CCF广东工业大学学生分会举办“手部生物特征安全认证方法与应用研究”学术讲座

广东工业大学CCF学生分会于2023年5月11日（星期四）上午9:30成功举办了主题为“手部生物特征安全认证方法与应用研究”的学术讲座。这场精彩讲座的报告人是广东工业大学计算机院的赵淑平副教授。赵淑平副教授作为广东工业大学青年百人计划A层次特聘副教授引进，主持和参与国家自然科学基金及中国博士后科学基金等多个国家和省市级科研项目，研究方向包含生物特征安全识别、机器学习、图像处理和模式识别等，迄今为止在上述领域已发表顶级期刊及会议论文近40篇，包含IEEE TIP，IEEE TNNLS，IEEE TMM，IEEE TSMC等。

在本次讲座中，赵教授首先介绍了目前正在研究的生物特征识别技术，并提出了指纹、人脸和虹膜识别是目前应用最为成功的三种生物特征识别技术的观点。由于人脸、虹膜具有一定的攻击性，会对个人隐私造成侵犯，因此赵教授提出了本次讲座的重点——掌纹识别。手部生物特征包括指纹、掌纹、掌静脉、手背静脉、指节纹等，拥有更稳定、独一无二、友好的特性。掌纹的获取方式有四种，分别是接触式获取掌纹，3D方式获取掌纹，非接触式获取掌纹，以及移动设备获取掌纹。掌纹识别技术通过对掌纹的图像进行Region of interest (ROI) 特征提取后进行匹配，是掌纹区域的一部分，位于手掌中心。由于原始的手掌图像还包含复杂的背景和手指，ROI提取可以避免背景和手指的干扰。

接着，赵教授分别介绍了掌纹识别的三个方法，包括内在性特征学习，深度特征学习，多视图鲁棒识别等。其中内在性特征学习用于解决快速识别问题，分为3个步骤：第一步，从数据中学习清洁和噪音成分；第二步，将噪声分量投影到对回归误差进行建模的二进制标签空间中；第三步，在回归过程中，回归误差迫使Salient and discriminative descriptor (SDD) 学习数据的显著信息。深度特征学习用于解决训练样本较少的问题，首次针对掌纹识别中的欠采样问题提出了解决方案，通过最小二乘回归模型来增强深层特征的表示。多视图鲁棒识别用于解决鲁棒识别的问题，它利用了来自各种观点的多个特征，因此可以采用互补信息来描述带有鼻子的掌纹。同视图中的要素转换为相同的子空间，以通过减少视图之间的距离来增强要素表示。

讲座尾声，赵教授还提出了高光谱掌静脉/手背静脉。更多的特征，如皮肤、静脉、血管等，可以被高光谱捕获。高光谱的好处是可进行活体检测并且有更好的识别性能。其使用联合卷积特征提取模型，

充分利用所有频谱的完整特性，避免信息丢失。接着赵教授提出了多模态高光谱生物特征识别模型和用于高光谱多模态识别的通用深度网络，从多视图实例中学习回归目标。接着介绍了多视图下学习，为每个视图近似构造低秩投影项，其中低秩子空间表示矩阵被视为张量，以捕获不同视图之间的高阶相关性。

由于每个人的掌纹都是独一无二的，不可复制，因此掌纹识别技术具有很高的辨识度和安全性。掌纹是人体表面上的一种生物特征，不需要额外的设备或者接触式传感器，使用起来非常便捷。掌纹纹路相对固定，不受外部环境因素（如温度、湿度等）的影响，因此掌纹识别技术具有很高的鲁棒性。掌纹识别技术已经广泛应用于门禁系统、金融交易、手机解锁等领域，并且随着技术的不断发展，掌纹识别技术的应用范围还将不断扩大。因此掌纹识别仍具有十分重要的研究意义以及研究前景。

至此，讲座圆满结束，感谢赵淑平副教授分享的精彩学术讲座！