基于BP-AdaBoost神經(jīng)網(wǎng)絡(luò)的多參數(shù)掌靜脈圖像質(zhì)量評價法①

李莧蘭,張 頂,黃 晞

(福建師范大學 光電與信息工程學院 福建省光電傳感應(yīng)用工程技術(shù)研究中心,福州 350007)

生物特征識別技術(shù)作為目前最為方便與安全的識別技術(shù),近年來得到了廣泛關(guān)注,比如支付寶公司推出了基于個人聲紋和人臉識別的認證支付技術(shù).生物識別技術(shù)主要是指利用個體的生物特征進行身份認證的一種技術(shù),目前主要的研究是針對個體的虹膜、指紋、掌紋、人臉等生物特征展開工作.相比之下,對于人體靜脈紋的研究相對較少,而靜脈紋在特征穩(wěn)定性、獨特性和持久度方面具有一定的優(yōu)勢.

掌靜脈識別技術(shù)中,掌靜脈圖像質(zhì)量對后續(xù)特征提取與匹配有著直接的影響,從而影響最終的識別率.因此,在特征提取之前需要對靜脈圖像進行質(zhì)量評價,以剔除不適合特征識別的低質(zhì)量靜脈圖像.

圖像質(zhì)量評價可以分為主觀評價和客觀評價,有參考評價部分參考以及無參考評價,考慮到掌靜脈圖像評價為實時評價且無標準圖像可供參考,本文選擇的是客觀無參考的評價方法對圖像進行質(zhì)量評價.近年來,廣大學者們針對靜脈無參考評價這一課題做了大量的研究.文獻[1]研究了近紅外成像所生成的灰度圖像的評價方法,分析了基于信息容量、能量譜-熵、偽信噪比的評價方法,以及每種方法所適用的場合,建立了基于靜脈圖像質(zhì)量的評價方法.文獻[2]中在分析人類視覺系統(tǒng)(HVS)性能的基礎(chǔ)上,將圖像有效區(qū)域、對比度、位置偏移度、模糊度、信息熵作為評價手指靜脈圖像質(zhì)量的參數(shù).并綜合分析這些參數(shù),加權(quán)獲得靜脈圖像總質(zhì)量評價函數(shù).文獻[3]提出了一種基于灰度共生矩陣及模糊邏輯的手掌靜脈圖像質(zhì)量評價方法.通過研究對比度、熵、相關(guān)性的值與靜脈紋理結(jié)構(gòu)信息的關(guān)系,建立模糊推理系統(tǒng)對圖像質(zhì)量做出了最佳判別,從而驗證了采集系統(tǒng)的性能.文獻[4]組合圖像質(zhì)量評價法采用清晰度和對比度、相關(guān)系數(shù)的組合方法來評價生物特征圖像質(zhì)量.文獻[5]結(jié)合手背靜脈圖像結(jié)構(gòu)特點,選取了有效區(qū)域尺寸、對比度、清晰度、位置偏移和旋轉(zhuǎn)角度作為手背靜脈圖像質(zhì)量評價的參數(shù).基于各參數(shù)改變對識別率影響曲線,提出了根據(jù)其平均斜率確定參數(shù)最優(yōu)權(quán)值的方法,并利用加權(quán)的方法對各質(zhì)量參數(shù)評分進行融合,最終得到手背圖像總質(zhì)量分數(shù).文獻[6]提取了空間域梯度、對比度、圖像的二維熵、位置偏移度、信噪比等5 個特征值,然后對其進行加權(quán)融合進而建立質(zhì)量評估模型.文獻[7]提出通過提取輸入圖像的梯度、對比度以及信息熵3 個特征參數(shù),來對手指靜脈圖像的質(zhì)量進行評價,然后,通過支持向量機對評價的結(jié)果進行融合.文獻[8]通過對質(zhì)量評估算法與識別算法的有效結(jié)合,提出了一種基于質(zhì)量評估的手指靜脈識別算法,進一步提高了識別精度.文獻[9]通過對采集的靜脈圖像進行分析,提出了一種基于Radon 變換的質(zhì)量評估算法,實現(xiàn)了對手指靜脈圖像質(zhì)量的評估.文獻[10]提出了一種新穎的手指靜脈圖像評估方法,以減少低質(zhì)量圖像對識別性能的影響.首先,提取手指靜脈圖像的梯度,圖像對比度和信息熵作為圖像質(zhì)量分數(shù).其次,提出了基于三角范數(shù)的分數(shù)融合方法來區(qū)分圖像質(zhì)量.

通過以往學者的研究發(fā)現(xiàn),對于靜脈圖像質(zhì)量評價,主要是通過提取一些可以反映圖像質(zhì)量的特征,然后對這些特征進行加權(quán)融合得出圖像的質(zhì)量分數(shù).加權(quán)系數(shù)的確定存在一定的主觀性,或加權(quán)的算法較為復(fù)雜,算法的可解釋性不強,評價方法的準確度有待提升.傳統(tǒng)的方法所建立的模型不能全面、科學和本質(zhì)的反應(yīng)靜脈數(shù)據(jù)的復(fù)雜特性,造成了信息量的丟失和分類準確性的不足,嚴重制約著靜脈識別系統(tǒng)性能的進一步提高.BP-AdaBoost 算法結(jié)構(gòu)簡單,具有很強的非線性映射能力,自學習和自適應(yīng)能力,以及泛化能力和容錯能力,能夠通過對樣本集的訓(xùn)練學習,達到較高的分類準確率.克服了傳統(tǒng)評價方法中,評價模型復(fù)雜,評價結(jié)果不夠客觀,無法全面本質(zhì)的反映靜脈數(shù)據(jù)的復(fù)雜特性等的一系列缺點.基于此,本文在前人研究的基礎(chǔ)上,使用簡單的BP 網(wǎng)絡(luò)建立綜合評價模型,同時結(jié)合AdaBoost 算法進一步提升評價模型的準確度.實驗結(jié)果證明,該方法能夠?qū)D像進行準確的評價.

1 掌靜脈圖像質(zhì)量指標的確定

如何實現(xiàn)對掌靜脈圖像質(zhì)量的合理評價,以期符合人類視覺主觀感受,從而提高整個識別系統(tǒng)的性能.評價指標的確定顯得尤為重要.本文中,分別從圖像的前景與背景的對比度,圖像靜脈信息豐富度,圖像脈絡(luò)紋理清晰度等幾個方面考量.確定了以對比度、信息熵、清晰度、等效視數(shù)為評價指標的評價體系.

1.1 對比度

就掌靜脈圖像而言,對比度主要體現(xiàn)在靜脈部分和非靜脈部分的灰度比值.總的來說,對比度大的圖像靜脈紋理更清晰,更容易看出靜脈的紋理結(jié)構(gòu),分布與走勢.而對比度低的靜脈圖像,其紋理結(jié)構(gòu)特征不明顯.因此,對比度差的圖像容易在識別處理過程中產(chǎn)生錯誤,影響識別系統(tǒng)的準確率.

圖像的對比度是指圖像的均方差,圖像的灰度差異,可以表示為式(1):

其中,C為圖像的均方差(對比度),xi為圖像的像素值,xmean為圖像像素均值,N為一幅圖像總的像素點個數(shù).

我們選擇3 幅對比度不同的圖像如圖1 所示,并對其進行了對比度的測量統(tǒng)計,如表1 所示.

圖1 不同對比度掌靜脈圖像的ROI 區(qū)域

表1 圖1 中3 幅圖像對比度數(shù)值比較

對照圖1 和表1 我們可以得出,圖1(a)的圖像最清晰,圖像質(zhì)量最好,相比較而言圖1(b)次之,而圖1(c)圖像質(zhì)量最差,最模糊,對應(yīng)于表1 的數(shù)據(jù),圖1(a)的對比度值最大,圖1(b)次之,圖1(c)最小,因此我們可以說對比度大的圖像質(zhì)量較好.同時,為了說明此結(jié)論的一般性,我們選擇170 幅掌靜脈圖像,分別為高質(zhì)量低質(zhì)量各85 幅,利用Matlab 軟件繪制的對比度與圖像質(zhì)量關(guān)系的統(tǒng)計散點圖如圖2 所示,可看出高質(zhì)量的圖像較于低質(zhì)量圖像具有更大的對比度.綜上,可以將對比度確定為本文掌靜脈圖像質(zhì)量評價系統(tǒng)的重要指標之一.

1.2 信息熵

一幅數(shù)字圖像是由不同的像素點組成的,不同的像素點分布的不同位置不同概率,形成不同的圖像.對于灰度靜脈圖像而言,其像素點的分布信息越豐富,靜脈圖像所含的信息量越大,從而表現(xiàn)為更清晰的靜脈紋路.對于靜脈信息熵的計算,由式(2)確定:

其中,H為圖像信息熵,i為像素值范圍0～255,pi表示像素值為i的像素在圖像中出現(xiàn)的概率.

我們選擇3 幅信息熵不同的圖像如圖3,并對其進行了對比度的測量統(tǒng)計,如表2 所示.

圖2 掌靜脈圖像對比度統(tǒng)計散點圖

圖3 不同信息熵掌靜脈圖像的ROI 區(qū)域

表2 圖3 中3 幅圖像信息熵數(shù)值比較

對照圖3 和表2 我們可以得出,圖3(a)的圖像最清晰,圖像質(zhì)量最好,相比較而言圖3(b)次之,而圖3(c)圖像質(zhì)量最差,最模糊,對應(yīng)于表2 的數(shù)據(jù),圖3(a)的信息熵最大,圖3(b)次之,圖3(c)最小,因此我們可以說信息熵大的圖像質(zhì)量較好.類比于對比度分析,同樣利用Matlab 軟件繪制的信息熵與圖像質(zhì)量關(guān)系的統(tǒng)計散點圖如圖4 所示,可看出高質(zhì)量的圖像較于低質(zhì)量圖像具有更大的信息熵.綜上,可將信息熵確定為本文掌靜脈圖像質(zhì)量評價系統(tǒng)的重要指標之一.

1.3 清晰度

清晰度作為衡量圖像質(zhì)量的重要指標之一,是一種以人為主觀感覺為主的一種評判標準.靜脈紋理走向是否清晰取決于圖像的清晰度.本文參考文獻[5]中的方法.首先用Canny 算子提取靜脈圖像的邊緣,得到邊緣圖像,然后統(tǒng)計所得邊緣圖像的前景像素點個數(shù),用前景像素點個數(shù)來表示圖像靜脈邊緣區(qū)域面積大小S1,最后把邊緣面積S1與圖像大小S的比值作為圖像的清晰度,如式(3)所示:

我們選擇3 幅清晰度不同的圖像如圖5 所示,并對其進行了清晰度的測量統(tǒng)計,如表3 所示.

圖4 掌靜脈圖像信息熵統(tǒng)計散點圖

圖5 不同清晰度掌靜脈圖像的ROI 區(qū)域

表3 圖5 中3 幅圖像清晰度數(shù)值比較

對照圖5 和表3 我們可以得出,圖5(a)的圖像最清晰,圖像質(zhì)量最好,相比較而言圖5(b)次之,而圖5(c)圖像質(zhì)量最差,最模糊,對應(yīng)于表3 的數(shù)據(jù),圖5(a)的清晰度值最大,圖5(b)次之,圖5(c)最小,因此我們可以說清晰度好的圖像質(zhì)量較好.類比于前面的分析,同樣利用Matlab 軟件繪制的清晰度與圖像質(zhì)量關(guān)系的統(tǒng)計散點圖如圖6 所示,可看出高質(zhì)量的圖像較于低質(zhì)量圖像具有更大的清晰度值.綜上,可以將清晰度確定為本文掌靜脈圖像質(zhì)量評價系統(tǒng)的重要指標之一.

1.4 等效視數(shù)

等效視數(shù)作為圖像質(zhì)量評價的重要標準之一.研究發(fā)現(xiàn)[11]在掌靜脈圖像質(zhì)量評價的過程中,運用等效視數(shù)這一指標可以很好的反應(yīng)靜脈圖像紋理的清晰性,體現(xiàn)整幅圖像的灰度對比度,等效視數(shù)越大,對比度越小,圖像越模糊,圖像質(zhì)量越差.等效視數(shù)可以由式(4)確定:

其中,μ為圖像灰度均值,σ為圖像灰度標準差.

我們選擇3 幅等效視數(shù)不同的圖像如圖7 所示,并對其進行了等效視數(shù)的測量統(tǒng)計,如表4 所示.

圖6 掌靜脈圖像清晰度統(tǒng)計散點圖

圖7 不同等效視數(shù)掌靜脈圖像的ROI 區(qū)域

表4 圖7 中3 幅圖像等效視數(shù)數(shù)值比較

對照圖7 和表4 我們可以得出,圖7(a)的圖像最清晰,圖像質(zhì)量最好,相比較而言圖7(b)次之,而圖7(c)圖像質(zhì)量最差,最模糊,對應(yīng)于表4 的數(shù)據(jù),圖7(c)的等效視數(shù)最大,圖7(b)次之,圖7(a)最小,因此我們可以說等效視數(shù)小的圖像質(zhì)量較好.類比于前面的分析,同樣利用Matlab 軟件繪制的等效視數(shù)與圖像質(zhì)量關(guān)系的統(tǒng)計散點圖如圖8 所示,可看出高質(zhì)量的圖像較于低質(zhì)量圖像具有更小的等效視數(shù)值.綜上,可以將等效視數(shù)確定為本文掌靜脈圖像質(zhì)量評價系統(tǒng)的重要指標之一.

圖8 掌靜脈圖像等效視數(shù)統(tǒng)計散點圖

2 基于評價指標加權(quán)融合的分類方法

2.1 加權(quán)融合的分類方法算法介紹

上述確定了4 個評價指標,若只根據(jù)某一指標來評價圖像質(zhì)量,顯然無法準確區(qū)分圖像質(zhì)量的優(yōu)劣.因此考慮綜合使用4 種指標對靜脈圖像進行評價分類.傳統(tǒng)評價方法即將各指標進行加權(quán)融合,對圖像進行評價分類.

2.2 加權(quán)融合的分類方法的實現(xiàn)過程

使用評價指標加權(quán)融合的方法對圖像進行評價分類的算法步驟如下:

(1)對數(shù)據(jù)庫中的圖像進行打分及分類

對靜脈圖像進行人工打分(總分為100),同時設(shè)置得分閾值T,本文閾值設(shè)為80,若低于閾值T則為低質(zhì)圖像,高為閾值T為高質(zhì)圖像.

(2)確定各指標權(quán)重系數(shù)

對每個評價指標權(quán)重的計算,主要根據(jù)人為主觀因素確定一定數(shù)量的高質(zhì)量靜脈圖像和低質(zhì)量的靜脈圖像,分別計算四個評價指標的區(qū)分度,即圖9 所示的重合Sn.對于每個質(zhì)量評價指標來說,Sn越小就說明該評價指標越能夠有效區(qū)分靜脈圖像質(zhì)量的高低,從而該質(zhì)量因子的權(quán)重就應(yīng)該越大.因此有:

w1,w2,w3,w4分別為4 項指標的權(quán)重,根據(jù)式(5),經(jīng)過實驗選定本文的w1=0.29,w2=0.25,w3=0.15,w4=0.31.

(3)對圖像進行綜合評分

圖像最終得分可根據(jù)式(6)計算:

其中,Q1,Q2,Q3,Q4為 4 項指標的評價得分,Q為評價綜合得分.

(4)按評分結(jié)果對圖像進行分類

根據(jù)評分結(jié)果依據(jù)規(guī)定的分類閾值T對靜脈圖像進行分類.

(5)計算分類準確率

對比數(shù)據(jù)樣本統(tǒng)計分類準確的個數(shù),計算準確率.

圖9 權(quán)重的確定

3 BP-AdaBoost 神經(jīng)網(wǎng)絡(luò)

3.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),其特點是信號正向傳播,誤差反向傳播.在正向傳遞過程中,信號是從輸入層經(jīng)過隱含層逐層處理,最后到達輸出層.圖10 為BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu).

圖10 BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

3.2 BP-AdaBoost 算法介紹

AdaBoost 的算法思想是綜合多個弱分類器的輸出來從而得出更有效的分類.其算法步驟主要為:

選擇弱分類器和樣本數(shù)據(jù)集,從數(shù)據(jù)集中選出m組數(shù)據(jù)作為訓(xùn)練集,數(shù)據(jù)集的訓(xùn)練權(quán)重均為1/m.接著用弱分類器迭代訓(xùn)練T次,每次訓(xùn)練后都按照訓(xùn)練輸出結(jié)果更新訓(xùn)練數(shù)據(jù)的權(quán)重,將較大的權(quán)重賦予分類失敗的訓(xùn)練數(shù)據(jù).在下個弱分類器訓(xùn)練時給予訓(xùn)練失敗的數(shù)據(jù)更多的關(guān)注.通過弱分類器的反復(fù)迭代訓(xùn)練得到一個分類函數(shù)序列f1,f2,f3,…,fT,同時,對每個分類函數(shù)賦予一個對應(yīng)的權(quán)重,分類結(jié)果越好的函數(shù)對于的權(quán)重越大.經(jīng)過T次迭代訓(xùn)練過后,最終的強分類器由弱分類器加權(quán)得到.在BP-AdaBoost 算法中選擇BP 神經(jīng)網(wǎng)絡(luò)為弱分類器,根據(jù)AdaBoost 算法通過反復(fù)迭代訓(xùn)練多個BP 神經(jīng)網(wǎng)絡(luò)弱分類器得到最終的強分類器.BP-AdaBoost 的算法流程圖如圖11 所示.

圖11 BP-AdaBoost 算法過程

4 BP-AdaBoost 神經(jīng)網(wǎng)絡(luò)的多參數(shù)的掌靜脈圖像質(zhì)量評價系統(tǒng)實現(xiàn)

由于采集設(shè)備限制、周圍環(huán)境的影響以及個體手掌肌肉骨骼組織的差異,往往采集的手掌靜脈圖像質(zhì)量太差,即便進行后續(xù)的增強處理也無法滿足后續(xù)識別的需求,大大降低了系統(tǒng)的識別準確率.降低了系統(tǒng)的性能.因此,對于前端圖像的質(zhì)量評價顯得尤為重要.圖像的質(zhì)量評價可以分為質(zhì)量得分評價和質(zhì)量分類評價.鑒于對掌靜脈圖像的評價旨在去除劣質(zhì)圖像,保留優(yōu)質(zhì)圖像的目的,本文采用質(zhì)量分類的評價方法.首先,截靜脈圖像的ROI.然后,確定掌靜脈圖像質(zhì)量的評價指標,本文選擇對比度、信息熵、清晰度以及等效視數(shù)這4 個參數(shù)為評價指標,對圖像ROI 區(qū)域進行評價輸出,以此為樣本數(shù)據(jù)集.接著,構(gòu)建[4 10 1]的單隱含層BP 神經(jīng)網(wǎng)絡(luò)模型,以4 個參數(shù)值為網(wǎng)絡(luò)4 個輸入,基于AdaBoost 算法,同時構(gòu)造10 個同樣結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò),作為BP-AdaBoost 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)弱分類器,通過網(wǎng)絡(luò)的學習訓(xùn)練,得到最終的強分類器.最后,實現(xiàn)對靜脈圖像的準確分類.本文方法對掌靜脈評價分類的流程圖如圖12 所示.

圖12 掌靜脈評價分類的流程圖

4.1 BP-AdaBoost 網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)的設(shè)計

由圖2,圖4,圖6,圖8 我們可以發(fā)現(xiàn)對比度、圖像熵、清晰度、等效視數(shù)可以較好的區(qū)分高低質(zhì)的掌靜脈圖像.但是,高、低質(zhì)圖像的每類指標分數(shù)均存在重疊現(xiàn)象.例如,在圖2 中對比度值在[8,13]的區(qū)間內(nèi)高、低質(zhì)圖像存在較多的重疊;同理,在圖4,圖6,圖8中我們發(fā)現(xiàn)信息熵、清晰度、等效視數(shù)也存在著部分區(qū)間高低質(zhì)圖像重疊現(xiàn)象,也就是說,針對以上4 種評價指標,均無法完全準確區(qū)分高、低質(zhì)圖像.鑒于以上分析,我們考慮綜合使用四種評價參數(shù)來評價圖像質(zhì)量.針對上述線性不可分問題,考慮使用BP 網(wǎng)絡(luò)的非線性擬合性能,以及優(yōu)良的泛化能力.但其具有容易出現(xiàn)局部極小值,容易產(chǎn)生過擬合,以及準確率不高等缺點.我們進一步引入AdaBoost 算法,結(jié)合多個BP 弱分類器構(gòu)建一個BP-AdaBoost 強分類器.

弱分類器的構(gòu)建,即BP 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置是構(gòu)建分類器核心內(nèi)容.本文以4 項評價指標為BP 網(wǎng)絡(luò)輸入,以掌靜脈圖像質(zhì)量高、低為網(wǎng)絡(luò)輸出構(gòu)建分類器.

4.2 BP 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)計

在使用BP 網(wǎng)絡(luò)構(gòu)建弱分類器時,對網(wǎng)絡(luò)的設(shè)計主要體現(xiàn)在網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元個數(shù)、學習率、目標誤差、傳遞函數(shù)、訓(xùn)練方法和訓(xùn)練數(shù)據(jù)的處理等方面.

(1)網(wǎng)絡(luò)層數(shù)的確定

神經(jīng)網(wǎng)絡(luò)理論證明,單個隱含層神經(jīng)網(wǎng)絡(luò)可以逼近任何閉區(qū)間內(nèi)的連續(xù)函數(shù),換言之,即任意m維到n維的非線性映射都可以由三層神經(jīng)網(wǎng)絡(luò)來完成.在這里,我們采用三層神經(jīng)網(wǎng)絡(luò)對掌靜脈圖像進行分類.

(2)網(wǎng)絡(luò)各層神經(jīng)元個數(shù)的確定

輸入層神經(jīng)元個數(shù)取決于輸入訓(xùn)練樣本的維度.本實驗中使用4 個評價指標作為輸入.因此,本實驗輸入層設(shè)置為4 個神經(jīng)元.同理,輸出層的神經(jīng)元個數(shù)取決于輸出結(jié)果,本實驗設(shè)定BP 為二分類器,用“1”代表高質(zhì)量圖像輸出,“-1” 代表低質(zhì)量圖像輸出,故輸出層神經(jīng)元個數(shù)為1.關(guān)于與隱含層神經(jīng)元個數(shù)的確定,在實踐中,通常采用湊試法來確定.可根據(jù)如式(7)來確定神經(jīng)元個數(shù)的大致范圍.

其中,l代表隱含層神經(jīng)元個數(shù),m為輸入層神經(jīng)元個數(shù),n為輸出層神經(jīng)元個數(shù),a可以取1～10 之間的任意整數(shù).隱含層神經(jīng)元個數(shù)可以靠上式確定一個初始值,然后以依次增加或者減少的方法,通過仿真輸出確定最佳神經(jīng)元個數(shù).本實驗中確定隱含層神經(jīng)元為10 個.

(3)學習率的確定

學習率也稱步長,在BP 算法中定為常數(shù).一般情況下,為了獲得較穩(wěn)定的訓(xùn)練結(jié)果,學習速率的選擇區(qū)間一般為[0,1].實驗中我們將學習率設(shè)置為0.01.

(4)目標誤差的確定

當網(wǎng)絡(luò)訓(xùn)練誤差達到期望誤差時,訓(xùn)練則會停止.若期望誤差設(shè)置過小,則需將隱含層節(jié)點數(shù)調(diào)整為較大,隨即訓(xùn)練時間增加.因此,合適的目標誤差對于網(wǎng)絡(luò)性能是十分重要的,經(jīng)過實驗分析,將誤差設(shè)置為0.01 時能取得較好的仿真結(jié)果.

(5)傳遞函數(shù)的確定

傳遞函數(shù)的確定應(yīng)該視輸入輸出關(guān)系而定:若要求輸出結(jié)果不含負數(shù),則應(yīng)采用logsig 函數(shù);反之,采用tansig 函數(shù).本實驗中,隱含層采用的是tansig 函數(shù),輸出層采用的是purelin 函數(shù).分別如式(8),式(9).

(6)訓(xùn)練方法的確定

BP 網(wǎng)絡(luò)中有許多訓(xùn)練方法,選擇哪種訓(xùn)練方法要根據(jù)實際訓(xùn)練數(shù)據(jù)的類型及分類情況所定.在Matlab環(huán)境中,網(wǎng)絡(luò)訓(xùn)練學習函數(shù)為train.train 根據(jù)在newff函數(shù)中確定的訓(xùn)練函數(shù)來訓(xùn)練,不同的訓(xùn)練函數(shù)對應(yīng)不同的訓(xùn)練算法.本文采用trainlm 訓(xùn)練算法.

(7)訓(xùn)練數(shù)據(jù)的初始化處理

數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)常做一種處理方法.通過數(shù)據(jù)歸一化的方法把所有數(shù)據(jù)轉(zhuǎn)化為[0,1]之間的數(shù).為了能夠消除各維數(shù)據(jù)間數(shù)量級的差別,避免因數(shù)據(jù)數(shù)量級差別較大而造成網(wǎng)絡(luò)誤差較大.本文中選用歸一化方法如式(10):

其中,xmin為數(shù)據(jù)序列中最小數(shù),xmax為數(shù)據(jù)序列中最大數(shù).

4.3 BP-AdaBoost 強分類器建立

BP-AdaBoost 強分類器是由多個基礎(chǔ)BP 弱分類器反復(fù)訓(xùn)練預(yù)測樣本輸出,利用AdaBoost 算法將這些弱分類器進行線性加權(quán)求和得到最終的強分類器,本文選取10 個BP 弱分類器進行強分類器的構(gòu)建.流程圖如圖13.

圖13 BP-AdaBoost 強分類器構(gòu)建流程圖

BP-AdaBoost 強分類器構(gòu)建過程:

(1)輸入訓(xùn)練數(shù)據(jù)集

訓(xùn)練數(shù)據(jù)集輸入input_train={(xai,xbi,xci,xdi),…,(xan,xbn,xcn,xdn)},訓(xùn)練數(shù)據(jù)集輸出output_train={y1,y2,…,yn},n∈170,標簽yi={1,-1}.

(2)訓(xùn)練數(shù)據(jù)集權(quán)重初始化

(3)對權(quán)值初始化后的數(shù)據(jù)集進行訓(xùn)練,得到BP弱分類器:cm(x)

(4)計算cm(x)分類誤差

(5)計算cm(x)分類器的權(quán)值

(6)更新訓(xùn)練數(shù)據(jù)集權(quán)重

(7)最終強分類器

5 實驗數(shù)據(jù)集及實驗結(jié)果分析

5.1 樣本數(shù)據(jù)集制作

本文的圖像數(shù)據(jù)庫選擇的是中科大的掌靜脈數(shù)據(jù)庫(CASIA).首先,通過人工選擇高質(zhì)量圖像和低質(zhì)量圖像各85 張,并做上標記.高質(zhì)量圖像標記為“1”,低質(zhì)量圖像標記為“-1”.然后,采取的是最大內(nèi)切圓的方法批量截取掌靜脈圖像ROI,截取的圖像ROI 再歸一化大小為182×182.接著,對這170 張圖像依次進行質(zhì)量評價,使用程序運行輸出對比度,信息熵,清晰度,等效視數(shù)的四項指標的數(shù)據(jù)值.以這四維輸出矩陣及標簽作為樣本數(shù)據(jù)集.

5.2 實驗結(jié)果分析

當數(shù)據(jù)集較小時,常將大約2/3～4/5 的樣本數(shù)據(jù)用于訓(xùn)練,剩余樣本用于測試.故本文中,分別抽取樣本數(shù)據(jù)的50%,60%,70%,80%作為訓(xùn)練集.測試結(jié)果分別如表5 至表8 所示.分析表中數(shù)據(jù)我們發(fā)現(xiàn),綜合使用4 種評價指標的分類準確率比單一使用其中一種指標的分類準確率要高出30%到40%,從圖14 也可以看出.此外,使用BP-AdaBoost 分類器的分類效果比單一使用一個BP 分類器的分類準確率要高出10%左右.

表5 樣本的50%作為訓(xùn)練集的準確率測試結(jié)果

表6 樣本的60%作為訓(xùn)練集的準確率測試結(jié)果

除此之外,由圖15 我們可以發(fā)現(xiàn)相較于BP 分類器,BP-AdaBoost 分類器不僅可以在分類準確率上具有很大優(yōu)勢,同時,對于數(shù)據(jù)集劃分方式具有很大的魯棒性.從圖15 中可以看出,隨著訓(xùn)練樣本占總體的比例越來越大,BP 分類器和BP-AdaBoost 分類器的分類準確率均不斷提高,但BP-AdaBoost 分類器的分類準確率基本在98%～100%,BP 分類器的分類準確率在88%～94%,因此,當樣本數(shù)據(jù)集較小時,BP-AdaBoost分類器的分類效果更穩(wěn)定可靠.

表7 樣本的70%作為訓(xùn)練集的準確率測試結(jié)果

表8 樣本的80%作為訓(xùn)練集的準確率測試結(jié)果

圖14 各評價指標對BP 分類器準確率影響對比圖

圖15 兩種分類器不同數(shù)據(jù)集劃分的分類準確率對比

圖16 是BP-AdaBoost 模型與BP 模型預(yù)測誤差絕對值對比圖.明顯可以看出BP-AdaBoost 分類器的預(yù)測誤差明顯低于BP 弱分類器的預(yù)測誤差,說明了BPAdaBoost 模型的優(yōu)良性能.

圖16 BP-AdaBoost 模型與BP 模型預(yù)測誤差絕對值對比圖

綜上,BP-AdaBoost 模型在掌靜脈圖像質(zhì)量分類和預(yù)測上都能達到優(yōu)良的效果.比BP 模型具有更高的準確度,更好的魯棒性.

表9 為傳統(tǒng)分類方法與本文BP-AdaBoost 分類方法準確率的對比.通過比較可以看出本文BP-AdaBoost分類方法準確率遠高于傳統(tǒng)分類方法,故本文方法具有更優(yōu)的分類特性.

表9 加權(quán)融合的分類法與本文BP-AdaBoost 分類法準確率

6 結(jié)語

在自動掌靜脈身份認證系統(tǒng)中,為了更有效的提高識別系統(tǒng)的準確度,需要對采集到的掌靜脈圖像進行前端的質(zhì)量評價.鑒于此,本文提出了一種基于BPAdaBoost 神經(jīng)網(wǎng)絡(luò)的多參數(shù)的掌靜脈圖像質(zhì)量評價法.在確定以對比度、信息熵、清晰度和等效視數(shù)為掌靜脈圖像質(zhì)量評價的4 項指標后.結(jié)合AdaBoost 算法,構(gòu)造10 個BP 網(wǎng)絡(luò),以BP 網(wǎng)絡(luò)為弱分類器,形成最終的BP-AdaBoost 強分類器,對圖像進行分類評價.實驗結(jié)果顯示,本文方法相比較傳統(tǒng)加權(quán)評價更具客觀性,分類的準確率比傳統(tǒng)評價指標加權(quán)融合的方法高出約14%,具有良好的應(yīng)用價值.