基于改进的ResNet手指静脉识别

针对指静脉提取困难和识别精度不够高等问题,提出了一种基于ResNet改进的手指静脉识别方法.首先,使用深度超参数化卷积(DO-Cony)代替网络中的传统卷积,在减少模型参数的同时提高了网络识别率.然后,将空间注意力模型(SAM)和挤压激励块(SE-Block)融合,应用于改进的残差网络(ResNet)提取图像在通道和空间域上的细节特征.最后,使用标签平滑的交叉熵(LSCE)损失函数来训练模型,实现自动校准网络防止分类出现误差.实验结果表明,改进后的模型不易受到图片质量的影响,在公开数据库FV-USM和SDUMLA上的识别精度分别达到99.4919％和99.4485％,较之前的网络在精度上有明显提高.     

双重降维HOG结合SVM的快速手指静脉识别

为减少手指静脉识别时间,提出一种双重降维方向梯度直方图特征(Histogram of Oriented Gradient,HOG)结合支持向量机(Support Vector Machine,SVM)分类的手指静脉识别方法.针对传统HOG算法特征维数高的问题,首先通过Fisher准则衡量梯度方向区间HOG特征的分类能力...