System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于多尺度注意力卷积神经网络的红印油真伪指纹识别方法和系统,属于法庭科学与技术中痕迹检验领域。
技术介绍
1、在人的生物特征中,指纹特征具有较好的自身稳定性、个体差异性、唯一性,并且易于提取和存储管理,因此指纹特征成为人的个体身份识别中的重要生物特征之一。然而随着信息技术、制膜技术、激光打印技术、3d打印技术等相关技术的快速发展,出现了伪造指纹的技术,伪造指纹主要包括:1)通过手指转印方法伪造指纹;2)利用遗留在客体表面指纹制模方法伪造指纹;3)通过扫描、拍照等方式制板刻板方法伪造指纹;4)通过打印复印方法伪造指纹。随着技术的不断发展,还可能出现新的类型的伪造指纹。伪造指纹的出现可干扰指纹作为证据的价值,破坏指纹证据的唯一性,为个人身份认证识别带来诸多隐患,因此识别指纹的真伪显得尤为重要。目前识别指纹真伪的方法主要包括:
2、1)通过比较真伪指纹形态学上的差异识别真伪指纹。该类方法主要通过观察分析真伪指纹在形态学上的整体特征差异和局部细微特征差异,并根据提取出的这种形态学上的特征差异进行识别,该类方法总结出的差异特征包括墨迹特征、露白特征、纹线粘连特征等。但由于伪造指纹的方法不同、伪造指纹的质量不同、指纹遗留条件的不同等因素的影响,用于真伪指纹形态学上的差异特征并不稳定,给鉴定真伪指纹工作带来较大挑战。
3、2)通过微量物证技术比较遗留在客体上指纹的物质成分差异识别真伪指纹或通过dna识别技术识别真伪指纹。该类方法受伪造指纹的方法、指纹的遗留条件等因素影响较大。
4、3)通过
技术实现思路
1、针对上述问题,本专利技术的目的是提供了一种基于多尺度注意力卷积神经网络的红印油真伪指纹识别方法和系统,其能够识别红印油指纹图像的真伪,能够从两个不同的尺度提取红印油指纹图像的真伪特征,与单一尺度提取指纹的真伪特征相比增加了不同尺度下提取的真伪指纹特征信息。
2、为实现上述目的,本专利技术提出了以下技术方案:一种基于卷积神经网络的红印油真伪指纹识别方法,包括以下步骤:采集红印油真伪指纹,根据所述真伪指纹生成图像训练样本集;将所述图像训练样本集输入预设的多尺度注意力卷积神经网络模型,所述多尺度注意力卷积神经网络模型用于从多个不同的尺度提取所述图像训练样本集中的指纹图像的真伪特征,通过所述图像训练样本集对所述多尺度注意力卷积神经网络模型进行优化;将需要判断的指纹图像输入经过优化的多尺度注意力卷积神经网络模型获得真伪指纹判别结果。
3、进一步,所述多尺度注意力卷积神经网络模型包括浅层真伪指纹特征提取模块、多尺度真伪指纹特征提取模块和真伪指纹分类模块;所述浅层真伪指纹特征提取模块,用于接收输入的真伪彩色指纹图像并初步提取真伪指纹特征;所述多尺度真伪指纹特征提取模块,用于从两个不同的尺度深层次提取真伪指纹特征;所述真伪指纹分类模块,用于最终提取并分类真伪指纹特征,输出判断的真伪指纹结果。
4、进一步,所述浅层真伪指纹特征提取模块包括依次连接的卷积层、批归一化层、激活函数层和最大池化层,所述卷积层接收输入的真伪彩色指纹图像,卷积层处理前后特征图的大小相同,所述卷积层用于初步提取真伪指纹图像的特征,生成特征图;所述批归一化层用于对生成的特征图进行批归一化;所述激活函数层用于引入激活函数;所述最大池化层,用于降低特征图的大小并输出初步提取的真伪指纹特征。
5、进一步,所述多尺度真伪指纹特征提取模块由尺度不同的两个真伪指纹特征提取子模块分别并行提取真伪指纹图像特征,然后在特征图堆叠层进行特征融合,所述真伪指纹特征提取子模块的结构相同包括若干依次连接的残差注意力单元,所述残差注意力单元包括依次连接的若干残差注意力块、最大池化层和卷积层;最后一个所述残差注意力单元通过若干残差注意力块连接特征图堆叠层。
6、进一步,所述残差注意力块包括卷积单元、激活函数层、通道注意力模块和空间注意力模块,所述卷积单元为多个,两个所述卷积单元之间设置一激活函数层,最后一个卷积单元后依次连接通道注意力模块和空间注意力模块,将初始输入的特征图与经过空间注意力模块输出的特征图相加,再经过另一个激活函数层后形成残差注意力块输出结果,所述卷积单元包括依次连接的卷积层和批归一化层。
7、进一步,所述通道注意力模块包括自适应平均池化单元和自适应最大池化单元,所述自适应平均池化单元包括依次连接的自适应平均池化层、卷积层、激活函数层和另一卷积层,所述自适应最大池化单元包括依次连接的自适应最大池化层、卷积层、激活函数层和另一卷积层,将自适应平均池化单元和自适应最大池化单元的输出结果相加,再通过激活函数层,输出通道注意力模块结果;将所述空间注意力模块中通道尺度上的平均池化层和通道尺度上的最大池化层的输出结果经过堆叠层在通道尺度上堆叠后,再经过卷积层和激活函数层,输出所述空间注意力模块的结果。
8、进一步,所述真伪指纹分类模块包括依次连接的平均池化层本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度注意力卷积神经网络模型包括浅层真伪指纹特征提取模块、多尺度真伪指纹特征提取模块和真伪指纹分类模块;
3.如权利要求2所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述浅层真伪指纹特征提取模块包括依次连接的卷积层、批归一化层、激活函数层和最大池化层,所述卷积层接收输入的真伪彩色指纹图像,卷积层处理前后特征图的大小相同,所述卷积层用于初步提取真伪指纹图像的特征,生成特征图;所述批归一化层用于对生成的特征图进行批归一化;所述激活函数层用于引入激活函数;所述最大池化层,用于降低特征图的大小并输出初步提取的真伪指纹特征。
4.如权利要求2所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度真伪指纹特征提取模块由尺度不同的两个真伪指纹特征提取子模块分别并行提取真伪指纹图像特征,然后在特征图堆叠层进行特征融合,所述真伪指纹特征提取子模块的结构相同包括若干依次连接的残
5.如权利要求4所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述通道注意力模块包括自适应平均池化单元和自适应最大池化单元,所述自适应平均池化单元包括依次连接的自适应平均池化层、卷积层、激活函数层和另一卷积层,所述自适应最大池化单元包括依次连接的自适应最大池化层、卷积层、激活函数层和另一卷积层,将自适应平均池化单元和自适应最大池化单元的输出结果相加,再通过激活函数层,输出通道注意力模块结果;将所述空间注意力模块中通道尺度上的平均池化层和通道尺度上的最大池化层的输出结果相加并依次通过通道尺度堆叠层、卷积层和激活函数层,输出所述空间注意力模块的结果。
6.如权利要求4所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述真伪指纹分类模块包括依次连接的平均池化层、全连接层和激活函数层,所述平均池化层,用于对多尺度真伪指纹特征提取模块输出的特征图进行平均池化;将特征图从通道维度开始以预设顺序展开成一维向量,将所述一维向量输入全连接层,所述全连接层的输出结果经过激活函数层处理后输出判别的真伪指纹图像结果。
7.如权利要求1-6任一项所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度注意力卷积神经网络模型的损失函数L(p,l)为:
8.如权利要求1-6任一项所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度注意力卷积神经网络模型的权重参数在第t+1次更新时表达式为:
9.如权利要求1-6任一项所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度注意力卷积神经网络模型的训练方法为:
10.一种基于卷积神经网络的红印油真伪指纹识别系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度注意力卷积神经网络模型包括浅层真伪指纹特征提取模块、多尺度真伪指纹特征提取模块和真伪指纹分类模块;
3.如权利要求2所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述浅层真伪指纹特征提取模块包括依次连接的卷积层、批归一化层、激活函数层和最大池化层,所述卷积层接收输入的真伪彩色指纹图像,卷积层处理前后特征图的大小相同,所述卷积层用于初步提取真伪指纹图像的特征,生成特征图;所述批归一化层用于对生成的特征图进行批归一化;所述激活函数层用于引入激活函数;所述最大池化层,用于降低特征图的大小并输出初步提取的真伪指纹特征。
4.如权利要求2所述的基于卷积神经网络的红印油真伪指纹识别方法,其特征在于,所述多尺度真伪指纹特征提取模块由尺度不同的两个真伪指纹特征提取子模块分别并行提取真伪指纹图像特征,然后在特征图堆叠层进行特征融合,所述真伪指纹特征提取子模块的结构相同包括若干依次连接的残差注意力单元,所述残差注意力单元包括依次连接的若干残差注意力块、最大池化层和卷积层;最后一个所述注意力单元通过若干残差注意力块连接特征图堆叠层;所述残差注意力块包括卷积单元、激活函数层、通道注意力模块和空间注意力模块,所述卷积单元为多个,两个所述卷积单元之间设置一激活函数层,最后一个卷积单元后依次连接通道注意力模块和空间注意力模块,将初始输入的特征图与经过空间注意力模块输出的特征图相加,再经过另一个激活函数层后形成残差注意力块输出结果,所述卷积单元包括依次连接的卷积层和批归一化层。
5....
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。