手部靜脈識別是一種新興的身份識別技術(shù)。與其他生物特征識別相比，手部靜脈識別技術(shù)具有高安全性、活體檢測性和便利性等特性，也是目前最有效的生物特征識別模式之一。本書主要闡述手部靜脈識別技術(shù)。首先介紹圖像修復(fù)與增強的研究意義、國內(nèi)外靜脈圖像研究現(xiàn)狀，然后論述自制的靜脈圖像數(shù)據(jù)采集系統(tǒng)，針對靜脈圖像采集過程中存在諸多不可避免的因素，造成靜脈識別系統(tǒng)對靜脈信息表征能力不足的問題，提出基于融合可變形模塊的U-Net網(wǎng)絡(luò)、基于非局部對抗的生成對抗網(wǎng)絡(luò)、基于分離與表示的生成對抗網(wǎng)絡(luò)的靜脈圖像修復(fù)方法，以及基于Actor-Critic、多尺度特征融合、特征解耦學習的低曝光靜脈圖像增強方法。
更多科學出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章緒論1
1.1靜脈圖像修復(fù)與增強概述1
1.2靜脈圖像修復(fù)研究現(xiàn)狀2
1.2.1傳統(tǒng)的圖像修復(fù)方法2
1.2.2基于深度學習的圖像修復(fù)3
1.2.3靜脈血管圖像修復(fù)4
1.3靜脈圖像增強研究現(xiàn)狀5
1.3.1低曝光圖像增強研究現(xiàn)狀5
1.3.2靜脈圖像增強方法研究現(xiàn)狀9
1.4本書研究內(nèi)容11
1.4.1主要研究工作.11
1.4.2本書的章節(jié)安排12
第2章靜脈圖像數(shù)據(jù)集14
2.1靜脈圖像成像系統(tǒng)14
2.1.1成像光源系統(tǒng)14
2.1.2圖像采集系統(tǒng)17
2.2靜脈圖像數(shù)據(jù)集類型20
2.2.1自制靜脈圖像數(shù)據(jù)集20
2.2.2公開靜脈紋圖像數(shù)據(jù)集20
2.2.3低曝光手背靜脈圖像數(shù)據(jù)集21
2.3靜脈圖像預(yù)處理22
2.4本章小結(jié)23
第3章基于融合可變形模塊的U-Net網(wǎng)絡(luò)的靜脈圖像修復(fù)24
3.1基于卷積神經(jīng)網(wǎng)絡(luò)的圖像修復(fù)24
3.1.1圖像風格轉(zhuǎn)換損失與圖像修復(fù)關(guān)系25
3.1.2U-Net網(wǎng)絡(luò)25
3.2基于融合可變形模塊的U-Net模型26
3.2.1可變形卷積網(wǎng)絡(luò)模塊26
3.2.2生成網(wǎng)絡(luò)28
3.3修復(fù)網(wǎng)絡(luò)訓練損失29
3.3.1感知損失與風格損失29
3.3.2對抗損失30
3.4識別實驗與結(jié)果分析30
3.5本章小結(jié)34
第4章基于非局部對抗的生成對抗網(wǎng)絡(luò)的靜脈圖像修復(fù)35
4.1生成對抗網(wǎng)絡(luò)技術(shù)35
4.1.1生成對抗網(wǎng)絡(luò)模型與框架35
4.1.2生成對抗網(wǎng)絡(luò)的應(yīng)用36
4.2基于非局部對抗的生成對抗網(wǎng)絡(luò)模型37
4.2.1生成網(wǎng)絡(luò)模型37
4.2.2空洞卷積38
4.2.3非局部網(wǎng)絡(luò)模塊39
4.3修復(fù)網(wǎng)絡(luò)訓練損失41
4.3.1對抗損失41
4.3.2感知損失42
4.3.3訓練總損失43
4.4識別實驗與結(jié)果分析43
4.5本章小結(jié)47
第5章基于分離與表示的生成對抗網(wǎng)絡(luò)的靜脈圖像修復(fù)48
5.1圖像到圖像的轉(zhuǎn)換49
5.1.1成對圖像數(shù)據(jù)間的轉(zhuǎn)換49
5.1.2非成對圖像數(shù)據(jù)間的轉(zhuǎn)換50
5.2分離與表示的學習50
5.2.1分離與表示研究現(xiàn)狀50
5.2.2分離與表示應(yīng)用51
5.2.3點與線的分離52
5.3修復(fù)網(wǎng)絡(luò)訓練損失52
5.3.1對抗損失52
5.3.2循環(huán)一致性損失53
5.3.3感知損失53
5.4識別實驗與結(jié)果分析54
5.5本章小結(jié)58
第6章基于Actor-Critic的低曝光靜脈圖像增強59
6.1Actor-Critic框架59
6.2基于Actor-Critic的靜脈圖像增強網(wǎng)絡(luò)63
6.2.1可微圖像濾波器63
6.2.2靜脈圖像增強的Actor-Critic網(wǎng)絡(luò)框架65
6.2.3靜脈圖像細節(jié)增強模塊68
6.3識別實驗與結(jié)果分析69
6.3.1模型訓練過程69
6.3.2多個濾波函數(shù)實驗70
6.3.3細節(jié)增強對比實驗72
6.3.4ACN算法與其他模型的對比實驗74
6.3.5靜脈圖像識別率對比實驗76
6.4本章小結(jié)77
第7章基于多尺度特征融合的低曝光靜脈圖像增強78
7.1多尺度特征融合和通道注意力機制78
7.1.1多尺度特征融合79
7.1.2通道注意力機制80
7.2殘差單元介紹81
7.3靜脈圖像多尺度特征融合模型構(gòu)建82
7.3.1靜脈多尺度融合殘差塊設(shè)計83
7.3.2多尺度融合模型的損失函數(shù)86
7.4識別實驗與結(jié)果分析86
7.4.1模型訓練過程86
7.4.2靜脈多尺度融合殘差塊數(shù)量實驗86
7.4.3注意力機制SE模塊對比實驗87
7.4.4與其他模型的對比實驗88
7.4.5靜脈圖像識別率對比實驗90
7.5本章小結(jié)91
第8章基于特征解耦學習的低曝光靜脈圖像增強92
8.1自編碼網(wǎng)絡(luò)與特征解耦學習92
8.1.1自編碼網(wǎng)絡(luò)92
8.1.2特征解耦學習93
8.2基于特征解耦學習的靜脈圖像增強網(wǎng)絡(luò)94
8.2.1靜脈圖像背景與紋理特征解耦網(wǎng)絡(luò)95
8.2.2靜脈圖像增強網(wǎng)絡(luò)97
8.3識別實驗與結(jié)果分析98
8.3.1實驗數(shù)據(jù)集和模型訓練過程98
8.3.2紋理特征重建圖像對比實驗99
8.3.3與其他模型的對比實驗101
8.3.4靜脈圖像識別率對比實驗103
8.4本章小結(jié)104
參考文獻105
后記115
書單推薦
