Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2020, Vol. 54 Issue (3): 540-545    DOI: 10.3785/j.issn.1008-973X.2020.03.014
计算机技术与图像处理     
融合局部特征与深度学习的三维掌纹识别
杨冰(),莫文博,姚金良
杭州电子科技大学 计算机学院，浙江 杭州 310018
3D palmprint recognition by using local features and deep learning
Bing YANG(),Wen-bo MO,Jin-liang YAO
School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou 310018, China
 全文: PDF(807 KB)   HTML
摘要：

为了探索三维掌纹在生物特征识别领域的应用，基于局部纹理特征和深度学习，提出一种有效的三维掌纹识别方法. 通过曲率特征、形状指数、表面类型分别来描述三维掌纹的局部几何特征，将其作为深度神经网络的输入，完成三维掌纹识别任务. 在香港理工大学的三维掌纹数据库上对不同的几何特征、不同的深度神经网络模型进行全面分析与比较. 三维掌纹识别实验结果表明，与其他三维掌纹识别方法相比较，所提方法的识别率更高，识别时间更短，在实时掌纹识别领域具有较大的应用潜力.
关键词： 三维掌纹;  局部几何特征;  曲率特征;  形状指数;  表面类型;  深度学习    
Abstract:

An efficient 3D palmprint recognition method was proposed by using local texture feature sets and deep learning, in order to explore the usage of 3D palmprint in biometrics recognition. Curvature feature, shape index and surface type were employed to describe the geometry characteristics of local regions in 3D palmprint data, and then take the charasteristics as the input of the deep neural network to finish 3D palmprint recognition task. Comprehensive experiments on Hong Kong Polytechnic University 3D palmprint database were further conducted by using different geometrical features and deep neural network models. The final experimental results of 3D palmprint recognition validate that the proposed method outperforms existing state-of-the-art methods in terms of recognition accuracy and runtime, showing high potential for real-time palmprint recognition applications.
Key words: 3D palmprint    local geometric features    curvature feature    shape index    surface type    deep learning
收稿日期: 2019-02-28 出版日期: 2020-03-05
CLC:  TP 391.4  
基金资助: 国家自然科学基金资助项目（61402143）
作者简介: 杨冰（1985—），女，副教授，从事模式识别、计算机视觉研究. orcid.org/0000-0002-0585-0579. E-mail： yb@hdu.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
杨冰
莫文博
姚金良

引用本文:

杨冰,莫文博,姚金良. 融合局部特征与深度学习的三维掌纹识别[J]. 浙江大学学报(工学版), 2020, 54(3): 540-545.

Bing YANG,Wen-bo MO,Jin-liang YAO. 3D palmprint recognition by using local features and deep learning. Journal of ZheJiang University (Engineering Science), 2020, 54(3): 540-545.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2020.03.014    或    http://www.zjujournals.com/eng/CN/Y2020/V54/I3/540

图 1  三维掌纹识别方法流程图
图 2  不同三维手掌平均曲率图与高斯曲率图
图 3  不同三维手掌形状指数图
曲率 G> 0 G = 0 G< 0
M< 0 峰（ST = 1） 岭（ST = 2） 鞍岭（ST = 3）
M= 0 无（ST = 4） 平坦（ST = 5） 低点（ST = 6）
M> 0 坑（ST = 7） 谷（ST = 8） 鞍谷（ST = 9）
表 1  三维表面类型定义
图 4  不同三维手掌表面类型图
图 5  香港理工大学三维掌纹数据库示例图像
三维特征 表面类型 平均曲率 高斯曲率
文献[5] 99.15 93.55 67.10
文献[15] 98.78 91.88 91.87
AlexNet模型 99.40 99.20 98.75
表 2  不同三维掌纹识别方法识别准确率比较
方法 N=1 N=2 N=4 N=10
ST+文献[5] 90.22 94.17 97.26 99.15
ST+ AlexNet 91.37 95.83 99.05 99.40
CBR[7] 95.11 97.31 99.52 99.66
表 3  不同训练样本条件下识别准确率比较
方法 tr 方法 tr
ST[15] 63 275.86 CBR[7] 858.29
MCI[15] 9 403.33 AlexNet+ST 96.562
GCI[15] 9 403.30 AlexNet+MCI 94.993
ST[5] 547.03 AlexNet+GCI 94.352
表 4  不同三维掌纹识别方法的运行时间
三维特征 AlexNet GoogleNet Vgg16 ResNet50
表面类型 99.40 99.55 99.25 99.45
形状指数 99.30 99.00 97.25 98.90
平均曲率 99.20 99.15 99.55 98.80
高斯曲率 98.75 96.60 97.50 96.25
表 5  不同特征、不同网络结构深度学习模型识别准确率对比
三维特征 AlexNet GoogleNet Vgg16 ResNet50
表面类型 96.562 103.896 261.432 257.531
形状指数 95.865 103.812 261.175 256.421
平均曲率 94.993 103.461 259.813 254.594
高斯曲率 94.352 103.153 258.231 254.451
表 6  不同特征、不同网络结构深度学习模型运行时间对比
1 HUANG D, JIA W, ZHANG D Palmprint verification based on principal lines[J]. Pattern Recognition, 2008, 41 (4): 1316- 1328
doi: 10.1016/j.patcog.2007.08.016
2 FEI L, XU Y, TANG W, et al Double-orientation code and nonlinear matching scheme for palmprint recognition[J]. Pattern Recognition, 2016, 49 (1): 89- 101
3 ZHANG L, CHENG Z, SHEN Y, et al Palmprint and palmvein recognition based on DCNN and a new large-scale contactless palmvein dataset[J]. Symmetry, 2018, 10 (4): 78
doi: 10.3390/sym10040078
4 白雪飞, 高楠, 张宗华, 等 基于分块ST与主成分分析的三维掌纹识别[J]. 天津大学学报: 自然科学与工程技术版, 2018, 51 (6): 631- 637
BAI Xue-fei, GAO Nan, ZHANG Zong-hua, et al Three dimensional palmprint identification based on blocked ST and PCA[J]. Journal of Tianjin University: Science and Technology, 2018, 51 (6): 631- 637
5 ZHANG L, SHEN Y, LI H, et al 3D palmprint identification using block-wise features and collaborative representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37 (8): 1730- 1736
doi: 10.1109/TPAMI.2014.2372764
6 YANG B, XIANG X, XU D, et al 3D palmprint recognition using shape index representation and fragile bits[J]. Multimedia Tools and Applications, 2017, 76 (14): 15357- 15375
doi: 10.1007/s11042-016-3832-1
7 FEI L, ZHANG B, XU Y, et al Precision direction and compact surface type representation for 3D palmprint identification[J]. Pattern Recognition, 2019, 87 (3): 237- 247
8 BAI X, GAO N, ZHANG Z, et al Person recognition using 3D palmprint data based on full-field sinusoidal fringe projection[J]. IEEE Transactions on Instrumentation and Measurement, 2019, 68 (9): 3287- 3298
doi: 10.1109/TIM.2018.2877226
9 KUHNEL W, HUNT B. Differential Geometry: Curves-Surfaces-Manifolds: 2nd ed [M]. New York: American Mathematical Society, 2006: 66-68.
10 KRIZHEVSKY A, SUTSKEVER I, HINTON G. ImageNet classification with deep convolutional neural networks [C] // Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe: Curran Associates Inc., 2012: 1097-1105.
11 SZEGEDY, LIU W, JIA Y, et al. Going deeper with convolutions [C] // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR'15). Washington: IEEE Computer Society Press, 2015: 1-9.
12 SIMONYAN K and ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J]. arXiv Preprint, arXiv: 1409.1556, 2014.
13 HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition [J]. arXiv Preprint, arXiv: 1512.03385, 2015.
14 LI W, ZHANG D, LU G, et al A novel 3D palmprint acquisition system[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans, 2012, 42 (2): 443- 452
doi: 10.1109/TSMCA.2011.2164066
15 ZHANG D, LU G, LI W, et al Palmprint recognition using 3-D information[J]. IEEE Transactions on Systems Man and Cybernetics Part C Applications and Reviews, 2009, 39 (5): 505- 519
doi: 10.1109/TSMCC.2009.2020790
16 XU Y, FEI L, WEN J, et al Discriminative and robust competitive code for palmprint recognition[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2018, 48 (2): 232- 241
doi: 10.1109/TSMC.2016.2597291
[1] 许佳辉,王敬昌,陈岭,吴勇. 基于图神经网络的地表水水质预测模型[J]. 浙江大学学报(工学版), 2021, 55(4): 601-607.
[2] 王虹力,郭斌,刘思聪,刘佳琪,仵允港,於志文. 边端融合的终端情境自适应深度感知模型[J]. 浙江大学学报(工学版), 2021, 55(4): 626-638.
[3] 张腾,蒋鑫龙,陈益强,陈前,米涛免,陈彪. 基于腕部姿态的帕金森病用药后开-关期检测[J]. 浙江大学学报(工学版), 2021, 55(4): 639-647.
[4] 徐利锋,黄海帆,丁维龙,范玉雷. 基于改进DenseNet的水果小目标检测[J]. 浙江大学学报(工学版), 2021, 55(2): 377-385.
[5] 许豪灿,李基拓,陆国栋. 由LeNet-5从单张着装图像重建三维人体[J]. 浙江大学学报(工学版), 2021, 55(1): 153-161.
[6] 黄毅鹏,胡冀苏,钱旭升,周志勇,赵文露,马麒,沈钧康,戴亚康. SE-Mask-RCNN：多参数MRI前列腺癌分割方法[J]. 浙江大学学报(工学版), 2021, 55(1): 203-212.
[7] 陈巧红,陈翊,李文书,贾宇波. 多尺度SE-Xception服装图像分类[J]. 浙江大学学报(工学版), 2020, 54(9): 1727-1735.
[8] 郑浦,白宏阳,李伟,郭宏伟. 复杂背景下的小目标检测算法[J]. 浙江大学学报(工学版), 2020, 54(9): 1777-1784.
[9] 周登文,田金月,马路遥,孙秀秀. 基于多级特征并联的轻量级图像语义分割[J]. 浙江大学学报(工学版), 2020, 54(8): 1516-1524.
[10] 明涛,王丹,郭继昌,李锵. 基于多尺度通道重校准的乳腺癌病理图像分类[J]. 浙江大学学报(工学版), 2020, 54(7): 1289-1297.
[11] 闫旭,范晓亮,郑传潘,臧彧,王程,程明,陈龙彪. 基于图卷积神经网络的城市交通态势预测算法[J]. 浙江大学学报(工学版), 2020, 54(6): 1147-1155.
[12] 汪周飞,袁伟娜. 基于深度学习的多载波系统信道估计与检测[J]. 浙江大学学报(工学版), 2020, 54(4): 732-738.
[13] 洪炎佳,孟铁豹,黎浩江,刘立志,李立,徐硕瑀,郭圣文. 多模态多维信息融合的鼻咽癌MR图像肿瘤深度分割方法[J]. 浙江大学学报(工学版), 2020, 54(3): 566-573.
[14] 贾子钰,林友芳,张宏钧,王晶. 基于深度卷积神经网络的睡眠分期模型[J]. 浙江大学学报(工学版), 2020, 54(10): 1899-1905.
[15] 王万良,杨小涵,赵燕伟,高楠,吕闯,张兆娟. 采用卷积自编码器网络的图像增强算法[J]. 浙江大学学报(工学版), 2019, 53(9): 1728-1740.