(北方工業(yè)大學(xué) 信息與通信工程學(xué)院，北京 100144)

0 引言

人類視覺感知與記憶、注意和其他視覺感知通道緊密交互，形成人類視覺感知神經(jīng)機(jī)制[1]。人類的視覺注意力是指在觀察場(chǎng)景時(shí)，通過全局觀察，將注意力集中在重點(diǎn)想要關(guān)注的區(qū)域，對(duì)這一區(qū)域進(jìn)行更多的視覺感知處理，得到所需要關(guān)注的細(xì)節(jié)信息，不重要的信息不做細(xì)節(jié)觀察。模擬人類的視覺感知機(jī)制搭建神經(jīng)網(wǎng)絡(luò)模型，在圖像分類、物體檢測(cè)、語(yǔ)音識(shí)別等領(lǐng)域有重要研究意義。

以往視覺注意力的研究一般基于低級(jí)的圖像特征和自底向上的過程[2]，應(yīng)用生成顯著圖像算法，對(duì)一幅輸入圖像提取顏色、亮度、方向等特征，然后在每個(gè)特征上生成關(guān)注圖，最終融合這些關(guān)注圖為顯著圖[3]?；陲@著圖的方法會(huì)對(duì)圖像的每一個(gè)像素點(diǎn)設(shè)置顯著值，從而對(duì)顯著值高的點(diǎn)更加關(guān)注，抑制顯著值低的點(diǎn)。該方法在圖像發(fā)生旋轉(zhuǎn)，平移或者尺度等變化時(shí)，顯著圖也隨之改變，因此在旋轉(zhuǎn)、平移變化下沒有很好的魯棒性。

本文將人類視覺注意力處理過程當(dāng)成一個(gè)策略控制任務(wù)，經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)無(wú)監(jiān)督訓(xùn)練，不斷的尋求聚集點(diǎn)，動(dòng)態(tài)輸出全部的局部ROI圖像，基于這些ROI圖像進(jìn)行特征提取并分類輸出?；谧⒁饬C(jī)制循環(huán)神經(jīng)網(wǎng)絡(luò)模型的手背靜脈識(shí)別方法，在每一時(shí)刻依次輸入不同的聚焦點(diǎn)的局部ROI手背靜脈圖像，同時(shí)以該區(qū)域?yàn)橹行?，截取不同尺度的手背靜脈區(qū)域，完成從局部到整體的手背靜脈信息表達(dá)。應(yīng)用強(qiáng)化學(xué)習(xí)中的策略學(xué)習(xí)機(jī)制[4]對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。循環(huán)神經(jīng)網(wǎng)絡(luò)中每一時(shí)刻的輸入不僅與當(dāng)前輸入的局部區(qū)域有關(guān)，也與上一時(shí)刻輸出有關(guān)，保證了手背靜脈紋理的關(guān)聯(lián)性。該方法下的手背靜脈特征識(shí)別，有效抑制圖像對(duì)旋轉(zhuǎn)、平移、尺度敏感問題，實(shí)驗(yàn)驗(yàn)證該方法下的手背靜脈身份研究在旋轉(zhuǎn)、平移變化下有很好的魯棒性。

1 基于注意力的循環(huán)神經(jīng)網(wǎng)絡(luò)模型

1.1 手背靜脈圖像采集設(shè)備及多形態(tài)手背靜脈數(shù)據(jù)庫(kù)的搭建

本文采用近紅外手背靜脈圖像采集設(shè)備，由光源部分，采集部分以及外圍部分組成，其中，光源部分由近紅外濾光片，LED陣列和均光片等組成，外觀及內(nèi)部結(jié)構(gòu)圖如圖1所示。本文研究在旋轉(zhuǎn)、平移變化下的手背靜脈識(shí)別，允許被采集者在采集過程中手背有輕微的移動(dòng)變化，對(duì)被采集者的采集姿勢(shì)，采集角度和采集區(qū)域不做約束，所采集到的圖像與正常的手背靜脈圖像相比，會(huì)產(chǎn)生尺度、平移、旋轉(zhuǎn)等差異。在該條件下，本文建立了多形態(tài)變化的手背靜脈數(shù)據(jù)庫(kù)。50位受采集者，分別在不同的時(shí)間段采集手背靜脈圖像，采集時(shí)允許有旋轉(zhuǎn)，平移等變化，同時(shí)在不同時(shí)間進(jìn)行采集，光照，對(duì)比度也會(huì)產(chǎn)生細(xì)微差異，在該情況下，本文建立弱約束多形態(tài)的手背靜脈數(shù)據(jù)庫(kù)，采集的手背靜脈原始圖像如圖2(a)所示。對(duì)該原始數(shù)據(jù)進(jìn)行預(yù)處理及紋理分割，建立了多形態(tài)的手背靜脈圖像數(shù)據(jù)庫(kù)，如圖2(b)所示。

1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型

本文以時(shí)間序列輸入不同聚焦點(diǎn)的手背靜脈局部ROI區(qū)域，并增量地組合以往的局部關(guān)注信息，建立整個(gè)手背圖像的動(dòng)態(tài)內(nèi)部表示，最終完成序列化的手背局部區(qū)域表達(dá)[5]。不同時(shí)刻的ROI區(qū)域由循環(huán)神經(jīng)網(wǎng)絡(luò)隱藏層決策，根據(jù)當(dāng)前隱藏層的狀態(tài)產(chǎn)生概率分布，為下一時(shí)刻提供決策，同時(shí)該隱藏層循環(huán)作為下一時(shí)刻隱藏層的輸入，最后隱藏層的輸出經(jīng)過softmax概率計(jì)算，分類輸出。訓(xùn)練過程中對(duì)當(dāng)前的決策給出相應(yīng)的獎(jiǎng)勵(lì)，使用反向傳播算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)，用強(qiáng)化學(xué)習(xí)中的策略梯度尋求使獎(jiǎng)勵(lì)值最高的策略，模型結(jié)構(gòu)如圖3所示。

圖3 循環(huán)注意力網(wǎng)絡(luò)模型

該模型包含局部ROI的生成模塊，注意力傳感器網(wǎng)絡(luò)模塊，循環(huán)神經(jīng)網(wǎng)絡(luò)模塊，聚焦點(diǎn)決策模塊，獎(jiǎng)勵(lì)機(jī)制模塊。具體過程如下。

步驟1：局部ROI的生成。該模塊以聚焦點(diǎn)坐標(biāo)為中心，以不同的帶寬采集子圖，得到多尺度的手背靜脈區(qū)域圖像[6]，通過下采樣對(duì)尺度歸一化處理，獲得相同尺度的局部手背靜脈圖像，生成一組的觀測(cè)區(qū)域圖像ρ(xt,lt)，如圖4所示。其中初始位置坐標(biāo)(l0)通過ROI區(qū)域質(zhì)心法選取，坐標(biāo)為ROI區(qū)域中心位置，下一時(shí)刻位置lt由網(wǎng)絡(luò)循環(huán)決策產(chǎn)生。

圖4 生成局部ROI圖像

圖5 注意力傳感器網(wǎng)絡(luò)的特征提取過程

步驟3：循環(huán)神經(jīng)網(wǎng)絡(luò)。該模型的輸入由注意力傳感器網(wǎng)絡(luò)輸出的特征向量fg(θg)和上一時(shí)刻隱藏層的輸出ht-1共同決定，對(duì)圖像及聚焦點(diǎn)位置特征進(jìn)行提取。隱藏單元通過式(1)對(duì)網(wǎng)絡(luò)進(jìn)行迭代更新，θh為隱藏層ht的線性回歸計(jì)算。在t時(shí)刻對(duì)隱藏層節(jié)點(diǎn)ht進(jìn)行強(qiáng)化學(xué)習(xí)策略決策，同時(shí)作為下一時(shí)刻的輸入，傳遞給循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏單元，結(jié)構(gòu)圖如6所示。

ht=fh(ht-1,fg(t-1);θh)

(1)

圖6 循環(huán)神經(jīng)網(wǎng)絡(luò)模型

步驟4：聚焦點(diǎn)決策過程。循環(huán)神經(jīng)網(wǎng)絡(luò)在t時(shí)刻，將隱藏層的輸出ht向圖像坐標(biāo)空間映射，得到ht與位置坐標(biāo)lt的線性回歸模型fl(ht;θlt)，在該模型條件下，對(duì)位置進(jìn)行采樣，lt服從l～p(l|fl(ht;θlt))的條件分布，輸出最大概率的即為t+1時(shí)刻的位置lt+1，如圖7所示。

圖7 位置決策過程

步驟5：獎(jiǎng)勵(lì)機(jī)制。為強(qiáng)化學(xué)習(xí)的訓(xùn)練過程，循環(huán)注意力網(wǎng)絡(luò)尋找到最后時(shí)刻的位置后，網(wǎng)絡(luò)輸出層進(jìn)行概率計(jì)算，輸出分類結(jié)果，同時(shí)將預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行計(jì)算，得到一個(gè)獎(jiǎng)勵(lì)信號(hào)rt。在時(shí)刻t，當(dāng)分類正確則獎(jiǎng)勵(lì)值加1，分類的最終目標(biāo)就是使獎(jiǎng)勵(lì)信號(hào)的總和最大化，公式如(2)所示。本文的循環(huán)注意力網(wǎng)絡(luò)是馬爾可夫決策的過程，通過對(duì)位置和動(dòng)作在時(shí)間序列上的策略學(xué)習(xí)，將歷史時(shí)刻與環(huán)境交互的過程映射成關(guān)于當(dāng)前位置決策的概率分布，通過反向傳播算法，結(jié)合策略梯度下降算法進(jìn)行參數(shù)更新，使網(wǎng)絡(luò)更新的方向更加接近正向的獎(jiǎng)勵(lì)。

(2)

2 局部關(guān)注圖像的生成

2.1 聚焦點(diǎn)的決策

聚焦點(diǎn)的位置決定了局部手背靜脈圖像的截取位置，因此聚焦點(diǎn)的選取集中在手背靜脈ROI區(qū)域，聚焦到ROI區(qū)域外會(huì)降低識(shí)別率[7]。

由于條件分布決策下的聚焦點(diǎn)沒有考慮到樣本的隨機(jī)性，不同位置的局部手背靜脈圖像差異明顯，所以本文針對(duì)手背靜脈圖像對(duì)聚焦點(diǎn)決策過程進(jìn)行優(yōu)化，通過增加正態(tài)分布的噪聲對(duì)決策位置lt+1進(jìn)行調(diào)整，以決策位置lt+1為初始值，噪聲服從均值μ=0，標(biāo)準(zhǔn)差參數(shù)σ2的高斯分布，采樣結(jié)果為噪聲微調(diào)后的決策位置lt+1，公式如(3)所示。

(3)

2.2 聚焦點(diǎn)的個(gè)數(shù)

循環(huán)神經(jīng)網(wǎng)絡(luò)的每次循環(huán)會(huì)決策出下一時(shí)刻的聚焦點(diǎn)，該聚焦點(diǎn)作為下一時(shí)刻的輸入進(jìn)行網(wǎng)絡(luò)的循環(huán)。因此，循環(huán)神經(jīng)網(wǎng)絡(luò)的循環(huán)次數(shù)決定了網(wǎng)絡(luò)的聚焦點(diǎn)個(gè)數(shù)[8]。聚集點(diǎn)過少不能完全的顯示手背靜脈的ROI區(qū)域，聚焦點(diǎn)過多，網(wǎng)絡(luò)訓(xùn)練會(huì)產(chǎn)生過擬合現(xiàn)象。因此，本文通過實(shí)驗(yàn)對(duì)聚焦點(diǎn)的個(gè)數(shù)進(jìn)行選取，結(jié)果見3.2小節(jié)。

2.3 局部圖像多尺度的選擇

在確定聚焦點(diǎn)后，以聚焦點(diǎn)為中心，截取多尺度的局部ROI區(qū)域，將該區(qū)域作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練。截取的ROI區(qū)域應(yīng)該包含不同尺度下的手背靜脈的局部紋理信息[9]。在手背靜脈圖像中，截取三個(gè)不同尺度的ROI區(qū)域。第一個(gè)尺度為小尺度，該尺度下截取的為局部細(xì)節(jié)紋理區(qū)域，對(duì)細(xì)節(jié)特征進(jìn)行描述。第二個(gè)尺度進(jìn)行21放大，對(duì)關(guān)聯(lián)的局部紋理信息進(jìn)行描述。第三個(gè)尺度進(jìn)行22放大，描述更多的局部紋理信息。通過三個(gè)尺度截取的ROI區(qū)域，循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練不同聚焦點(diǎn)的局部ROI區(qū)域之間的序列關(guān)聯(lián)性，完成了手背靜脈從局部細(xì)節(jié)到整體圖像的ROI區(qū)域描述。

2.4 梯度更新算法

本文中的循環(huán)注意力網(wǎng)絡(luò)對(duì)t時(shí)刻隱藏層的輸出進(jìn)行獎(jiǎng)勵(lì)值計(jì)算，根據(jù)獎(jiǎng)勵(lì)值進(jìn)行網(wǎng)絡(luò)參數(shù)更新，反向傳播時(shí)對(duì)位置決策進(jìn)行梯度更新，而位置決策的過程不可導(dǎo)，找到目標(biāo)函數(shù)無(wú)法進(jìn)行求導(dǎo)，所以引入了強(qiáng)化學(xué)習(xí)對(duì)位置決策的過程進(jìn)行梯度計(jì)算，樣本的梯度逼近如下(4)所示。

(4)

其中:p(s1:T;θ)為當(dāng)前環(huán)境狀態(tài)下決策序列s1:T的分布，R為獎(jiǎng)勵(lì)值函數(shù)。

為使獎(jiǎng)勵(lì)值R最大化，需要找到最優(yōu)參數(shù)θ，使得樣本梯度J(θ)最大化。樣本梯度函數(shù)▽(J(θ))含有連續(xù)的決策序列s1:T，本文采用強(qiáng)化學(xué)習(xí)樣本近似的方法來逼近梯度，如式(5)所示。

(5)

通過反向傳播算法計(jì)算網(wǎng)絡(luò)梯度，調(diào)整網(wǎng)絡(luò)的參數(shù)θ，使得能夠提升獎(jiǎng)勵(lì)值的決策概率變大。

本文的手背靜脈身份識(shí)別屬于分類識(shí)別任務(wù)，神經(jīng)網(wǎng)絡(luò)的輸出層采用softmax激活函數(shù)，輸出概率最大值為當(dāng)前分類結(jié)果的預(yù)測(cè)值。采用交叉熵?fù)p失函數(shù)對(duì)預(yù)測(cè)值進(jìn)行誤差估計(jì)。在本文中我們不僅將真實(shí)值與網(wǎng)絡(luò)預(yù)測(cè)值進(jìn)行誤差計(jì)算，同時(shí)將網(wǎng)絡(luò)決策的位置和獎(jiǎng)勵(lì)值進(jìn)行誤差計(jì)算，式(6)為網(wǎng)絡(luò)優(yōu)化的交叉熵?fù)p失函數(shù)。

C=-∑i(yilnαi+Rilnli)

(6)

式中,yi表示分類的真實(shí)值，αi為網(wǎng)絡(luò)的預(yù)測(cè)值；Ri為網(wǎng)絡(luò)決策下的累積獎(jiǎng)勵(lì)值，li為網(wǎng)絡(luò)的位置決策。

C′=-∑i(yilnai+(Ri-b)lnli)

(7)

本文采用最優(yōu)化的交叉熵?fù)p失函數(shù)進(jìn)行反向傳播算法，優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)和局部圖像特征提取網(wǎng)絡(luò)的參數(shù)，網(wǎng)絡(luò)決策尋求聚焦點(diǎn)的過程由式(5)所示的強(qiáng)化學(xué)習(xí)梯度更新策略。

3 實(shí)驗(yàn)過程與結(jié)果

3.1 聚焦點(diǎn)的決策

在循環(huán)神經(jīng)網(wǎng)絡(luò)中，每一時(shí)刻輸入一個(gè)位置，該位置為注意力機(jī)制中的聚焦點(diǎn)。本文通過增加正態(tài)分布的噪聲對(duì)位置進(jìn)行調(diào)整，正態(tài)分布服從均值μ=0，標(biāo)準(zhǔn)差為σ2。本文在迭代次數(shù)為370的情況下，對(duì)不加噪聲和加正態(tài)分布噪聲進(jìn)行實(shí)驗(yàn)，將不同實(shí)驗(yàn)決策的聚焦點(diǎn)作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行訓(xùn)練分類，得到的獎(jiǎng)勵(lì)值的實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同標(biāo)準(zhǔn)差的手背靜脈獎(jiǎng)勵(lì)值(均值μ=0)

由實(shí)驗(yàn)結(jié)果可知，當(dāng)聚焦點(diǎn)不加噪聲時(shí)，不同時(shí)刻的聚焦點(diǎn)之間的距離差異不明顯，不能聚焦到完全的手背靜脈圖像，所以獎(jiǎng)勵(lì)值較低，結(jié)果為0.89；加入標(biāo)準(zhǔn)差后，獎(jiǎng)勵(lì)值增大。當(dāng)標(biāo)準(zhǔn)差為0.20時(shí)，獎(jiǎng)勵(lì)值最大，為0.95。當(dāng)標(biāo)準(zhǔn)差大于0.22時(shí)，各聚焦點(diǎn)之間的距離過大，導(dǎo)致最后的聚焦點(diǎn)溢出手背靜脈圖像，從而導(dǎo)致獎(jiǎng)勵(lì)值下降。因此本文的聚焦點(diǎn)服從均值μ=0，標(biāo)準(zhǔn)差為0.20的正態(tài)分布，該參數(shù)下的網(wǎng)絡(luò)獎(jiǎng)勵(lì)值達(dá)到0.95。

3.2 聚焦點(diǎn)的個(gè)數(shù)

我們?cè)诓煌瑫r(shí)刻尋找不同的注意力聚焦點(diǎn)，聚焦點(diǎn)的個(gè)數(shù)由網(wǎng)絡(luò)循環(huán)的層數(shù)決定。網(wǎng)絡(luò)每一時(shí)刻的循環(huán)會(huì)決策出下一時(shí)刻的聚焦點(diǎn)，因此，網(wǎng)絡(luò)循環(huán)的層數(shù)就是注意力機(jī)制中聚焦點(diǎn)的個(gè)數(shù)。本文在加均值μ=0，標(biāo)準(zhǔn)差為0.20正態(tài)分布噪聲的情況下，對(duì)網(wǎng)絡(luò)層數(shù)進(jìn)行設(shè)定，不同層數(shù)的實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同聚焦點(diǎn)個(gè)數(shù)的手背靜脈獎(jiǎng)勵(lì)值

由實(shí)驗(yàn)可知，隨著隱藏層層數(shù)增加，網(wǎng)絡(luò)的獎(jiǎng)勵(lì)值增大。當(dāng)隱藏層層數(shù)小于6時(shí)，網(wǎng)絡(luò)決策的聚焦點(diǎn)減少，過少的聚焦點(diǎn)不能完全的顯示出手背靜脈的整體信息。當(dāng)隱藏層層數(shù)為6時(shí)，獎(jiǎng)勵(lì)值最大，為0.97。當(dāng)隱藏層數(shù)大于6時(shí)，網(wǎng)絡(luò)決策的聚焦點(diǎn)過多，各聚焦點(diǎn)之間的差異不明顯，不能很好的學(xué)習(xí)到局部手背靜脈圖像之間的紋理聯(lián)系。文本選擇在隱藏層層數(shù)為6的情況下，對(duì)聚焦點(diǎn)進(jìn)行決策，網(wǎng)絡(luò)決策出6個(gè)完整描述手背靜脈局部紋理的聚焦點(diǎn)。

3.3 局部圖像多尺度的選擇

本文以當(dāng)前時(shí)刻的聚焦點(diǎn)為中心，按不同尺度截取3個(gè)矩形區(qū)域。定義第一個(gè)區(qū)域的圖像大小為ω*ω，第K(1

表3 不同尺度下的手背靜脈獎(jiǎng)勵(lì)值

由實(shí)驗(yàn)結(jié)果可知，當(dāng)網(wǎng)絡(luò)決策到聚焦點(diǎn)位置后，以該位置進(jìn)行局部區(qū)域的截取。當(dāng)截取的區(qū)域小時(shí)，提取到的信息不足，降低了網(wǎng)絡(luò)的獎(jiǎng)勵(lì)值。當(dāng)截取的區(qū)域過大或者包含全部手背靜脈圖像時(shí)，截取不同區(qū)域的圖像差別不大，循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的序列關(guān)聯(lián)性較小，因此代價(jià)值不穩(wěn)定。因此，本文選定區(qū)域大小為24*24,48*48,96*96，該情況下，獎(jiǎng)勵(lì)值最大，因此選擇該組帶寬截取局部區(qū)域圖像。

3.4 交叉熵?fù)p失函數(shù)更新

文本從每類數(shù)據(jù)中選擇1500張作為訓(xùn)練數(shù)據(jù)集，300張作為測(cè)試數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。手背靜脈圖像大小為128*128，.jpg格式的灰度圖像。

本文設(shè)定初始學(xué)習(xí)率為0.001，指數(shù)型衰減學(xué)習(xí)率。采用Adam優(yōu)化器對(duì)網(wǎng)絡(luò)的損失函數(shù)衰減優(yōu)化，將本文定義的交叉熵?fù)p失函數(shù)C和最優(yōu)化交叉熵?fù)p失函數(shù)進(jìn)行對(duì)比，不同迭代次數(shù)epoch和代價(jià)值cost的關(guān)系如圖8所示。

圖8 不同迭代次數(shù)下的代價(jià)值

如圖8可知，最優(yōu)化的交叉熵?fù)p失函數(shù)下，代價(jià)值收斂較快，當(dāng)?shù)螖?shù)為370時(shí)，網(wǎng)絡(luò)的代價(jià)值平緩且趨于0，因此本文實(shí)驗(yàn)選擇最優(yōu)化的交叉熵?fù)p失函數(shù)，迭代次數(shù)確定為370，進(jìn)行訓(xùn)練。

3.5 對(duì)比實(shí)驗(yàn)

本文在選取6個(gè)聚焦點(diǎn)，并服從均值，標(biāo)準(zhǔn)差為0.20正態(tài)分布噪聲，局部ROI區(qū)域的三個(gè)尺度分別為24*24,48*48,96*96的情況下在測(cè)試集進(jìn)行驗(yàn)證，并且與傳統(tǒng)算子進(jìn)行對(duì)比，如LBP算子，SIFT特征描述子，識(shí)別率如表4所示。

表4 不同算法的手背靜脈識(shí)別率

傳統(tǒng)LBP算子用來描述圖像局部紋理特征，具有旋轉(zhuǎn)不變性。但當(dāng)圖像發(fā)生平移變化時(shí)，局部紋理發(fā)生改變。對(duì)各局部紋理特征之間的關(guān)系沒有描述，因此該方法下的識(shí)別率不高。SIFT特征描述子描述的是圖像的局部特征，對(duì)圖像上的每個(gè)像素進(jìn)行提取，增加了計(jì)算的復(fù)雜度和工作量[10]。并且提取的特征不具有平移不變性，在手背靜脈旋轉(zhuǎn)平移的情況下沒有很好的魯棒性。

在旋轉(zhuǎn)、平移變化的情況下，對(duì)手背靜脈的局部紋理特征進(jìn)行提取。應(yīng)用強(qiáng)化學(xué)習(xí)的方法不斷的尋求聚焦點(diǎn)，以聚焦點(diǎn)為中心提取圖像的局部紋理信息。應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練各局部區(qū)域之間的序列關(guān)系，決策下一時(shí)刻的聚焦點(diǎn)。該方法下的手背靜脈識(shí)別方法，各局部信息的紋理和位置關(guān)系具有不變性，因此在發(fā)生旋轉(zhuǎn)和平移變化時(shí)，要優(yōu)于傳統(tǒng)局部特征的提取算法，在多形態(tài)數(shù)據(jù)集下驗(yàn)證，手背靜脈圖像的識(shí)別率高達(dá)99.3%。

4 總結(jié)

本文針對(duì)手背靜脈圖像對(duì)旋轉(zhuǎn)和平移變換識(shí)別率不高的問題，提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的注意力模型。該模型下，手背靜脈圖像作為序列化的輸入送入循環(huán)神經(jīng)網(wǎng)絡(luò)中，以時(shí)間序列輸入不同聚焦點(diǎn)的局部手背靜脈ROI圖像，循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)不同時(shí)刻的局部特征進(jìn)行訓(xùn)練，從而完成從局部到整體的手背靜脈特征描述。在聚焦點(diǎn)的選取中，本文加入了正太分布的噪聲，使得聚焦點(diǎn)的選取更加完整的描述手背靜脈圖像。對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的層數(shù)進(jìn)行了參數(shù)確定，從而確定了決策聚焦點(diǎn)的個(gè)數(shù)。在局部ROI區(qū)域截取時(shí)，對(duì)局部區(qū)域進(jìn)行了三種尺度的約束，從而完成了從局部到整體的局部ROI區(qū)域的描述。應(yīng)用強(qiáng)化學(xué)習(xí)中的策略梯度下降法和最優(yōu)化的無(wú)偏估計(jì)交叉熵?fù)p失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得該方法下的網(wǎng)絡(luò)代價(jià)值下降最快，并且趨于穩(wěn)定。該方法下的手背靜脈身份識(shí)別，在圖像發(fā)生旋轉(zhuǎn)和平移變化時(shí)，聚焦點(diǎn)提取的局部紋理信息不會(huì)隨之改變，并且通過循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練各局部圖像之間的序列關(guān)系，對(duì)旋轉(zhuǎn)、平移變化不敏感。本文提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的注意力模型，在多形態(tài)手背靜脈數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，識(shí)別率高達(dá)99.3%，驗(yàn)證了本文方法對(duì)手背靜脈圖像的旋轉(zhuǎn)和平移變化具有很好的魯棒性。