|本期目录/Table of Contents|

[1]包晓安,涂小妹,徐璐,等.基于扩展卷积神经网络与度量学习的指静脉识别[J].浙江理工大学学报,2020,43-44(自科二):232-239.
 BAO Xiaoan,TU Xiaomei,XU Lu,et al.Finger vein recognition based on extended convolutional neural networks and metric learning[J].Journal of Zhejiang Sci-Tech University,2020,43-44(自科二):232-239.
点击复制

基于扩展卷积神经网络与度量学习的指静脉识别()
分享到:

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第43-44卷
期数:
2020年自科二期
页码:
232-239
栏目:
出版日期:
2020-05-18

文章信息/Info

Title:
Finger vein recognition based on extended convolutional neural networks and metric learning
文章编号:
1673-3851 (2020) 03-0232-08
作者:
包晓安涂小妹徐璐张娜吴彪
1.浙江理工大学信息学院,杭州 310018;2.山口大学东亚研究科,日本山口 753-8514
Author(s):
BAO Xiaoan1 TU Xiaomei1 XU Lu1 ZHANG Na1 WU Biao
1.School of Informatics Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China; 2.Department of East Asian Studies, Yamaguchi University, Yamaguchi 7538514, Japan
关键词:
深度学习扩展卷积神经网络TriHard度量学习Wasserstein距离度量指静脉识别
分类号:
TP391-4
文献标志码:
A
摘要:
针对在传统卷积神经网络(Convolutional neural networks, ConvNet)算法中由于提取的静脉特征信息不足而导致指静脉识别准确率不高的问题,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。该算法通过扩展卷积神经网络的宽度与深度来提高ConvNet的学习能力,并使用难样本采样三元组(Triplet hard loss with batch hard mining, TriHard)度量学习函数作为网络损失函数训练网络。此外,针对常用距离度量方法不能有效度量静脉特征之间的相似度的问题,在指静脉识别阶段采用了Wasserstein距离度量方法,以提高同源静脉间的相似度,降低异源静脉间的相似度。仿真实验结果表明:在FVUSM数据集上,指静脉识别准确率达9833%,较使用ConvNet和常用距离度量方法准确率提高了356%;在MMCBNU_6000数据集上,指静脉识别准确率达9802%,较使用ConvNet和常用距离度量方法准确率提高了201%。

参考文献/References:

[1] 李鹏飞, 淡美俊, 姚宇颤. 生物识别技术综述[J]. 电子制作, 2018(10): 89-90.
[2] Lu Y, Wu S Q, Fang Z J, et al. Exploring finger vein based personal authentication for secure IoT[J]. Future Generation Computer Systems, 2017, 77: 149-160.
[3] 尹义龙, 杨公平, 杨璐. 指静脉识别研究综述[J]. 数据采集与处理, 2015, 30(5): 933-939.
[4] Zhou L Z, Yang G P, Yin Y L, et al. Finger vein recognition based on stable and discriminative superpixels[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2016, 30(6): 1650015.
[5] 蓝师伟, 沈雷. 基于多特征阈值融合的手指静脉识别算法[J]. 杭州电子科技大学学报(自然科学版), 2018, 38(5): 24-28, 84.
[6] Yang J F, Shi Y H. Towards fingervein image restoration and enhancement for fingervein recognition[J]. Information Sciences, 2014, 268: 33-52.
[7] 柴瑞敏, 佀称称. 一种改进的深度置信网络及其在自然图像分类中的应用[J]. 计算机应用与软件, 2016, 33(9): 221-223, 244.
[8] He X, Chen X. FVR based on deep learning and improved Gabor feature fusion[J]. Computer Simulation, 2018, 35(11): 356-361.
[9] 唐溯. 基于深度学习的指静脉识别算法研究[D]. 广州: 华南理工大学, 2018: 19-35.
[10] 夏锋, 李重, 沈益. 基于张量特征分解的三维网格模型降噪[J]. 浙江理工大学学报(自然科学版), 2018, 39(3): 333-340.

相似文献/References:

[1]邓远远,沈炜.基于注意力反馈机制的深度图像标注模型[J].浙江理工大学学报,2019,41-42(自科二):208.
 DENG Yuanyuan,SHEN Wei.Depth image caption model based on  attention feedback mechanism[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):208.
[2]包晓安,徐海,张娜,等.基于深度学习的语音识别模型及其在智能家居中的应用[J].浙江理工大学学报,2019,41-42(自科二):217.
 BAO Xiaoan,XU Hai,ZHANG Na,et al.Speech recognition model based on deep learning and its application in smart home[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):217.
[3]邓远远,沈炜.基于注意力反馈机制的深度图像标注模型[J].浙江理工大学学报,2019,41-42(自科二):208.
 DENG Yuanyuan,SHEN Wei.Depth image caption model based on attention feedback mechanism[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):208.
[4]陈巧红,董雯,孙麒,等.基于混合神经网络的单文档自动文摘模型[J].浙江理工大学学报,2019,41-42(自科四):489.
 CHEN Qiaohong,DONG Wen,SUN Qi,et al.Single document automatic summarization model based on hybrid neural network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):489.
[5]包晓安,高春波,张娜,等.基于生成对抗网络的图像超分辨率方法[J].浙江理工大学学报,2019,41-42(自科四):499.
 BAO Xiaoan,GAO Chunbo,ZHANG Na,et al.Image superresolution method based ongenerative adversarial network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):499.
[6]陈巧红,陈翊,孙麒,等.服装图像分类技术综述[J].浙江理工大学学报,2019,41-42(自科五):631.
 CHEN Qiaohong,CHEN Yi,SUN Qi,et al.Overview of clothing image classification technology[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科二):631.

备注/Memo

备注/Memo:
收稿日期:2019-10-31
网络出版日期:2020-01-02
基金项目:浙江省重点研发计划项目(2020C03094);浙江省自然科学基金青年基金项目(LQ20F050010)
作者简介:包晓安(1973-),男,浙江东阳人,教授,硕士,主要研究方向为图像处理、机器学习
更新日期/Last Update: 2020-04-10