《Sensors》:An Efficient Finger Vein Recognition Method Based on Improved Lightweight MobileNet
Xuhui Zhang,
Yuxi Liu,
Yixin Yan,
Jiabin Li and
Lei Xu
编辑推荐:
手指静脉识别已成为一种高度稳健且本质稳定的生物特征识别技术,在身份认证和智能安全应用中展现出巨大潜力。然而,传统方法在特征表示和计算效率方面仍存在限制,特别是在光照变化、姿态偏差和噪声干扰等挑战性条件下。为了解决这些问题,研究人员提出了一种基于轻量级卷积神经网
手指静脉识别已成为一种高度稳健且本质稳定的生物特征识别技术,在身份认证和智能安全应用中展现出巨大潜力。然而,传统方法在特征表示和计算效率方面仍存在限制,特别是在光照变化、姿态偏差和噪声干扰等挑战性条件下。为了解决这些问题,研究人员提出了一种基于轻量级卷积神经网络(LCNN)的高效手指静脉识别方法。该框架集成了多阶段图像预处理流程,用于自动静脉区域检测、高级去噪和精细纹理增强,随后在轻量级深度网络中进行紧凑特征建模。在公共山东大学机器学习与应用-同源多模态特征(SDUMLA-HMT)数据集和自建的实验室手指静脉(Lab-Vein)数据集上进行的大量实验验证了所提出方法的优越性,分别达到了97.1%和98.3%的识别准确率,超越了现有基准模型。此外,该模型在参数复杂度和计算成本方面显著降低,平均推理时间仅为12.6 ms,证实了其强大的实时能力和适合嵌入式部署的适用性。总体而言,所提出的方法在准确性和效率之间取得了理想的平衡,为轻量级生物特征识别系统的发展提供了有意义的启示。
该论文发表在《Sensors》期刊上,针对手指静脉识别领域传统方法在光照变化、姿态偏差和噪声干扰等条件下特征表示能力不足及计算效率低下的问题,研究人员提出了一种基于改进轻量级MobileNet的高效识别框架。研究背景指出,手指静脉识别因活体检测、抗伪造和隐私保护等优势而广泛应用,但早期手工特征方法敏感度较高,而深度模型虽性能优异却因参数量大难以在嵌入式平台实时部署。为此,研究旨在通过轻量化网络设计(LCNN)平衡识别精度与计算效率,并优化预处理流程提升鲁棒性。
研究人员在公共SDUMLA-HMT数据集(106名志愿者,每名采集6指)和自建Lab-Vein数据集(20名志愿者,每名采集10指,每指10张图像,经增强至约8000样本)上评估了所提方法。主要技术方法包括:多阶段图像预处理流程(先通过自适应阈值与形态学操作定位感兴趣区域(ROI),再采用对比度受限自适应直方图均衡化(CLAHE)、中值滤波、高斯滤波、小波软阈值去噪及线性融合增强纹理,最后利用Otsu阈值分割和基于查找表的骨架化提取稳定静脉结构)和LCNN网络架构(基于倒残差线性瓶颈结构、通道混洗操作、挤压激励(SE)通道注意力机制及h-swish6激活函数,设计四种轻量化卷积模块,实现多尺度特征融合与通道交互,参数仅2.1M,FLOPs低至0.62G)。
研究结果部分如下:
**5.3.1. 公共数据集SDUMLA-HMT上的结果**
与ViT-Cap、ALANet、FV-EffResNet、VeinKAN等模型对比,LCNN在SDUMLA-HMT上识别准确率达97.1%,等错误率(EER)为0.81%,推理时间仅3.6 ms。训练精度曲线和损失曲线显示其收敛更快且最终精度最高,ROC曲线也表明其在不同阈值下真阳性率最高。
**5.3.2. 自建Lab-Vein数据集上的实验结果与分析**
与VGG-16、GoogLeNet、MobileNetV2、EfficientNet-B0、ShuffleNetV2对比,LCNN在Lab-Vein上准确率达98.3%,F1分数97.5%,EER低至0.32%,敏感度和精确度均超97%。参数和FLOPs仅为VGG-16的1.5%和1.2%,比MobileNetV2减少约40%,平均推理时间12.6 ms(加速5.3倍)。Grad-CAM注意力热图显示LCNN聚焦于中心血管区域,特征定位能力更优。
**5.3.3. 消融实验**
在Lab-Vein上以仅含倒残差和深度可分离卷积的基线网络为基准,逐步添加SE模块、通道混洗、h-swish6及Block-3多尺度结构。结果显示,单独添加SE或混洗均提升准确率和F1分数,两者同时引入效果更优,完整LCNN(Full)达最佳性能。模型复杂度方面,各模块引入后参数和FLOPs仅适度增加,推理时间仍满足实时要求,验证了精度与效率的良好平衡。
总结讨论部分:研究提出基于LCNN的手指静脉识别框架,通过多阶段预处理提升纹理清晰度,轻量化结构在保持特征表示能力下大幅降低参数和计算成本,实现高实时性与鲁棒性。实验在SDUMLA-HMT和Lab-Vein上分别取得97.1%和98.3%准确率,推理时间12.6 ms,满足嵌入式低功耗设备需求。尽管结果有效,当前实验仅限于受控条件下的静态图像,未充分探索跨设备与超低功耗环境适应性。未来工作将聚焦于通过自适应学习和特征迁移机制提升跨设备与跨光照泛化能力,并研究硬件级优化与模型压缩技术,以促进在智能终端和物联网中的高效部署。
翻译研究结论部分:本研究提出了一种基于轻量级卷积神经网络(LCNN)的高效且鲁棒的手指静脉识别框架,旨在克服传统算法在光照变化、图像噪声和模型复杂度方面的固有局限。设计的多阶段图像预处理流程能够精确描绘和增强静脉区域,改善纹理清晰度并确保一致的输入质量。在此基础上,所提出的LCNN采用结构优化的架构,大幅降低了参数数量和计算成本,同时保持强大的特征表示能力。因此,该模型在实际应用条件下实现了高实时性和鲁棒性。在公开SDUMLA-HMT数据集和自建Lab-Vein数据集上的实验分别取得了97.1%和98.3%的识别准确率,优于多个现有轻量级网络。平均每帧推理时间仅12.6 ms,满足嵌入式低功耗设备的实时要求,在识别精度与计算效率之间实现了平衡折中。