Resumen

La precisin y la eficiencia son temas esenciales en la investigacin actual sobre reconocimiento de rasgos biomtricos y seguridad. Este artculo propone una red neuronal profunda que utiliza la extraccin bidireccional de caractersticas y el aprendizaje por transferencia para mejorar el rendimiento del reconocimiento de las venas de los dedos. Ante todo, creamos una nueva base de datos de venas dactilares con la informacin de posicin opuesta a la original y adoptamos el aprendizaje de transferencia para que la red sea adecuada para nuestro marco de reconocimiento global. A continuacin, se construye el extractor de caractersticas ajustando los parmetros de las bases de datos unidireccionales, capturando las caractersticas de las venas de arriba a abajo y viceversa. En consecuencia, concatenamos las dos caractersticas anteriores para formar las caractersticas bidireccionales dedo-venas, que son entrenadas y clasificadas por mquinas de vectores soporte (SVM) para realizar el reconocimiento. Se han realizado experimentos con la base de datos publicada por la Universidad Politcnica de Malasia (FV-USM) y con las venas dactilares del Laboratorio de Procesamiento de Seales e Informacin (FV-SIPL). La precisin de nuestro algoritmo propuesto alcanza el 99,67% y el 99,31%, lo que es significativamente superior al reconocimiento unidireccional en cada base de datos. En comparacin con los algoritmos citados en este artculo, nuestro modelo propuesto basado en la caracterstica bidireccional goza de una mayor precisin, una velocidad de reconocimiento ms rpida que los marcos del estado de la tcnica y un excelente valor prctico.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Biometría; Extracción de características; Aprendizaje por transferencia; Reconocimiento de la vena dactilar; Red neuronal profunda; Máquinas de vectores soporte
• Keywords:Biometric; Feature extraction; Transfer learning; Finger-vein recognition; Deep neural network; Support vector machines