高光谱掌纹识别：联合深度卷积特征表示方法

"利用联合深度卷积特征表示提升高光谱掌纹识别的性能" 高光谱成像分析近年来受到越来越多的关注，主要得益于计算机硬件的提升，这推动了卷积神经网络（CNN）在各种应用中展现出极高的性能。高光谱掌纹识别，作为一种生物识别技术，利用不同光谱波段的判别信息，为身份验证提供了新的可能。文章"Joint deep convolutional feature representation for hyperspectral palmprint recognition"提出了一种联合深度卷积特征表示（JDCFR）方法，旨在优化高光谱掌纹图像的识别效果。 JDCFR方法的核心是构建CNN堆栈，它能够从整个光谱带中提取高光谱掌纹图像的特征。这个CNN堆栈由多个具有不同参数设置的CNN组成，能够适应不同光谱的掌纹图像。通过局部训练，每个CNN都能够捕捉到特定频谱范围内的特征。这种方法的优势在于，它可以充分利用每个波段的独特信息，从而获取更丰富的特征表示。 为了整合不同CNN提取的特征并减少冗余，研究者采用了基于协作表示的分类器（CRC）。CRC可以生成一个完整且非冗余的特征集，同时防止丢弃在不同光谱波段中的层次特征。这种联合表示策略能够确保从整个高光谱数据中捕获最全面的特征信息。 实验在包含53个光谱带、总计110,770张图像的高光谱掌纹数据集上进行。结果表明，JDCFR方法在误接受率（EER）为0.01％和准确率（ARR）为99.62％的情况下，表现优于其他分类器、传统的CNN方法、以及对特征矩阵应用主成分分析（PCA）的方法。这些数值证明了JDCFR在高光谱掌纹识别领域的优越性能和潜力。 JDCFR方法结合了深度学习与多光谱信息处理，为高光谱掌纹识别提供了一种高效、准确的解决方案。未来的研究可能会进一步探索如何优化CNN堆栈的设计，以及如何在更大规模的数据集上验证该方法的稳健性。