本發(fā)明屬于信息安全的身份驗(yàn)證領(lǐng)域，具體涉及到一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證身份識(shí)別方法。

背景技術(shù)：

指靜脈驗(yàn)證作為一種新興的生物特征驗(yàn)證方法備受關(guān)注，因其具有諸多優(yōu)勢(shì)包括安全性和便利性。采集的指靜脈很難被偽造和假冒。因此，指靜脈的驗(yàn)證與廣泛應(yīng)用的指紋驗(yàn)證相比更具安全性。同時(shí)，指靜脈圖像采用非侵犯和非接觸的采集方式，方便用戶(hù)使用。

在近二十年，有許多著名的指靜脈驗(yàn)證方法被提出。日本著名研究員naotomiura等人于2004年提出基于重復(fù)線(xiàn)跟蹤的特征提取方案的指靜脈驗(yàn)證方法。naotomiura等人又于2007年利用最大曲率點(diǎn)改進(jìn)指靜脈特征提取算法。黃貝寧等人于2010年提出一種基于寬線(xiàn)檢測(cè)的算子和模式歸一化的指靜脈驗(yàn)證新方法。目前，黃貝寧等人的方法因其較高的準(zhǔn)確率，被廣泛應(yīng)用在商業(yè)領(lǐng)域的指靜脈驗(yàn)證系統(tǒng)。2010年以來(lái)，生物特征驗(yàn)證技術(shù)發(fā)展迅速。更多的指靜脈驗(yàn)證方法被提出。一些方法主要集中在改進(jìn)特征提取方法包括細(xì)節(jié)點(diǎn)的頻譜特征表示和改進(jìn)的細(xì)節(jié)點(diǎn)的頻譜特征表示。

然而，指靜脈驗(yàn)證方法在實(shí)踐中仍然存在許多挑戰(zhàn)。最重要的問(wèn)題仍然是個(gè)人身份驗(yàn)證的準(zhǔn)確率。在第一屆和第二屆的指靜脈識(shí)別競(jìng)賽中，本發(fā)明觀察到，指靜脈驗(yàn)證算法在被評(píng)測(cè)時(shí)，雖然該算法在實(shí)驗(yàn)室收集的數(shù)據(jù)庫(kù)上得到一個(gè)比較低的錯(cuò)誤率，但該算法在從實(shí)際應(yīng)用收集的數(shù)據(jù)集上應(yīng)用卻得不到一個(gè)可接受的錯(cuò)誤率。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，本發(fā)明的目的在于提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證身份識(shí)別方法。

本發(fā)明設(shè)計(jì)了一個(gè)擬合指靜脈特征的訓(xùn)練集大小和圖像大小的深度卷積神經(jīng)網(wǎng)絡(luò)，在深度卷積神經(jīng)網(wǎng)絡(luò)上進(jìn)行指靜脈特征匹配獲得更好效果。本發(fā)明通過(guò)難分樣本挖掘的dcnn訓(xùn)練策略能提高該方法的準(zhǔn)確率和加速整個(gè)訓(xùn)練過(guò)程。

本發(fā)明的技術(shù)方案為：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證身份識(shí)別方法，其步驟為：

1)采集或選取多個(gè)樣本圖像，即指靜脈近紅外圖像；其中，每一手指對(duì)應(yīng)至少兩個(gè)樣本圖像；

2)對(duì)于每一所述近紅外圖像，生成一指靜脈特征模板；

3)利用各所述指靜脈特征模板訓(xùn)練基于深度卷積神經(jīng)網(wǎng)絡(luò)，得到一個(gè)將同一手指的一對(duì)指靜脈特征模板映射到一個(gè)相似度的基于深度卷積神經(jīng)網(wǎng)絡(luò)；

4)利用訓(xùn)練后的基于深度卷積神經(jīng)網(wǎng)絡(luò)計(jì)算待驗(yàn)證指靜脈近紅外圖像的指靜脈特征模板與每一樣本圖像的指靜脈特征模板的相似度，并據(jù)相似度判斷兩者是不是同一個(gè)手指的指靜脈近紅外圖像。

進(jìn)一步的，該基于深度卷積神經(jīng)網(wǎng)絡(luò)由不同類(lèi)型的26層組成，第1層是輸入層，第26層是輸出層，第h層的輸出作為第h+1層的輸入；其中，第1、3層為卷積層，包括64個(gè)濾波器，第6、8層為卷積層，包括128個(gè)濾波器，第11、13、15、18、20、22為卷積層，包括256個(gè)濾波器；第5、10、17、24層為池化層；第2、4、7、9、12、14、16、19、21、23激勵(lì)層；第25、26層為全連接層。

進(jìn)一步的，所述卷積層用于對(duì)輸入數(shù)據(jù)進(jìn)行線(xiàn)性乘積求和得到輸入數(shù)據(jù)的卷積特征；所述池化層用于對(duì)卷積特征降維，將卷積特征劃分為數(shù)個(gè)nxn的不相交區(qū)域，用這些區(qū)域的最大特征來(lái)表示降維后的卷積特征；所述激勵(lì)層為校正線(xiàn)性激活函數(shù)。

進(jìn)一步的，將同一手指的兩個(gè)指靜脈特征模板分別重置為128x128像素大小；然后將其為一個(gè)2通道的128x128像素大小的圖像后輸入到該基于深度卷積神經(jīng)網(wǎng)絡(luò)的第一層。

進(jìn)一步的，所述校正線(xiàn)性激活函數(shù)為relu函數(shù)，relu函數(shù)對(duì)于輸入x計(jì)算f(x)＝max(0,x)，當(dāng)x＜0時(shí)，f(x)＝0，當(dāng)x＞0時(shí)，f(x)＝x。

進(jìn)一步的，利用各所述指靜脈特征模板訓(xùn)練基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法為：

11)選取n對(duì)指靜脈特征模板作為訓(xùn)練集；輸入n對(duì)指靜脈特征模板的全部像素值x和基于深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重向量θ到該基于深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

12)計(jì)算權(quán)重向量θ的損失函數(shù)j(θ)的損失值；

13)根據(jù)損失函數(shù)j(θ)的損失值，按照梯度下降算法，每次從訓(xùn)練集中隨機(jī)選擇一個(gè)樣本(xi,yi)進(jìn)行學(xué)習(xí)，計(jì)算每個(gè)參數(shù)θi對(duì)應(yīng)的梯度；然后朝著梯度相反方向去調(diào)整學(xué)習(xí)速率，以更新權(quán)重向量θ來(lái)達(dá)到損失函數(shù)的極小值點(diǎn)；其中，θi為權(quán)重向量θ的第i維，xi為一個(gè)特征模板對(duì)，yi為xi的分類(lèi)標(biāo)簽。

進(jìn)一步的，所述梯度下降算法為：首先采用公式計(jì)算動(dòng)量vt，然后按照公式θ：＝θ-vt計(jì)算權(quán)重向量θ；其中，α為學(xué)習(xí)速率，參數(shù)γ為動(dòng)量項(xiàng)超。

進(jìn)一步的，所述梯度下降算法為：首先按照公式計(jì)算損失值j(θ)；然后計(jì)算梯度及更新權(quán)重向量θ；其中n是樣本數(shù)，m是特征向量θ的維數(shù)。

進(jìn)一步的，生成所述指靜脈特征模板的方法為：首先對(duì)每個(gè)指靜脈近紅外圖像進(jìn)行歸一化處理，然后利用歸一化寬線(xiàn)檢測(cè)算法從歸一化的圖像中提取靜脈線(xiàn)上的所有點(diǎn)作為指靜脈特征模板。

進(jìn)一步的，利用歸一化寬線(xiàn)檢測(cè)算法從歸一化的圖像中提取靜脈線(xiàn)上的所有點(diǎn)作為指靜脈特征模板的方法為：設(shè)指靜脈近紅外圖像為f，指靜脈特征模板為v，對(duì)v中背景部分的像素值設(shè)為0、靜脈區(qū)域部分的像素值設(shè)為255；然后對(duì)f中每一個(gè)點(diǎn)(x0，y0)，計(jì)算距離該點(diǎn)(x0,y0)在r個(gè)像素之內(nèi)的圓形鄰域，點(diǎn)(x,y)為鄰域內(nèi)的點(diǎn)，n(x0,y0)是圓形鄰域；然后計(jì)算v中的每一點(diǎn)v(x0,y0)的像素值，同時(shí)標(biāo)記出v中的線(xiàn)條與背景；然后提取該線(xiàn)條中的所有點(diǎn)作為指靜脈特征模板；其中根據(jù)公式

計(jì)算v中的每一點(diǎn)v(x0,y0)的像素值，t為設(shè)置的閾值。

與現(xiàn)有技術(shù)相比，本發(fā)明的積極效果為：

本發(fā)明同時(shí)遵循icb-2016指靜脈識(shí)別競(jìng)賽(以下簡(jiǎn)稱(chēng)fvrc2016)指定的評(píng)測(cè)協(xié)議，通過(guò)實(shí)驗(yàn)來(lái)評(píng)測(cè)本發(fā)明提出的方法。結(jié)果表明，本發(fā)明提出的基于dcnn的方法與商業(yè)級(jí)指靜脈驗(yàn)證系統(tǒng)相比獲得更好的性能。由此可見(jiàn)，在訓(xùn)練集是大規(guī)模的情況下，深度卷積神經(jīng)網(wǎng)絡(luò)在指靜脈圖像匹配過(guò)程中獲得好效果。本發(fā)明也證明了含有難分樣本挖掘的dcnn的訓(xùn)練策略能在準(zhǔn)確率方面提高方法的性能和加速整個(gè)訓(xùn)練過(guò)程，實(shí)驗(yàn)證明，難分樣本挖掘的訓(xùn)練策略使整個(gè)訓(xùn)練過(guò)程快了近兩倍的速度。

附圖表說(shuō)明

圖1為本發(fā)明的方法流程圖。

圖2為寬線(xiàn)特征提取算法。

圖3為本發(fā)明的方法在ds1，ds2，ds3測(cè)試集訓(xùn)練集上獲得的即等錯(cuò)率(eer)。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行進(jìn)行詳細(xì)描述。

本發(fā)明的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗(yàn)證身份識(shí)別方法流程如圖1所示，其步驟為：

1)采集：使用指靜脈圖像采集裝置獲取手指靜脈的近紅外圖像。

2)注冊(cè)：對(duì)采集的每個(gè)指靜脈原始圖像進(jìn)行歸一化處理，然后進(jìn)行歸一化寬線(xiàn)檢測(cè)算法的特征提取，生成一個(gè)指靜脈特征模板。

3)匹配：首先使用基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法計(jì)算上述特征模板和已注冊(cè)人對(duì)應(yīng)手指的特征模板的相似度，并據(jù)相似度判斷兩者是不是同一個(gè)手指。

進(jìn)一步的，所述步驟1)中，本發(fā)明所使用的指靜脈原始圖像來(lái)自北京大學(xué)的指靜脈數(shù)據(jù)集，該數(shù)據(jù)集已有累計(jì)超過(guò)300,000多個(gè)手指的指靜脈數(shù)據(jù)圖像約700,000張。這些圖像是使用由指靜脈采集設(shè)備在室內(nèi)環(huán)境中采集到的，每一手指分別采集5個(gè)指靜脈圖像。該數(shù)據(jù)集被分為兩組，稱(chēng)為訓(xùn)練集和驗(yàn)證集。驗(yàn)證集有其中的300個(gè)手指的1500個(gè)指靜脈數(shù)據(jù)圖像。其余的手指的靜脈圖像作為訓(xùn)練集。fvrc2016競(jìng)賽使用的三個(gè)數(shù)據(jù)集(ds1，ds2，ds3)是評(píng)測(cè)實(shí)驗(yàn)采用的測(cè)試集。表1列出了這三個(gè)數(shù)據(jù)集的相關(guān)信息。

表1為ds1，ds2，ds3測(cè)試集的相關(guān)信息表

進(jìn)一步的，所述步驟2)中，根據(jù)文獻(xiàn)b.huang,y.dai,r.li,d.tang,andw.li.finger-veinauthenticationbasedonwidelinedetectorandpatternnormalization.inpatternrecognition(icpr),201020thinternationalconferenceon,pages1269–1272.ieee,2010.采用如下注冊(cè)方法，其步驟為：

21)歸一化：該方法僅對(duì)采集的指靜脈圖像實(shí)現(xiàn)預(yù)處理，包括首先對(duì)該圖像改變大小，將指靜脈圖像大小重置為原來(lái)的四分之一，即該圖像大小從384x512像素調(diào)整到96x128像素。然后進(jìn)行正弦增強(qiáng)、找手指外輪廓、計(jì)算回歸方程、簡(jiǎn)單降噪和幾何變換等常規(guī)算法處理。

22)寬線(xiàn)檢測(cè)：這個(gè)步驟是可選的。該方法使用寬線(xiàn)檢測(cè)算子從歸一化的圖像中提取靜脈線(xiàn)上的所有點(diǎn)作為指靜脈特征模板其算法描述如下：

如附圖2所示，設(shè)指靜脈原圖為f，指靜脈特征模板為v，這里的f和v都是8位96x128像素的位圖。定義的v中的像素值，作為背景部分是0值，作為靜脈區(qū)域部分是255值。

第1步：對(duì)f中每一個(gè)點(diǎn)(x0,y0)，按(1)式計(jì)算距離在r個(gè)像素之內(nèi)的圓形鄰域，點(diǎn)(x,y)為鄰域內(nèi)的點(diǎn)，n(x0,y0)是圓形鄰域。

第2步：按(2)-(4)式計(jì)算v中的v(x0,y0)，同時(shí)標(biāo)記出v中的線(xiàn)條與背景。

這里設(shè)置半徑r＝5，閾值t＝1和g＝41。

進(jìn)一步的，所述步驟3)中，匹配任務(wù)是通過(guò)自主研發(fā)的一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)、來(lái)完成，該網(wǎng)絡(luò)將一對(duì)特征模板映射到一個(gè)相似度。該網(wǎng)絡(luò)由不同類(lèi)型的26層組成。表2顯示的是這些層的詳細(xì)信息，其中conv是卷積層，用于線(xiàn)性乘積求和。relu是激勵(lì)層，同時(shí)是校正線(xiàn)性激活函數(shù)。maxpool是最大池化層，用于非線(xiàn)性降采樣。fc是全連接層。第1層是輸入層，第26層是輸出層，中間的每個(gè)層h與層h+1緊密相聯(lián)，即層h的輸出作為層h+1的輸入。

表2為深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)表

在注冊(cè)方法中創(chuàng)建的同一手指的兩個(gè)特征模板是兩個(gè)1通道的圖像。本發(fā)明首先將該兩個(gè)模板分別重置為128x128像素大小。然后合并這兩個(gè)模板為一個(gè)2通道的128x128像素大小的圖像，并將它們直接送到學(xué)習(xí)網(wǎng)絡(luò)的第一隱藏卷積層。

進(jìn)一步的，這個(gè)研發(fā)的深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)策略為：

31)優(yōu)化：本發(fā)明用有監(jiān)督方式訓(xùn)練執(zhí)行匹配任務(wù)的深度神經(jīng)網(wǎng)絡(luò)。

311)該網(wǎng)絡(luò)各層描述如下：

對(duì)于一個(gè)2x128x128像素大小的指靜脈特征模板，第1、3卷積層定義64個(gè)3x3像素大小的濾波器(filter)，滑動(dòng)的步長(zhǎng)(stride)為1，填充(pad)為1。第6、8卷積層定義128個(gè)該濾波器。第11、13、15、18、20、22卷積層定義該濾波器256個(gè)。對(duì)于64個(gè)卷積特征，每個(gè)3x3像素大小的濾波器與特征模板卷積會(huì)得到每個(gè)大小為128x128像素的特征模板64個(gè)，直到第3卷積層對(duì)圖像進(jìn)行卷積操作提取輸入圖像的內(nèi)在特征后，得到每個(gè)特征模板大小為128x128像素。第5、10、17、24池化層通過(guò)最大池采樣方法對(duì)卷積特征降維，將卷積特征劃分為數(shù)個(gè)nxn的不相交區(qū)域，用這些區(qū)域的最大特征來(lái)表示降維后的卷積特征，所用的濾波器大小為2x2像素，滑動(dòng)的步長(zhǎng)為2，填充為0。比如第3卷積層的64個(gè)特征模板經(jīng)過(guò)第5池化層降采樣后，得到64個(gè)大小為64x64像素的特征模板。其他層工作原理同理。

第2、4、7、9、12、14、16、19、21、23激勵(lì)層使用的激活函數(shù)是relu，relu函數(shù)對(duì)于輸入x計(jì)算f(x)＝max(0,x)。當(dāng)x＜0時(shí)，f(x)＝0，當(dāng)x＞0時(shí)，f(x)＝x。從而加速收斂。

通過(guò)以上各步驟后特征模板被降解為單像素特征模板以進(jìn)行分類(lèi)操作。為防止模型過(guò)擬合，訓(xùn)練過(guò)程中第25層使用了文獻(xiàn)srivastavan,hintong,krizhevskya,etal.dropout:asimplewaytopreventneuralnetworksfromoverfitting[j].journalofmachinelearningresearch,2014,15(1):1929-1958.中的dropout技術(shù)以防止訓(xùn)練的過(guò)擬合。同時(shí)第25層通過(guò)全連接的方式和最后一層輸出層連接，輸出最終分類(lèi)結(jié)果。結(jié)果越接近1，表示這對(duì)特征模板有更大的可能來(lái)自同一個(gè)手指；結(jié)果越接近0，表示這對(duì)特征模板有更大的可能來(lái)自不同的兩個(gè)手指。

本發(fā)明的深度神經(jīng)網(wǎng)絡(luò)的最后一層(即表2中的第26層)是邏輯回歸模型的分類(lèi)器，應(yīng)用邏輯回歸算法，解決二分類(lèi)問(wèn)題。在邏輯回歸模型中，訓(xùn)練集由n個(gè)帶標(biāo)簽的特征模板對(duì)構(gòu)成：{(x1，y1)，(x2，y2),…,(xn，yn)}，其中輸入特征模板對(duì)xi∈r^2×128×128，分類(lèi)標(biāo)簽為yi∈{0,1}。在訓(xùn)練階段中，hθ(x)是由表2架構(gòu)所決定的預(yù)測(cè)函數(shù)，表示結(jié)果取1的概率。g是激活函數(shù)。參數(shù)θ是本網(wǎng)絡(luò)的權(quán)重向量，向量維數(shù)m是參數(shù)的數(shù)量。初始狀態(tài)時(shí)，作為權(quán)重的參數(shù)θ被隨機(jī)初始化。輸入值x是特征模板的像素值。給定輸入值x和參數(shù)θ，(5)式給出y＝1和y＝0的概率，它們的概率和等于1。

312)該網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程：

第一步：根據(jù)輸入值x和參數(shù)θ，計(jì)算網(wǎng)絡(luò)的實(shí)際輸出，本發(fā)明將n對(duì)特征模板的全部像素值x和參數(shù)θ輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每個(gè)批次訓(xùn)練n個(gè)樣本(n為指靜脈圖像的樣本總數(shù))。

p(y＝1|x；θ)＝hθ(x)

p(y＝0|x；θ)＝1-hθ(x)(5)

第二步：按照(6)式計(jì)算訓(xùn)練模型參數(shù)θ的損失函數(shù)j(θ)的損失值。

第三步：根據(jù)損失函數(shù)j(θ)計(jì)算值，按照(7)式所示的隨機(jī)梯度下降算法(sgd)，每次從訓(xùn)練集中隨機(jī)選擇n個(gè)樣本(xi，yi)作為一個(gè)批次進(jìn)行學(xué)習(xí)，計(jì)算每個(gè)參數(shù)θi對(duì)應(yīng)的梯度(θi為權(quán)重向量θ的第i維)，然后朝著梯度相反方向去調(diào)整學(xué)習(xí)速率α，以更新訓(xùn)練模型的參數(shù)θ來(lái)達(dá)到損失函數(shù)的極小值點(diǎn)(收斂)。在初始狀態(tài)，設(shè)置初始學(xué)習(xí)率α為0.01，n為64。

第四步：訓(xùn)練完畢后，在驗(yàn)證階段，對(duì)未知標(biāo)簽值的輸入值x和已知的權(quán)重向量θ，按照(5)式計(jì)算出y的值。yi是指靜脈特征模板對(duì)xi對(duì)應(yīng)的0或1標(biāo)簽值。yi＝0表示指靜脈特征模板對(duì)xi不是來(lái)自同一手指。當(dāng)yi＝1表示輸入值xi是來(lái)自同一手指。

313)針對(duì)深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)存在的兩個(gè)現(xiàn)象，本發(fā)明的解決方案如下：

現(xiàn)象1：sgd會(huì)在局部極值點(diǎn)附近振蕩，從而導(dǎo)致收斂速度慢。

本發(fā)明采用(8)(9)式所示的增加動(dòng)量的梯度下降算法。首先按照(8)式計(jì)算動(dòng)量。其中動(dòng)量項(xiàng)vt是在上一次動(dòng)量項(xiàng)vt-1前增加一個(gè)超參數(shù)γ的基礎(chǔ)上加上梯度值乘學(xué)習(xí)速率。動(dòng)量項(xiàng)在梯度指向方向相同的方向逐漸增大，對(duì)梯度指向改變的方向逐漸減小，從而得到了更快的收斂速度以及減弱的振蕩。然后按照(9)式計(jì)算參數(shù)θ。

θ：＝θ-vt(9)

其中初始學(xué)習(xí)率α為0.01。動(dòng)量項(xiàng)超參數(shù)γ為0.9。

現(xiàn)象2：隨著模型訓(xùn)練的進(jìn)行，模型的特征模板數(shù)量會(huì)增加，從而模型的復(fù)雜度增加，此時(shí)模型在訓(xùn)練集上的訓(xùn)練誤差會(huì)逐漸減小，但是在模型的復(fù)雜度達(dá)到一定程度時(shí)，模型在驗(yàn)證集上的誤差反而隨著模型的復(fù)雜度增加而增大。此時(shí)便發(fā)生了過(guò)擬合。

本發(fā)明采用增加l2正則項(xiàng)的梯度下降算法。(10)式是增加了l2范數(shù)的損失函數(shù)，其中l(wèi)2權(quán)值衰減λ取0.0005。(11)式是正則化的梯度下降算法。首先按照(10)式計(jì)算損失。然后按照(11)式計(jì)算梯度及更新特征向量θ。其中n是作為一個(gè)批次訓(xùn)練的樣本數(shù)，m是特征向量θ的維數(shù)。θj是指θ的第j維。

32)難分樣本挖掘：為了提高執(zhí)行匹配任務(wù)的網(wǎng)絡(luò)的性能，在深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練階段，本發(fā)明采用難分樣本挖掘策略。每次迭代生成一組256個(gè)隨機(jī)選擇的模板對(duì)，該模板包括128個(gè)負(fù)對(duì)和128個(gè)正對(duì)，通過(guò)網(wǎng)絡(luò)向前傳播后，計(jì)算它們的損失值。其中僅保留32個(gè)最難分類(lèi)的負(fù)對(duì)和32個(gè)最難分類(lèi)的正對(duì)，這些最難分類(lèi)的模板對(duì)通過(guò)反向傳播來(lái)更新權(quán)值矩陣。

具體評(píng)測(cè)實(shí)驗(yàn)的結(jié)果

為了評(píng)測(cè)實(shí)驗(yàn)的公平和可靠，本發(fā)明使用fvrc2016競(jìng)賽的數(shù)據(jù)集。該數(shù)據(jù)集量大，其指靜脈圖像是在不同環(huán)境下通過(guò)幾個(gè)商業(yè)級(jí)的驗(yàn)證系統(tǒng)采集到的。所有圖像都是8位bmp格式，256級(jí)灰階和384x512像素分辨率。fvrc2016競(jìng)賽使用的三個(gè)數(shù)據(jù)集(ds1，ds2，ds3)是本發(fā)明評(píng)測(cè)實(shí)驗(yàn)采用的測(cè)試集。

表3列出評(píng)測(cè)實(shí)驗(yàn)所用的方法。其中“n+dcnn”、“wld+dcnn-hm”和“n+dcnn-hm”是本發(fā)明的方法,“n+rtm”和“wld+rtm”被作為本發(fā)明比對(duì)的基線(xiàn)。

表3為評(píng)測(cè)的方法的說(shuō)明

表4的前四行所列出的方法來(lái)自文獻(xiàn)y.ye,l.ni,h.zheng,s.liu,y.zhu,d.zhang,w.xiang,andw.li.fvrc2016:the2ndfingerveinrecognitioncompetition.inbiometrics(icb),2016internationalconferenceon,pages1–6.ieee,2016.描述的fvrc2016競(jìng)賽。從表4可見(jiàn)，基于dcnn方法與其他方法相比達(dá)到所有測(cè)試集上的最好性能。本發(fā)明的方法“n+dcnn-hm”在ds1、ds2測(cè)試集上的eer分別為0.42％和1.41％，與其他方法相比達(dá)到最好效果。本發(fā)明的“wld+dcnn-hm”方法在ds3測(cè)試集上的eer為2.13％，與其他方法相比達(dá)到最好效果。

表4為評(píng)測(cè)的方法在ds1、ds2和ds3數(shù)據(jù)集上獲得的即等錯(cuò)率(eer)表

表5的結(jié)果表明，本發(fā)明的方法的冊(cè)的執(zhí)行時(shí)間和匹配的執(zhí)行時(shí)間在可接受的范圍內(nèi)。

表5為評(píng)測(cè)的方法的執(zhí)行時(shí)間表

表6為各評(píng)測(cè)方法的對(duì)比結(jié)果，其中粗體數(shù)字是兩個(gè)方法之間的最好結(jié)果

(a)“n+rtm”vs“wld+rtm”

(b)“wld+rtm”vs“wld+dcnn-hm”

(c)“n+dcnn”vs“n+dcnn-hm”

(d)“wld+dcnn-hm”vs“n+dcnn-hm”

表6a的對(duì)比結(jié)果表明，在所有的測(cè)試集中，“wld+rtm”方法優(yōu)勝于“n+rtm”方法。從中可見(jiàn)在指靜脈驗(yàn)證中寬線(xiàn)檢測(cè)算子有能力從原始圖像中提取有用的信息。

表6b的對(duì)比結(jié)果表明，在所有的測(cè)試集中，本發(fā)明的“wld+dcnn-hm”方法優(yōu)勝于“wld+rtm”方法。從中可見(jiàn)，基于dcnn的匹配方法與商業(yè)系統(tǒng)常用的魯棒的模板匹配方法(rtm)相比效果更好。

表6c的對(duì)比結(jié)果表明，在所有的測(cè)試集中，本發(fā)明的“n+dcnn-hm”方法優(yōu)勝于“n+dcnn”方法。從中可見(jiàn)，難分樣本挖掘的訓(xùn)練策略是行之有效的。表7的結(jié)果表明，難分樣本挖掘的訓(xùn)練策略使整個(gè)訓(xùn)練過(guò)程快了近兩倍的速度。

表6d的對(duì)比結(jié)果表明，在所有的測(cè)試集中，本發(fā)明的“wld+dcnn-hm”方法的準(zhǔn)確率與“n+dcnn-hm”方法的非常接近。從中可見(jiàn)，基于dcnn的匹配方法不依賴(lài)注冊(cè)階段的特征提取。

表7為基于dcnn方法的訓(xùn)練時(shí)間

本發(fā)明執(zhí)行的另一些實(shí)驗(yàn)。使用不同規(guī)模大小的訓(xùn)練集來(lái)研究訓(xùn)練數(shù)據(jù)的規(guī)模大小如何影響測(cè)試集上的準(zhǔn)確率。為了訓(xùn)練，從訓(xùn)練集中隨機(jī)選擇100,000，200,000和300,000個(gè)手指類(lèi)別。驗(yàn)證集的規(guī)模和之前評(píng)測(cè)的規(guī)模一樣。本發(fā)明的“n+dcnn-hm”方法使用在上述訓(xùn)練集上進(jìn)行學(xué)習(xí)訓(xùn)練，然后在ds1、ds2和ds3測(cè)試集上進(jìn)行驗(yàn)證，并計(jì)算其即等錯(cuò)率(eer)。圖3是實(shí)驗(yàn)結(jié)果。

由圖3可見(jiàn)，當(dāng)訓(xùn)練集規(guī)模增加，本發(fā)明的“n+dcnn+hm”方法在100,000，200,000和300,000個(gè)手指類(lèi)別規(guī)模的訓(xùn)練集上訓(xùn)練的模型，在ds1、ds2和ds3測(cè)試集上測(cè)試的準(zhǔn)確率也提升。當(dāng)類(lèi)別數(shù)超過(guò)200,000時(shí)，在ds1、ds2和ds3測(cè)試集上測(cè)試的準(zhǔn)確率趨于穩(wěn)定。

評(píng)測(cè)結(jié)果表明，本發(fā)明方法的準(zhǔn)確率達(dá)到目前世界最高水平。