基于卷積神經(jīng)網(wǎng)絡(luò)的手指靜脈采集識別系統(tǒng)

孫蕾 李小霞,2* 吳艷瑋 郭艷玲 楊峻一

(1、西南科技大學(xué)信息工程學(xué)院，四川 綿陽 621010 2、特殊環(huán)境機器人技術(shù)四川省重點實驗室（西南科技大學(xué)），四川 綿陽 621010)

“互聯(lián)網(wǎng)+”模式的出現(xiàn)給我們生活方式帶來了前所未有的變化，在如今的人工智能時代大背景之下，運用生物特征技術(shù)來進行身份認(rèn)證已成為一種趨勢，手指靜脈信息因存在于人體內(nèi)部、不隨時間變化等優(yōu)點，使得它成為了一種更加安全的選擇。本設(shè)計基于這一背景，采用一種基于卷積神經(jīng)網(wǎng)絡(luò)的手指靜脈圖像識別技術(shù)，把處理后的手指靜脈圖片送入卷積神經(jīng)網(wǎng)絡(luò)進行自動特征提取，從而學(xué)習(xí)出能適應(yīng)于目標(biāo)數(shù)據(jù)庫圖像的特征，并且進行分類識別。

1 手指靜脈圖像采集識別系統(tǒng)概述

根據(jù)系統(tǒng)整體及后續(xù)任務(wù)要求，要實現(xiàn)靜脈紋路的識別，相應(yīng)的圖像處理和比對算法是必不可少的。整個系統(tǒng)中采用單片機作為圖像采集系統(tǒng)控制的核心，復(fù)雜的數(shù)據(jù)處理和識別在PC 機端實現(xiàn)。因此，實現(xiàn)單片機和PC 機之間的通信和協(xié)同是必要的。

采集終端的成像模塊：手指靜脈識別系統(tǒng)通過紅外線CCD 攝像頭獲取手指靜脈的圖像，將手指靜脈的數(shù)字圖像存儲在計算機系統(tǒng)中。[1]圖像預(yù)處理模塊：指靜脈圖像要進行增強預(yù)處理，運用濾波、圖像細化等對手指靜脈圖像進行預(yù)處理。提取特征與識別模塊：采用深度卷積神經(jīng)網(wǎng)絡(luò)模型對手指靜脈圖像進行特征提取和識別，從而對個人進行身份鑒定，確認(rèn)身份。該系統(tǒng)的系統(tǒng)框圖如圖1 所示。

圖1 手指靜脈圖像采集識別系統(tǒng)框圖

2 手指靜脈圖像采集及預(yù)處理

2.1 手指靜脈圖像采集

基于人靜脈血管中血紅蛋白對近紅外光的吸收特性，靜脈的成分含有更多的二氧化碳，使靜脈血呈暗紅色，靜脈血管主要位于人體皮膚表面，更容易收集和成像。當(dāng)近紅外光照射靜脈組織時，靜脈血管組織中的血紅蛋白可以吸收近紅外光，其它頻段的光線將會穿透或反射，因此采集得到圖像中靜脈區(qū)域圖像較暗，其它部分較亮，取得的樣本可以用亮暗的不同來區(qū)分是否屬于靜脈組織。為了避免可見光對圖像的干擾，此種成像裝置一般采用封閉式的結(jié)構(gòu)，如圖2 所示，因此其成像質(zhì)量比較理想。

圖2 手指靜脈圖像采集裝置圖

2.2 手指靜脈圖像預(yù)處理

2.2.1 ROI 提取

對于采集到的手指靜脈圖像，我們往往只對其中包含有靜脈圖案的部分感興趣，為了辨識和分析目標(biāo)，首先需要采取邊緣檢測算法提取手指的輪廓，然后把手指從背景區(qū)域中分割出來。在這里我們采用一階Canny 算子，不容易受噪聲干擾，能夠檢測到真正的弱邊緣。

2.2.2 擬合與矯正

由于圖像采集過程中可能出現(xiàn)的旋轉(zhuǎn)等問題，如不進行矯正，在后續(xù)的ROI 提取部分會損失需要的靜脈信息，因此在圖像進行邊緣檢測之后，需要進行中線擬合與矯正。

2.2.2.1 捕捉原始中線點陣

根據(jù)公式（1）得出從左往右第i 個中點（上下邊緣的中點）的縱坐標(biāo)（左下角為原點，圖像位于第一象限），其中分別為上邊緣與下邊緣的縱坐標(biāo)。所有中點的集合即為中線點陣。

S 為損失值，yi為第i 個中點的縱坐標(biāo)，y 為對的預(yù)測值，由擬合函數(shù)輸出。使得S 最小的擬合函數(shù)f(x)即為所求。

2.2.3 圖像增強

受手指靜脈圖像采集裝置的限制，采集得到的靜脈圖像很多時候都沒有清晰的紋路。因此把提取出來的ROI 做限制對比度直方圖均衡處理，對于每個小區(qū)域都必須使用對比度限幅，能有限地限制過度放大圖像中相同區(qū)域的噪聲的問題，從而使卷積神經(jīng)網(wǎng)絡(luò)可以更容易地學(xué)習(xí)到辨識度高的特征。

3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

AlexNet 模型網(wǎng)絡(luò)：

目前經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)AlexNet 在圖像處理方面表現(xiàn)良好，故采用AlexNet 網(wǎng)絡(luò)作為手指靜脈圖像識別主體模塊，并在TensorFlow 的框架下不斷訓(xùn)練模型，提高識別的準(zhǔn)確率。AlexNet 是在LeNet 的基礎(chǔ)上加深了網(wǎng)絡(luò)的結(jié)構(gòu)，學(xué)習(xí)更豐富更高維的圖像特征，共包括5 個卷積層、3 個池化層和3 個全連接層，共8 層需進行參數(shù)迭代學(xué)習(xí)。

4 實驗結(jié)果及分析

4.1 數(shù)據(jù)集

山東大學(xué)手指靜脈庫（SDUMLA-HMT-Finger Vein）總共包括106 個樣本的手指靜脈圖像，每個樣本的采集了6 類手指，同時每一類有6 張圖片，每張圖片都是320*240 的灰度圖，總計636（106*6）類，3816（636*6）張圖片。

4.2 實驗參數(shù)設(shè)置

開始訓(xùn)練前，針對AlexNet 網(wǎng)絡(luò)，我們需要設(shè)置的參數(shù)有：Dropout 技術(shù)中神經(jīng)元節(jié)點保留的比例參數(shù)keep_prob，模型學(xué)習(xí)率learning_rate，訓(xùn)練集訓(xùn)練的輪數(shù)epoch，每一輪epoch 迭代的次數(shù)iteration，每次訓(xùn)練的圖像數(shù)目batch_size，設(shè)置為8、16、24 等，最大保存的模型數(shù)量max_ckpt 等，開始測試時我們只需要設(shè)置batch_size 即可，具體數(shù)值如表1。

表1 參數(shù)設(shè)置表

4.3 實驗及結(jié)果分析

選取不同的人進行手指靜脈采集，攝像頭對比度取40、亮度取20，分別對每六個人手指靜脈進行手指靜脈圖像采集，其中一組采集圖像如圖3 所示，可見在該參數(shù)情況下所獲取的靜脈圖像具有較高的質(zhì)量。

圖3 不同手指靜脈采集測試

經(jīng)過多次整體數(shù)據(jù)集的實驗測試，發(fā)現(xiàn)learning_rate 改進后，收斂速度更慢，再對多組數(shù)據(jù)進行分組測試，獲取較高的準(zhǔn)確率及更低的損失。多次對測試集圖片進行實驗，對得到的準(zhǔn)確率進行記錄，記錄結(jié)果如表2 所示，將實驗結(jié)果和參考文獻進行對比，文獻獲取的手指靜脈識別率及本文實驗結(jié)果如表2。將不同文獻的算法采用公開庫進行手指靜脈識別測試，獲取測試結(jié)果并記錄。可知使用AlexNet 的識別準(zhǔn)確率為96.65%；使用U-Net 模型處理的似識別準(zhǔn)確率為94.48%；網(wǎng)絡(luò)改進后的識別準(zhǔn)確率提高了2.22 個百分點。

表2 不同圖像提取特征算法在SD_DB 上的識別率對比

5 結(jié)論

針對手指靜脈識別的泛化能力不足、穩(wěn)定性差以及速度難以達到實時性的問題，基于卷積神經(jīng)網(wǎng)絡(luò)模型進行了手指靜脈圖像的識別，將深度學(xué)習(xí)技術(shù)應(yīng)用于生物特征身份識別問題上。從圖像預(yù)處理入手，將采集到的手指靜脈圖像進行圖像分割、最小二乘法擬合中線、圖像中線校正以及圖像增強處理，最后設(shè)計出了一套手指靜脈識別系統(tǒng)。