级联优化CNN的手指静脉图像质量评估

摘要：

目的 针对手动设计的手指静脉质量特征计算过程复杂、鲁棒性差、表达效果不理想等问题,提出了基于级联优化CNN(卷积神经网络)进行多特征融合的手指静脉质量评估方法.方法 以半自动化方式对手指静脉公开数据库MMCBNU_6000进行质量标注并用R-SMOTE(radom-synthetic minority over-sampling technique)算法平衡类别;将深度学习中的CNN结构应用到手指静脉质量评估并研究了不同的网络深度对表征手指静脉质量的影响;受到传统方法中将二值图像和灰度图像结合进行质量评估的启发,设计了两种融合灰度图像和二值图像的质量特征的模型:多通道CNN(MC-CNN)和级联优化CNN(CF-CNN),MC-CNN在训练和测试时均需要同时输入二值图像和灰度图像,CF-CNN在训练时分阶段输入二值图像和灰度图像,测试时只需输入灰度图像.结果 本文设计的3种简单CNN结构(CNN-K,K=3,4,5)在MMCBNU_6000数据库上对测试集图像的分类正确率分别为93.31％、93.94％、85.63％,以灰度图像和二值图像分别作为CNN-4的输入在MMCBNU_6000数据库上对测试集图像的分类正确率对应为93.94％、91.92％,MC-CNN和CF-CNN在MMCBNU_6000数据库上对测试集图像的分类正确率分别为91.44％、94.62％,此外,与现有的其他算法相比,CF-CNN在MMCBNU_6000数据库上对高质量测试图像、低质量测试图像、整体测试集图像的分类正确率均最高.结论 实验结果表明,基于CF-CNN学习到的融合质量特征比现有的手工特征和基于单一静脉形式学习到的特征表达效果更好,可以有效地对手指静脉图像进行高、低质量的区分.

关键词：手指静脉质量评估、卷积神经网络、特征融合、多通道CNN、级联优化CNN

所属期刊栏目：24

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金项目61771347,61372193;广东高等学校优秀青年培养计划项目SYQ2014001;广东省特色创新类项目2017KTSCX181;广东省青年创新人才类项目2017KQNCX206,2015KQNCX172;五邑大学青年科研基金2015zk11;江门市科技计划项目江科[2017]268

在线出版日期：2019-07-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：902-913