基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈圖像識(shí)別

婁夢(mèng)瑩，王天景，劉婭琴，楊 豐，黃 靖

（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣州510515）

（?通信作者電子郵箱liuyq@smu.edu.cn）

0 引言

隨著社會(huì)的發(fā)展，科學(xué)技術(shù)得到了極大提升，信息安全越來越受重視，人們對(duì)個(gè)人身份識(shí)別技術(shù)的要求也越來越高。密碼、磁卡等傳統(tǒng)的身份識(shí)別認(rèn)證方式由于存在丟失、復(fù)制和被盜用的風(fēng)險(xiǎn)，已經(jīng)不能滿足當(dāng)前人們的需要，由此，基于生物特征的身份識(shí)別技術(shù)應(yīng)運(yùn)而生［1］。生物特征（包括顯性生物特征和隱性生物特征）識(shí)別技術(shù)是根據(jù)人們的生理或行為特征進(jìn)行識(shí)別的技術(shù)。顯性生物特征由于易被復(fù)制和偽造，其安全性和唯一性比隱性生物特征低。生物特征識(shí)別主要包括步態(tài)、人臉、掌紋、指紋等顯性特征識(shí)別，以及聲音、虹膜等隱性特征識(shí)別。步態(tài)識(shí)別簡(jiǎn)單易行，但易被模仿，安全性較差。聲音識(shí)別簡(jiǎn)單便捷，但有被錄音竊取的風(fēng)險(xiǎn)，安全隱患較大。人臉識(shí)別具有較好的特征多樣性和唯一性，識(shí)別效果好，但難以分辨面容相同或相似的雙胞胎及多胞胎，并會(huì)受到因年齡出現(xiàn)的老化現(xiàn)象的影響，穩(wěn)定性較差。掌紋、指紋識(shí)別具有較高的唯一性、便捷性和可接受性，但由于掌紋屬于表皮特征，易磨損、易被復(fù)制，安全性較低。虹膜識(shí)別具有較高的安全性、穩(wěn)定性和唯一性，但識(shí)別裝置成本昂貴，不適用于普通的大眾場(chǎng)所，應(yīng)用的廣泛性和普遍性受到極大的限制。手掌靜脈識(shí)別，是根據(jù)手掌靜脈特征進(jìn)行識(shí)別的技術(shù)，是生物特征識(shí)別領(lǐng)域的一種新型識(shí)別技術(shù)。手掌靜脈（以下簡(jiǎn)稱“掌脈”）屬于隱性特征，位于表皮之下，結(jié)構(gòu)復(fù)雜，難以被復(fù)制，具有較高的唯一性、安全性和穩(wěn)定性，比人臉識(shí)別更穩(wěn)定，比掌紋、指紋識(shí)別更安全，比虹膜識(shí)別更具應(yīng)用的普遍性［2］。

目前，掌脈識(shí)別的研究受到廣大研究學(xué)者的關(guān)注，傳統(tǒng)的掌脈識(shí)別大致分為三類：1）基于結(jié)構(gòu)特征的方法，提取靜脈的結(jié)構(gòu)特征，一般是線特征或點(diǎn)特征。主要方法有方向梯度直方圖［3］、尺度不變特征變換［4］、二維密度函數(shù)［5］等。2）基于紋理特征的方法，提取靜脈的紋理特征，一般是方向、幅度、相位特征。主要方法有Gaussian-Radon 變換［6］、局部二值模式［7］、Gabor 濾波器［8］、Radon 變換［9］、小波變換［10］等。3）基于子空間的方法，是將靜脈轉(zhuǎn)換到不同的子空間中，將圖像看成高維向量或矩陣，再利用投影變換等方法，將其轉(zhuǎn)換成低維向量或矩陣，并在這個(gè)子空間中提取特征。主要方法有主成分分析［11］、線性判別分析［12］、局部保持投影［13］等。

雖然傳統(tǒng)的識(shí)別方法已經(jīng)取得了較好的識(shí)別效果，但其識(shí)別過程較為復(fù)雜，往往需要人工干涉。人工設(shè)計(jì)提取的圖像特征通常是圖像的淺層特征，表達(dá)能力有限，有效特征信息不夠充分，且人工設(shè)計(jì)的方法穩(wěn)健性較差，受外界條件的影響較大。隨著深度學(xué)習(xí)的發(fā)展以及硬件環(huán)境的改善和提高，利用深度學(xué)習(xí)的方法進(jìn)行掌脈圖像識(shí)別已經(jīng)成為研究重點(diǎn)［14］。深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的特征表達(dá)能力，不需要人工設(shè)計(jì)特征，在圖像分類、圖像分割和目標(biāo)檢測(cè)等領(lǐng)域已經(jīng)取得了較好的成績(jī)。但是由于網(wǎng)絡(luò)模型的學(xué)習(xí)能力較強(qiáng)，輸入輸出之間的非線性關(guān)系復(fù)雜，易出現(xiàn)過擬合現(xiàn)象，且網(wǎng)絡(luò)的訓(xùn)練需要大量的數(shù)據(jù)，而掌脈數(shù)據(jù)庫的數(shù)據(jù)量相對(duì)較少，圖像質(zhì)量也相對(duì)較差。

針對(duì)上述問題，本文提出了一種基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈識(shí)別方法。首先，采用泛化性能較好的網(wǎng)絡(luò)模型ResNet 提取深層次掌脈特征，其殘差模塊可緩解網(wǎng)絡(luò)退化。其次，引入指數(shù)線性單元（Exponential Linear Unit，ELU）激活函數(shù)、批歸一化（Batch Normalization，BN）和Dropout技術(shù)改進(jìn)模型，能緩解梯度消失，防止過擬合，加快收斂，增強(qiáng)模型泛化能力。最后，融入稠密網(wǎng)絡(luò)思想，加入稠密連接，將原始圖像輸入多層卷積層，增強(qiáng)特征的豐富性和有效性。用本文提出的方法分別在香港理工大學(xué)PolyU 數(shù)據(jù)庫、中國科學(xué)院自動(dòng)化研究所CASIA 數(shù)據(jù)庫和自建庫上進(jìn)行實(shí)驗(yàn)，并與其他現(xiàn)有的識(shí)別方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法在實(shí)際應(yīng)用中的優(yōu)越性能。

1 本文方法

1.1 殘差模塊

ResNet 網(wǎng)絡(luò)是He 等［15］在2016 年提出的一種深層卷積神經(jīng)網(wǎng)絡(luò)模型。在網(wǎng)絡(luò)研究中，隨著網(wǎng)絡(luò)的加深，會(huì)出現(xiàn)梯度消失和梯度爆炸的問題，使具有一定深度的卷積神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練，模型性能不升反降。為削弱這種影響，可以通過構(gòu)建殘差模塊（Residual block）對(duì)不同網(wǎng)絡(luò)層進(jìn)行跳躍連接（Skip connection），從而增強(qiáng)網(wǎng)絡(luò)性能。因此，殘差網(wǎng)絡(luò)以其優(yōu)越的性能被廣泛應(yīng)用于圖像分類識(shí)別領(lǐng)域。殘差模塊的結(jié)構(gòu)如圖1所示。

對(duì)于一個(gè)由若干層堆積的網(wǎng)絡(luò)結(jié)構(gòu)而言，當(dāng)輸入數(shù)據(jù)為X時(shí)，學(xué)習(xí)的特征記為H(X)，規(guī)定在獲得H(X)的同時(shí)，通過線性變換和激活函數(shù)得到殘差：

這樣，實(shí)際學(xué)習(xí)到的特征為：

如此，極端情況下，即使網(wǎng)絡(luò)層是冗余層，即F(X)=0，則該卷積層實(shí)現(xiàn)的是恒等映射，網(wǎng)絡(luò)性能與網(wǎng)絡(luò)特征參數(shù)沒有改變。通常情況下，F(xiàn)(X) > 0，網(wǎng)絡(luò)總能學(xué)到新的特征，從而保證反向傳播時(shí)的梯度傳遞，消除網(wǎng)絡(luò)退化和梯度消失問題。

圖1 殘差模塊Fig.1 Residual block

1.2 小卷積核殘差網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)利用不同大小的卷積核提取掌脈特征，用全連接層對(duì)特征進(jìn)行融合，來提取更深層次的特征信息。卷積層主要包括兩部分：一部分是線性變換階段的卷積操作；另一部分是非線性階段的激活函數(shù)操作。其中，卷積核是卷積層重要的一部分，用于提取圖像的邊緣、角度、形狀等特征。而激活函數(shù)主要是引入非線性，強(qiáng)化網(wǎng)絡(luò)的學(xué)習(xí)能力。隨著網(wǎng)絡(luò)層數(shù)的深入，卷積核及訓(xùn)練參數(shù)也隨之增加，特征提取過程中易發(fā)生過擬合狀況。卷積神經(jīng)網(wǎng)絡(luò)中的池化層，可針對(duì)不同的區(qū)域提取具有代表性的特征，能縮減參數(shù)，提高網(wǎng)絡(luò)計(jì)算速度，可當(dāng)作對(duì)輸出特征的再次提取過程。相較于卷積，池化操作擁有平移不變特性，對(duì)微小的變化具有較好的魯棒性。

研究發(fā)現(xiàn)，卷積核的尺寸越大，獲得的感受野越大，需要的參數(shù)量也隨之增多［16］。掌脈圖像通常將紋理特征用于特征識(shí)別，有些不同個(gè)體的掌脈圖像紋理特征相似度較高，主要依靠微小的細(xì)節(jié)特征進(jìn)行區(qū)分。為了提取細(xì)微的特征，并盡可能地減少模型參數(shù)，顯著提高掌脈識(shí)別系統(tǒng)的性能，使模型更適用于掌脈識(shí)別的實(shí)時(shí)應(yīng)用，本文采用小卷積核殘差網(wǎng)絡(luò)（Small convolution Kernel Residual Network，SK-ResNet）對(duì)手掌靜脈圖像進(jìn)行有效識(shí)別，選擇3×3的卷積核進(jìn)行實(shí)驗(yàn)。

本文在ResNet 網(wǎng)絡(luò)的基礎(chǔ)上加以改進(jìn)，將第一層的卷積核設(shè)置為3×3，剩余卷積層的卷積核大小也設(shè)置為3×3，并疊加足夠的卷積層彌補(bǔ)小卷積核對(duì)感受野帶來的影響。網(wǎng)絡(luò)的分類函數(shù)采用softmax 函數(shù)，學(xué)習(xí)率統(tǒng)一設(shè)置為0.000 1。改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，基于ResNet-18，將其簡(jiǎn)化成8層，大大減少了模型參數(shù)，節(jié)省了存儲(chǔ)空間和運(yùn)行時(shí)間，更適用于掌脈圖像數(shù)據(jù)庫。

1.3 激活函數(shù)

激活函數(shù)主要解決神經(jīng)網(wǎng)絡(luò)中的線性不可分問題，將非線性激活函數(shù)疊加在每層的線性變換之后，能夠使學(xué)習(xí)能力更強(qiáng)，擬合效果更好。傳統(tǒng)的ResNet 網(wǎng)絡(luò)采用修正線性單元（Rectified Linear unit，ReLu）激活函數(shù)，ReLu 計(jì)算簡(jiǎn)單，具有線性、非飽和性的特點(diǎn)，能有效緩解梯度下降，提供稀疏表達(dá)性。ReLu激活函數(shù)計(jì)算式如下：

由式（3）可見，當(dāng)x取值為1 時(shí)，會(huì)在梯度過小時(shí)，導(dǎo)致梯度消失；當(dāng)x取值小于等于0時(shí)，隨著訓(xùn)練的進(jìn)行，會(huì)出現(xiàn)神經(jīng)元凋亡現(xiàn)象，導(dǎo)致權(quán)重?zé)o法更新。

圖2 小卷積核殘差網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Architecture of SK-ResNet

ELU 激活函數(shù)［17］，融合了sigmod 和ReLu，具有左側(cè)軟飽和性，右側(cè)無飽和性，右側(cè)線性部分使得ELU 對(duì)輸入變化或噪聲的魯棒性更好。ELU 的輸出均值接近于0，收斂速度更快，可解決神經(jīng)元死亡問題。ELU激活函數(shù)公式如下：

將激活函數(shù)用ELU 代替ReLu，彌補(bǔ)了ReLu 的不足，同時(shí)盡量保持了ReLu的單側(cè)抑制優(yōu)勢(shì)，使殘差模塊的結(jié)構(gòu)得到了較好的改進(jìn)，殘差結(jié)構(gòu)的改進(jìn)如圖3所示。

圖3 改進(jìn)后的殘差模塊Fig.3 Improved residual block

1.4 L2正則化和Dropout技術(shù)

批歸一化（BN）［18］，利用小批量上的均值和標(biāo)準(zhǔn)差，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)中間輸出，從而使整個(gè)神經(jīng)網(wǎng)絡(luò)在各層的中間輸出的數(shù)值更穩(wěn)定，能夠在一定程度上緩解過擬合問題；其次，批歸一化也能使模型的收斂速度得到一定程度的提升。

Dropout技術(shù)是Hinton等［19］在2012年提出的，通過使部分隱層節(jié)點(diǎn)設(shè)置為0，忽略部分特征檢測(cè)器，來提高模型的性能，降低過擬合現(xiàn)象。即在神經(jīng)網(wǎng)絡(luò)的前向傳導(dǎo)過程中，隨機(jī)選擇部分神經(jīng)元，使其激活值按照特定的概率暫時(shí)停止工作，從而增加模型的泛化能力，以防止過擬合現(xiàn)象的發(fā)生。

1.5 稠密網(wǎng)絡(luò)連接

稠密連接網(wǎng)絡(luò)（Densely Connected Network，DenseNet）是Huang等［20］在2017年針對(duì)光學(xué)圖像處理提出的一種神經(jīng)網(wǎng)絡(luò)模型，具有強(qiáng)大的特征提取功能。在傳統(tǒng)的深度網(wǎng)絡(luò)中，每一層提取的特征都相當(dāng)于對(duì)輸入數(shù)據(jù)的一個(gè)非線性變換。因此，隨著網(wǎng)絡(luò)的加深，會(huì)增加變換的復(fù)雜度。DenseNet摒棄了傳統(tǒng)的網(wǎng)絡(luò)連接方式，采用了一種較為密集的網(wǎng)絡(luò)連接形式，直接從最優(yōu)特征的角度出發(fā)，設(shè)置特征復(fù)用和旁路連接。

DenseNet將網(wǎng)絡(luò)的任一層與后續(xù)所有層之間直接建立連接，這種稠密連接的方式使得每層學(xué)習(xí)的特征圖都可以被后續(xù)的網(wǎng)絡(luò)層接收，即網(wǎng)絡(luò)中每一層都接受它前面所有層的特征作為輸入，相當(dāng)于每一層都直接連接輸入層和損失層，從而使梯度消失現(xiàn)象得以緩解，網(wǎng)絡(luò)結(jié)構(gòu)更加緊密，提取到的特征更加豐富。其輸出公式如下：

其中，[X0，X1，…，Xl-1]表示第0，1，…，l-1 層的特征圖拼接矩陣。

圖4 為DenseNet 的網(wǎng)絡(luò)連接圖，由圖4 可看出，網(wǎng)絡(luò)中任意一層的輸入都是前面所有層輸出的疊加，大量的特征被復(fù)用，從而加強(qiáng)了特征的傳播，使提取到的特征更加豐富，并在一定程度上緩和了梯度消失。在建立稠密連接時(shí)，當(dāng)特征圖的大小發(fā)生改變時(shí)，層與層之間不能直接連接，可借助下采樣來改變特征圖的大小，從而順利地建立網(wǎng)絡(luò)連接。

圖4 DenseNet網(wǎng)絡(luò)連接Fig.4 Network connection of DenseNet

雖然ResNet 和DenseNet 都采用了網(wǎng)絡(luò)連接的方式，但殘差連接和稠密連接是不同的。區(qū)別在于ResNet 中的殘差連接是采用模塊之間相加的方式，而DenseNet 中的連接是圖像通道維度上的連接。DenseNet 中增長率k表示輸出特征映射的維度，這里k=12。網(wǎng)絡(luò)的跨層連接如圖5所示。

圖5 網(wǎng)絡(luò)跨層連接Fig.5 Network cross-layer connection

1.6 基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)

針對(duì)掌脈數(shù)據(jù)庫樣本量少、圖像質(zhì)量參差不齊，進(jìn)而導(dǎo)致識(shí)別率低的現(xiàn)象，根據(jù)側(cè)鏈連接的結(jié)構(gòu)，在ResNet 模型的基礎(chǔ)上重新設(shè)計(jì)新的結(jié)構(gòu)，并用此模型對(duì)掌脈圖像進(jìn)行分類識(shí)別。

圖6為本文方法的網(wǎng)絡(luò)結(jié)構(gòu)。如圖6所示，網(wǎng)絡(luò)的傳播過程可描述為：圖像經(jīng)輸入層傳入下一層側(cè)鏈連接的模塊（Residual dense block）提取特征，按圖中連接依次傳輸，最后對(duì)特征進(jìn)行全局平均池化，整合空間信息，經(jīng)Dropout 層輸入到全連接層輸出分類結(jié)果。其中，側(cè)鏈連接部分是將殘差連接和稠密連接的兩組特征疊加，傳遞給下一層。

本文提出的基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)和優(yōu)化了傳統(tǒng)的ResNet 模型，并將稠密連接以側(cè)鏈連接的方式融入到ResNet 模型中。與傳統(tǒng)的網(wǎng)絡(luò)模型相比，該方法具有一定的優(yōu)勢(shì)。首先，利用泛化能力較強(qiáng)的ResNet 網(wǎng)絡(luò)模型提取深層掌脈特征，其殘差模塊能有效緩解網(wǎng)絡(luò)退化問題。其次，采用ELU 代替ReLu 激活函數(shù)能有效緩解梯度消失，批歸一化和Dropout技術(shù)能防止過擬合，減少網(wǎng)絡(luò)誤差，加快收斂。最后，稠密連接將原始圖像輸入多級(jí)卷積層，能加強(qiáng)所提特征的豐富性和有效性。

圖6 本文方法的網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Network structure of proposed method

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)庫與運(yùn)行環(huán)境

為定量評(píng)價(jià)本文識(shí)別方法，分別對(duì)兩個(gè)公開數(shù)據(jù)庫和一個(gè)自建數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)。兩個(gè)公開數(shù)據(jù)庫分別是PolyU 和CASIA 數(shù)據(jù)庫。PolyU 庫采用完全接觸式采集，受平移、旋轉(zhuǎn)等的影響小，圖像質(zhì)量高。采集250 人的左右手各6 幅，分兩次采集，間隔時(shí)間9 天，共6 000 幅圖像，本文只采用第一次采集的3 000 幅圖像。CASIA 庫采用完全非接觸式采集，受平移、旋轉(zhuǎn)的影響較大，圖像質(zhì)量差。采集100 人的左右手各6幅，共1 200幅圖像。自建數(shù)據(jù)庫為本實(shí)驗(yàn)室獨(dú)自采集建立的數(shù)據(jù)庫，簡(jiǎn)稱“自建庫”，采用半接觸式采集，受平移、旋轉(zhuǎn)的影響較小，但會(huì)受光照等采集環(huán)境的影響，圖像質(zhì)量低。采集300 個(gè)學(xué)生的左右手各6 幅，共3 600 幅圖像，采集裝置［21］如圖7所示。

圖7 自建庫手掌靜脈圖像采集裝置Fig.7 Palm vein image acquisition device for self-built database

為更好地訓(xùn)練模型的性能，對(duì)現(xiàn)有數(shù)據(jù)庫進(jìn)行圖像增強(qiáng)和擴(kuò)充。采用Lou 等［22］提出的方法進(jìn)行掌脈圖像增強(qiáng)，并對(duì)圖像進(jìn)行旋轉(zhuǎn)變化，旋轉(zhuǎn)角度分別為：-5°、-10°、5°、10°，即每幅圖像由1幅擴(kuò)充為5幅。為更好地測(cè)試模型的識(shí)別效果，將數(shù)據(jù)庫按照類別劃分為訓(xùn)練集和測(cè)試集，每類的前4 幅及其擴(kuò)充圖像為訓(xùn)練集，剩余圖像為測(cè)試集，從而保證訓(xùn)練集與測(cè)試集互不相交。

實(shí)驗(yàn)的運(yùn)行環(huán)境如下：Tensorflow2.20rc，Matlab R2019b DeepLearning toolbox。硬件平臺(tái)為：Ubuntu 18.04LTS 系統(tǒng)，CPU AMD EPYC 7742，基礎(chǔ)頻率2.25 GHz，最高Boost 頻率3.4 GHz，內(nèi)存16 GB，GPU Nvidia Telsa K80 24 GB顯存。

2.2 性能評(píng)價(jià)指標(biāo)

在掌脈圖像識(shí)別模型的評(píng)價(jià)中，主要采用正確識(shí)別率（Correct Recognition Rate，CRR）來衡量系統(tǒng)性能。CRR 是正確識(shí)別比率，是正確識(shí)別的次數(shù)與識(shí)別的總次數(shù)的比值。識(shí)別系統(tǒng)的算法性能越好，CRR值越大，計(jì)算式為：

其中：VC表示正確識(shí)別的次數(shù)；VS表示識(shí)別的總次數(shù)。

2.3 參數(shù)選擇

2.3.1 ELU激活函數(shù)實(shí)驗(yàn)

為了選擇對(duì)掌脈數(shù)據(jù)庫最有效的ELU 激活函數(shù)取值，在原始的8 層小卷積核ResNet 網(wǎng)絡(luò)基礎(chǔ)上，僅采用ELU 代替ReLu 激活函數(shù)，即SK-ResNet+ELU，并以此網(wǎng)絡(luò)模型進(jìn)行掌脈識(shí)別。分別在各掌脈數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，計(jì)算識(shí)別率，借此判斷ELU激活函數(shù)緩解梯度消失的效果。ELU激活函數(shù)的取值范圍設(shè)為（0，1］，間隔設(shè)置為0.1。表1 給出不同的ELU 取值對(duì)識(shí)別率的影響，由表1 可知，當(dāng)ELU 的取值為1 時(shí)，模型在三個(gè)數(shù)據(jù)庫上的識(shí)別效果達(dá)到最優(yōu)。由此可見，ELU 激活函數(shù)對(duì)梯度消失現(xiàn)象有一定的緩解作用，使模型的識(shí)別效果進(jìn)一步提高。

2.3.2 Dropout實(shí)驗(yàn)

為了找到對(duì)掌脈數(shù)據(jù)庫效果最好的Dropout值，在原始的8 層小卷積核ResNet 網(wǎng)絡(luò)基礎(chǔ)上，僅將Dropout 層添加到平均池化層之后，即SK-ResNet+Dropout，并以此網(wǎng)絡(luò)模型進(jìn)行掌脈識(shí)別。分別對(duì)各掌脈數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，計(jì)算識(shí)別率，以此判斷Dropout 技術(shù)緩解過擬合的效果。Dropout 中p表示每個(gè)節(jié)點(diǎn)有p概率被拋棄，其取值范圍為（0，1），間隔設(shè)置為0.1。表2展示了不同Dropout取值對(duì)識(shí)別率的影響。由表2可以看出，當(dāng)Dropout 的取值為0.1 時(shí)，在三個(gè)數(shù)據(jù)庫上的效果達(dá)到最好，一定程度上降低了過擬合風(fēng)險(xiǎn)，提高了模型的識(shí)別率。

2.4 對(duì)比分析

為了定量評(píng)價(jià)本文識(shí)別方法的識(shí)別效果，將本文方法與目前識(shí)別效果較好的幾種傳統(tǒng)識(shí)別方法以及幾種典型的網(wǎng)絡(luò)模型進(jìn)行比較。其中：Qiu 等［23］采用多方向的Gabor 濾波器，提取靜脈的尺度及方向信息，進(jìn)行靜脈識(shí)別，計(jì)算識(shí)別率；婁夢(mèng)瑩等［21］采用Gauss-Radon 變換進(jìn)行掌脈識(shí)別，構(gòu)建6 個(gè)方向的鄰域模板，提取掌脈方向特征從而進(jìn)行識(shí)別。針對(duì)目前的幾種典型的網(wǎng)絡(luò)模型，利用AlexNet 網(wǎng)絡(luò)［24］、GoogleNet 網(wǎng)絡(luò)［25］分別對(duì)掌脈圖像進(jìn)行識(shí)別，并對(duì)ResNet 模型不斷改進(jìn)，將逐步改進(jìn)實(shí)驗(yàn)用于掌脈識(shí)別，依次記錄SK-ResNet、SKResNet+BN、SK-ResNet+BN+ELU、SK-ResNet+BN+ELU+Dropout 以及加入稠密連接后的本文方法模型的實(shí)驗(yàn)結(jié)果。不同識(shí)別方法的識(shí)別效果如表3所示。由表3可知，針對(duì)圖像質(zhì)量不一的小樣本掌脈數(shù)據(jù)庫，與其他識(shí)別方法相比，本文基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)的掌脈識(shí)別方法對(duì)掌脈數(shù)據(jù)庫的識(shí)別效果較好，尤其是對(duì)圖像質(zhì)量較差的CASIA和自建庫，其識(shí)別率更高。

表3 不同識(shí)別方法對(duì)CRR的影響 單位：%Tab.3 Effects of different recognition methods on CRR unit：%

3 結(jié)語

針對(duì)圖像數(shù)量少且質(zhì)量參差不齊的掌脈數(shù)據(jù)庫，本文提出了一種基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈圖像識(shí)別方法。該方法根據(jù)ResNet 網(wǎng)絡(luò)模型框架，用卷積層和池化層提取網(wǎng)絡(luò)特征；用ELU 激活函數(shù)、批歸一化及Dropout 技術(shù)優(yōu)化和改進(jìn)模型，可緩解梯度消失，防止過擬合，加快收斂，使模型泛化能力更強(qiáng)；加入稠密連接，使提取到的掌脈特征更加豐富有效。分別在PolyU、CASIA、自建庫上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文方法能有效提高掌脈識(shí)別系統(tǒng)的性能，且更適用于掌脈識(shí)別的實(shí)際應(yīng)用。還可將本文識(shí)別方法用于其他生物特征識(shí)別領(lǐng)域，例如掌紋識(shí)別、指紋識(shí)別、人臉識(shí)別等。下一步的工作將著重于新型網(wǎng)絡(luò)模型的研究和改進(jìn)，以期獲得更好的識(shí)別效果。