基于改進(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈識(shí)別算法研究

林坤 雷印杰

摘 ?要： 在手掌靜脈圖像采集的過(guò)程中易受手掌擺放姿勢(shì)、光源條件等外界因素的影響，造成識(shí)別準(zhǔn)確度欠佳。為了提高手掌靜脈圖像識(shí)別的精準(zhǔn)度和魯棒性，提出一種基于改進(jìn)AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈識(shí)別方法。該方法首先通過(guò)圖像分割、指根關(guān)鍵點(diǎn)定位、感興趣區(qū)域圖像提取等三個(gè)階段對(duì)采集的手掌靜脈圖像進(jìn)行預(yù)處理;其次，針對(duì)人體手掌靜脈識(shí)別的應(yīng)用場(chǎng)景，通過(guò)適當(dāng)調(diào)整經(jīng)典的AlexNet卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并對(duì)卷積層的輸出進(jìn)行批標(biāo)準(zhǔn)化操作，同時(shí)，將深度學(xué)習(xí)理論中的注意力機(jī)制應(yīng)用到該網(wǎng)絡(luò)中，進(jìn)而優(yōu)化AlexNet神經(jīng)網(wǎng)絡(luò)，使用優(yōu)化后的AlexNet神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理后的圖像自動(dòng)進(jìn)行特征提取、分類和識(shí)別;最后，在公開的Polyu和CASIA多光譜掌紋數(shù)據(jù)集上進(jìn)行大量的實(shí)驗(yàn)，達(dá)到的最佳識(shí)別率分別為99.93%和99.51%，實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

關(guān)鍵詞： 手掌靜脈識(shí)別; AlexNet神經(jīng)網(wǎng)絡(luò)優(yōu)化; 圖像特征提取; 圖像預(yù)處理; 注意力機(jī)制應(yīng)用; 有效性驗(yàn)證

中圖分類號(hào)： TN911.73?34; TP391.4 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）07?0052?05

Research on palm vein recognition algorithm based on

improved AlexNet convolution neural network

LIN Kun， LEI Yinjie

（Institute of Intelligent Control， College of Electronics & Information Engineering， Sichuan University， Chengdu 610036， China）

Abstract： In the process of palm vein image acquisition， palm vein images are susceptible to external factors like palm posture and light source conditions， which will result in poor recognition accuracy. Therefore， a palm vein recognition method based on improved AlexNet depth convolution neural network is proposed to improve the accuracy and robustness of the image recognition. Firstly， the collected palm vein image is preprocessed by image segmentation， finger root key point location and image extraction in the region of interest （ROI）. Secondly， according to the application context of palm vein recognition， the classical AlexNet convolution neural network structure is adjusted appropriately， and the output of convolution layer is standardized in batches. The attention mechanism in deep learning theory is applied to the above?mentioned network to optimize the AlexNet neural network. The optimized AlexNet neural network is used to automatically extract， classify and identify the features of the preprocessed images. A large number of experiments were performed on public PolyU and CASIA multispectral palmprint datasets. The optimal recognition rates are 99.93% and 99.51% respectively. The experiments verify the effectiveness of this method.

Keywords： palm vein recognition; AlexNet neural network optimization; image feature extraction; image preprocessing; attention mechanism application; effectiveness verification

0 ?引 ?言

隨著社會(huì)的進(jìn)步和經(jīng)濟(jì)的不斷發(fā)展，基于特征物品（如身份證、鑰匙等）和特定知識(shí)（如用戶名和密碼、U盾、IC卡等）的傳統(tǒng)身份鑒別方法面臨著挑戰(zhàn)。特別是在網(wǎng)絡(luò)社會(huì)的今天，人們對(duì)于身份鑒別技術(shù)的可靠性、安全性有了更高的要求。而基于人的一個(gè)或多個(gè)身體特征（如人臉、指紋、虹膜、靜脈、DNA等）和行為特征（如筆跡、步態(tài)、聲紋等）的生物特征識(shí)別技術(shù)[1]（Biometrics）為身份鑒別領(lǐng)域提供了一個(gè)有效、可靠的解決方法。

手掌靜脈識(shí)別[2]是利用隱藏在人體手掌表皮下的靜脈紋理進(jìn)行身份鑒別。基于手掌靜脈的生物特征識(shí)別具有廣泛的應(yīng)用前景，也得到了相關(guān)研究人員的廣泛關(guān)注。基于人工提取圖像特征和機(jī)器學(xué)習(xí)的思路取得了很多成果，其大多數(shù)方法可分為以下三類：基于結(jié)構(gòu)特征的方法、基于子空間特征方法和基于紋理特征方法。基于結(jié)構(gòu)特征的方法對(duì)圖像質(zhì)量的依賴性較大，容易因圖像質(zhì)量的下降而丟失大量結(jié)構(gòu)信息;基于紋理特征的方法易受手掌靜脈紋理的豐富度和清晰度的影響;基于子空間特征的方法目前研究相對(duì)較少，其準(zhǔn)確性和魯棒性有待進(jìn)一步探討。

近年來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到計(jì)算機(jī)視覺任務(wù)中，與基于人工提取手掌靜脈圖像特征和使用機(jī)器學(xué)習(xí)算法進(jìn)行識(shí)別的思路不同，深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）不需要人工提取圖像特征信息，可以從大量的訓(xùn)練樣本學(xué)習(xí)到合適的網(wǎng)絡(luò)參數(shù)。使用訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)輸入圖像提取深層次特征信息，并進(jìn)行分類和識(shí)別。

基于此，本文提出一種基于改進(jìn)AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈識(shí)別方法。通過(guò)在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)，該方法具有很好的有效性和魯棒性。

1 ?手掌靜脈圖像預(yù)處理

受手掌擺放姿勢(shì)、光照條件等因素的影響，采集到的原始手掌靜脈圖像質(zhì)量不一，需要對(duì)原始圖像進(jìn)行預(yù)處理以方便后續(xù)的特征提取和識(shí)別。手掌的中心區(qū)域集中了手掌靜脈圖像的大部分有效特征，該區(qū)域即手掌靜脈圖像的感興趣區(qū)域（Region of Interest，ROI）[3]。圖像預(yù)處理主要是對(duì)手掌靜脈圖像的感興趣區(qū)域進(jìn)行提取：一方面通過(guò)圖像預(yù)處理消除了全局幾何變換對(duì)識(shí)別的影響;另一方面，選取預(yù)處理后的ROI圖像進(jìn)行處理和識(shí)別，將大大減小圖像處理部分的運(yùn)算量和神經(jīng)網(wǎng)絡(luò)的深度。

本文提出一種詳細(xì)的ROI提取方案，包括手掌圖像分割、關(guān)鍵點(diǎn)定位和ROI提取三個(gè)階段，具體包括圖像剪裁、高斯平滑濾波、二值化、手掌分割、輪廓提取、質(zhì)心定位、輪廓到質(zhì)心距離計(jì)算、關(guān)鍵點(diǎn)定位、方向矯正、坐標(biāo)系重建、ROI提取等11個(gè)步驟，如圖1所示。

1.1 ?手掌圖像分割

首先剪裁掉原始手掌靜脈圖像中對(duì)識(shí)別并不需要的手腕區(qū)域，加快預(yù)處理速度;而后進(jìn)行高斯平滑濾波去除噪聲;最后對(duì)去噪后的圖像進(jìn)行二值化得到二值圖像，并將二值化后圖像與二值化前的圖像進(jìn)行與操作，從而分割出手掌圖像。

1.2 ?關(guān)鍵點(diǎn)定位

通過(guò)輪廓提取、質(zhì)心定位、輪廓到質(zhì)心的距離計(jì)算等步驟進(jìn)行關(guān)鍵點(diǎn)定位。

1） 輪廓提取：對(duì)二值化后的圖像做輪廓檢測(cè)。檢測(cè)出的輪廓中取最大輪廓，即手掌輪廓。

2） 質(zhì)心定位：根據(jù)手掌輪廓圖像的矩計(jì)算出輪廓的質(zhì)心，其計(jì)算公式如下：

[M00=ijVi，jM10=iji?Vi，j， ? ? ?i∈I，j∈JM01=ijj?Vi，j] ? ?（1）

[x=M10M00， ? ? y=M01M00 ] （2）

式中：[I]，[J]分別代表圖像的橫縱坐標(biāo)集;[Vi，j]表示圖像在點(diǎn)[i，j]上的灰度值;[M00]，[M10]，[M01]分別代表輪廓圖像的零階矩、一階矩和一階矩;（[x]，[y]）為質(zhì)心坐標(biāo)。

3） 關(guān)鍵點(diǎn)定位：逆時(shí)針?lè)较蛴?jì)算輪廓上的每個(gè)點(diǎn)到質(zhì)心的距離，并以此作幅值圖。由手掌圖像的特點(diǎn)可知，幅值圖像的三個(gè)波谷即食指與中指、中指與無(wú)名指、無(wú)名指與小指之間的指根點(diǎn)。取食指與中指、無(wú)名指與小指之間的指根點(diǎn)作為兩個(gè)關(guān)鍵點(diǎn)。

1.3 ?ROI提取

通過(guò)方向矯正、坐標(biāo)系重建等步驟進(jìn)行ROI提取。

1） 方向矯正：以直線連接兩個(gè)關(guān)鍵點(diǎn)，旋轉(zhuǎn)圖像至該直線的角度為0°。

2） 坐標(biāo)系重建：兩個(gè)關(guān)鍵點(diǎn)連線為[x]軸，連線中點(diǎn)為原點(diǎn)，垂直平分線為[y]軸重建坐標(biāo)系。在重建后的坐標(biāo)系中在[x]軸上方，[y]軸兩側(cè)提取出固定大小的矩形ROI區(qū)域。

2 ?改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)

2.1 ?AlexNet神經(jīng)網(wǎng)絡(luò)

AlexNet是深度學(xué)習(xí)經(jīng)典的基礎(chǔ)網(wǎng)絡(luò)之一，由Hinton和他的學(xué)生Alex Krizhevsky于2012年提出，其主要結(jié)構(gòu)為8層深度神經(jīng)網(wǎng)絡(luò)，包括5層卷積層和3層全連接層，不計(jì)入激活層和池化層。

AlexNet卷積層中使用ReLU函數(shù)作為激活函數(shù)，而不是之前網(wǎng)絡(luò)中廣泛使用的Sigmoid函數(shù)，ReLU函數(shù)的公式為：

[fx=0， ? ? x≤0x， ? ? x>0] （3）

ReLU函數(shù)的引入解決了在神經(jīng)網(wǎng)絡(luò)較深時(shí)的梯度彌散問(wèn)題。此外，AlexNet神經(jīng)網(wǎng)絡(luò)在卷積層中使用最大池化的方法對(duì)卷積層輸出的特征圖進(jìn)行下采樣，而不是此前普遍使用的平均池化。因此，AlexNet神經(jīng)網(wǎng)絡(luò)比之前的神經(jīng)網(wǎng)絡(luò)具有更優(yōu)異的性能。

2.2 ?注意力機(jī)制

計(jì)算機(jī)視覺中的注意力機(jī)制（Attention Mechanism）[4?5]借鑒了人類的大腦在處理視覺信息時(shí)的注意力集中機(jī)制，即能夠忽略無(wú)關(guān)信息而更多地關(guān)注重點(diǎn)信息。深度學(xué)習(xí)中可以通過(guò)讓神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)或特征圖上的不同部分學(xué)習(xí)不同權(quán)重分布的思路來(lái)實(shí)現(xiàn)注意力機(jī)制，權(quán)重不同所對(duì)應(yīng)的專注度也不同。

SE?Block （Squeeze?and?Excitation Block）[6]是深度學(xué)習(xí)中常用的一個(gè)實(shí)現(xiàn)注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模塊，其通過(guò)學(xué)習(xí)的方式來(lái)自動(dòng)獲取到每個(gè)圖像特征通道的重要程度，讓神經(jīng)網(wǎng)絡(luò)利用全局信息有選擇地增強(qiáng)有益特征圖通道并抑制無(wú)用特征圖通道，其原理如圖2所示。SE?Block模塊可以嵌入到當(dāng)前流行的大部分經(jīng)典深度學(xué)習(xí)網(wǎng)絡(luò)中。

在圖2中，[H]，[W]，[C]為經(jīng)過(guò)卷積層之后特征圖的尺寸，為特征圖的通道數(shù);[Fsq]為特征壓縮（Squeeze）過(guò)程;[Fex]為特征激勵(lì)（Excitation）過(guò)程;[Fscale]為特征融合過(guò)程。

2.3 ?AlexNet神經(jīng)網(wǎng)絡(luò)的改進(jìn)

1） 將深度學(xué)習(xí)中的注意力機(jī)制理論應(yīng)用在AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)中，使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和識(shí)別的過(guò)程中更多地關(guān)注輸入圖像中對(duì)識(shí)別有益的靜脈脈絡(luò)部分，進(jìn)而加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提高識(shí)別精度。本文將SE?Block嵌入到AlexNet神經(jīng)網(wǎng)絡(luò)的卷積層和全連接層之間。

2） 由于神經(jīng)網(wǎng)絡(luò)輸入的是對(duì)原始手掌靜脈圖像進(jìn)行預(yù)處理后的ROI圖像，而非采集到的原始圖像，大大降低了對(duì)卷積神經(jīng)網(wǎng)絡(luò)深度的需求。在保證神經(jīng)網(wǎng)絡(luò)識(shí)別效果的前提下，可以考慮對(duì)經(jīng)典的AlexNet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整和精簡(jiǎn)。根據(jù)大量實(shí)驗(yàn)的實(shí)際效果，本文將經(jīng)典的AlexNet神經(jīng)網(wǎng)絡(luò)中的3個(gè)全連接層調(diào)整為1個(gè)全連接層，并調(diào)整了全連接層的參數(shù)。全連接層的調(diào)整很大程度上減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)，讓網(wǎng)絡(luò)更易訓(xùn)練。

與此同時(shí)，為了抑制神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的過(guò)擬合問(wèn)題，對(duì)每個(gè)卷積層的輸出進(jìn)行批標(biāo)準(zhǔn)化（Batch Normalization）操作。其定義如下：

[xi=xi-1mi=1mxi1mi=1mxi-1mi=1mxi2+ε， ? ?i=1，2，…，m] （4）

式中：[xi]表示輸入第[i]個(gè)數(shù)據(jù);[xi]表示輸出的結(jié)果;[ε]表示偏置項(xiàng)。批標(biāo)準(zhǔn)化操作在一定程度上能夠加快卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

通過(guò)將深度學(xué)習(xí)中的注意力機(jī)制應(yīng)用到AlexNet卷積神經(jīng)網(wǎng)絡(luò)中，同時(shí)，根據(jù)手掌靜脈識(shí)別的應(yīng)用場(chǎng)景，調(diào)整了AlexNet網(wǎng)絡(luò)的部分結(jié)構(gòu)，并對(duì)卷積層的輸出進(jìn)行批標(biāo)準(zhǔn)化操作，進(jìn)而優(yōu)化了經(jīng)典的AlexNet卷積神經(jīng)網(wǎng)絡(luò)。改進(jìn)后的AlexNet神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)如圖3所示。

3 ?實(shí) ?驗(yàn)

3.1 ?數(shù)據(jù)集

香港理工大學(xué)的Polyu多光譜掌紋數(shù)據(jù)庫(kù)（V2）是手掌靜脈識(shí)別領(lǐng)域廣泛使用的基準(zhǔn)數(shù)據(jù)庫(kù)之一，該數(shù)據(jù)集包括紅、綠、藍(lán)、近紅外4個(gè)不同波長(zhǎng)光線下的手掌圖像，其中，近紅外光下拍攝的是手掌靜脈圖像。采集來(lái)自250名志愿者左右手掌共6 000張手掌靜脈圖像，其中，195名男性和55名女性，志愿者年齡分布為20～60歲，每個(gè)手掌每次采集6張圖像，分兩次采集，平均間隔9天。

中國(guó)科學(xué)院的CASIA多光譜掌紋數(shù)據(jù)集是以非接觸方式采集的，該數(shù)據(jù)集包含來(lái)自100位志愿者的7 200張手掌圖像，每個(gè)手掌包含了460 nm，630 nm，700 nm，850 nm，940 nm和白光6個(gè)光譜下采集的圖像，每個(gè)波段采集6次，其中，850 nm，940 nm波長(zhǎng)下采集的是手掌靜脈圖像，一共3 200張圖像。

3.2 ?評(píng)價(jià)指標(biāo)

本文選取準(zhǔn)確度（Accuracy，Acc）和損失函數(shù)（Loss Function，Loss）來(lái)分別衡量模型的準(zhǔn)確性和魯棒性。準(zhǔn)確率的計(jì)算公式如下：

[Acc=TRTR+FA] （5）

式中：TR（True），F(xiàn)A（False）分別是被正確分類的樣本數(shù)、錯(cuò)誤分類的樣本數(shù)。

損失函數(shù)使用交叉熵（Cross?entropy）損失函數(shù)，其計(jì)算公式如下：

[Loss=-1Ni=0N-1k=0K-1yi，klog pi，k] （6）

式中：[K]代表多分類任務(wù)中的類別數(shù);[N]代表樣本數(shù);[y]代表樣本真實(shí)的類別;[pi，k]是第[i]個(gè)樣本預(yù)測(cè)為第[k]個(gè)類別的概率;[yi，k]代表第[i]個(gè)樣本預(yù)測(cè)為第[k]個(gè)類別。

3.3 ?實(shí)驗(yàn)環(huán)境和參數(shù)設(shè)置

實(shí)驗(yàn)設(shè)備為一臺(tái) Intel[?] Xeon[?] E5處理器、NVIDIA1080Ti顯卡、64 GB內(nèi)存的系統(tǒng)、操作系統(tǒng)為L(zhǎng)inux Ubuntu 16.04的微型服務(wù)器。使用的程序語(yǔ)言為Python 3.7，深度學(xué)習(xí)框架為Pytorch 1.0。

神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)率設(shè)置為0.001，并在訓(xùn)練的過(guò)程中采用指數(shù)衰減策略，動(dòng)態(tài)調(diào)整學(xué)習(xí)率。優(yōu)化器為Adam，Batch Size設(shè)置為50，一共訓(xùn)練500個(gè)Epoch。

3.4 ?實(shí)驗(yàn)結(jié)果和分析

本文實(shí)驗(yàn)采用Polyu多光譜掌紋庫(kù)和CASIA多光譜掌紋庫(kù)中近紅外光下拍攝的手掌靜脈圖像。其中，Polyu庫(kù)訓(xùn)練集有3 600張圖像，測(cè)試集有1 200張圖像，驗(yàn)證集有1 200張圖像;CASIA庫(kù)訓(xùn)練集有1 920張圖像，測(cè)試集有640張圖像，驗(yàn)證集有640張圖像。對(duì)所有圖像進(jìn)行預(yù)處理，提取出ROI區(qū)域后，全部歸一化為127×127大小，并將其作為神經(jīng)網(wǎng)絡(luò)的輸入。在3.3節(jié)中的環(huán)境和參數(shù)下進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4，表1和表2所示。

從圖4的實(shí)驗(yàn)結(jié)果可以看出，相比經(jīng)典AlexNet神經(jīng)網(wǎng)絡(luò)，使用注意力機(jī)制后的網(wǎng)絡(luò)和在此基礎(chǔ)上調(diào)整部分結(jié)構(gòu)并對(duì)卷積層輸出進(jìn)行批標(biāo)準(zhǔn)化后的改進(jìn)AlexNet網(wǎng)絡(luò)，識(shí)別效果均得到了明顯提升，其中，注意力機(jī)制的使用對(duì)識(shí)別準(zhǔn)確度的提高貢獻(xiàn)較大。上述實(shí)驗(yàn)結(jié)果也表明了本文改進(jìn)措施的合理性。

表1和表2的實(shí)驗(yàn)結(jié)果表明，和PCA，LDP等基于機(jī)器學(xué)習(xí)的方法以及經(jīng)典的AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)相比，本文基于改進(jìn)AlexNet卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)一步提高了手掌靜脈識(shí)別的準(zhǔn)確度，具有更高的識(shí)別性能。識(shí)別準(zhǔn)確度分別在Polyu和CASIA庫(kù)上獲得了0.92%和1.28%的提升。同時(shí)，更小Loss值表明該方法具有更好的魯棒性，實(shí)驗(yàn)驗(yàn)證了本文方法的有效性和魯棒性。

相比之下，本文方法對(duì)Polyu庫(kù)中手掌靜脈圖像識(shí)別效果更好，主要原因是，CASIA庫(kù)中的圖像是以非接觸方式采集的，采集受更多光照、距離等條件的影響，同時(shí)也存在更多的旋轉(zhuǎn)和平移等情況。

4 ?結(jié) ?語(yǔ)

手掌靜脈識(shí)別技術(shù)因靜脈特征的可靠性、高安全性使其成為生物特征識(shí)別技術(shù)中迅速發(fā)展的一員。相比經(jīng)典的手掌靜脈識(shí)別方法，本文使用改進(jìn)后的AlexNet深度神經(jīng)網(wǎng)絡(luò)在基準(zhǔn)數(shù)據(jù)集上取得了更好的識(shí)別效果。

與此同時(shí)，該領(lǐng)域還存在待進(jìn)一步研究的方向，如與其他生物特征融合識(shí)別、防止利用尸體或斷掌進(jìn)行識(shí)別等。

參考文獻(xiàn)

[1] 張富友，王瓊霄，宋利.基于生物特征識(shí)別的統(tǒng)一身份認(rèn)證系統(tǒng)研究[J].信息網(wǎng)絡(luò)安全，2019（9）：86?90.

[2] BHANUSHALI N， NIKAM P， TRIPATHI P. High security using palm vein recognition technology [J]. International journal of computer applications， 2015， 119（1）： 170?175.

[3] SUN Xiongwei， XU Qingshan， WANG Chunyi， et al. ROI extraction for online touchless palm vein based on concavity analysis [C]// 2017 32nd Youth Academic Annual Conference of Chinese Association of Automation （YAC）. Hefei， China： IEEE， 2017： 1123?1126.

[4] WANG Fei， JIANG Mengqing， QIAN Chen， et al. Residual attention network for image classification [C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu， USA： IEEE， 2017： 6450?6458.

[5] JADERBERG M， SIMONYAN K， ZISSERMAN A， et al. Spatial transformer networks [C]// Advances in Neural Information Processing Systems. Montreal， Canada： [s.n.]， 2015： 2017?2025.

[6] HU Jie， SHEN Li， ALBANIE Samuel. Squeeze and excitation networks [C]// IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]： IEEE， 2018： 7132?7141.

[7] 林森，徐天揚(yáng)，王穎.基于Gabor小波和NBP算法的手掌靜脈識(shí)別[J].激光與光電子學(xué)進(jìn)展，2017，54（5）：142?150.

[8] 楊曉鳳.掌紋和靜脈特征融合算法的研究[D].北京：北京交通大學(xué)，2017：19?45.

[9] 徐笑宇，姚鵬.基于HOG與改進(jìn)的SVM的手掌靜脈識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（11）：175?180.