论文部分内容阅读
在当今的信息化时代,需要进行身份认证的场景越来越多,安全高效的生物识别技术在智能安检、身份验证、司法鉴别等领域得到了广泛应用。掌纹识别技术具有特征信息稳定丰富、采集设备简单、用户接受度高等优点,发展成为生物识别领域的一项重要技术。传统的掌纹识别技术需要根据掌纹纹理信息设计特征描述算法,提取掌纹特征后再使用分类器识别。卷积神经网络（Convolutional Neural Network,CNN）将特征提取与分类识别融合为一种端到端的识别方式,可自适应地学习和理解图像中的信息。采用CNN进行识别需要大量的训练样本,但一般采集到的同类掌纹样本数目有限,不足以驱动CNN的有效学习。考虑到在样本采集过程中掌纹图像易受到噪声污染,提取感兴趣区域时掌纹图像易出现轻微移位,提出基于多小波数据增强和CNN的掌纹识别方法;当掌纹库发生改变或类别数较大时,重新训练CNN成本很高,为减少训练成本,将预训练的深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移至掌纹识别,并利用剪枝压缩和量化压缩去除深度网络的冗余;为了进一步提高迁移的DCNN的识别率与鲁棒性,将本文提出的数据增强方法应用于迁移学习的预处理中,提出基于数据增强与迁移学习的掌纹识别方法。主要研究内容如下:（1）提出基于多小波与CNN的掌纹识别方法。首先利用基于多小波变换的数据增强方法进行数据量扩充,对每幅掌纹图像进行五个方位的剪切处理,取剪切图像CL多小波一级分解后低频分量对应预滤波生成的三组分量（LL1、LL2、LL3）及剪切缩小子图构成增强掌纹图像库。然后使用增强掌纹图像训练CNN,通过实验确立网络结构（卷积核个数,卷积核大小）及超参数（学习率、批尺寸、周期Epoch）。实验表明,该方法构建的网络具有较好的识别效果和鲁棒性,并且只需要微调部分参数便可应用于不同的训练样本数、训练样本以及掌纹库的情况。（2）提出一种优化的基于迁移DCNN的掌纹识别方法。首先对比不同的预训练深度卷积神经网络对掌纹图像的泛化能力,提取掌纹图像在预训练模型AlexNet和VGG19中的深度卷积特征,利用主成分分析（Principal Component Analysis,PCA）降维,再使用最近邻分类器分类,根据分类结果选择层数浅效果优的AlexNet进行网络迁移。然后选用多组学习率微调预训练的AlexNet,得到快速收敛的掌纹识别网络。最后对微调后的网络进一步优化,先使用剪枝压缩去除小权值增强大权值使网络稀疏化,再使用量化压缩减小表示权值的比特数,实现网络轻量化。在PolyU和CASIA掌纹库上的实验表明,微调后的深度卷积网络的识别能力优于传统的掌纹识别算法,且经过剪枝、量化压缩后的轻量网络识别效果更优。（3）结合（1）（2）中两种方法的优点,提出基于数据增强与迁移学习的掌纹识别方法。将掌纹图像根据（1）中的方法进行数据增强,在增强的图像库上对迁移的AlexNet进行再训练。在PolyU和CASIA掌纹库上的实验表明,利用增强图像迁移的网络比原图迁移的网络识别率更高、鲁棒性更强。