基于深度學(xué)習(xí)的指關(guān)節(jié)紋識(shí)別算法實(shí)驗(yàn)研究

陳虹麗， 劉凌風(fēng)， 李浩凱， 傅薈璇

（哈爾濱工程大學(xué)智能科學(xué)與工程學(xué)院，哈爾濱150001）

0 引 言

指關(guān)節(jié)紋識(shí)別是當(dāng)今社會(huì)一類新興的生物特征識(shí)別技術(shù)［1-2］，該生物特征由個(gè)體基因所決定，存在個(gè)體差異性，可用于身份識(shí)別技術(shù)。與常見的指紋識(shí)別［3-4］相比，指關(guān)節(jié)紋特征不像指紋一樣易于磨損、出汗潮濕，且在日常生活中不像指紋一樣到處留下接觸痕跡，指關(guān)節(jié)紋生物特征識(shí)別技術(shù)表現(xiàn)出良好的發(fā)展前景。

指關(guān)節(jié)紋識(shí)別技術(shù)雖已取得很多較好的研究成果［5-7］，但主要采用的是傳統(tǒng)機(jī)器學(xué)習(xí)算法，卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像紋理特征的提取，有其本身巨大的優(yōu)勢(shì)，將采用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，來對(duì)指背關(guān)節(jié)紋的識(shí)別進(jìn)行研究，針對(duì)網(wǎng)絡(luò)的過擬合，首次提出參數(shù)放棄法，放棄驗(yàn)證誤差增大的參數(shù)，重新優(yōu)化參數(shù)，直至得到泛化誤差最小點(diǎn)。

1 搭建網(wǎng)絡(luò)模型

首先進(jìn)行指關(guān)節(jié)紋圖像預(yù)處理，包括感興趣區(qū)域（Region of Interest，ROI）［8-9］的提取、數(shù)據(jù)集的擴(kuò)充［10］、直方圖均衡化［11-12］等；其次，設(shè)計(jì)并搭建卷積神經(jīng)網(wǎng)絡(luò)［13-14］模型，包括輸入層、3個(gè)卷積層C1、C2、C3層、3個(gè)池化層P1、P2、P3層、2個(gè)全連接層F1、F2層，softmax輸出層一般不計(jì)入網(wǎng)絡(luò)的深度，網(wǎng)絡(luò)深度共為9層。

本實(shí)驗(yàn)采用開源的HKPU-FKP手指關(guān)節(jié)紋數(shù)據(jù)集［15-16］，選取其中的100類，將每類的前10幅作為訓(xùn)練集的圖像，剩余2幅作為測(cè)試集的圖像，即訓(xùn)練集共1 000幅圖像，測(cè)試集共200幅圖像，數(shù)據(jù)集中約80%的圖片劃分為訓(xùn)練集數(shù)據(jù)，約20%的圖片劃分為測(cè)試集數(shù)據(jù)。

將數(shù)據(jù)集里660類的指關(guān)節(jié)紋，取出其中100類的數(shù)據(jù)做好類別標(biāo)簽并進(jìn)行0～99順序編碼，通過水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、亮度調(diào)整、隨機(jī)旋轉(zhuǎn)等操作，將數(shù)據(jù)集擴(kuò)充到12 000張，按8∶2的比例分為訓(xùn)練集、測(cè)試集，訓(xùn)練集數(shù)據(jù)的形狀為（10 000，224，224，1），測(cè)試集數(shù)據(jù)的形狀為（2 000，224，224，1），通過不同算法實(shí)驗(yàn)結(jié)果對(duì)比，選用限制對(duì)比度的自適應(yīng)直方圖均衡化（Contrast-limited Adaptive Histogram Equalization，CLAHE）算法來提高指關(guān)節(jié)紋紋理的對(duì)比度，達(dá)到圖像灰度增強(qiáng)的目的。

實(shí)驗(yàn)選擇Adam優(yōu)化器默認(rèn)的學(xué)習(xí)速率0.001，經(jīng)過1 000次迭代訓(xùn)練完成后，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的實(shí)驗(yàn)結(jié)果如圖1所示。圖中，橫坐標(biāo)為迭代次數(shù)（Epochs）。

測(cè)試集上的準(zhǔn)確率為

式中：n為測(cè)試集里數(shù)據(jù)的總量；m為測(cè)試集里數(shù)據(jù)被分類正確的數(shù)量。

圖1 （a）中，loss為卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上的損失函數(shù)，val_loss為卷積神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的損失函數(shù)，可見，loss隨著迭代次數(shù)的增加收斂情況較好，然而val_loss有一定上升的趨勢(shì)，與loss逐漸拉開一定的間隙，說明該網(wǎng)絡(luò)模型存在過擬合現(xiàn)象。

圖1 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的實(shí)驗(yàn)結(jié)果

圖1 （b）中，acc為卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上的準(zhǔn)確率，val_acc為卷積神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的準(zhǔn)確率，可見，隨著迭代次數(shù)的增加，acc與val_acc曲線存在一定的間隙，說明該網(wǎng)絡(luò)模型在訓(xùn)練集上有一個(gè)很好的準(zhǔn)確率；在測(cè)試集上的準(zhǔn)確率與之有一定的差距，說明該網(wǎng)絡(luò)模型在未見過的數(shù)據(jù)面前表現(xiàn)不理想，網(wǎng)絡(luò)泛化能力不強(qiáng)，進(jìn)一步驗(yàn)證了網(wǎng)絡(luò)模型存在過擬合現(xiàn)象。

為避免過擬合，提高網(wǎng)絡(luò)泛化能力，采用L2正則化與參數(shù)放棄法結(jié)合，對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化。參數(shù)放棄法的基本思想是訓(xùn)練網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)訓(xùn)練與網(wǎng)絡(luò)驗(yàn)證交替進(jìn)行，當(dāng)網(wǎng)絡(luò)開始進(jìn)入過擬合時(shí)，驗(yàn)證誤差就會(huì)逐漸增大，此時(shí)放棄本次參數(shù)，網(wǎng)絡(luò)參數(shù)返回當(dāng)驗(yàn)證誤差取最小值時(shí)的參數(shù)。應(yīng)用參數(shù)放棄法時(shí)，測(cè)試集同時(shí)也作為驗(yàn)證集，驗(yàn)證集用于監(jiān)控網(wǎng)絡(luò)訓(xùn)練進(jìn)程。圖2所示為利用參數(shù)放棄法時(shí)程序框圖。

圖2 參數(shù)放棄法優(yōu)化網(wǎng)絡(luò)程序框圖

圖中：T為訓(xùn)練集；C為驗(yàn)證集；Errornew為當(dāng)前驗(yàn)證誤差；Errorold為前次驗(yàn)證誤為權(quán)重參數(shù)；?為閾值；X0為訓(xùn)練次數(shù)標(biāo)志位；k為訓(xùn)練次數(shù)；E為訓(xùn)練誤差；ε為誤差代價(jià)函數(shù)；R為循環(huán)次為初始權(quán)值參數(shù)；Δwij為權(quán)值變化量，由優(yōu)化器求取。實(shí)驗(yàn)前，對(duì)驗(yàn)證樣本進(jìn)行了檢驗(yàn)，舍棄了錯(cuò)誤的驗(yàn)證樣本。

2 網(wǎng)絡(luò)模型的優(yōu)化

在前面網(wǎng)絡(luò)模型的FC1、FC2全連接層后各自添加一個(gè)dropout層，設(shè)置丟棄比例為0.5，同時(shí)在FC1、FC2全連接層上使用L2正則化與參數(shù)放棄法融合，L2

正則化設(shè)置懲罰系數(shù)為0.001，并在每個(gè)卷積層、全連接層后添加一層批量標(biāo)準(zhǔn)化層（Batch Normalization，BN）。圖3所示為優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)搭建的流程圖。

圖3 優(yōu)化后網(wǎng)絡(luò)模型的工作流程

各層訓(xùn)練參數(shù)的情況：輸入層輸入圖像的尺寸為224×224×1的灰度圖像，softmax分類器輸出層中的神經(jīng)元個(gè)數(shù)與所要識(shí)別類別的個(gè)數(shù)相等，各層參數(shù)的情況見表1。

表1 優(yōu)化后網(wǎng)絡(luò)各層的參數(shù)情況

根據(jù)表1所示優(yōu)化前、后網(wǎng)絡(luò)各層的參數(shù)情況比較，可以發(fā)現(xiàn)在所設(shè)計(jì)的9層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，新添加的BN和dropout層，對(duì)于輸出特征圖的形狀尺寸與輸入尺寸相同，即批標(biāo)準(zhǔn)化層與dropout層對(duì)特征圖的處理不會(huì)改變特征圖的形狀。

3 實(shí)驗(yàn)結(jié)果與分析

圖4 所示為優(yōu)化后的網(wǎng)絡(luò)模型經(jīng)過1 000次的迭代訓(xùn)練后的實(shí)驗(yàn)結(jié)果。

圖4 優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的實(shí)驗(yàn)結(jié)果

由圖4（a）可見，loss隨著迭代次數(shù)的增加收斂情況較好，val_loss與優(yōu)化前相比，上升的趨勢(shì)明顯被抑制，說明優(yōu)化后的網(wǎng)絡(luò)模型，對(duì)抑制過擬合有一定的效果。

由圖4（b）可見，隨著迭代次數(shù)的增加，acc與val_acc曲線，總的來看一直靠的比較近，之間的差距并不是很大，過擬合現(xiàn)象被明顯改善，說明優(yōu)化后的網(wǎng)絡(luò)模型對(duì)抑制過擬合有一定的效果。

優(yōu)化前、后的網(wǎng)絡(luò)模型分別在訓(xùn)練集和測(cè)試集上進(jìn)行評(píng)估，保留3位小數(shù)，見表2。

表2 優(yōu)化前、后卷積神經(jīng)網(wǎng)絡(luò)模型的評(píng)估

從表2中模型評(píng)估來看，同樣也反映出抑制過擬合的效果，測(cè)試集的損失函數(shù)從優(yōu)化前的92.8%降到了79.2%，識(shí)別準(zhǔn)確率從優(yōu)化前的83.4%升到87.0%，準(zhǔn)確率提高了3.6%，提高了網(wǎng)絡(luò)模型對(duì)測(cè)試集新樣本的泛化能力。

4 結(jié) 語(yǔ)

本文采用開源的HKPU-FKP指關(guān)節(jié)紋數(shù)據(jù)集，針對(duì)設(shè)計(jì)一個(gè)深度為9層的卷積神經(jīng)網(wǎng)絡(luò)模型存在一定過擬合現(xiàn)象，優(yōu)化改進(jìn)網(wǎng)絡(luò)模型的結(jié)構(gòu)，并通過編譯訓(xùn)練后，分析實(shí)驗(yàn)結(jié)果。優(yōu)化后的網(wǎng)絡(luò)模型起到了抑制過擬合的效果，并提高了在測(cè)試集未知數(shù)據(jù)上的準(zhǔn)確率，增強(qiáng)了網(wǎng)絡(luò)模型的泛化能力。

（1）對(duì)指關(guān)節(jié)紋圖像進(jìn)行預(yù)處理，減小輸入數(shù)據(jù)的大小，縮短訓(xùn)練時(shí)間，有利于紋理特征的提取和對(duì)網(wǎng)絡(luò)過擬合的抑制作用。

（2）在原網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，全連接層后添加dropout層，抑制過擬合現(xiàn)象，提高該網(wǎng)絡(luò)模型泛化能力；全連接層上使用L2正則化與參數(shù)放棄法融合，限制FC1，F(xiàn)C2全連接層的權(quán)重參數(shù)規(guī)模的同時(shí)放棄驗(yàn)證誤差增大的參數(shù)，避免網(wǎng)絡(luò)神經(jīng)元過度學(xué)習(xí)，達(dá)到抑制網(wǎng)絡(luò)模型過擬合的目的；在卷積層、全連接層之后添加一層批標(biāo)準(zhǔn)化層（BN），為下一層的輸入數(shù)據(jù)做好歸一化處理。

（3）提出的參數(shù)放棄法，訓(xùn)練網(wǎng)絡(luò)時(shí)，不僅有訓(xùn)練集數(shù)據(jù)，還加入了測(cè)試集數(shù)據(jù)，添加測(cè)試集數(shù)據(jù)之后，可以在訓(xùn)練過程中，根據(jù)網(wǎng)絡(luò)模型在測(cè)試集上的表現(xiàn)，及時(shí)停止網(wǎng)絡(luò)過擬合，提高訓(xùn)練速度和泛化能力。

（4）本實(shí)驗(yàn)結(jié)果可以提高該生物特征的安全性。

（5）與其他生物特征相比，指關(guān)節(jié)紋特征具有表現(xiàn)穩(wěn)定、便于采集、易與手形其他特征進(jìn)行融合，相比于人臉、聲音等生物特征涉及隱私較小，人們更易于接受。

在基礎(chǔ)研究領(lǐng)域，包括一些應(yīng)用科技領(lǐng)域，要尊重科學(xué)研究靈感瞬間性、方式隨意性、路徑不確定性的特點(diǎn)，允許科學(xué)家自由暢想、大膽假設(shè)、認(rèn)真求證。不要以出成果的名義干涉科學(xué)家的研究，不要用死板的制度約束科學(xué)家的研究活動(dòng)。很多科學(xué)研究要著眼長(zhǎng)遠(yuǎn)，不能急功近利，欲速則不達(dá)。

——2016年5月30日，習(xí)近平在全國(guó)科技創(chuàng)新大會(huì)上的講話