基于改进AlexNet卷积神经网络的手掌静脉识别算法研究_林坤.pdf

在手掌静脉图像采集的过程中易受手掌摆放姿势、光源条件等外界因素的影响,造成识别准确度欠佳。为了提高手掌静脉图像识别的精准度和鲁棒性,提出一种基于改进AlexNet深度卷积神经网络的手掌静脉识别方法。该方法首先通过图像分割、指根关键点定位、感兴趣区域图像提取等三个阶段对采集的手掌静脉图像进行预处理;其次,针对人体手掌静脉识别的应用场景,通过适当调整经典的AlexNet卷积神经网络的结构并对卷积层的输出进行批标准化操作,同时,将深度学习理论中的注意力机制应用到该网络中,进而优化AlexNet神经网络,使用优化后的AlexNet神经网络对预处理后的图像自动进行特征提取、分类和识别;最后,在公开的Polyu和CASIA多光谱掌纹数据集上进行大量的实验,达到的最佳识别率分别为99.93%和99.51%,实验验证了所提方法的有效性 《基于改进AlexNet卷积神经网络的手掌静脉识别算法研究》 随着科技的进步，传统的身份认证方式已经不能满足现代社会的需求，尤其是网络安全领域的高安全性要求。生物特征识别技术，特别是手掌静脉识别，作为一种非接触式的生物识别方法，因其独特性和难以伪造的特性，成为身份验证的重要手段。手掌静脉识别是通过检测手掌皮肤下方的静脉模式来实现个体识别的。 在实际应用中，手掌静脉图像的采集易受到手掌放置角度、光照条件等因素影响，导致识别准确率降低。为了解决这一问题，本文提出了一种基于改进AlexNet深度卷积神经网络的新型手掌静脉识别方法。AlexNet是经典的深度学习模型，其在图像识别任务上表现优秀，但在特定应用场景中可能需要进一步优化。 该方法采用图像分割、指根关键点定位以及感兴趣区域图像提取等预处理步骤，有效地去除噪声并突出关键信息。图像分割用于区分背景与静脉，指根关键点定位则有助于确定手掌的关键特征，而感兴趣区域图像提取确保了后续处理的区域包含主要的静脉结构。 接着，为了适应手掌静脉识别的特定需求，对原始的AlexNet结构进行了调整，并引入了批标准化操作，这可以提高模型的稳定性和泛化能力。此外，论文还结合了深度学习中的注意力机制，使得模型能够更加专注于图像中的关键特征，从而提高特征提取的效率和识别的准确性。 经过大量实验验证，该方法在公开的Polyu和CASIA多光谱掌纹数据集上取得了99.93%和99.51%的高识别率，这些结果充分证明了改进AlexNet神经网络在手掌静脉识别上的有效性。 本文的研究不仅提高了手掌静脉识别的准确度，也增强了其鲁棒性，为生物特征识别技术的发展提供了新的思路。未来的工作可能包括对更多复杂环境下的手掌静脉图像进行识别，以及对不同深度学习模型的优化和融合，以进一步提升识别性能。这种基于深度学习的生物识别技术有望在安全门禁、移动支付、个人身份验证等多个领域得到广泛应用。