技术摘要：
本申请提供的基于浅层卷积神经网络的指静脉识别系统中包括三个卷积模块，两个全连接层，每个卷积模块均包括卷积层、池化层及批处理规范化层，可见该系统为浅层卷积神经网络框架，避免了深层卷积神经网络由于过度提取特征而导致过拟合的问题；该网络具有足够的提取指静  全部
背景技术：
指静脉识别是利用手指内的静脉分布图像来身份识别，具体是依据手指中流动的 血液可吸收特定波长的光线，而使用特定波长光纤对手指进行照射，可得到指静脉清晰图 像，然后对图像进行分析、处理从而得到指静脉的生物特征，将得到的生物特征信息与预先 注册的指静脉特征进行比对，从而完成身份的识别；随着强大的深度学习算法的出现，越来 越多的研究者将深度学习引入到指静脉识别；基于深度学习的指静脉识别按照系统输出可 以分为闭集结构和开集结构，按照测试协议可以分为闭集模式和开集模式；其中闭集和开 集分别指的是训练集包括测试仪和训练集不包括测试集；闭集结构只能实现闭集模式，而 开集结构可以同时实现闭集模式和开集模式；闭集结构只能识别已经被神经网络训练过的 类别，而开集结构可匹配任意的指静脉样本，无需进行重练。 由于训练集包含测试集的所有类别，闭集模式在开集架构和闭集架构中都具有更 高的识别准确率以及更小的测试集与训练集间的性能差异。但实际情况下训练集不可能包 含待测样本的全部类别，因此闭集模式无法反映实际应用中的性能。与闭集模式不同，开集 模式是一种训练集不包含任何测试集类别的方法。该模式的测试集可以来自同一数据库的 未参与训练的类别，也可以是其他独立的数据库。使用独立的数据集进行测试能体现完全 的实用性。但是由于开集模式缺少训练数据，很难对卷积神经网络进行充分的训练，这导致 训练集和测试集的性能之间存在显著差异，也就是过拟合问题。因此对开集模式的研究主 要是如何解决过拟合以提高性能。 目前的指静脉识别系统多基于深层卷积网络，然而深层卷积网络从简单模式的指 静脉中提取特征不仅浪费算力，并且会导致训练的过拟合，也就是说从简单模式和小规模 训练集中过度提取特征会降低测试集的性能；且深层卷积神经网络框架不能同时实现闭集 结构和开集结构。
技术实现要素：
本申请提供了一种基于浅层卷积神经网络的指静脉识别系统，以解决深层卷积网 络过拟合且不能同时实现闭集结构和开集结构的技术问题。 为了解决上述技术问题，本申请实施例公开了如下技术方案： 本申请提供了一种基于浅层卷积神经网络的指静脉识别系统，所述系统包括： 第一卷积模块，包括第一卷积层、第一池化层及第一批处理规范化层； 第二卷积模块，包括第二卷积层、第二池化层及第二批处理规范化层； 第三卷积模块，包括第三卷积层、第三池化层及第三批处理规范化层； 第一全连接层； 4 CN 111597927 A 说　明　书 2/7 页 第二全连接层；其中： 当为闭集结构时，所述第二全连接层采用的损失函数为： 其中，yi为第i个样本的标签，n为样本数， 为所述第二全连接层输出向量z的第 yi个神经元输出，λ取0.01或0.001，w为所述第一卷积层、所述第二卷积层、所述第三卷积 层、所述第一全连接层和所述第二全连接层的权重向量； 当为开集结构时，所述第二全连接层采用的损失函数为： 其中， n为样本数，S为用于数值缩放的比例因子，m为区间参数， 为 和fi间的角 度的余弦值， wi和wj分别为所述第一全 连接层和所述第二全连接层间第i维和第j维的权重向量。 可选的， 通过 获得，其中c是分类的类别数， 与zj分别为所述第 二全连接层输出向量z的第yi个和第j个神经元输出。 可选的，当为闭集结构时，所述第二全连接层采用的损失函数的获取方法为： 所述第二全连接层的输出向量Z使用Softmax损失函数进行非线性激活得到激活 值； 利用所述激活值计算交叉熵损失函数，加入正则化项后得到所述第二全连接层采 用的损失函数。 可选的，当为开集结构时，所述第二全连接层采用的损失函数的获取方法为： 根据所述第一全连接层的输出特征f、第一全连接层和第二全连接层之间的权重 向量w和偏移b来表示第二全连接层的输出结果z； 根据内积运算得到初始损失函数，所述初始损失函数包括角度约束和距离约束； 去掉所述距离约束得到二次损失函数； 对所述二次损失函数增加用于增大惩罚力度的区间参数和用于数值缩放的比例 因子得到三次损失函数； 在所述三次损失函数的基础上增加P得到所述第二全连接层采用的损失函数。 可选的，所述第一全连接层和所述第二全连接层之间设有Dropout层。 可选的，所述第一批处理规范化层、第二批处理规范化层及第三批处理规范化层 的输出计算公式为 其中al为第l池化层输出，Var[al]和E[al]分 别是al的方差和期望，γ和β为两个可学习参数，∈为极小正数。 可选的，所述第一卷积层、所述第二卷积层和所述第三卷积层均使用Relu激活函 数。 可选的，所述第一池化层、所述第二池化层和所述第三池化层均采用最大池化方 式下采样。 5 CN 111597927 A 说　明　书 3/7 页 与现有技术相比，本申请的有益效果为： 由上述方案可见，本申请提供的基于浅层卷积神经网络的指静脉识别系统中，系 统包括三个卷积模块，两个全连接层，每个卷积模块均包括卷积层、池化层及批处理规范化 层，可见该系统为浅层卷积神经网络框架，避免了深层卷积神经网络由于过度提取特征而 导致过拟合的问题；该架构经过三个卷积模块最终得到了4×4×48的特征图，使用这种大 小的特征映射在保留了指静脉信息的同时能显著降低后续第一全连接层和第二全连接层 的参数量，提高了前向传播速度；该网络具有足够的提取指静脉特征的能力，并且比许多深 层卷积神经网络具有更强的识别性能。 本申请提供的基于浅层卷积神经网络的指静脉识别系统使用了三层结构，训练周 期短，而且容易收敛，所以在使用重训的方式实现闭集架构的实用化是可行的；在开集架构 中我们使用第一全连接层的输出作为网络的降维特征输出，第一全连接层和第二全连接层 之间的映射关系可以通过修改损失函数来调整，利用改进的基于区间的损失函数对网络进 行优化，通过前向传播得到的第一全连接层输出作为特征向量，通过测量特征向量间的余 弦值，得到两个输入样本之间的相似度，在此基础上实现开集识别；因此，闭集架构和开集 架构之间的切换只需通过改变改进的损失函数即可实现，本申请提供的浅层卷积神经网络 框架不能同时实现闭集结构和开集结构的指静脉识别。 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不 能限制本申请。 附图说明 为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的基于浅层卷积神经网络的指静脉识别系统结构示意 图； 图2为本申请实施例提供的适用于闭集结构的基于浅层卷积神经网络的指静脉识 别系统结构示意图； 图3为本申请实施例提供的适用于开集结构的基于浅层卷积神经网络的指静脉识 别系统结构示意图； 图4为本申请实施例中第i类和j类的模型分类边界的分类结果示意图； 图5为本申请实施例提供的适用于开集结构的优化后的损失函数的优化结构示意 图。