Применение легковесной сиамской нейросети для формирования вектора признаков в системе васкулярной аутентификации

Применение легковесной сиамской нейросети для формирования вектора признаков в системе васкулярной аутентификации

Автор: Прозоров Дмитрий Евгеньевич, Земцов Антон Валерьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 3 т.47, 2023 года.

Бесплатный доступ

В статье анализируется возможность использования сиамской сверточной нейросети для решения задачи васкулярной аутентификации на встраиваемой аппаратной платформе с ограниченными вычислительными ресурсами (Orange Pi One). Выполнен краткий обзор современных методов вычисления векторов признаков изображений, применяемых в задачах классификации, сравнения или поиска изображений по контенту: на основе вариационных рядов (гистограмм), локальных дескрипторов, дескрипторов особых точек, дескрипторов на основе хэш-функций, нейросетевых дескрипторов. Предложена архитектура биометрической системы аутентификации по изображениям ладоней в видимом и ближнем ИК-спектрах на основе сиамской сверточной нейросети. Разработанное программное решение позволяет использовать сиамскую нейросеть в режимах «полная сеть» (используются оба симметричных канала нейросети) и «половина нейросети» (используется только один канал) для сокращения времени сравнения векторов биометрических данных зарегистрированных пользователей биометрической системы аутентификации. Показаны преимущества нейросетевых признаков, заключающиеся в универсальности, масштабируемости и конкурентоспособности, в том числе на встраиваемых аппаратно-программных решениях с ограниченными вычислительными ресурсами при отсутствии графических ускорителей. Исследования показали возможность повышения качества классификации изображений ладоней с 0,929 до 0,968 по метрике «overall accuracy» при использовании сиамской нейросети вместо метода перцептивного хэширования при сопоставимом времени определения зарегистрированной в биометрической системе аутентификации персоны. В экспериментах осуществлялся поиск по базе данных из 2000 изображений для 400 персон.

Еще

Биометрическая аутентификация, обработка изображений, дескрипторы изображений, искусственная нейронная сеть, сиамская нейронная сеть

Короткий адрес: https://sciup.org/140300070

IDR: 140300070   |   DOI: 10.18287/2412-6179-CO-1204

Список литературы Применение легковесной сиамской нейросети для формирования вектора признаков в системе васкулярной аутентификации

  • Mcconnell RK. Method of and apparatus for pattern recognition. US Patent 4,567,610 of June 28, 1986.
  • Freeman WT, Roth M. Orientation histograms for hand gesture recognition. Int Workshop on Automatic Face- and Gesture-Recognition, MERL-TR94-031995: 296-301.
  • Bosch A, Zisserman A. Pyramid histogram of oriented gradients (PHOG). 2022. Source: https://www.robots.ox.ac.uk/~vgg/research/caltech/phog.html.
  • Ojala T, Pietikainen M, Harwood D. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions. Proc 12th Int Conf on Pattern Recognition 1994: 582-585. DOI: 10.1109/ICPR.1994.576366.
  • Gengjian X, Li S, Jun S, Meng W. Hybrid centersymmetric local pattern for dynamic background subtraction. IEEE Int Conf on Multimedia and Expo 2011: 1-6. DOI: 10.1109/ICME.2011.6011859.
  • Gupta R, Patil H, Mittal A. Robust order-based methods for feature description. IEEE Computer Society Conf on Computer Vision and Pattern Recognition 2010: 334-341. DOI: 10.1109/CVPR.2010.5540195.
  • Silva C, Bouwmans T, Frelicot C. An eXtended centersymmetric local binary pattern for background modeling and subtraction in videos. VISAPP 2015 – 10th Int Conf on Computer Vision Theory and Applications 2015: 395-402. DOI: 10.5220/0005266303950402.
  • Wu X, Sun J. An extended center-symmetric local ternary patterns for image retrieval. In Book: Lin S, Huang X, eds. Advances in computer science, environment, ecoinformatics, and education. Berlin, Heidelberg: Springer-Verlag; 2011: 359-364. DOI: 10.1007/978-3-642-23321-0_56.
  • Ferraz CT, Pereira O, Gonzaga A. Feature description based on center-symmetric local mapped patterns. Proc ACM Symposium on Applied Computing 2014: 39-44. DOI: 10.1145/2554850.2554895.
  • Narayanan V, Parsi B. Center symmetric local descriptors for image classification. Int J Nat Comput Res 2018; 7(4): 56-70. DOI: 10.4018/IJNCR.2018100104.
  • Datta R, Joshi D, Li J, Wang J. Image retrieval: Ideas, influences, and trends of the new age. ACM Comput Surv 2008; 40(2): 5. DOI: 10.1145/1348246.1348248.
  • Chatzichristofis SA, Boutalis YS. FCTH: Fuzzy color and texture histogram-a low level feature for accurate image retrieval. 9th Int Workshop on Image Analysis for Multimedia Interactive Services (WIAMIS) 2008: 191- 196. DOI: 10.1109/WIAMIS.2008.24.
  • Zagoris K, Chatzichristofis SA, Papamarkos N, Boutalis YS. Automatic image annotation and retrieval using the joint composite descriptor. 14th Panhellenic Conf on Informatics 2010: 143-147. DOI: 10.1109/PCI.2010.38.
  • David GL. Distinctive image features from scale-invariant keypoints. Int J Comput Vis 2004; 60(2): 91-110. DOI: 10.1023/B:VISI.0000029664.99615.94.
  • Bay H, Tuytelaars T, Van GL. SURF: Speeded up robust features. In Book: Leonardis A, Bischof H, Pinz A, eds. Computer vision -- ECCV 2006. Berlin, Heidelberg: Springer- Verlag; 2006: 404-417. DOI: 10.1007/11744023_32.
  • Ke Y, Sukthankar R. PCA-SIFT: a more distinctive representation for local image descriptors. 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2004: II-II. DOI: 10.1109/CVPR.2004.1315206.
  • Mikolajczyk K, Schmid C. A performance evaluation of local descriptors. IEEE Trans Pattern Anal Mach Intell 2005; 27(10): 1615-1630. DOI: 10.1109/TPAMI.2005.188.
  • Calonder M., Lepetit V, Strecha C, Fua P. BRIEF: Binary robust independent elementary features. In Book: Daniilidis K, Maragos P, Paragios N, eds. Computer vision -- ECCV 2010. Berlin, Heidelberg: Springer-Verlag; 2010: 778-792. DOI: 10.1007/978-3-642-15561-1_56.
  • Rublee E, Rabaud V, Konolige K, Bradski G. ORB: An efficient alternative to SIFT or SURF. 2011 Int Conf on Computer Vision 2011: 2564-2571. DOI: 10.1109/ICCV.2011.6126544.
  • Alcantarilla PF, Nuevo J, Bartoli A. Fast explicit diffusion for accelerated features in nonlinear scale spaces. BMVC 2013 – Electronic Proceedings of the British Machine Vision Conference 2013: 13.1-13.11. DOI: 10.5244/C.27.13.
  • Leutenegger S, Chli M, Siegwart RY. BRISK: Binary Robust invariant scalable keypoints. 2011 Int Conf on Computer Vision 2011: 2548-2555. DOI: 10.1109/ICCV.2011.6126542.
  • Tareen SAK, Saleem Z. A comparative analysis of SIFT, SURF, KAZE, AKAZE, ORB, and BRISK. 2018 Int Conf on Computing, Mathematics and Engineering Technologies (iCoMET) 2018: 1-10. DOI: 10.1109/ICOMET.2018.8346440.
  • Zauner C. Implementation and benchmarking of perceptual image hash functions. Master’s Thesis, Upper Austria University of Applied 2010.
  • pHash. The open source perceptual hash library. 2022. Source: http://www.phash.org.
  • ImageHash. 2022. Source: https://github.com/JohannesBuchner/imagehash.
  • Sivic J, Zisserman A. Video google: A text retrieval approach to object matching in videos. Int Conf on Computer Vision 2003: 1470-1477. DOI: 10.1109/iccv.2003.1238663.
  • Bromley J, Guyon I, LeCun Y, Säckinger E, Shah R. Signature verification using a "Siamese" time delay neural network. Adv Neural Inf Process Syst 1993; 07(04). DOI: 10.1142/s0218001493000339.
  • Hadsell R, Chopra S, LeCun Y. Dimensionality reduction by learning an invariant mapping. 2006 IEEE Computer Society Conf on Computer Vision and Pattern Recognition (CVPR'06) 2006: 1735-1742. DOI: 10.1109/CVPR.2006.100.
  • Note on CASIA Palmprint Database. 2022. Source: http://www.cbsr.ia.ac.cn/english/Palmprint%20Databases.asp.
  • Zhang L, Cheng Z, Shen Y, Wang D. Palmprint and palmvein recognition based on DCNN and a new largescale contactless palmvein dataset. Symmetry 2018; 10(4): 78. DOI: 10.3390/sym10040078.
Еще
Статья научная
SciUp 2024 © 2024 ©