【技术实现步骤摘要】
融合注意力机制和残差网络的掌纹识别方法
[0001]本专利技术属于图像处理与深度学习的身份识别
,尤其涉及一种融合注意力机制和残差网络的掌纹识别方法。
技术介绍
[0002]掌纹中包含丰富的内部特征,包括主线和皱纹以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,掌纹识别是一种具有用户友好性、非接触性及无创性等特点的生物特征识别技术。
[0003]现有的掌纹识别技术不能满足快速准确识别的需要,所以越来越多的研究人员将目光转向安全且高效的掌纹识别技术。许多图像识别方法,准确性高识别速度快。在尝试将残差网络(ResNet)这一适用范围较广的方法应用到掌纹识别中,其优点为可以解决网络深度增加导致的梯度消失和网络退化问题。具体地,ResNet通过堆叠可以构成一个很深的网络,原始深层神经网络难以训练,经过堆叠后可以显著增加训练效率,减轻网络训练时间进而提高准确率,很好的解决了网络深度带来的训练困难的问题,该方法的网络性能(完成任务的准确度和精度)远超传统网络模型。然而,对于掌纹图像来说,手掌四角没有明显纹 ...
【技术保护点】
【技术特征摘要】
1.融合注意力机制和残差网络的掌纹识别方法,其特征在于:包括:对原始残差网络进行改进,记为Modified ResNet模块;在Modified ResNet模块上添加注意力机制模块ECA
‑
Net,记为融合注意力机制ResNetECA Block的残差网络的模型;在所述模型中输入掌纹图片,通过7*7卷积核进行卷积、批标准化、激活函数操作提取全局信息,去除原始残差网络中的最大池化后直接通过4组残差注意力机制模块,经过训练后得到图像的高层次特征,其中经过48次卷积和16次注意力训练操作,最后经过全局平均池化、dropout层、全连接层,利用SoftMax函数进行分类操作。2.根据权利要求1所述的融合注意力机制和残差网络的掌纹识别方法,其特征在于:所述对原始残差网络进行改进,记为Modified ResNet模块包括:以残差网络ResNet50作为基础,采用残差网络中的瓶颈型残差模块;将每组中的残差模块分为开始模块、中间模块和结束模块;在开始模块Start Block中尾部的批标准化BN不做激活函数LeakyReLU,并对原始残差网络卷积模块的投影快捷方式进行改进,在1*1的卷积之前添加3*3的最大池化层,步长为2;原始残差网络的四组模块中分别包含1,2,4,1个中间模块Intermediate Block,开始模块尾部的标准化BN不做激活函数LeakyReLU,作为中间模块的输入标准化处理,故中间模块的第一个标准化BN被消除;第二、三组不只有一个中间模块,接在中间模块后的模块在卷积前做批标准化BN和激活函数LeakyReLU,记做Intermediate*Block;两种中间模块尾部均不做批标准化BN处理,也不添加激活函数LeakyReLU;在结束模块End Block的主线位置添加了批标准化BN和激活函数LeakyReLU,作为投影快捷方式支线信息的数据分布处理和非线性处理。3.根据权利要求2所述的融合注意力机制和残差网络的掌纹识别方法,其特征在于:所述在Modifi...
【专利技术属性】
技术研发人员:于霞,赵鑫峰,付琪,薛丹,贾军营,武家逸,屈绍龙,王舒怀,任伟晔,刘鼎歆,
申请(专利权)人:沈阳工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。