基于深度学习的轻量级掌静脉识别算法研究.pdf

摘要

摘要

生物特征识别技术因其高效和可靠性已广泛应用于许多领域，其中掌静脉识

别因其独特优势受到重视，并在深度学习的推动下显示出卓越性能。然而，目前

基于深度学习的掌静脉识别方法存在一些局限。一方面，掌静脉图像质量参差不

齐，个体的样本数量有限，而且掌静脉特征类型复杂多样，类间差异微小，导致

传统的卷积神经网络不足以提取到充分的判别信息。另一方面，深度学习模型由

于其庞大的参数量和高计算资源需求，难以直接部署在资源有限的移动或嵌入式

设备上。因此，设计掌静脉识别算法和对模型进行轻量化处理成为一个重要课题。

本文研究内容如下：

1.针对掌静脉图像中静脉和非静脉区域界限模糊，仅依赖空间域特征无法充

分捕捉到所有判别信息的问题，本文提出了一种基于频域空域特征融合的掌静脉

识别算法。算法融合频域与空间域特征，充分利用图像在频域中的纹理信息和空

间域的细节信息。引入自适应全局复数卷积核，增强模型对关键频域特征的提取

能力。此外，设计注意力特征融合机制，优化频域与空间域特征的整合过程。实

验结果表明，这种融合策略显著提高了掌静脉识别的准确率和效率。

2.针对掌静脉作为细粒度生物特征识别面临着小样本和类间差异小的挑战，

本文提出了一种基于改进度量学习的掌静脉识别算法。算法结合了度量学习和分

类任务的优点，引导模型学习到一个区分度更高的特征空间。引入一种新型度量

损失——Triplet-CenterLoss，优化样本与其同类中心的距离以及不同类中心的距

离，提升模型特征的判别能力，并且降低整体的计算复杂度。此外，通过优化训

练过程中的采样策略和困难样本挖掘策略，增强模型的泛化能力。实验结果表明，

该算法在多个数据集上达到或接近最佳识别性能。

3.针对掌静脉识别任务中计算资源受限的挑战以及识别模型轻量化的需求，

本文提出了一种基于关系蒸馏的轻量级掌静脉识别算法。在掌静脉识别领域引入

关系蒸馏实现模型压缩，设计相对关系挖掘器和困难关系挖掘器，挖掘教师网络

学习到的深层特征关系知识传递给学生网络。实验结果表明，学生网络参数量仅

为教师网络的18%却能够实现与教师网络相近的识别性能，与先进算法相比参数

量也更少。

关键词：掌静脉识别，频域空域特征融合，度量学习，关系蒸馏

I

ABSTRACT

ABSTRACT

Biometricrecognitiontechnologiesarewidelyappliedacrossvariousfieldsdueto

theirefficiencyandreliability.Palmveinrecognition,inparticular,hasgarneredsignifi-

cantattentionforitsuniqueadvantages,demonstratingexceptionalperformancedrivenby

advancementsindeeplearning.However,currentpalmveinrecognitionmethodsbased

ondeeplearningfacecertainlimitations.Firstly,thequalityofpalmveinimagesvaries,

thenumberofsampleimagesperindividualislimited,andthecomplexityanddiversityof

palmveinfeatures,coupledwithminimalinter-classdifferences,rendertraditionalconvo-

lutionalneuralnetworks(CNNs)inadequateforextractingsufficientdiscriminativeinfor-

mation.Secondly,thelargeparametersizesandhighcomputationalresourcedemandsof

deeplearningmodelsmak