用面具引导的网络用于指纹静脉特征提取和生物识别
Haohan Bai1,2, Yubo Tan2, Yong-Jie Li1,2
1Yangtze Delta Region Institute (Huzhou), University of Electronic Science and Technology of China (UESTC), Huzhou 313001, China.
Biomedical optics express
|December 16, 2024
概括
本研究引入了一种新的指纹静脉识别算法,通过使用细分辅助分类和混合损失函数来增强特征提取. 该方法显著提高了识别手指静脉模式的准确性,即使是复杂的背景.
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
- 模式识别 模式识别
背景情况:
- 识别手指静脉的挑战包括复杂的背景,低质量的图像和差的特征区分能力.
- 现有的方法很难有效地隔离并从相关的静脉特征中学习.
研究的目的:
- 提出一个强大的特征提取算法,用于手指静脉识别.
- 为了提高提取的手指静脉特征的准确性和辨别力.
- 解决生物识别系统中复杂的背景和低质量的图像的局限性.
主要方法:
- 细分辅助分类方法使用粗略的手指静脉面膜来指导特征学习.
- 一个特征金字塔模块融合了多个尺度的特征,随后是一个空间注意模块生成一个空间重量图.
- 一个精致的面具,来自经典的静脉骨架提取,限制了空间重量图的学习.
- 混合损失函数结合三重损失和交叉损失可以提高特征向量的可区分性.
主要成果:
- 拟议的算法实现了低等错误率 (EER),在SDUMLA上为2.50%,在MMCBNU上为0.20%,在FVUSM上为0.14%.
- 在多个公共数据集的指纹静脉识别中表现出卓越的性能.
- 有效地处理复杂的背景,并改善了静脉模式的特征学习.
结论:
- 开发的特征提取算法显著提高了手指静脉识别的准确性.
- 分段辅助分类和混合损失函数有效地提高了特征可区分性.
- 该方法为使用手指静脉进行可靠和准确的生物识别提供了一个有希望的解决方案.


