多方向卷積和CNN指靜脈識(shí)別

吳葉清

（集美大學(xué)誠(chéng)毅學(xué)院信息工程系，福建廈門(mén)361021）

關(guān)鍵字：指靜脈識(shí)別；卷積神經(jīng)網(wǎng)絡(luò)；多方向卷積模板

指靜脈識(shí)別是生物特征識(shí)別中的一種，被廣泛應(yīng)用于門(mén)禁系統(tǒng)、考勤系統(tǒng)、汽車(chē)和ATM 系統(tǒng)等領(lǐng)域[1-4]. 相對(duì)于人臉和指紋等生物特征，指靜脈具有不易磨損、難偽造、非接觸式采集等優(yōu)點(diǎn)，使得指靜脈識(shí)別具有更高的安全性，從而更容易被用戶(hù)接受. 因此，指靜脈識(shí)別技術(shù)具有重要的研究意義和實(shí)際應(yīng)用價(jià)值.

現(xiàn)有的指靜脈識(shí)別算法主要分為兩大類(lèi)：一類(lèi)是基于傳統(tǒng)手工特征的指靜脈識(shí)別方法，研究人員通過(guò)人工選取能夠有效表征指靜脈特征來(lái)實(shí)現(xiàn)此類(lèi)方法. Miura 等人[5]通過(guò)重復(fù)線追蹤獲取整幅圖像中的指靜脈特征模板，該算法具有較好的魯棒性.Yang 等人[6]采用八方向的Gabor 濾波器來(lái)獲取指靜脈圖像中的紋路信息，進(jìn)而使用重建算法融合并導(dǎo)出指靜脈紋路圖像. Xie 等人[7]提出了LODP（Local Opposite Directional Pattern），利用指靜脈圖像局部梯度模式、局部二值模式和局部反向模式提取特征. 這些算法可獲得不錯(cuò)的識(shí)別效果，但都需要手工設(shè)計(jì)特征，并且提取的特征維度較大. 另一類(lèi)是基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的指靜脈識(shí)別方法. Qin等人[8]提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)提取并修復(fù)指靜脈紋路的算法，但匹配階段還是采用傳統(tǒng)的算法. 唐溯等人[9]提出了一種基于深度學(xué)習(xí)的指靜脈識(shí)別算法，采用預(yù)訓(xùn)練權(quán)重的CNN和輕量型的深度可分離卷積網(wǎng)絡(luò)模型. 何鑫等人[10]提出基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的指靜脈識(shí)別算法，采用了LeaKy ReLU激活函數(shù)和中間值池化，并在反向傳播調(diào)整權(quán)值時(shí)引入約束條件. 基于卷積神經(jīng)網(wǎng)絡(luò)的指靜脈識(shí)別算法能夠有效解決人工選取特征的繁瑣問(wèn)題，并且減少提取的特征維度大小.

本文首先針對(duì)指靜脈圖像感興趣區(qū)域（ROI）特征不明顯的問(wèn)題，采用多方向卷積模板對(duì)指靜脈圖像進(jìn)行邊緣提取，獲取骨架初步特征圖；然后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的指靜脈圖像進(jìn)行特征提取. 天津指靜脈數(shù)據(jù)庫(kù)和馬來(lái)西亞理工大學(xué)指靜脈數(shù)據(jù)庫(kù)（FV-USM）被用以檢測(cè)本文算法的訓(xùn)練時(shí)間以及識(shí)別結(jié)果.

1 本文指靜脈識(shí)別算法

基于多方向卷積模板和卷積神經(jīng)網(wǎng)絡(luò)的指靜脈識(shí)別算法的流程如圖1 所示，即，采用多方向卷積模板提取ROI 和歸一化后的指靜脈圖像的粗特征，再采用輕量型的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)一步進(jìn)行特征提取，并訓(xùn)練.

圖1 算法流程

1.1 基于多方向卷積模板的粗特征提取

為了解決指靜脈圖像提取ROI 后圖像特征不明顯的問(wèn)題，在對(duì)指靜脈圖像提取ROI 和歸一化預(yù)處理后，對(duì)指靜脈圖像進(jìn)行骨架提取[11-13]，即采用多方向卷積模板對(duì)指靜脈圖像進(jìn)行邊緣檢測(cè)，從而防止指靜脈圖像的背景在分類(lèi)時(shí)造成干擾. 算法采用大小為9 × 9 八方向算子模板. 八個(gè)方向分別為0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°. 八個(gè)卷積算子如圖2所示.

基于多方向卷積模板的粗特征提取步驟如下：

①提取指靜脈ROI圖像并進(jìn)行歸一化處理.

圖2 八方向卷積算子

②將歸一化的圖像與八方向的卷積算子進(jìn)行卷積運(yùn)算，取8 個(gè)方向運(yùn)算結(jié)果平均值的最大值，若該值大于零判為特征點(diǎn)，小于零則判定為背景.

③利用局部閾值方法進(jìn)行圖像分割. 局部閾值的計(jì)算公式為：

其中u為以該像素中心的區(qū)域的平均灰度值，v為該區(qū)域的標(biāo)準(zhǔn)差，k是修正系數(shù).

④采用中值濾波對(duì)分割后的圖像進(jìn)行濾波細(xì)化處理，從而獲得更具有識(shí)別度的指靜脈的粗特征.中值濾波的公式如下：

式中：Y(i,j)、X(i,j)分別為濾波后的圖像和濾波前的圖像，H(s,t)為二維模板，大小通常為2×2.

⑤進(jìn)行圖像細(xì)化，獲取指靜脈粗特征圖.

圖3 展示了基于多方向卷積模板的粗特征提取各個(gè)步驟的圖像，圖3(a)為指靜脈歸一化后的圖像，圖3(b)為圖像分割后的指靜脈圖像，從圖像中可以看出經(jīng)過(guò)局部閾值處理后，圖像會(huì)出現(xiàn)噪聲，圖3(c)是去除連通域小的區(qū)域，比較明顯的噪聲已經(jīng)被濾除，圖3(d)為經(jīng)過(guò)中值濾波后得到的指靜脈圖像，進(jìn)一步去掉噪點(diǎn). 圖3(e)是經(jīng)過(guò)細(xì)化處理后的指靜脈圖像，對(duì)比圖3(e)和圖3(b)可以看出，圖3(e)的指靜脈圖像的粗特征圖更具識(shí)別度，且具有更少的數(shù)據(jù)量.

圖3 指靜脈圖像粗特征提取過(guò)程

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取

為了進(jìn)一步提升指靜脈識(shí)別的性能，構(gòu)建一個(gè)輕量型的卷積神經(jīng)網(wǎng)絡(luò)，從而對(duì)基于多方向卷積模板的指靜脈粗特征圖更深入的進(jìn)行特征提取，通過(guò)多次訓(xùn)練優(yōu)化網(wǎng)絡(luò)權(quán)值參數(shù)，得到最佳分類(lèi)模型.本文所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)是基于經(jīng)典的手寫(xiě)數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)[14-15]. 在其基礎(chǔ)上進(jìn)行改進(jìn)，分為7層：3層卷積層、2層池化層、1層全連接層和1層輸出層. 所有的卷積核大小均為3 × 3，池化窗口大小為2 × 2，通道數(shù)依次為10、20、40. CNN 各層結(jié)構(gòu)與參數(shù)如表1所示.

表1 CNN各層結(jié)構(gòu)與參數(shù)

第一層卷積層與指靜脈圖像的粗特征圖的局部感受野相連，提取該層的局部特征，第二層卷積層與第一層特征圖的局部感受野相連，提取該層的局部特征，以此類(lèi)推.卷積運(yùn)算公式如下：

式中：l表示當(dāng)前卷積層，l-1 為卷積層的上一層，l+1指卷積層的下一層，表示當(dāng)前卷積層中第i行第j列元素，W lst表示當(dāng)前卷積層的卷積核中對(duì)應(yīng)的第s行第t列元素表示上一層與卷積核所對(duì)應(yīng)的元素，blij表示當(dāng)前層的偏置，F(xiàn)( )· 是激活函數(shù).

常用的激活函數(shù)有sigmoid、ReLU 和Leaky ReLU. Sigmoid 函數(shù)收斂慢，且容易出現(xiàn)梯度消失.ReLU 函數(shù)雖然收斂速度比Sigmoid 函數(shù)快，但是訓(xùn)練的時(shí)候也容易出現(xiàn)梯度一直為0，即網(wǎng)絡(luò)中有神經(jīng)元“死”. Leaky ReLU 與ReLU 不同的是，對(duì)于小于0 的值賦予一個(gè)非零斜率，解決了網(wǎng)絡(luò)中神經(jīng)元都“死”了的問(wèn)題. 因此，本文選擇Leaky ReLU 作為激活函數(shù).

池化層的作用是對(duì)卷積層輸出的特征圖進(jìn)行特征壓縮，減小特征圖尺寸，并變換成所預(yù)定的尺寸，同時(shí)降低模型過(guò)擬合的幾率. 最大池化的算法公式如下：

式中：l表示當(dāng)前池化層，l-1 為池化層的上一層，l+1指池化層的下一層，表示當(dāng)前卷積層中第i行第j列元素表示上一層與卷積核所對(duì)應(yīng)的元素，blij表示當(dāng)前層的偏置.

第六層為全連接層，該層與卷積層相連，將卷積層獲得的分布式特征圖整合起來(lái)建立整體特征圖.最后一層是sofmax 層，相當(dāng)于一個(gè)分類(lèi)器作用. 公式如下：

式中：j表示樣本類(lèi)別總數(shù)，i表示第i個(gè)樣本.Pi表示第i個(gè)樣本的概率.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文所提算法的有效性，所提算法與現(xiàn)有算法在天津指靜脈數(shù)據(jù)庫(kù)和馬來(lái)西亞理工大學(xué)指靜脈數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)性能測(cè)試. 天津指靜脈數(shù)據(jù)庫(kù)由天津市智能信號(hào)與圖像處理重點(diǎn)實(shí)驗(yàn)室提供，包括64 類(lèi)指靜脈，共960 張圖片[16]；馬來(lái)西亞理工大學(xué)指靜脈數(shù)據(jù)庫(kù)包括492 類(lèi)指靜脈，共2 952 張圖像[17]. 在訓(xùn)練之前，每個(gè)庫(kù)隨機(jī)選取60%的樣本作為訓(xùn)練集，40%的樣本作為測(cè)試集.

對(duì)于給定的測(cè)試數(shù)據(jù)集，分類(lèi)器正確分類(lèi)的樣本數(shù)與總樣本數(shù)之比，稱(chēng)為準(zhǔn)確率. 也就是損失函數(shù)在0-1 損失時(shí)測(cè)試數(shù)據(jù)集上的準(zhǔn)確率. 準(zhǔn)確率越高，分類(lèi)器越好. 因此，可采用準(zhǔn)確率來(lái)比較本文算法與現(xiàn)有算法的性能.

2.2 訓(xùn)練配置

實(shí)驗(yàn)環(huán)境為Inter Core?i7-8850H CPU @2.6 GHz，內(nèi)存8 GB，顯卡NVIDIA Quadro P2000，操作系統(tǒng)為64 位Window 10 企業(yè)版，所有實(shí)驗(yàn)均在Python 3.6 軟 件 上 的TensorFlow-gpu 1.13.0 框架上進(jìn)行.

實(shí)驗(yàn)中，兩個(gè)庫(kù)的所有樣本圖像均歸一化為46×46，訓(xùn)練時(shí)，采用隨機(jī)梯度下降策略，初始學(xué)習(xí)率大小設(shè)置為0.002，最大迭代次數(shù)為1 000，天津庫(kù)的訓(xùn)練批次大小為64，馬來(lái)西亞庫(kù)的訓(xùn)練批次大小為128.

2.3 與現(xiàn)有算法的性能比較

表2 列出了本文算法與其他算法的性能比較.由表2 可知，本文算法在天津指靜脈庫(kù)上達(dá)到了100%的識(shí)別率，在馬來(lái)西亞理工大學(xué)指靜脈數(shù)據(jù)庫(kù)上達(dá)到了99.59%的識(shí)別率，優(yōu)于多種現(xiàn)有算法，充分證明了本文算法的優(yōu)越性. 進(jìn)一步地，基于多方向卷積算法和卷積神經(jīng)網(wǎng)絡(luò)的方法優(yōu)于直接構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)對(duì)指靜脈圖像進(jìn)行特征提取，在兩個(gè)庫(kù)上分別有+1.57%和+3.14%的性能提升，這也充分證明了本文算法的有效性.

表2 本文算法與現(xiàn)有算法的性能比較

2.4 不同卷積核大小的影響

為了獲得更好的識(shí)別效率，本文算法對(duì)經(jīng)典的手寫(xiě)數(shù)字識(shí)別網(wǎng)絡(luò)中卷積核大小進(jìn)行改進(jìn)，圖4 和表3 展示了采用不同卷積核大小的卷積神經(jīng)網(wǎng)絡(luò)在天津指靜脈數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)性能比較.

從圖4可以看出，卷積核為3×3的神經(jīng)網(wǎng)絡(luò)的損失值收斂的速度更快更穩(wěn)定.從表3可以看出，卷積核大小不影響指靜脈識(shí)別的正確率，但是不同的卷積核迭代所需的時(shí)間不同，當(dāng)卷積核大小為3×3 時(shí)，每次迭代所需的時(shí)間最短. 通過(guò)以上測(cè)試可以看出，采用改進(jìn)的CNN識(shí)別效率更高.

圖4 不同卷積核的損失值曲線圖

表3 各個(gè)卷積核的準(zhǔn)確率和迭代時(shí)間

3 結(jié)語(yǔ)

針對(duì)提取的指靜脈ROI 圖像特征不明顯的問(wèn)題，本文提出了一種基于多方向卷積模板和卷積神經(jīng)網(wǎng)絡(luò)的指靜脈識(shí)別算法. 該算法主要采用多方向卷積模板對(duì)指靜脈圖像進(jìn)行骨架提取，從而獲取指靜脈粗特征圖，進(jìn)一步采用改進(jìn)的CNN對(duì)其進(jìn)行特征提取，從而進(jìn)行分類(lèi)訓(xùn)練學(xué)習(xí). 實(shí)驗(yàn)結(jié)果表明，在天津指靜脈數(shù)據(jù)庫(kù)和馬來(lái)西亞理工大學(xué)指靜脈數(shù)據(jù)庫(kù)上，本文所提的算法相對(duì)比現(xiàn)有多種指靜脈識(shí)別算法具有更高的識(shí)別率.