多方向卷积和CNN指静脉识别

吴叶清

（集美大学诚毅学院信息工程系，福建厦门361021）

关键字：指静脉识别；卷积神经网络；多方向卷积模板

指静脉识别是生物特征识别中的一种，被广泛应用于门禁系统、考勤系统、汽车和ATM 系统等领域[1-4]. 相对于人脸和指纹等生物特征，指静脉具有不易磨损、难伪造、非接触式采集等优点，使得指静脉识别具有更高的安全性，从而更容易被用户接受. 因此，指静脉识别技术具有重要的研究意义和实际应用价值.

现有的指静脉识别算法主要分为两大类：一类是基于传统手工特征的指静脉识别方法，研究人员通过人工选取能够有效表征指静脉特征来实现此类方法. Miura 等人[5]通过重复线追踪获取整幅图像中的指静脉特征模板，该算法具有较好的鲁棒性.Yang 等人[6]采用八方向的Gabor 滤波器来获取指静脉图像中的纹路信息，进而使用重建算法融合并导出指静脉纹路图像. Xie 等人[7]提出了LODP（Local Opposite Directional Pattern），利用指静脉图像局部梯度模式、局部二值模式和局部反向模式提取特征. 这些算法可获得不错的识别效果，但都需要手工设计特征，并且提取的特征维度较大. 另一类是基于卷积神经网络（CNN）的指静脉识别方法. Qin等人[8]提出了一种利用卷积神经网络提取并修复指静脉纹路的算法，但匹配阶段还是采用传统的算法. 唐溯等人[9]提出了一种基于深度学习的指静脉识别算法，采用预训练权重的CNN和轻量型的深度可分离卷积网络模型. 何鑫等人[10]提出基于改进卷积神经网络的指静脉识别算法，采用了LeaKy ReLU激活函数和中间值池化，并在反向传播调整权值时引入约束条件. 基于卷积神经网络的指静脉识别算法能够有效解决人工选取特征的繁琐问题，并且减少提取的特征维度大小.

本文首先针对指静脉图像感兴趣区域（ROI）特征不明显的问题，采用多方向卷积模板对指静脉图像进行边缘提取，获取骨架初步特征图；然后构建卷积神经网络对预处理后的指静脉图像进行特征提取. 天津指静脉数据库和马来西亚理工大学指静脉数据库（FV-USM）被用以检测本文算法的训练时间以及识别结果.

1 本文指静脉识别算法

基于多方向卷积模板和卷积神经网络的指静脉识别算法的流程如图1 所示，即，采用多方向卷积模板提取ROI 和归一化后的指静脉图像的粗特征，再采用轻量型的卷积神经网络进一步进行特征提取，并训练.

图1 算法流程

1.1 基于多方向卷积模板的粗特征提取

为了解决指静脉图像提取ROI 后图像特征不明显的问题，在对指静脉图像提取ROI 和归一化预处理后，对指静脉图像进行骨架提取[11-13]，即采用多方向卷积模板对指静脉图像进行边缘检测，从而防止指静脉图像的背景在分类时造成干扰. 算法采用大小为9 × 9 八方向算子模板. 八个方向分别为0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°. 八个卷积算子如图2所示.

基于多方向卷积模板的粗特征提取步骤如下：

①提取指静脉ROI图像并进行归一化处理.

图2 八方向卷积算子

②将归一化的图像与八方向的卷积算子进行卷积运算，取8 个方向运算结果平均值的最大值，若该值大于零判为特征点，小于零则判定为背景.

③利用局部阈值方法进行图像分割. 局部阈值的计算公式为：

其中u为以该像素中心的区域的平均灰度值，v为该区域的标准差，k是修正系数.

④采用中值滤波对分割后的图像进行滤波细化处理，从而获得更具有识别度的指静脉的粗特征.中值滤波的公式如下：

式中：Y(i,j)、X(i,j)分别为滤波后的图像和滤波前的图像，H(s,t)为二维模板，大小通常为2×2.

⑤进行图像细化，获取指静脉粗特征图.

图3 展示了基于多方向卷积模板的粗特征提取各个步骤的图像，图3(a)为指静脉归一化后的图像，图3(b)为图像分割后的指静脉图像，从图像中可以看出经过局部阈值处理后，图像会出现噪声，图3(c)是去除连通域小的区域，比较明显的噪声已经被滤除，图3(d)为经过中值滤波后得到的指静脉图像，进一步去掉噪点. 图3(e)是经过细化处理后的指静脉图像，对比图3(e)和图3(b)可以看出，图3(e)的指静脉图像的粗特征图更具识别度，且具有更少的数据量.

图3 指静脉图像粗特征提取过程

1.2 基于卷积神经网络的特征提取

为了进一步提升指静脉识别的性能，构建一个轻量型的卷积神经网络，从而对基于多方向卷积模板的指静脉粗特征图更深入的进行特征提取，通过多次训练优化网络权值参数，得到最佳分类模型.本文所构建的卷积神经网络是基于经典的手写数字识别卷积神经网络[14-15]. 在其基础上进行改进，分为7层：3层卷积层、2层池化层、1层全连接层和1层输出层. 所有的卷积核大小均为3 × 3，池化窗口大小为2 × 2，通道数依次为10、20、40. CNN 各层结构与参数如表1所示.

表1 CNN各层结构与参数

第一层卷积层与指静脉图像的粗特征图的局部感受野相连，提取该层的局部特征，第二层卷积层与第一层特征图的局部感受野相连，提取该层的局部特征，以此类推.卷积运算公式如下：

式中：l表示当前卷积层，l-1 为卷积层的上一层，l+1指卷积层的下一层，表示当前卷积层中第i行第j列元素，W lst表示当前卷积层的卷积核中对应的第s行第t列元素表示上一层与卷积核所对应的元素，blij表示当前层的偏置，F( )· 是激活函数.

常用的激活函数有sigmoid、ReLU 和Leaky ReLU. Sigmoid 函数收敛慢，且容易出现梯度消失.ReLU 函数虽然收敛速度比Sigmoid 函数快，但是训练的时候也容易出现梯度一直为0，即网络中有神经元“死”. Leaky ReLU 与ReLU 不同的是，对于小于0 的值赋予一个非零斜率，解决了网络中神经元都“死”了的问题. 因此，本文选择Leaky ReLU 作为激活函数.

池化层的作用是对卷积层输出的特征图进行特征压缩，减小特征图尺寸，并变换成所预定的尺寸，同时降低模型过拟合的几率. 最大池化的算法公式如下：

式中：l表示当前池化层，l-1 为池化层的上一层，l+1指池化层的下一层，表示当前卷积层中第i行第j列元素表示上一层与卷积核所对应的元素，blij表示当前层的偏置.

第六层为全连接层，该层与卷积层相连，将卷积层获得的分布式特征图整合起来建立整体特征图.最后一层是sofmax 层，相当于一个分类器作用. 公式如下：

式中：j表示样本类别总数，i表示第i个样本.Pi表示第i个样本的概率.

2 实验结果与分析

2.1 数据集及评价指标

为了验证本文所提算法的有效性，所提算法与现有算法在天津指静脉数据库和马来西亚理工大学指静脉数据库上进行了实验性能测试. 天津指静脉数据库由天津市智能信号与图像处理重点实验室提供，包括64 类指静脉，共960 张图片[16]；马来西亚理工大学指静脉数据库包括492 类指静脉，共2 952 张图像[17]. 在训练之前，每个库随机选取60%的样本作为训练集，40%的样本作为测试集.

对于给定的测试数据集，分类器正确分类的样本数与总样本数之比，称为准确率. 也就是损失函数在0-1 损失时测试数据集上的准确率. 准确率越高，分类器越好. 因此，可采用准确率来比较本文算法与现有算法的性能.

2.2 训练配置

实验环境为Inter Core™i7-8850H CPU @2.6 GHz，内存8 GB，显卡NVIDIA Quadro P2000，操作系统为64 位Window 10 企业版，所有实验均在Python 3.6 软 件 上 的TensorFlow-gpu 1.13.0 框架上进行.

实验中，两个库的所有样本图像均归一化为46×46，训练时，采用随机梯度下降策略，初始学习率大小设置为0.002，最大迭代次数为1 000，天津库的训练批次大小为64，马来西亚库的训练批次大小为128.

2.3 与现有算法的性能比较

表2 列出了本文算法与其他算法的性能比较.由表2 可知，本文算法在天津指静脉库上达到了100%的识别率，在马来西亚理工大学指静脉数据库上达到了99.59%的识别率，优于多种现有算法，充分证明了本文算法的优越性. 进一步地，基于多方向卷积算法和卷积神经网络的方法优于直接构建卷积神经网络对指静脉图像进行特征提取，在两个库上分别有+1.57%和+3.14%的性能提升，这也充分证明了本文算法的有效性.

表2 本文算法与现有算法的性能比较

2.4 不同卷积核大小的影响

为了获得更好的识别效率，本文算法对经典的手写数字识别网络中卷积核大小进行改进，图4 和表3 展示了采用不同卷积核大小的卷积神经网络在天津指静脉数据库上的实验性能比较.

从图4可以看出，卷积核为3×3的神经网络的损失值收敛的速度更快更稳定.从表3可以看出，卷积核大小不影响指静脉识别的正确率，但是不同的卷积核迭代所需的时间不同，当卷积核大小为3×3 时，每次迭代所需的时间最短. 通过以上测试可以看出，采用改进的CNN识别效率更高.

图4 不同卷积核的损失值曲线图

表3 各个卷积核的准确率和迭代时间

3 结语

针对提取的指静脉ROI 图像特征不明显的问题，本文提出了一种基于多方向卷积模板和卷积神经网络的指静脉识别算法. 该算法主要采用多方向卷积模板对指静脉图像进行骨架提取，从而获取指静脉粗特征图，进一步采用改进的CNN对其进行特征提取，从而进行分类训练学习. 实验结果表明，在天津指静脉数据库和马来西亚理工大学指静脉数据库上，本文所提的算法相对比现有多种指静脉识别算法具有更高的识别率.