基于改进K-Means的静脉特征学习与识别
针对传统的静脉识别中静脉特征的提取需要通过先验知识进行人工设计,并且特征的设计过程中需要对大量的参数进行调整,同时需要在后续的分类器设计中进行特殊的选择才能达到较好的识别效果等缺陷,提出了一种改进方法,对单层网络的特征学习结构中的K-Means方法进行针对性改进,并将其引入到静脉识别的静脉特征学习过程中,在分类器中采用SVM实现静脉分类.另外,引入SIFT特征结合改进词袋模型(SBOW)的传统特征学习和分类方法分别进行静脉识别,并将两者的识别结果进行对比,从而证明将基于单层网络特征学习方法引入静脉识别中的优越性和必要性.
静脉识别、单层网络特征学习、K-Means、SIFT特征、词袋模型
24
TP273(自动化技术及设备)
中央高校基本科研业务费2013XK09
2017-10-27（万方平台首次上网日期，不代表论文的发表时间）
共5页
1751-1755
