基于关门机制和自适应功能融合的手指纹识别
Kaibi Zhang1, Guofeng Xu1,2, Ye Kelly Jin3,4
1School of Automation, Chongqing University of Posts and Telecommunications, Chongqing, China.
Frontiers in neurorobotics
|June 12, 2023
概括
本研究介绍了一种新的手掌纹识别框架,集成卷积神经网络 (CNN) 和变压器-GLGAnet. 这种新方法通过结合本地和全球特征提取来提高准确性,从而实现卓越的生物识别识别.
科学领域:
- 生物识别信息 生物识别信息
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 掌纹识别是身份验证的关键生物识别技术.
- 使用卷积神经网络 (CNN) 的现有方法因内核大小限制而难以进行全局特征提取.
- 需要先进的手指纹识别技术,以捕捉本地和全球的歧视性特征.
研究的目的:
- 提出一个新的手掌纹识别框架,将CNN和Transformer-GLGAnet.net集成在一起.
- 通过结合关门机制和自适应性特征融合来增强手掌印特征提取.
- 提高生物识别系统的准确性和稳定性.
主要方法:
- 一个混合框架,将CNN用于本地特征提取和Transformer-GLGAnet用于全球特征建模.
- 使用特征选择算法实现特征过的封闭机制.
- 开发一个自适应功能融合模块,以整合来自骨干网络的功能.
主要成果:
- 在通治大学数据集 (12,000个手掌纹) 上实现了98.5%的识别准确度.
- 在香港理工大学数据集 (600个手掌纹) 上实现了99.5%的识别准确度.
- 与现有的手掌纹识别方法相比,其表现优越.
结论:
- 拟议的CNN和Transformer-GLGAnet综合框架显著提高了手掌印识别准确度.
- 关门机制和自适应特征融合模块有效地增强了特征提取能力.
- 这种方法为先进和准确的生物识别系统提供了一个有前途的解决方案.
更多相关视频
08:15Capturing Dynamic Finger Gesturing with High-resolution Surface Electromyography and Computer Vision
Published on: March 28, 2025
661
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
5.6K
