隨著信息科學技術的高速發(fā)展,如何方便可靠的進行身份識別,保護自身信息安全成為當前社會急需解決的重要問題。指靜脈識別技術,因其安全等級高、活體識別、內部特征等獨特優(yōu)勢,吸引了越來越多生物識別研究者的興趣。指靜脈識別系統(tǒng)主要包含圖像采集、預處理、特征提取、識別匹配四個階段,在預處理環(huán)節(jié),準確提取手指靜脈圖像的感興趣區(qū)域（Region Of Interset,ROI）至關重要,直接影響特征提取、識別匹配的效果。在指靜脈識別系統(tǒng)中提取指靜脈圖像的ROI較為經典的做法是通過Sobel、Canny等邊緣檢測算法得到手指的輪廓,再基于輪廓來切割出感興趣區(qū)域,但Sobel、Canny邊緣檢測算法對噪聲敏感,而指靜脈圖像中又包含很多設備背景噪聲以及其它隨機噪聲,因此邊緣檢測的效果不夠理想。為了能夠魯棒準確地提取出指靜脈圖像的感興趣區(qū)域,本文做了如下工作:（1）本文提出了一種基于模板邊緣檢測的指靜脈圖像的感興趣區(qū)域提取方法,它是利用模板邊緣檢測獲取手指的粗糙邊界,對于粗糙邊界中存在錯誤的手指邊界利用全連接神經網絡對其擬合修復。該方法可以準確提取出低質量指靜脈圖像的手指邊緣信息,進而切割出感興趣區(qū)域。通過對... 

【文章來源】：南京郵電大學江蘇省

【文章頁數】：72 頁

【學位級別】：碩士

【部分圖文】：

卷積神經網絡與全卷積神經網絡（2）Mask-RCNN

南京郵電大學專業(yè)學位碩士研究生學位論文第二章指靜脈識別ROI提取相關研究16用全卷積網絡對肝臟CT影像進行分割，中國科學技術大學左童春等人利用FCN提取遙感圖像中的建筑物[29]，文獻[30]結合超像素和U型全卷積網絡對胰腺CT圖像進行了分割。圖2.4卷積神經網絡與全卷積神經網絡（2）Mask-RCNNMask-RCNN是由區(qū)域神經網絡[31](R-CNN)不斷發(fā)展而來的，2013年，何凱明等人提出R-CNN(Region-basedConvolutionNeuralNetworks)，它首次將卷積神經網絡應用在目標檢測中。R-CNN首先對輸入的圖片進行選擇性搜索[46](SelectiveSearch，SS)，產生大約2000個候選區(qū)域[34]，將每一個候選區(qū)域歸一化成相同的尺寸，然后利用CNN對每一個候選區(qū)域進行特征提取，使用SVM分類器對這些特征進行分類以及利用線性回歸模型來對物體的位置進行回歸，R-CNN框架如圖2.5所示。R-CNN確實可以對圖像中的物體進行分類以及給出邊界框，但也存在很多缺點：①用于產生候選區(qū)域的選擇性搜索算法復雜度極高，非常耗時；②卷積神經網絡對所有候選區(qū)域都進行特征提取操作，其中存在較多的冗余計算。通過不斷優(yōu)化改良，相繼提出了Fast-RCNN[32],Faster-RCNN[33]等目標檢測框架，Mask-RCNN在Faster-RCNN基礎之上增加了掩碼分支，實現像素級別的分類，在圖像分割領域應用廣泛。文獻[34]利用Mask-RCNN對口腔圖片中的唇皰疹和潰瘍瘡進行檢測與分割，文獻[35]將Mask-RCNN應用到商店中自助機器人，對商店中的物品進行檢測與分類，文獻[36]利用Mask-RCNN來檢測遙感圖像中�？吭诖a頭的船只進行檢測。圖2.5區(qū)域建議網絡

南京郵電大學專業(yè)學位碩士研究生學位論文第三章深度學習相關理論及技術22導數可知L1損失函數對異常值較為魯棒。1S()Lxx（3.6）"11(0)()1(0)LxSxx（3.7）3.L2損失函數L2損失函數也就做最小化平方誤差(LeastSquareError,LSE),它是將標簽值與預測值的差值的平方的總和最小化，其數學表達式為式（3.8），導數形式為式（3.9）。22()()LSxx（3.8）"2()2LSxx（3.9）4.SmoothL1損失函數SmoothL1損失函數結合了L1和L2損失函數各自的優(yōu)點，即L1loss對噪聲的魯棒、L2loss收斂更快，并且規(guī)避掉L2loss的缺點，即預測值與標簽值相差很大時可能出現梯度爆炸的情況。SmoothL1損失函數的數學表現形式如式（3.10），其導數形式為式（3.11），圖3.8展示了三種損失函數圖像。210.510.5()SmoothLxxSxotherwise（3.10）"1(1)()1()SmoothLxxSxotherwise（3.11）圖3.8損失函數示意圖（4）殘差網絡（Residualnetwork）從卷積神經網絡的開山鼻祖LeNet，到2012年在ImageNet競賽中奪得冠軍的AlextNet，

【參考文獻】：
期刊論文
[1]結合超像素和U型全卷積網絡的胰腺分割方法[J]. 曹正文,喬念祖,卜起榮,馮筠.  計算機輔助設計與圖形學學報. 2019(10)
[2]一種基于FCN的車道線檢測算法[J]. 洪名佳,汪慧蘭,黃娜君,戴舒.  無線電通信技術. 2018(06)
[3]基于全卷積神經網絡的肝臟CT影像分割研究[J]. 郭樹旭,馬樹志,李晶,張惠茅,孫長建,金蘭依,劉曉鳴,劉奇楠,李雪妍.  計算機工程與應用. 2017(18)
[4]手指靜脈圖像魯棒邊緣檢測算法[J]. 王明文,唐東明,于耀程,楊淏.  計算機應用研究. 2018(01)
[5]使用改進的方向濾波與修正的Hausdorff距離的指靜脈識別方法[J]. 王科俊,馬慧.  計算機輔助設計與圖形學學報. 2011(03)

碩士論文
[1]基于深度學習的船只光學遙感圖像檢測和分割[D]. 馮冬青.電子科技大學 2019
[2]基于SIFT特征提取的靜脈身份認證技術研究[D]. 魏坦.北京郵電大學 2019
[3]基于高分辨率可見光遙感圖像的建筑物提取技術研究[D]. 左童春.中國科學技術大學 2017
[4]手指靜脈識別關鍵問題研究[D]. 劉菲.山東大學 2015



本文編號：3297447