一种具有自主学习能力的智能静脉认证方法和系统与流程

本发明涉及图像识别和处理技术领域，尤其涉及一种具有自主学习能力的智能静脉认证方法和系统

背景技术：

近年来，随着生物识别技术的快速发展，指纹认证方式已得到了广泛的应用。同时具有更高保密特性的虹膜、声音、人脸、掌静脉、指静脉等认证方式也越来越多的被采用。其中指静脉认证方式由于其保密性高、不可复制、认证方便、认证设备体积较小等优点，得到了更加广泛的应用。现有技术中手指静脉认证普遍采用各种图像分割算法从采集的手指图像中将静脉图像分离，形成静脉脉络的二值图像，再利用特征提取算法，从脉络二值图中提取个体静脉特征，最后利用特征识别算法比对认证样本和登记样本的特征，得到认证结果。这种事先固化算法的认证方法在实际应用中主要存在算法以外的认证准确性偏低、复杂算法对硬件要求高导致系统成本较高等问题。目前手指静脉认证应用中深度学习算法还存在以下几个问题，(1)应对动态分类方法不足。深度学习普遍使用训练数据通过监督学习方法训练模型。但实际应用中待识别分类的样本是动态增加的，只使用系统上线前监督学习过程中产生的参数，不能准确地识别所有新增待识别样本，影响新样本的识别准确性。(2)对学习数据数量要求高、学习时间长。深度学习模型比较复杂，参数寻优需要大量训练数据作支撑，同时还需要多次迭代才能完成训练。然而目前手指静脉样本数据既没有标准训练数据集，也没有足够数量的训练数据。(3)认证准确性还没达到精密水平。深度学习是基于模拟人类神经元系统、以替代人工完成学习和工作为目的的方法，其识别准确度可以超过人类达到百分比水平，但要达到认证设备这种精密度千分比的水平，特别是身份认证领域对错误接受率far(falseacceptancerate)的更高要求，还有很多技术难题需要解决。

技术实现要素：

根据现有技术存在的问题，本发明公开了一种具有自主学习能力的智能静脉认证方法和系统,在模型上线运行前首先利用现有样本生成训练数据实施首次全局训练，完成特征提取、识别、分类等所有参数的优化。模型上线运行后，利用新登记的样本反复进行局部训练，完成分类参数的再优化。登记样本到达指定数量或用户设定周期并且模型处于维护期间同时定期利用上线运行后积累的动态登记样本，再次进行一次全局训练，完成特征提取、特征识别、特征分类等所有参数的再优化。经过上述定期全局训练和不定期局部训练的结合，使全卷积神经网络的深度学习模型真正具备自主学习能力，利用动态登记样本不断训练，不断完善认证算法提高认证精度。另外本方法中在对样本图像处理过程中公开了一种归一化灰度处理、手指角度校正、手指位置校正和截取、脉络增强等一系列图像处理方法，使获得的样本图像更加清晰。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明具有自主学习能力的智能静脉认证系统的结构图；

图2为本发明具有自主学习能力的智能静脉认证方法的流程图；

图3为本发明的静脉认证系统的全局训练流程图；

图4为本发明的静脉认证系统的局部训练流程图；

图5为本发明的静脉认证系统的静脉认证流程图；

图6为本发明的静脉认证系统的图像处理流程图；

图7为本发明的静脉认证系统的手指轮廓识别示意图；

图8为本发明的静脉认证系统的手指位置校准及截取示意图；

图9为本发明的静脉认证系统的手指脉络增强效果示意图；

图10为本发明中全卷积神经网络的深度学习模型的结构图；

图11为本发明中实施例1的示意图；

图12为本发明中实施例2的示意图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图2-图10所示的一种具有自主学习能力的智能静脉认证方法，具体包括以下步骤：

s1：采集选取的多个样本的静脉图像信息，每个样本进行多次采集并进行序号标注；

s2：对采集到的样本信息进行静脉图像处理：采用归一化灰度处理、边界检查的手指轮廓识别、基于手指中线的角度校准、位置校正及截取、基于频率滤波的脉络加强的方法对静脉图像进行处理；

s3：对s2中经过图像处理形成的待训练数据进行左右角度旋转和周围方向平移的数据扩充和训练数据的分类标记；

s4：将标记后的训练数据输入至全卷积神经网络深度学习模型进行全数据迭代训练，根据系统状态分别进行全局训练直至模型的识别正确率达到训练要求为止，再对完成训练的全卷积神经网络深度学习模型进行局部训练，将训练产生的优化参数保存；

s5：利用s4所述的优化参数通过全卷积神经网络深度学习模型对新的静脉图像进行特征提取、特征识别和特征分类完成静脉图像的认证。

在全卷积神经网络深度学习模型运行前首先要利用已积累的手指静脉样本生成训练数据对系统进行一次全局训练，以完成特征提取、特征识别和分类的参数确定及优化。完成初次全局训练后，模型即可上线运行。当模型进行静脉登记后，利用登记样本生成局部训练数据对模型进行不定期的局部训练，以完成分类部分参数的进一步优化。当模型进行静脉认证时，利用全局和局部训练产生的优化参数，对待认证的图像进行特征提取、特征识别和分类，实现快速准确的静脉认证。经过一定次数反复后，该模型会积累一定数量的新登记样本。当在特定条件下例如：当积累新登记样本到达指定数量或到达用户指定周期后，并且模型处于用户设定的维护期间时，模型利用积累的动态登记样本，再次进行全局训练，完成特征提取、识别、分类等所有参数的再次优化。静脉认证时候系统通过所述定期全局训练和不定期局部训练相结合的反复训练，其中特征提取、识别和分类模型的参数将不断优化，认证效果也不断改善，形成一种具有自主学习能力的智能化认证系统。

对已采集到的样本输入全卷积神经网络深度学习模型进行一次全局训练，全局训练采用如下方式：

采集全局训练样本。全局训练样本m应至少100个，可以从每个受采集人员左右手的食指、中指和无名指采集。每个样本采集10次并进行标注。

对采集到的样本图像进行图像处理。采集的全局训练图像经过归一化灰度处理、手指中线的角度校准、位置校准及截取、脉络增强等图像处理，形成m×10个全局训练数据。

训练数据扩充：经图像处理形成的每个全局训练数据，再通过左右1～5度10个角度的旋转后，再向周围8个方向平移1mm的图像增强处理，可形成99个扩充后训练数据。全局训练的样本合计可达到m×990个。

训练数据分类标记：每个全局训练样本对应的990个数据进行分类标注，按照随机分配的原则，500个数据用于训练、490个数据用于训练测试。形成m类×500个训练用数据和m类×490个测试用数据。

将完成分类标记的训练数据随机排列后输入至全卷积神经网络深度学习模型，进行path＝1全数据迭代训练，直至模型的识别正确率达到训练要求为止。每完成100次训练，使用分类标记形成的m×490个测试数据，对模型的识别正确率进行检查。

对训练模型的正确率进行检查时采用如下方式：

利用交叉熵损失函数进行识别正确率检查，利用随机梯度下降法进行迭代收敛,使交叉熵损失最小。由于softmax分类模型可以定义为公式1,

其中、ak(x)为表示在像素位置x的特征通道k中的激活。k是分类数，pk(x)是近似极大值函数。即对于某类别k，最大激活pk(x)≈1，对于k以外类别，ak(x)和pk(x)≈0。交叉熵对各位置pl(x)(x)的偏差为公式2，

其中，l:ω→{1,…,k}为像素级的分类，为训练时设置的权重矩阵。利用形态运算计算边界条件，权重矩阵用公式3计算。

其中，为分类频次平衡值权重矩阵，代表最近的边界，代表次近的边界。本发明中w0＝10，σ≈5。

随机梯度下降法中损失函数j(θ)按照公式4计算，

其中，θ为参数、xⁱ、yⁱ为输出、n为训练数据个数、

每个训练样本的损失函数的对应梯度通过公式6计算,经过有限次迭代后梯度不断下降，得到最优参数。

优化参数：使用滑动平均模型，对全卷积神经网络深度学习模型的参数进行优化，模型识别正确率达到99.9％后，停止训练。滑动平均模型中使用影子参数(shadowvariable)对应每一个待更新训练的参数，利用公式7为影子参数赋初始值。

shadow_variable＝decay×shadow_variable+(1-decay)7

其中，decay控制着模型更新的速度，越大越趋于稳定。实际运用中，decay一般会设置为十分接近1的常数(0.99或0.999)。为了使得模型在训练的初始阶段更新得更快，通过公式(8)及num_updates参数来动态设置decay的大小。

将经过优化的所有全卷积神经网络深度学习模型的各层参数保存，以便局部训练时使用。

通过全局训练可以优化模型的特征提取、特征识别及分类的全部参数，使模型能够进行静脉图像的特征提取和初步的特征识别。为了使系统完成新的静脉图像的分类识别，还需要进行以下局部训练。

登记样本采集：静脉认证前需要进行登记样本采集，本系统利用登记样本进行局部训练。登记样本可以从登记人员左右手的食指、中指或无名指不同手指采集2次。

图像处理：采集的登记样本图像经过归一化灰度处理、手指角度校正、位置校准及截取、脉络增强等图像处理，形成2个局部训练数据。

训练数据扩充：经图像处理形成的每个局部训练数据，再通过左右1～5度的10个角度旋转，再向周围8个方向平移1mm的图像增强处理，可形成99个扩充训练数据。局部训练数据合计2×99＝198个。

训练数据分类标记：对局部训练数据进行分类标记，按照随机分配的原则，150个数据用于训练、48个数据用于训练测试。

导入优化参数：在进行局部训练时，首先从存储部导入全局训练时保存的优化参数。

使用训练数据分类标记形成的150个训练数据，随机排列后输入至全卷积神经网络深度学习模型进行path＝1全数据迭代训练，直至模型的识别正确率达到训练要求为止。每完成10次训练，使用训练数据分类标记形成的48个测试数据，对模型的识别率进行检查。

优化参数：使用滑动平均模型，对全卷积神经网络深度学习模型的参数进行优化，模式识别正确率达到99.9％后，停止训练。

经过优化的全卷积神经网络深度学习模型参数保存至存储部，以便认证时使用。

通过局部训练可以进一步优化模型的分类参数，以适应动态增加的分类样本，使模型能够进行新的静脉图像的特征提取和特征识别与分类。

静脉认证的具体实施流程如图5所示

进一步的，认证样本采集。静脉认证时需要从登记样本采集的2个手指中选择任意一个手指采集认证样本，每个样本采集1次。

图像处理：采集的认证样本图像经过归一化灰度处理、手指角度校正、位置校准及截取、脉络增强等图像处理，形成认证数据。

导入优化参数：在静脉认证实施前从存储部导入全局和局部训练时保存的优化参数。

特征提取及识别：全卷积神经网络深度学习模型利用导入优化参数中导入的优化参数，从图像处理中输出的认证数据中提取特征矩阵，对特征矩阵进行识别和分类处理，形成认证数据的分类向量。

输出认证结果：系统根据特征提取及识别中形成的分类向量及认证阀值，确认认证数据是否属于登记的样本类型，并输出认证通过或认证失败的认证结果。

前述的训练样本、登记样本、认证样本采集通过采集装置进行。采集装置具有采集引导功能，引导采集手指按正确的方向放入采集区。但这并不能保证所有样本按照相同的角度在相同的位置进行采集。同时由于个体的差异，摄像部采集的图像亮度也会因人而异。为了消除这些影响认证精度的因素，需要对采集的静脉图像进行图像处理。

图像处理具体实施流程如图6所示：

图片灰度处理；利用加权平均法将摄像部采集的静脉图像进行归一化灰度处理，得到静脉图像的灰度图。

手指外轮廓识别:利用图片灰度处理得到的静脉灰度图像，通过以下边界检查方法获得手指轮廓。利用公式9和公式10的索贝尔算子与图像数据矩阵a相乘，用公式11的梯度进行边界检查。超过阀值的像素作为手指轮廓的像素点，再采用线性插值方法将轮廓像素点连接成线，得到手指轮廓。

手指角度校准:手指轮廓识别后，通过以下方法计算手指中线，如图7所示。首先确定手指尖的坐标(x0，y0)，其次通过公式12、公式13计算手指中线上任意2点(x1，y2)和(x2，y2)的坐标。

其中，h为图像的高度，r(y)、l(y)为高度y对应的手指左右边缘的x坐标。通过上述手指中线可以进行手指角度的校正。手指位置校准及截取。利用手指角度校准中手指角度校正后的图像，按照图8所示可以进行手指位置校正及认证区域的截取。指尖与认证区域上边的距离为100pixels，中线与认证区域左右边的距离为48pixels，认证区域高度为272pixels。经过手指位置校正的认证区域大小为272×96pixels。即使手指位置有偏差，也可保证截取的区域相对固定，实现手指位置偏差的校正。

脉络增强:手指位置校准及截取处理后截取的认证区域图像通过以下方法实现脉络强调，以便更好地体现样本的个性特征，提高认证精度。首先将图像每行的灰度值进行傅里叶变换，然后利用公式14的算子进行频率滤波，最后通过傅里叶逆变换得到脉络增强的图像。如图9所示

全卷积神经网络深度学习模型由不同类型的35层网络组成，第1层为输入层可输入任意尺寸的灰度静脉图像。第2层到第17层包括5组双卷积层和池化层、1个防止过拟合的dropout层，第18层到第34层包括4组反卷积层、融合层、2层反卷积层及1个单层反卷积层，通过4次下采样加4次上采样处理，实现原图像16倍放大的特征提取和特征识别，输出与输入图像尺寸相同的特征矩阵。第35层为分类层，实现特征分类，输出与登记样本个数相同的分类向量。具体结构如图10所示：

101input

输入层，输入经过图像处理的灰度图像数据，每个元素为每个像素的8位灰度值(0-255)。输出h×w×1矩阵。其中h为图片高度像素个数、w为图片宽度像素个数，矩阵的元素为每个像素的相对灰度值(0～1之间的双倍精度浮点数)。

102conv1-1

第一卷积层1，过滤器尺寸为3×3、深度为64、步长为1；使用relu作为激活函数；矩阵边界采用全0填充，以保持卷积层前向传播结果矩阵的大小与当前层矩阵大小一致；采用xavier正态分布初始化，参数由0均值，标准差为)的正态分布产生，其中fan_in为权重张量的扇入。输出h×w×64矩阵。

103conv1-2

第一卷积层2，过滤器尺寸为3×3、深度为64、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h×w×64矩阵。

104pool1

第一池化层，采用最大池化方法，过滤器尺寸为2×2、步长为1，无矩阵边界填充。输出为h/2×w/2×64矩阵。

105conv2-1

第二卷积层1，过滤器尺寸为3×3、深度为128、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/2×w/2×128矩阵。

106conv2-2

第二卷积层2，过滤器尺寸为3×3、深度为128、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/2×w/2×128矩阵。

107pool2

第二池化层，采用最大池化方法，过滤器尺寸为2×2、步长为1，无矩阵边界填充。输出为h/4×w/4×128矩阵。

108conv3-1

第三卷积层1，过滤器尺寸为3×3、深度为256、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/4×w/4×256矩阵。

109conv3-2

第三卷积层2，过滤器尺寸为3×3、深度为256、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/4×w/4×256矩阵。

1010pool3

第三池化层，采用最大池化方法，过滤器尺寸为2×2、步长为1，无矩阵边界填充。输出为h/8×w/8×256矩阵。

1011conv4-1

第四卷积层1，过滤器尺寸为3×3、深度为512、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/8×w/8×512矩阵。

1012conv4-2

第四卷积层2，过滤器尺寸为3×3、深度为512、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/8×w/8×512矩阵。

1013dropout4

dropout层，给输入数据施加50％的dropout，防止过拟合。

1014pool4

第四池化层，采用最大池化方法，过滤器尺寸为2×2、步长为1，无矩阵边界填充。输出为h/16×w/16×512矩阵。

1015conv5-1

第五卷积层1，过滤器尺寸为3×3、深度为1024、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/16×w/16×1024矩阵。

1016conv5-2

第五卷积层2，过滤器尺寸为3×3、深度为1024、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/16×w/16×1024矩阵。

1017dropout5

dropout层，给输入数据施加50％的dropout，防止过拟合。

1018conv6-1

第一反卷积层1，过滤器尺寸为2×2、深度为512、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。同时进行2倍上采样(upsampling)，输出h/8×w/8×512矩阵。

1019merge6

融合层，融合1018的第一反卷积层1的输出和1013的dropout处理后的输出，沿着最后一个维度进行拼接，输出h/8×w/8×1024矩阵。

1020conv6-2

第一反卷积层2，过滤器尺寸为3×3、深度为512、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/8×w/8×512矩阵。

1021conv6-3

第一反卷积层3，过滤器尺寸为3×3、深度为512、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/8×w/8×512矩阵。

1022conv7-1

第二反卷积层1，过滤器尺寸为2×2、深度为256、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。同时进行2倍上采样(upsampling)，输出h/4×w/4×256矩阵。

1023merge7

融合层，融合109的第三卷积层2的输出和1022的第二反卷积层1的输出，沿着最后一个维度进行拼接，输出h/4×w/4×512矩阵。

1024conv7-2

第二反卷积层2，过滤器尺寸为3×3、深度为256、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/4×w/4×256矩阵。

1025conv7-3

第二反卷积层3，过滤器尺寸为3×3、深度为256、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/4×w/4×256矩阵。

1026conv8-1

第三反卷积层1，过滤器尺寸为2×2、深度为128、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。同时进行2倍上采样(upsampling)，输出h/2×w/2×128矩阵。

1027merge8

融合层，融合106的第二卷积层2的输出和1026第三反卷积层1的输出，沿着最后一个维度进行拼接，输出h/2×w/2×256矩阵。

1028conv8-2

第三反卷积层2，过滤器尺寸为3×3、深度为128、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/2×w/2×128矩阵。

1029conv8-3

第三反卷积层3，过滤器尺寸为3×3、深度为128、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h/2×w/2×128矩阵。

1030conv9-1

第四反卷积层1，过滤器尺寸为2×2、深度为64、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。同时进行2倍上采样(upsampling)，输出h×w×64矩阵。

1031merge9

融合层，融合103的第一卷积层2的输出和1030的第四反卷积层1的输出，沿着最后一个维度进行拼接，输出h×w×128矩阵。

1032conv9-2

第四反卷积层2，过滤器尺寸为3×3、深度为64、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h×w×64矩阵。

1033conv9-3

第四反卷积层3，过滤器尺寸为3×3、深度为64、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h×w×64矩阵。

1034conv10-1

第五反卷积层，过滤器尺寸为3×3、深度为1、步长为1；使用relu作为激活函数；矩阵边界采用全0填充；采用xavier正态分布初始化。输出h×w×1特性矩阵。

1035conv10-2

分类层，过滤器尺寸为1×1、深度为m(登陆样本个数)、步长为1；使用softmax作为激活函数；矩阵边界无填充。输出为m维识别向量，代表被识别样本与登陆样本的匹配概率。

如图1所示的一种具有自主学习能力的智能静脉认证系统，包括：

采集静脉图像信息的摄像单元以及在采集过程中提供亮度的光源；

接收所述摄像单元传送的图像信息的图像处理单元，所述图像处理单元对接收到的图像采用归一化灰度处理、边界检查的手指轮廓识别、基于手指中线的角度校准、位置校正及截取、基于频率滤波的脉络加强的方法进行处理；

接收所述图像处理单元传送的图像信息、将接收到的图像信息输入至全卷积神经网络的深度学习模型进行迭代训练的识别单元，所述识别单元对全卷积神经网络深度学习模型分别进行全局训练直至模型的识别正确率达到训练要求为止，再对完成训练的全卷积神经网络深度学习模型进行局部训练，将训练产生的优化参数保存，利用训练后模型的优化参数，进行静脉认证图像的特征提取、特征识别和分类，完成静脉认证；

接收所述识别单元传送的优化参数信息和图像处理单元传送的认证图像信息的存储单元。

进一步的，所述识别单元在对全卷积神经网络的深度学习模型进行训练时：采用已积累的手指静脉样本生成训练数据对系统进行一次全局训练，完成特征提取、特征识别和特征分类的参数确定及优化，完成初次全局训练后，模型可上线运行:当模型进行静脉登记后，利用登记样本生成局部训练数据对模型进行不定期的局部训练，完成分类部分参数的进一步优化；

所述识别单元在对静脉图像进行认证时：将经过图像处理后的静脉图像输入至全卷积神经网络的深度学习模型利用全局和局部训练产生的优化参数，对待认证的图像进行特征提取、特征识别和分类。

通过本发明公开的具有自主学习能力的智能静脉认证系统对对全卷积神经网络的深度学习模型进行全局训练和局部训练使全卷积神经网络的深度学习模型真正具备自主学习能力，并且保存优化的特征提取和特征分类参数，当进行静脉认证时从存储单元导入全局和局部训练时保存的优化参数进行认证，输出认证通过或认证失败的认证结果。

系统实现方案1：

一种具有自主学习能力的智能静脉认证系统如图11所示，其中包括采集装置、通信接口和服务器组成，其中采集装置通过通信接口与服务器实时数据通信。其中采集装置中包括光源和摄像单元，其中服务器中设置有图像处理单元、识别单元和存储单元。

采集装置完成手指静脉图像的采集，并将采集的图像数据通过通信接口发送到服务器的图像处理单元。

光源由7个波长为890nm的近红外led组成，由识别单元控制发光或熄灭。

摄像单元由广角镜头、红外线滤波片及高感度红外摄像cmos组成，数据接口遵循usb2.0标准，如sony的xc-e150摄像机。识别单元控制摄像单元采集静脉图像，采集图像后将数据通过数据接口、通信接口发送至服务器的图像处理单元。采集图像的尺寸为640×480pixels。

通信接口可以是有线串口通信，如usb、lan、rs232等，也可以是无线通信，如wifi、蓝牙、zigbee等。通信接口传输服务器识别单元发往光源和摄像单元的控制数据，及摄像单元发往图像处理单元的图像数据。

服务器由两路至强e52683v3cpu、128gddr4内存、英特尔c612芯片组主板、1t的固态硬盘、4路nvidiagtxtitanxp显卡(gpu)组成，可实现28内核、56线程的并行运算。包括前述的图像处理单元、识别单元和存储单元。完成前述的图像处理、全卷积神经网络的全局训练、局部训练和认证，存储优化参数、采集的静脉图像和训练数据。

图像处理后截取的认证区域尺寸h×w为272×96pixels。全局训练样本取自25人的左右手食指和中指，形成100个样本(种类)，每个样本采集10次，形成1000个训练数据，再通过训练数据扩充处理，形成99000个训练数据。其中50000个数据用于模型全局训练，49000个数据用于全局训练的测试。学习率设为0.0001，识别正确率达到99.9％时结束全局训练。

局部训练使用新登记样本的2个数据，再通过训练数据扩充处理，形成198个训练数据。其中150个数据用于模型局部训练，49个数据用于局部训练的测试。学习率设为0.0001，识别正确率达到99.9％时结束全局训练。识别时的阀值设为0.0001。

当新登记样本的训练数据累计达到100时，并且在系统维护时间段(如am1:00)，系统再次进行前述的全局训练。

该实现方案中采集设备可分布设置在不同区域，并充分利用了服务器的强大运算功能和海量存储功能，适合大规模分布式应用。同时采集装置结构简单成本较低，适合大规模推广应用。

系统实现方案2：

系统实现方案2如图12所示，由认证装置、通信接口和服务器组成。其中认证装置包括光源、摄像单元、cpu/处理器和存储单元组成。

光源由7个波长为890nm的近红外led组成，由识别部1控制发光或熄灭。

摄像单元由广角镜头、红外线滤波片及高感度红外摄像cmos组成，数据接口遵循usb2.0标准，如sony的xc-e150摄像机。识别单元控制摄像单元采集静脉图像，采集图像后将数据通过数据接口发送至cpu/处理器的图像处理单元。采集图像的尺寸为640×480pixels。

cpu/处理器可以是嵌入式系统的mcu、dsp、fpga等具有运算和控制功能的处理器。本实施案例中采用了ti公司的am3358dsp芯片，该芯片集成了armcortex-a8mcu内核，具有3d加速处理功能。内置176kbrom和64kbram，外置1gbddr3ram、4mbeeprom及64gbsd存储卡。具有usb2.0、wifi、百兆lan、蓝牙通信接口。包括了前述的图像处理单元和识别单元。图像处理部完成前述的一系列图像处理，识别单元利用前述全卷积神经网络完成静脉认证时的特征提取、特征识别和分类。识别单元的全卷积神经网络使用服务器端训练后形成的优化参数。

存储单元可以是嵌入式系统的片内或片外ram、可擦写的rom、sd卡等存储设备，用来存储服务器发来的优化参数和认证装置采集的图片数据。

通信接口可以是有线串口通信，如usb、lan、rs232等，也可以是无线通信，如wifi、蓝牙、zigbee等。通信接口传输服务器发往认证装置的优化参数，及认证装置发往服务器的图像数据。

服务器构成与功能与系统实现方案1相同。

通过认证装置采集静脉图像，经图像处理后截取的认证区域尺寸h×w为272×96pixels。全局训练样本取自25人的左右手食指和中指，形成100个样本(种类)，每个样本采集10次，形成1000个训练数据，再通过训练数据扩充处理，形成99000个训练数据。其中50000个数据用于模型全局训练，49000个数据用于全局训练的测试。全局训练由服务器完成，学习率设为0.0001，识别正确率达到99.9％时结束全局训练。

局部训练使用新登记样本的2个数据，再通过训练数据扩充处理，形成198个训练数据。其中150个数据用于模型局部训练，49个数据用于局部训练的测试。学习率设为0.0001，识别正确率达到99.9％时结束全局训练。识别时的阀值设为0.0001。

当新登记样本的训练数据累计达到100时，并且在系统维护时间段(如am1:00)，系统再次进行前述的全局训练。

该实现方案将采集和认证功能模块集成在一个嵌入式设备中，具有体积小、携带安装方便、环境适应强等特点。将模型训练和数据存储置于服务器中，实现各种训练的后台实施及数据的集中海量管理。既适合单机工作，又适合大规模网络化应用。

本发明中采用了一系列图像处理技术，将认证图像进行归一化灰度处理、手指角度校正、手指位置校正及脉络强调，最大限度的消除了影响特征提取和特征识别的噪音干扰并保留原图的特征信息，使静脉个性特征更加明显，有效地提高了特征提取和特征识别的精度。又采用了可精确到像素级别的特征提取和特征识别的全卷积神经网络的深度学习模型，进一步提高了静脉认证准确度。其认证出错率eer从0.39％减小到0.1％以下，同时明显减小了错误接受率。本发明的静脉认证系统错误接受率可以控制在0.001％以下，达到精密级身份认证的水平。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。