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

1、基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈圖像識別摘要:針對手掌靜脈圖像數(shù)量少且質(zhì)量參差不齊，進(jìn)而導(dǎo)致掌脈識別系統(tǒng)的性能降低的現(xiàn)象，提出一種基于側(cè)鏈 連接卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈圖像識別方法。首先，在ResNet模型的基礎(chǔ)上，用卷積層和池化層提取掌脈特征。然 后，采用指數(shù)線性單元（ELU）激活函數(shù)、批歸一化（BN）和Dropout技術(shù)來改進(jìn)和優(yōu)化模型，以緩解梯度消失、防止過擬 合、加快收斂及增強(qiáng)模型泛化能力。最后，引入稠密連接網(wǎng)絡(luò)（DenseNet）,使提取到的手掌靜脈特征更具豐富性和有 效性。在兩個公開庫和一個自建庫上分別進(jìn)行實(shí)驗(yàn)，結(jié)果表明所提方法在三個數(shù)據(jù)庫上的識別率分別為99.98%、 97. 9

2、5%、97. 96%?？梢娫摲椒苡行岣哒泼}識別系統(tǒng)的性能，且更適用于掌脈識別的實(shí)際應(yīng)用。關(guān)鍵詞：手掌靜脈識別；ResNet;指數(shù)線性單元激活函數(shù);批歸一化;Dropout;稠密連接網(wǎng)絡(luò)Palm vein image recognition based on side chain connected convolution neural networkAbstract： To overcome the performance degradation of palm vein recognition system due to the small quantity and the uneven

3、 quality of palm vein images， a palm vein image recognition method based on side chain connected convolutional neural network was proposed. Firstly，palm vein features were extracted by convolution layer and pooling layer based on ResNet model. Secondly，the Exponential Linear Unit(ELU)activation func

4、tion，Batch Normalization(BN)and Dropout technology were used to improve and optimize the model，so as to alleviate gradient disappear，prevent over fitting，speed up convergence and enhance the generalization ability of the model. Finally， Densely Connected Network (DenseNet) was introduced to make the

5、 extracted palm vein features more abundant and effective. Experimental results on two public databases and one self-built database show that， the recognition rates of the proposed method on the three databases are 99. 98%，97. 95%，97. 96% respectively，indicating that the proposed method can effectiv

6、ely improve the performance of palm vein recognition system，and is more suitable for the practical applications of palm vein recognition .Key words: palm vein recognition; ResNet; Exponential Linear Unit (ELU) activation function; Batch Normalization (BN); Dropout; Densely Connected Network (DenseNe

7、t)0引言隨著社會的發(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，人們對個人身份識別技術(shù)的要求也越來越高。 密碼、磁卡等傳統(tǒng)的身份識別認(rèn)證方式由于存在丟失、復(fù)制和 被盜用的風(fēng)險，已經(jīng)不能滿足當(dāng)前人們的需要，由此，基于生 物特征的身份識別技術(shù)應(yīng)運(yùn)而生E。生物特征（包括顯性生 物特征和隱性生物特征）識別技術(shù)是根據(jù)人們的生理或行為 特征進(jìn)行識別的技術(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。生物特征識別主要包 括步態(tài)、人臉、掌紋、指紋等顯性特征識別，以及聲音、虹膜等 隱性特征識別。步態(tài)識別簡單易行，但易被模仿，安全性較 差。聲音識別簡單便捷，但有被錄音竊取的風(fēng)險，

8、安全隱患較 大。人臉識別具有較好的特征多樣性和唯一性，識別效果好, 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。虹膜識別具有較高的安 全性、穩(wěn)定性和唯一性，但識別裝置成本昂貴,不適用于普通 的大眾場所,應(yīng)用的廣泛性和普遍性受到極大的限制。手掌 靜脈識別，是根據(jù)手掌靜脈特征進(jìn)行識別的技術(shù)，是生物特征 識別領(lǐng)域的一種新型識別技術(shù)。手掌靜脈（以下簡稱“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，

9、比人臉識別更穩(wěn)定，比掌紋、指紋識別更安全，比虹膜識別更具應(yīng)用的普遍性口。目前,掌脈識別的研究受到廣大研究學(xué)者的關(guān)注，傳統(tǒng)的 掌脈識別大致分為三類: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 方圖旬、尺度不變特征變換河、二維密度函數(shù)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 Gabor濾波器Radon變換9、小波變換101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,

10、并在這個子空間中提取特征。主要方法有主成分分析11 、 線性判別分析心、局部保持投影司等。雖然傳統(tǒng)的識別方法已經(jīng)取得了較好的識別效果，但其 識別過程較為復(fù)雜,往往需要人工干涉。人工設(shè)計提取的圖 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)行掌脈圖像識別已經(jīng)成為研究重點(diǎn)J 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)計特征，在圖像分類、圖像分割和目標(biāo)檢測等領(lǐng)域已經(jīng)取 得了較好的成績。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

11、，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)量相對較少，圖像質(zhì) 量也相對較差。針對上述問題，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

12、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

13、泛應(yīng)用于圖像分類識別領(lǐng)域。殘差模塊的結(jié)構(gòu)如 圖1所示。對于一個由若干層堆積的網(wǎng)絡(luò)結(jié)構(gòu)而言，當(dāng)輸入數(shù)據(jù)為 X時，學(xué)習(xí)的特征記為H (X),規(guī)定在獲得H (X)的同時，通過 線性變換和激活函數(shù)得到殘差：F (X) = H (X) - X這樣，實(shí)際學(xué)習(xí)到的特征為：Hfin我(X ) = F (X) + X(2)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 (X ) 0,網(wǎng)絡(luò)總能學(xué)到新的特征，從而 保證反向傳播時的梯度傳遞，消除網(wǎng)絡(luò)退化和梯度消失 問題。| Conv|ReLu fConvI F(X)+X|

14、I F(X)+X +H-ReLu圖1殘差模塊Fig. 1 Residual block1.2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 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 算

15、速度，可當(dāng)作對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l(xiāng)61o掌脈圖像通常將紋理特征用于特征 識別，有些不同個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)，顯著提高掌脈識別系統(tǒng)的性能，使模型更 適用于掌脈識別的實(shí)時應(yīng)用，本文采用小卷積核殘差網(wǎng)絡(luò) (Small convolution Kernel Residual Network, SK-ResNet)對手 掌靜脈圖像進(jìn)行有效識別，選擇3x3的卷積核進(jìn)行實(shí)驗(yàn)

16、。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3x 3,剩余卷積層的卷積核大小也設(shè)置為3x 3,并 疊加足夠的卷積層彌補(bǔ)小卷積核對感受野帶來的影響。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，將其簡化成8 層，大大減少了模型參數(shù),節(jié)省了存儲空間和運(yùn)行時間，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 u

17、nit, ReLu)激活函數(shù)，ReLu 計算簡單，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)計算式如下:x， x 0 ReLu (x ) = |o, x WO由式(3)可見，當(dāng)x取值為1時，會在梯度過小時,導(dǎo)致梯 度消失；當(dāng)x取值小于等于0時，隨著訓(xùn)練的進(jìn)行，會出現(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-ResNetELU激活函數(shù)l7，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對輸入變化或 噪聲的魯棒性更好。ELU的輸出均值接近于0元凋亡現(xiàn)象

18、，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-ResNetx，x 0EL (x)= , x WO將激活函數(shù)用ELU代替ReLu,彌補(bǔ)了 ReLu的不足，同時 盡量保持了 ReLu的單側(cè)抑制優(yōu)勢，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。|Conv|Conv|ELU | ConV|圖3改進(jìn)后的殘差模塊Fig. 3 Improvedresidual block1. 4 L2正則化和Dropout技術(shù)批歸一化(BN)lsl，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

19、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|91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

20、提取的特征都相當(dāng)于對輸入數(shù)據(jù)的一個非線性變換。因 此，隨著網(wǎng)絡(luò)的加深，會增加變換的復(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：X1= H ( X0，X,-,Xl-1)(5)其中，X0，X1，“,X,_1

21、表示第0,1,“,Z- 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，當(dāng)特征圖 的大小發(fā)生改變時，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 ofDenseNet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

22、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。引?(a)殘差連接(b)稠密連接圖5網(wǎng)絡(luò)跨層連接Fig. 5 Network cross-layerconnection1.6基于側(cè)鏈連接卷積神經(jīng)網(wǎng)絡(luò)針對掌脈數(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)計新的結(jié)構(gòu)，并用此模型對掌脈圖像進(jìn)行分類 識別。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 (Resi

23、dual dense block)提取特征，按圖中連接依次傳輸，最后 對特征進(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。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

24、,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卷積層,能加強(qiáng)所提特征的豐 富性和有效性。Fig. 6 Network structure of proposed method2實(shí)驗(yàn)與結(jié)果分析2. 1數(shù)據(jù)庫與運(yùn)行環(huán)境為定量評價本文識別方法,分別對兩個公開數(shù)據(jù)庫和一 個自建數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)。兩個公開數(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，

25、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，但會受光照等采集環(huán)境的影響，圖像質(zhì)量低。采集 300個學(xué)生的左右手各6幅，共3 600幅圖像，采集裝置2|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 acquisitiondevice for self-built database為更好地訓(xùn)練模型的性能,對現(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 圖像進(jìn)行旋轉(zhuǎn)變化,旋轉(zhuǎn)角度分別為：-5。、-1

26、0。、5。、10。，即每 幅圖像由1幅擴(kuò)充為5幅。為更好地測試模型的識別效果，將 數(shù)據(jù)庫按照類別劃分為訓(xùn)練集和測試集，每類的前4幅及其 擴(kuò)充圖像為訓(xùn)練集，剩余圖像為測試集，從而保證訓(xùn)練集與測 試集互不相交。實(shí)驗(yàn)的運(yùn)行環(huán)境如下：Tensorflow2. 20rc, Matlab R2019b DeepLearning toolboxo 硬件平臺為：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性能評價指標(biāo)在掌脈圖

27、像識別模型的評價中，主要采用正確識別率 (Correct Recognition Rate, CRR)來衡量系統(tǒng)性能。CRR是正 確識別比率，是正確識別的次數(shù)與識別的總次數(shù)的比值。識 別系統(tǒng)的算法性能越好,CRR值越大，計算式為：VCCRR = -x 100%(6)VS其中：Vc表示正確識別的次數(shù);Vs表示識別的總次數(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 脈識別。分別在各掌脈數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn),計算識別率

28、，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 值對識別率的影響，由表1可知，當(dāng)ELU的取值為1時，模型 在三個數(shù)據(jù)庫上的識別效果達(dá)到最優(yōu)。由此可見,ELU激活 函數(shù)對梯度消失現(xiàn)象有一定的緩解作用，使模型的識別效果 進(jìn)一步提高。表1不同ELU值對CRR的影響Tab. 1 Effects of different ELU values on CRRELU值識別率/%PolyUCASIA自建庫0. 195. 0256. 4066. 330. 293. 5072. 6076. 630. 392. 9264. 5080.

29、150.493. 4449. 6578. 680. 595. 6460. 4575. 870. 693. 4846. 9074. 800. 795. 3242. 6066. 270. 895. 1455. 5577. 880.992. 1464. 3582. 401.096. 8473. 1584. 472. 3. 2 Dropout 實(shí)驗(yàn)為了找到對掌脈數(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 脈識別。分別對各掌脈數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，計算識別率，以此判 斷D

30、ropout技術(shù)緩解過擬合的效果。Dropout中p表示每個節(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取值對識別率的影響。由表2可以看 出，當(dāng)Dropout的取值為0. 1時，在三個數(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，提高了模型的識別率。 2.4對比分析為了定量評價本文識別方法的識別效果，將本文方法與 目前識別效果較好的幾種傳統(tǒng)識別方法以及幾種典型的網(wǎng)絡(luò)識別效果。模型進(jìn)行比較。其中：Qiu等5采用多方向的Gabor濾波器， 提取靜脈的尺度及方向信息，進(jìn)行靜脈識別，計算識別率； 婁夢瑩等。口采用Gauss-Radon變換進(jìn)行掌脈識別，構(gòu)建6個方 向的鄰域模板，提取掌脈方向特征從而進(jìn)行識別。針對目前 的幾種典型的網(wǎng)絡(luò)模型，利用AlexNet網(wǎng)絡(luò)241、GoogleNet網(wǎng) 絡(luò)5分別對掌脈圖像進(jìn)行識別，并對ResNet模型不斷改進(jìn)， 將逐步改進(jìn)實(shí)驗(yàn)用于掌脈識別，依次記錄SK-ResNet.SK- ResNet+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。 不同識別方法的識別效果如表3所示。由表3可知，針對圖像 質(zhì)量不一的小樣本掌脈數(shù)據(jù)庫，與其他識別方法相比，本文基 于