基于深度學(xué)習(xí)的指靜脈識(shí)別研究

吳 超，邵 曦

(南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003)

1 概 述

生物識(shí)別技術(shù)是使用人體特征進(jìn)行身份認(rèn)證的一種方法，人體特征包括人臉、指紋、虹膜和靜脈。與傳統(tǒng)生物特征相比，人體的指靜脈特征具有安全性、唯一性和長期不變性等優(yōu)點(diǎn)。1992年，北海道大學(xué)的研究人員第一次證明了世界上任意兩個(gè)人即使是雙胞胎都不可能擁有完全相同的靜脈特征[1-2]。由于指靜脈圖像是利用紅外攝像頭采集得到，與指紋采集等相比，指靜脈采集具有非接觸性，并且很難被竊取和偽造。與指紋、聲音和人臉等生物特征不同的是，即使某個(gè)手指受到損傷，依然可以利用其他手指靜脈[3-4]。

由于指靜脈作為生物特征識(shí)別具有顯著的優(yōu)勢(shì)，因此國內(nèi)外都對(duì)此進(jìn)行了廣泛研究。國外對(duì)該領(lǐng)域研究較早，技術(shù)較為成熟。日本日立公司從1997年就開始這方面研究，2004年推出靜脈認(rèn)證的自動(dòng)存取款機(jī)[5-6]。2010年，該公司的NaotoMiura等在指靜脈采集裝置的設(shè)計(jì)、指靜脈圖像的獲取和指靜脈特征識(shí)別等多個(gè)方面進(jìn)行了深入研究并發(fā)表多篇文獻(xiàn)[7]。韓國國立大學(xué)的Joon Hwan等針對(duì)指靜脈圖像的預(yù)處理進(jìn)行研究，并在2009年發(fā)表的文獻(xiàn)中指出通過梯度、主曲率與二值化等方法對(duì)指靜脈圖像進(jìn)行預(yù)處理，可以有效提取靜脈紋路[8]。在國內(nèi)，也有許多研究人員從事指靜脈識(shí)別研究。比如，張忠波等針對(duì)手指靜脈特征提取技術(shù)，提出了基于曲波和神經(jīng)網(wǎng)絡(luò)的多尺度特征提取方法，取得了較好的識(shí)別效果[9]。

指靜脈圖像采集過程容易因光照強(qiáng)度、角度和環(huán)境溫度等外界因素的影響而降低圖像質(zhì)量。因此需要對(duì)指靜脈圖像進(jìn)行適當(dāng)?shù)念A(yù)處理，以降低外界因素對(duì)指靜脈識(shí)別的不利影響。指靜脈采集過程中，由于手指的旋轉(zhuǎn)、傾斜等會(huì)使同一手指靜脈在不同時(shí)刻產(chǎn)生輕微的旋轉(zhuǎn)角度，為了提高識(shí)別精度，需要對(duì)原始圖像進(jìn)行矯正。

近年來，由于計(jì)算機(jī)運(yùn)算能力的不斷提升，深度學(xué)習(xí)也有了巨大進(jìn)步，獲得了優(yōu)異的成果。2012年，Alex等在ImageNet圖像分類競(jìng)賽中利用AlexNet深度神經(jīng)網(wǎng)絡(luò)做出了非常好的效果，超過了其他所有淺層的方法[10]。深度學(xué)習(xí)可以通過學(xué)習(xí)一個(gè)深度非線性網(wǎng)絡(luò)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，展現(xiàn)了其從少量樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。因此文中提出基于深度學(xué)習(xí)的指靜脈識(shí)別方法。

2 指靜脈提取與預(yù)處理

2.1 指靜脈采集裝置原理

每個(gè)人的手指表皮下的靜脈紋路都是獨(dú)一無二的，即使是雙胞胎的對(duì)應(yīng)手指靜脈分布也一定不相同。當(dāng)進(jìn)入成年以后，手指靜脈圖像不再改變，具有較好的穩(wěn)定性和唯一性。這為指靜脈識(shí)別提供了醫(yī)學(xué)依據(jù)。

指靜脈圖像采集裝置是由近紅外光發(fā)生裝置和紅外攝像頭采集裝置組成。實(shí)驗(yàn)證明760～850nm波長的近紅外光對(duì)肌肉和骨骼具有較好的穿透能力，并且靜脈中的血紅蛋白對(duì)此范圍的近紅外光具有良好的吸收能力[11-12]。近紅外光從手指背部穿過，由于靜脈血紅蛋白可以吸收近紅外光，因此紅外攝像機(jī)采集到的手指圖像會(huì)形成一些較暗的紋路，這些紋路便是手指靜脈圖像。

然而由于光照強(qiáng)度、光照角度、骨骼和肌肉厚度等因素的影響，使得紅外攝像頭采集到的圖像除了包含指靜脈紋路外，還包含一些不規(guī)則的暗影和噪聲。這些噪聲會(huì)對(duì)后期的指靜脈識(shí)別產(chǎn)生干擾，需要對(duì)采集圖像做進(jìn)一步處理。

2.2 指靜脈圖像的矯正

同一手指在不同時(shí)間采集手指靜脈時(shí)，不可避免地會(huì)因?yàn)槭种概c設(shè)備角度的偏差而產(chǎn)生差異較大的手指靜脈圖像。因此需要對(duì)圖像進(jìn)行矯正。圖像矯正前，需要計(jì)算手指傾斜角度，并根據(jù)傾斜角通過圖像旋轉(zhuǎn)矯正原始圖像。

用F1(x,y)、F2(x,y)分別表示手指的左右邊界曲線，N1表示曲線F1上點(diǎn)的個(gè)數(shù)，N2表示曲線F2上點(diǎn)的個(gè)數(shù)。(x1i,y1i)和(x2j,y2j)分別表示曲線F1第i個(gè)點(diǎn)的坐標(biāo)以及曲線F2第j個(gè)點(diǎn)的坐標(biāo)。圖像旋轉(zhuǎn)角度由以下公式給出：

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

得到指靜脈圖像傾斜角后，通過反向旋轉(zhuǎn)即可對(duì)圖像進(jìn)行矯正。

經(jīng)過上述方法獲取旋轉(zhuǎn)角后進(jìn)行反向旋轉(zhuǎn)得到矯正圖像。旋轉(zhuǎn)矯正后的圖像基本處于垂直角度，很好地解決了因?yàn)椴杉^程手指不同程度偏轉(zhuǎn)而產(chǎn)生的圖像差異問題。

2.3 指靜脈圖像的ROI提取

通過指靜脈采集裝置采集到的原始圖像包含指靜脈特征區(qū)域和背景區(qū)域，為了減少背景對(duì)后續(xù)指靜脈特征提取的影響，需要去除背景區(qū)域，即感興趣區(qū)域提取(region of interest，ROI)[13-17]。文中使用形態(tài)學(xué)算法處理手指邊緣，獲得精確邊緣檢測(cè)。

使用Sobel算子進(jìn)行原始圖像的垂直邊緣檢測(cè)，但由于光線較暗，邊緣檢測(cè)效果并不是很好，會(huì)出現(xiàn)斷斷續(xù)續(xù)的點(diǎn)。因此下一步采用形態(tài)學(xué)算法進(jìn)一步處理[18-20]。

對(duì)上一步的邊緣檢測(cè)結(jié)果進(jìn)行閉合操作，閉操作可使輪廓線更光滑，減少狹窄的間斷和細(xì)長的鴻溝，消除小的空洞，并填補(bǔ)輪廓線中的斷裂。接著進(jìn)一步骨骼化，細(xì)化邊緣區(qū)域，由此可以得到清晰明確的兩條邊界線。根據(jù)圖像左右的邊界線切割圖像得到指靜脈區(qū)域圖像。為了便于后續(xù)處理，把所有指靜脈圖像尺寸都放縮至300*100。

ROI圖像提取如圖1所示。

圖1 ROI圖像提取

2.4 指靜脈圖像增強(qiáng)

由于紅外光易受到手指肌肉和骨骼的影響，在非靜脈區(qū)域也會(huì)含有大量暗部。這使指靜脈圖像的對(duì)比度降低，對(duì)圖像識(shí)別產(chǎn)生不利影響。這里引入一個(gè)高斯高通濾波器來增強(qiáng)圖像的對(duì)比度[21-22]。濾波器的公式如下：

(10)

D(x,y)定義如下：

D(x,y)=[(x-x0)2+(y-y0)2]1/2

(11)

其中，D(x,y)表示中心點(diǎn)與點(diǎn)(x,y)的距離，卷積模板的中心點(diǎn)為D0(x0,y0)。通過更改系數(shù)a,b的值來調(diào)節(jié)濾波器的濾波效果。文中卷積模板尺寸為9，a和b的取值分別為12.41和-4。

實(shí)驗(yàn)結(jié)果表明，濾波后的圖像對(duì)比度明顯高于原始圖像，很好地去除了暗部的不利影響。

3 深度神經(jīng)網(wǎng)絡(luò)

3.1 深度學(xué)習(xí)

深度學(xué)習(xí)(也稱深度結(jié)構(gòu)化學(xué)習(xí)，分層學(xué)習(xí)或深層機(jī)器學(xué)習(xí))是基于一組算法的機(jī)器學(xué)習(xí)的分支，深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[23]。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，其目的在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。深度學(xué)習(xí)領(lǐng)域的研究主要致力于尋找對(duì)數(shù)據(jù)更好的表示以及構(gòu)建模型來從大規(guī)模無標(biāo)簽的數(shù)據(jù)中學(xué)習(xí)這些特征表示。一些研究人員受到神經(jīng)學(xué)科的啟發(fā)，基于神經(jīng)系統(tǒng)中的信息處理和通信模式的解釋構(gòu)建出多種模型。諸如深度神經(jīng)網(wǎng)絡(luò)、卷積深度神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)和復(fù)現(xiàn)神經(jīng)網(wǎng)絡(luò)的各種深度學(xué)習(xí)架構(gòu)已經(jīng)應(yīng)用于計(jì)算機(jī)視覺、自動(dòng)語音識(shí)別、自然語言處理、音頻識(shí)別和生物信息學(xué)等領(lǐng)域，并且顯示出了一定的優(yōu)勢(shì)。

3.2 AlexNet神經(jīng)網(wǎng)絡(luò)模型

2012年，Geoffrey Hinton和Alex在ImageNet的競(jìng)賽中使用一個(gè)8層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)刷新了圖像分類的記錄，奠定了深度學(xué)習(xí)在計(jì)算機(jī)視覺中的地位，后來大家把這8層的CNN命名為AlexNet。AlexNet是一種典型的卷積神經(jīng)網(wǎng)絡(luò)，共有8層，其中前5層是卷積層，后3層全連接，最后的一個(gè)全連接層的輸出是softmax。

整體結(jié)構(gòu)如圖2所示。

圖2 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)

該卷積神經(jīng)網(wǎng)絡(luò)涉及到以下幾個(gè)部分：ReLU激活函數(shù)、卷積和池化。

(1)ReLU激活函數(shù)[24]。

Sigmoid是常用的非線性激活函數(shù)，它能夠把輸入的連續(xù)實(shí)值“壓縮”到0和1之間。特別的，如果是非常大的負(fù)數(shù)，那么輸出就是0；如果是非常大的正數(shù)，輸出就是1。但是它有一些缺點(diǎn)：當(dāng)輸入非常大或者非常小時(shí)，會(huì)有飽和現(xiàn)象，這些神經(jīng)元的梯度是接近于0的。如果初始值很大的話，梯度在反向傳播時(shí)因?yàn)樾枰松弦粋€(gè)Sigmoid的導(dǎo)數(shù)，使得梯度越來越小，導(dǎo)致網(wǎng)絡(luò)變得很難學(xué)習(xí)。并且Sigmoid的輸出不是0均值，這會(huì)導(dǎo)致后一層的神經(jīng)元將得到上一層輸出的非0均值的信號(hào)作為輸入，會(huì)對(duì)訓(xùn)練產(chǎn)生不利影響。因此這里用ReLU激活函數(shù)來替代Sigmod激活函數(shù)。

(2)卷積。

AlexNet的核心就是卷積層。卷積運(yùn)算一個(gè)重要的特點(diǎn)就是增強(qiáng)原信號(hào)特征，并且降低噪音。不同的卷積核能夠提取到圖像中的不同特征。

(3)池化。

池化是在卷積特征提取的基礎(chǔ)上，對(duì)每個(gè)卷積特征進(jìn)行取平均(或者取最大值)，進(jìn)一步縮小隱藏節(jié)點(diǎn)對(duì)應(yīng)的卷積特征維數(shù)，減小分類器的設(shè)計(jì)負(fù)擔(dān)。

3.3 改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型

AlexNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有6000萬個(gè)參數(shù)，這給神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)帶來了很大問題。較多的參數(shù)使得學(xué)習(xí)成本增高，并且可能帶來過擬合的問題。因此提出改進(jìn)方法，在不降低神經(jīng)網(wǎng)絡(luò)性能的前提下，進(jìn)一步減少神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)數(shù)量。策略如下：

(1)替換原來的3*3的卷積核為1*1的卷積核。

(2)減少輸入3*3卷積的特征圖(feature map)的數(shù)量。

具體實(shí)現(xiàn)中，將AlexNet網(wǎng)絡(luò)的每個(gè)卷積層分為兩個(gè)自帶ReLU函數(shù)的卷積層，第一層的卷積核大小為1*1，第二層的卷積中包含1*1和3*3兩種卷積核大小。在ImageNet上，參數(shù)數(shù)目可減少50倍。

改進(jìn)后的AlexNet整體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 網(wǎng)絡(luò)結(jié)構(gòu)

3.4 Caffe開源框架

Caffe是一個(gè)清晰而高效的深度學(xué)習(xí)框架[25]。由于其模型與相關(guān)的優(yōu)化都是以文本的形式給出，因此使用Caffe框架可以方便地定義神經(jīng)網(wǎng)絡(luò)，并可以通過命令行或者接口的調(diào)用來方便地對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。因此文中所有實(shí)驗(yàn)都是在Caffe框架下進(jìn)行。

在Caffe中有兩個(gè)核心配置文件train_val.prototxt和solver.prototxt。train_val.prototxt文件是網(wǎng)絡(luò)配置文件，該文件通過layer參數(shù)來定義不同的網(wǎng)絡(luò)層。solver.prototxt文件是Caffe運(yùn)行的關(guān)鍵，它協(xié)調(diào)著整個(gè)模型的運(yùn)作。在深度學(xué)習(xí)中，loss函數(shù)往往是非凸的，沒有解析解，必須找到一個(gè)優(yōu)化方法來求解。solver的主要作用就是交替調(diào)用前向(forward)算法和后向(backward)算法來更新參數(shù)，從而最小化loss，實(shí)際上就是一種迭代的優(yōu)化算法。

在計(jì)算loss函數(shù)時(shí)，傳統(tǒng)的梯度下降算法(gradient descent，GD)要通過所有樣本計(jì)算梯度，而隨機(jī)梯度下降算法(stochastic gradient descent，SGD)通過一個(gè)樣本或部分樣本計(jì)算一個(gè)近似的梯度，因此SGD計(jì)算量要更小。在訓(xùn)練集較大時(shí)，SGD算法收斂速度更快。因此文中采用SGD算法。

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)集的擴(kuò)展

實(shí)驗(yàn)數(shù)據(jù)采集于123個(gè)人的四根手指，每根手指采集12張靜脈圖片，即數(shù)據(jù)集的大小為492*12。為了對(duì)網(wǎng)絡(luò)模型進(jìn)行更好的訓(xùn)練，減少數(shù)據(jù)集過擬合的問題，對(duì)該數(shù)據(jù)集進(jìn)行擴(kuò)展。擴(kuò)展的方法是對(duì)原始圖像進(jìn)行隨機(jī)抽取。抽取方式有兩種，第一種方法是在尺寸為300*100的原始圖像上隨機(jī)抽取一個(gè)尺寸為270*90的子圖像，并將原始圖像和抽取圖像統(tǒng)一壓縮尺寸到60*30。第二種方法是對(duì)原始圖像進(jìn)行順時(shí)針和逆時(shí)針旋轉(zhuǎn)，旋轉(zhuǎn)角度范圍為[0,2]，并將原始圖像和抽取圖像統(tǒng)一壓縮尺寸到60*30。利用上述兩種抽取方式來擴(kuò)展數(shù)據(jù)集，將原始數(shù)據(jù)集的大小由492*12擴(kuò)大為492*120。

實(shí)驗(yàn)結(jié)果表明，通過這兩種方式擴(kuò)展得到的數(shù)據(jù)集具有良好的訓(xùn)練效果。

4.2 實(shí)驗(yàn)結(jié)果

通過上一節(jié)所提方法得到的數(shù)據(jù)集有492類手指圖像，每類包含120張。利用該數(shù)據(jù)集進(jìn)行模型訓(xùn)練。

該實(shí)驗(yàn)利用Caffe開源框架設(shè)計(jì)和實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)。其中計(jì)算機(jī)CPU型號(hào)為E7440，主頻2.4GHz，8核16G內(nèi)存。

利用Caffe框架對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練達(dá)到80000次，實(shí)驗(yàn)結(jié)果如表1、圖4和圖5所示。由表1可以看出，隨著訓(xùn)練次數(shù)的增多，識(shí)別率逐漸提高，loss值逐步降低。由圖4和圖5可知，當(dāng)訓(xùn)練次數(shù)達(dá)到70000～80000次時(shí)，整個(gè)網(wǎng)絡(luò)模型趨于穩(wěn)定。

表1 訓(xùn)練結(jié)果

圖4 識(shí)別率變化曲線 圖5 loss值變化曲線

以上實(shí)驗(yàn)表明，改進(jìn)過的AlexNet神經(jīng)網(wǎng)絡(luò)對(duì)指靜脈圖像進(jìn)行分類能夠得到較好的結(jié)果。

5 結(jié)束語

隨著信息技術(shù)的高速發(fā)展，對(duì)生物特征識(shí)別技術(shù)的需求越來越高。由最開始的指紋識(shí)別、語音識(shí)別到后來的虹膜識(shí)別和指靜脈識(shí)別，每一次技術(shù)的突破都意味著信息安全的重要性不斷得到重視。如今，電子產(chǎn)品與人類的交互越來越頻繁，人們對(duì)設(shè)備的數(shù)據(jù)安全需求不斷提高，因此研究指靜脈識(shí)別具有很好的現(xiàn)實(shí)意義。近來發(fā)展火熱的深度學(xué)習(xí)證明了其在圖像分類等領(lǐng)域的優(yōu)勢(shì)。實(shí)驗(yàn)結(jié)果表明，利用深度學(xué)習(xí)構(gòu)造深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)指靜脈圖像的分類具有良好的效果。

[1] XI X,YANG G,YIN Y,et al.Finger vein recognition with personalized feature selection[J].Sensors,2013,13(9):11243-11259.

[2] KONO M,UEKI H,UMEMURA S.A new method for the identification of individuals by using of vein pattern matching of a finger[C]//Proceedings of the5th symposium on pattern measurement.Yamaguchi,Japan:[s.n.],2000:9-12.

[3] XIE S J,YANG J,YOON S,et al.Guided Gabor filter for finger vein pattern extraction[C]//Eighth international conference on signal image technology and internet based systems.[s.l.]:IEEE,2012:118-123.

[4] LU Y,YOON S,XIE S J,et al.Finger vein recognition using histogram of competitive Gabor responses[C]//22nd international conference on pattern recognition.[s.l.]:IEEE,2014:1758-1763.

[5] JAIN A K,ROSS A,PANKANTI S.Biometrics:a tool for information security[J].IEEE Transactions on Information Forensics and Security,2006,1(2):125-143.

[6] KONO M,UEKI H, UMEMURA S. Near-infrared finger vein patterns for personal identification[J].Applied Optics,2002,41(35):7429-7436.

[7] YAMADA J,NISHIKAWA Y.Personal identification device and method:U.S,6907134[P].2005-06-14.

[8] CHOI J H.Finger vein extraction using gradient normalization and principal curvature[J].Proceedings of SPIE,2009,7251:725111.

[9] ZHANG Z,MA S,HAN X.Multiscale feature extraction of finger-vein patterns based on curvelets and local interconnection structure neural network[C]//International conference on pattern recognition.[s.l.]:IEEE Computer Society,2006:145-148.

[10] KRIZHEVSKY A,SUTSKEVER I,HINTON G E.ImageNet classification with deep convolutional neural networks[C]//International conference on neural information processing systems.[s.l.]:Curran Associates Inc,2012:1097-1105.

[11] MIURA N,NAGASAKA A,MIYATAKE T.Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification[J].Machine Vision and Applications,2004,15(4):194-203.

[12] 楊數(shù)強(qiáng),王軍強(qiáng),周 濤.手指靜脈采集控制板的研制[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(27):80-82.

[13] YANG J,SHI Y.Finger-vein ROI localization and vein ridge enhancement[J].Pattern Recognition Letters,2012,33(12):1569-1579.

[14] 楊金鋒,張海金.手指靜脈圖像感興趣區(qū)域提取方法研究[J].山東大學(xué)學(xué)報(bào):工學(xué)版,2012,42(3):6-12.

[15] 苑瑋琦,高潔睿.基于局部灰度極小值的指靜脈圖像分割方法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(7):109-111.

[16] 余成波,秦華鋒.手指靜脈圖像特征提取算法的研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(24):175-177.

[17] 楊 穎,楊公平.手指靜脈識(shí)別技術(shù)[J].計(jì)算機(jī)科學(xué)與探索,2012,6(4):343-354.

[18] LIU Z,YIN Y,WANG H,et al.Finger vein recognition with manifold learning[J].Journal of Network & Computer Applications,2010,33(3):275-282.

[19] WANG J X.Gabor filter based fingerprint image enhancement[C]//Fifth international conference on machine vision.[s.l.]:International Society for Optics and Photonics,2013.

[20] 岡薩雷斯,伍 茲,埃丁斯,等.數(shù)字圖像處理:MATLAB版[M].北京:電子工業(yè)出版社,2005.

[21] ROSDI B A,SHING C W,SUANDI S A.Finger vein recognition using local line binary pattern[J].Sensors,2011,11(12):11357-11371.

[22] 劉 洋,郭樹旭,張鳳春,等.基于稀疏分解的指靜脈圖像去噪[J].信號(hào)處理,2012,28(2):179-185.

[23] AREL I,ROSE D C,KARNOWSKI T P.Deep machine learning-a new frontier in artificial intelligence research [research frontier][J].IEEE Computational Intelligence Magazine，2010,5(4):13-18.

[24] GLOROT X,BORDES A,BENGIO Y.Deep Sparse Rectifier Neural Networks[C]//International conference on artificial intelligence and statistics.[s.l.]:[s.n.],2011:315-323.

[25] JIA Y,SHELHAMER E,DONAHUE J,et al.Caffe:convolutional architecture for fast feature embedding[C]//Proceedings of the22nd ACM international conference on multimedia.[s.l.]:ACM,2014:675-678.