融合注意力机制和残差网络的掌纹识别
2023-12-13王健行武家逸赵鑫峰
于 霞, 付 琪, 薛 丹, 王健行, 武家逸, 赵鑫峰
(沈阳工业大学 信息科学与工程学院, 辽宁 沈阳 110870)
作为现代社会进行个人身份验证的重要解决方案之一,生物特征识别可以根据个人的生理或行为特征有效地识别个人[1]。随着研究人员对人体生物特征信息研究的逐渐深入,出现了许多生物识别技术,如人脸、指纹、掌纹和步态识别技术等。近年来,掌纹识别受到了极大关注,常被用于身份鉴别、电子控制和安全检查[2]等。
掌纹中包含丰富的内部特征,包括主线和皱纹及大量基于脊线和细节点的特征,这些特征具有永久性和特定性。此外,相较于指纹识别,掌纹识别具有更多细节,同时具有用户友好性及非接触性等特点[3-4]。相较于人脸识别技术,掌纹识别可以不受面部遮挡、环境光照等因素影响,并能更好地保护个人隐私,因此掌纹识别应用于个人身份验证时更易于被各种用户接受。近年来不少研究聚焦于掌纹识别技术[5]。
在掌纹识别研究中既包含对掌纹纹线进行提取进而识别的传统方法, 也有利用神经网络的深度学习方法。 根据掌纹图像的分类可以大致分为高分辨率掌纹识别、 低分辨率掌纹识别和三维掌纹识别方法。
刘玉珍等[6]提出结合混合滤波LBP(local binary patterns)和主成分分析PCA(principal component analysis)的特征提取,对传统算法进行改进,最后利用欧氏距离进行匹配。岑瑶等[7-8]提出将分类正交匹配追踪算法稀疏表示与HOG(histogram of oriented gradient)特征相融合,通过计算HOG特征矩阵与每类重构图像的最小残差得到分类结果,识别率达到98%,又提出了基于MB-LBP和HOG算法分别提取纹理、边缘特征,将2种特征串联融合,识别率可达到99.36%。……
