-
公开(公告)号：CN114596622B
公开(公告)日：2025-04-04
申请号：CN202210264824.4
申请日：2022-03-17
Applicant: 吉林大学
IPC: G06V40/18 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/094 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法，其方法为：步骤一、建立数据集并划分为训练集和测试集；步骤二、得到模型架构；步骤三、训练模型架构；步骤四、得到卷积编码部分；步骤五、将目标检测模型定位虹膜与眼周区域；步骤六、训练结束后去除最后一层全连接层得到眼周特征提取模型Eper；步骤七、使用虹膜可见光图像训练集和人员身份标签训练；步骤八、将不同模态的特征分布在低维子空间中进行配准；步骤九、设置两个可学习的参数；步骤十、得到模型特征提取器；步骤十一、确定双模态融合识别模型的决策机制。有益效果：提高了系统的可靠性与安全性；提高了小样本数据集上的识别性能；能够提高最终的识别性能。
-
公开(公告)号：CN114596622A
公开(公告)日：2022-06-07
申请号：CN202210264824.4
申请日：2022-03-17
Applicant: 吉林大学
IPC: G06V40/18 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764
Abstract: 本发明公开了一种基于对比知识驱动的虹膜与眼周对抗自适应融合识别方法，其方法为：步骤一、建立数据集并划分为训练集和测试集；步骤二、得到模型架构；步骤三、训练模型架构；步骤四、得到卷积编码部分；步骤五、将目标检测模型定位虹膜与眼周区域；步骤六、训练结束后去除最后一层全连接层得到眼周特征提取模型Eper；步骤七、使用虹膜可见光图像训练集和人员身份标签训练；步骤八、将不同模态的特征分布在低维子空间中进行配准；步骤九、设置两个可学习的参数；步骤十、得到模型特征提取器；步骤十一、确定双模态融合识别模型的决策机制。有益效果：提高了系统的可靠性与安全性；提高了小样本数据集上的识别性能；能够提高最终的识别性能。
-
公开(公告)号：CN112364840A
公开(公告)日：2021-02-12
申请号：CN202011430507.2
申请日：2020-12-09
Applicant: 吉林大学
Abstract: 本发明公开了一种基于整体端到端非稳态虹膜认知识别的身份确认方法，方法为：步骤一、采集虹膜灰度图像2000张；步骤二、设定该名模板测试人员的眼睛图像特征；步骤三、设定该名模板测试人员的虹膜质量特征；步骤四、转化模板虹膜归一图像；步骤五、设定32位模板特征；步骤六、重复步骤一到步骤五；步骤七、采集虹膜灰度图像1张；步骤八、提取眼睛图像信息；步骤九、提取虹膜质量信息；步骤十、提取模板虹膜特征信息；步骤十一、测试虹膜归一图像；步骤十二、测试虹膜特征信息；步骤十三、提取的模板测试人员的模板特征的匹配值；有益效果：提高了方案的整体性，提高数据特征表达与识别的契合度，提高识别的准确性以及数据的可用性。
-
公开(公告)号：CN112364840B
公开(公告)日：2022-03-29
申请号：CN202011430507.2
申请日：2020-12-09
Applicant: 吉林大学
Abstract: 本发明公开了一种基于整体端到端非稳态虹膜认知识别的身份确认方法，方法为：步骤一、采集虹膜灰度图像2000张；步骤二、设定该名模板测试人员的眼睛图像特征；步骤三、设定该名模板测试人员的虹膜质量特征；步骤四、转化模板虹膜归一图像；步骤五、设定32位模板特征；步骤六、重复步骤一到步骤五；步骤七、采集虹膜灰度图像1张；步骤八、提取眼睛图像信息；步骤九、提取虹膜质量信息；步骤十、提取模板虹膜特征信息；步骤十一、测试虹膜归一图像；步骤十二、测试虹膜特征信息；步骤十三、提取的模板测试人员的模板特征的匹配值；有益效果：提高了方案的整体性，提高数据特征表达与识别的契合度，提高识别的准确性以及数据的可用性。
-
-
-
Search Results
4
records
(took 0.015 seconds)
