公开(公告)号：CN116363712B

公开(公告)日：2023-10-31

申请号：CN202310277981.3

申请日：2023-03-21

Applicant: 中国矿业大学

Inventor： 潘在宇 ,  徐家梦 ,  王军 ,  康文雄

IPC: G06V40/14 ,  G06V40/12 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/0475

Abstract: 本发明公开了一种基于模态信息度评估策略的掌纹掌静脉识别方法，涉及生物识别技术领域。本发明创新性的提出了对每个样本的每个模态进行不确定性估计，自适应的动态融合，使模型能够在复杂多变场景下保证识别的可靠性和稳定性，从而可靠地融合多模态特征，实验结果表明，这种方法能够解决信息冗余和噪声影响等问题，提高识别的准确度和可靠性，能在模态质量动态变化时获得更加稳定的结果，使得认证和识别过程更加精准，使匹配更接近理想。

公开(公告)号：CN117523685B

公开(公告)日：2024-07-09

申请号：CN202311521995.1

申请日：2023-11-15

Applicant: 中国矿业大学

Inventor： 潘在宇 ,  徐家梦 ,  姜双天 ,  王军

IPC: G06V40/70 ,  G06V40/12 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06V10/774 ,  G06N3/09 ,  G06N3/088

Abstract: 本发明公开了一种基于非对称对比融合的双模态生物特征识别方法，涉及生物识别技术领域。本发明创新性地提出了基于非对称对比融合的双模态生物特征识别模型，在掌纹掌静脉融合网络的基础上，设计了一种新的非对称对比学习策略，在单模态的输入级和多模态融合的输出级进行互信息最大化和语义一致性信息的对比学习，该模型结合有监督和无监督的表征学习方法，可以更为灵活和充分地利用数据，减少模型训练对数据标注的依赖，减少任务相关信息的丢失，使模型学习鲁棒性的多模态特征表示，提高身份信息的识别精度。

公开(公告)号：CN116363712A

公开(公告)日：2023-06-30

申请号：CN202310277981.3

申请日：2023-03-21

Applicant: 中国矿业大学

Inventor： 潘在宇 ,  徐家梦 ,  王军 ,  康文雄

IPC: G06V40/14 ,  G06V40/12 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/0475

Abstract: 本发明公开了一种基于模态信息度评估策略的掌纹掌静脉识别方法，涉及生物识别技术领域。本发明创新性的提出了对每个样本的每个模态进行不确定性估计，自适应的动态融合，使模型能够在复杂多变场景下保证识别的可靠性和稳定性，从而可靠地融合多模态特征，实验结果表明，这种方法能够解决信息冗余和噪声影响等问题，提高识别的准确度和可靠性，能在模态质量动态变化时获得更加稳定的结果，使得认证和识别过程更加精准，使匹配更接近理想。

公开(公告)号：CN115439892B

公开(公告)日：2025-02-11

申请号：CN202211084284.8

申请日：2022-09-06

Applicant: 中国矿业大学

Inventor： 王军 ,  徐家梦 ,  潘在宇 ,  袁海 ,  韩淑雨

IPC: G06V40/12 ,  G06V10/774 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06F21/32

Abstract: 本发明公开了一种基于掌纹掌静脉多模态融合的身份识别方法，涉及生物识别技术领域。具体包括以下步骤：对数据库中的手掌图像设置好配对标签，属于同一个人的手掌图像标签设置为1，不同则标签设置为0；构建初始掌纹和掌纹的单模态识别网络并训练；构建初始掌纹和掌静脉的跨模态识别网络并训练；通过训练好的掌纹和掌纹的单模态识别网络、训练好的掌纹和掌静脉的跨模态识别网络构建初始整体识别网络并训练。本发明创新性的提出了掌纹和掌纹的单模态识别与掌纹和掌静脉的跨模态识别相结合的混合式身份识别方法，这种方法能提升很大的准确度，使匹配更接近理想。

公开(公告)号：CN117523685A

公开(公告)日：2024-02-06

申请号：CN202311521995.1

申请日：2023-11-15

Applicant: 中国矿业大学

Inventor： 潘在宇 ,  徐家梦 ,  姜双天 ,  王军

IPC: G06V40/70 ,  G06V40/12 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06V10/774 ,  G06N3/09 ,  G06N3/088

Abstract: 本发明公开了一种基于非对称对比融合的双模态生物特征识别方法，涉及生物识别技术领域。本发明创新性地提出了基于非对称对比融合的双模态生物特征识别模型，在掌纹掌静脉融合网络的基础上，设计了一种新的非对称对比学习策略，在单模态的输入级和多模态融合的输出级进行互信息最大化和语义一致性信息的对比学习，该模型结合有监督和无监督的表征学习方法，可以更为灵活和充分地利用数据，减少模型训练对数据标注的依赖，减少任务相关信息的丢失，使模型学习鲁棒性的多模态特征表示，提高身份信息的识别精度。

公开(公告)号：CN115439892A

公开(公告)日：2022-12-06

申请号：CN202211084284.8

申请日：2022-09-06

Applicant: 中国矿业大学

Inventor： 王军 ,  徐家梦 ,  潘在宇 ,  袁海 ,  韩淑雨

IPC: G06V40/12 ,  G06V10/774 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  G06F21/32

Abstract: 本发明公开了一种基于掌纹掌静脉多模态融合的身份识别方法，涉及生物识别技术领域。具体包括以下步骤：对数据库中的手掌图像设置好配对标签，属于同一个人的手掌图像标签设置为1，不同则标签设置为0；构建初始掌纹和掌纹的单模态识别网络并训练；构建初始掌纹和掌静脉的跨模态识别网络并训练；通过训练好的掌纹和掌纹的单模态识别网络、训练好的掌纹和掌静脉的跨模态识别网络构建初始整体识别网络并训练。本发明创新性的提出了掌纹和掌纹的单模态识别与掌纹和掌静脉的跨模态识别相结合的混合式身份识别方法，这种方法能提升很大的准确度，使匹配更接近理想。