (zh) * | 2020-01-04 | 2020-05-29 | 圣点世纪科技股份有限公司 | 一种基于改进cGAN网络生成适用多设备识别指静脉图像的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于分块双向二维主成分分析的人脸目标识别;乐新宇 等;计算机技术与发展;20190131;第29卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950454A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339847B (zh) | 一种基于图卷积神经网络的人脸情绪识别方法 | |
| Zhang et al. | GAN-based image augmentation for finger-vein biometric recognition | |
| CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
| CN111950454B (zh) | 一种基于双向特征提取的手指静脉识别方法 | |
| CN110084149B (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
| CN104778448A (zh) | 一种基于结构自适应卷积神经网络的人脸识别方法 | |
| CN109493295A (zh) | 一种非局部哈尔变换图像去噪方法 | |
| CN111401211A (zh) | 一种采用图像增广和小样本学习的虹膜识别方法 | |
| Luo et al. | 3D face recognition based on deep learning | |
| CN112613479A (zh) | 基于轻量流式网络和注意力机制的表情识别方法 | |
| CN112949560A (zh) | 双通道特征融合下长视频表情区间连续表情变化识别方法 | |
| CN107516083B (zh) | 一种面向识别的远距离人脸图像增强方法 | |
| CN106845362B (zh) | 一种基于多尺度变换的稀疏表示的人脸识别方法 | |
| CN110991326A (zh) | 基于Gabor滤波器和改进极限学习机的步态识别方法及系统 | |
| CN108090460B (zh) | 基于韦伯多方向描述子的人脸表情识别特征提取方法 | |
| CN110046559A (zh) | 一种人脸识别方法 | |
| Li et al. | A face recognition algorithm based on LBP-EHMM | |
| CN110929239B (zh) | 一种基于唇语指令的终端解锁方法 | |
| CN105389573B (zh) | 一种基于局部三值模式分层重构的人脸识别方法 | |
| CN110287759B (zh) | 一种基于简化输入卷积神经网络o-cnn的眼部疲劳检测方法 | |
| CN117011508A (zh) | 一种基于视觉变换和特征鲁棒的对抗训练方法 | |
| Liang et al. | Deep convolution neural networks for automatic eyeglasses removal | |
| CN113705647A (zh) | 一种基于动态间隔的双重语义特征提取方法 | |
| CN106971168A (zh) | 基于人脸结构特征的多方向多层次双交叉鲁棒性识别方法 | |
| CN107341485B (zh) | 人脸识别方法和装置 |
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 |