《Sensors》:Research on the Influence of Substrate Surface Roughness on the Sensing Performance of Fiber Bragg Gratings
Jiongyao Du,
Yongxing Guo,
Yongjian Gong,
Chang Liu and
Jian Lu
编辑推荐:
指静脉识别作为一种高度鲁棒且内在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,尤其在光照变化、姿态偏差和噪声干扰等挑战性条件下。为应对这些挑战,本研究提出了一种基于轻量级卷积神经网络(lig
指静脉识别作为一种高度鲁棒且内在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,尤其在光照变化、姿态偏差和噪声干扰等挑战性条件下。为应对这些挑战,本研究提出了一种基于轻量级卷积神经网络(lightweight convolutional neural network, LCNN)架构的高效指静脉识别方法。该框架集成了一个多阶段图像预处理管线,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内进行紧凑的特征建模。在公共的山东大学机器学习与数据挖掘实验室同源多模态特征(Shandong University Machine Learning and Applications-Homologous Multi-Modal Traits, SDUMLA-HMT)数据集以及自采集的实验室指静脉(Laboratory Finger-Vein, Lab-Vein)数据集上进行的大量实验验证了所提方法的优越性,分别达到97.1%和98.3%的识别准确率,超过了现有基准模型。此外,该模型在参数复杂度和计算成本上显著降低,平均推理时间仅为12.6毫秒,证实了其强大的实时能力及适合嵌入式部署。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。
# 论文解读:基于轻量级卷积神经网络的指静脉识别方法
## 研究背景与问题
随着信息安全的日益重要,生物特征识别技术在过去十年中得到了广泛研究。在众多模态中,指静脉(finger vein)识别凭借其活体检测能力强、抗伪造性高以及隐私保护性好等内在优势,成为一种备受关注的生物特征认证方式。然而,指静脉图像通常具有微弱的纹理特征和固有的低对比度,极易受到光照变化和手指姿态变化的影响,这给特征提取和匹配过程的鲁棒性和可靠性带来了巨大挑战。早期的指静脉识别研究主要依赖传统图像处理技术和手工特征提取方法,如最大曲率(maximum curvature)、重复线跟踪(repeated line tracking)和Gabor滤波。这些方法虽然结构简单,但对成像条件变化高度敏感,鲁棒性有限。随着深度学习的快速发展,卷积神经网络(convolutional neural network, CNN)被引入指静脉识别,实现了多级静脉纹理特征的自动提取,显著提升了识别性能。然而,这些模型通常具有深层次架构、大参数量和高计算成本,阻碍了其在移动或嵌入式平台上的实时应用。为实现性能与效率的平衡,近年来研究日益关注轻量级网络设计。这些紧凑架构采用深度可分离卷积(depthwise separable convolution)、特征压缩和注意力机制(attention mechanism)来有效减轻计算负担,同时保持有竞争力的准确率。尽管轻量级网络在通用图像识别任务中表现出色,但由于特征表示能力不足以及局部和全局纹理信息建模的不平衡,其直接应用于指静脉识别仍然面临挑战。为此,本研究提出一种基于轻量级卷积神经网络(lightweight convolutional neural network, LCNN)的指静脉识别框架,旨在实现计算效率与识别准确率之间的最佳平衡,从而增强在资源受限环境中的可部署性和识别鲁棒性。
## 主要关键技术方法
研究人员提出了一种多阶段图像预处理管线,包括感兴趣区域(region of interest, ROI)定位、图像增强与去噪,以及静脉分割与骨骼化,以获取稳定一致的静脉特征。具体来说,采用基于自适应阈值和形态学运算的自动ROI提取算法,利用对比度受限自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)进行增强,随后进行中值滤波、高斯滤波和小波软阈值去噪,并采用线性融合策略结合原始图像与去噪图像。静脉分割采用Otsu阈值法,骨骼化采用基于查找表(look-up table, LUT)的8邻域像素细化算法。在特征提取方面,研究人员设计了一个轻量级卷积神经网络(LCNN),整合了MobileNetV2的倒残差线性瓶颈结构、ShuffleNet的通道混洗(channel shuffle)操作、MobileNetV3的h-swish激活函数以及压缩-激励(Squeeze-and-Excitation, SE)通道注意力机制。网络由初始卷积层、四个渐进式特征抽象阶段和分类头组成,每个阶段定制设计了四种轻量级卷积模块,分别实现下采样、跨组信息交互、多尺度增强和特征补偿。实验在公共的山东大学机器学习与数据挖掘实验室同源多模态特征(SDUMLA-HMT)数据集(106名志愿者,6根手指)和自采集的实验室指静脉(Lab-Vein)数据集(20名志愿者,10根手指,每指10幅图像,经增强扩增至约8000样本)上进行,采用主题分离的分割策略(8:2比例),使用Adam优化器,初始学习率0.001,批大小100,训练轮次200。
## 研究结果
### 5.3.1 在公共数据集SDUMLA-HMT上的结果
研究人员选择了四种代表性的指静脉识别网络(ViT-Cap、ALA-Net、FV-EffResNet、VeinKAN)作为比较基线。训练和验证准确率曲线显示,所有模型在前30个 epoch 内准确率快速上升,随后逐渐稳定,LCNN在早期训练阶段表现更快,且在整个训练过程中始终达到最高准确率。损失曲线显示LCNN实现最平滑且最低的损失轨迹,表明更有效的特征提取优化、更快的收敛和更好的训练稳定性。LCNN达到97.1%的最高识别准确率,比ViT-Cap高出3.6个百分点,比VeinKAN高出0.9个百分点,同时等错误率(equal error rate, EER)仅为0.81%,参数量2.1M,推理延迟3.6毫秒,在准确率、鲁棒性和计算效率之间实现了优秀平衡。受试者工作特征(Receiver Operating Characteristic, ROC)曲线显示LCNN在不同阈值下始终具有更高的真阳性率,验证了其优越的验证鲁棒性。
### 5.3.2 在自建Lab-Vein数据集上的实验结果与分析
研究人员选取了VGG-16、GoogLeNet、MobileNetV2、EfficientNet-B0和ShuffleNet-V2作为比较基线。准确率曲线显示LCNN始终达到最高准确率,损失曲线显示LCNN具有最快的损失降低速度和最低最稳定的后期值。LCNN达到最高的准确率和F1分数,最低的EER(0.32%),敏感度和精确率均超过97%,表明优越的验证可靠性和分类稳定性。与MobileNet V2相比,F1分数高出1.7个百分点。在参数和计算成本方面,LCNN的参数量和FLOPs仅为VGG-16的1.5%和1.2%,相比MobileNet-V2进一步减少约40%,平均推理延迟12.6毫秒,仅为VGG-16的19%(5.3倍加速)。ROC曲线显示LCNN在低假阳性率区域具有明显优势,表明更强的可分离性。Grad-CAM注意力热图显示LCNN主要聚焦于中心血管区域,而EfficientNet-B0注意力分散,证实了LCNN更强的判别性特征定位能力。
### 5.3.3 消融研究
在Lab-Vein数据集上,基线网络仅包含倒残差块和深度可分离卷积,逐步引入SE模块、通道混洗机制、以及完整LCNN(含h-swish6和Block-3多尺度结构)。SE模块引入后准确率和F1分数显著提升,表明其通过通道重新校准增强了判别性静脉特征提取,抑制了冗余背景。通道混洗机制单独加入时也提升了性能,表明其有效促进了跨通道信息交互。两者同时引入时性能优于单一模块,表明互补协同效应。完整模型加入多尺度结构和h-swish6后达到最佳准确率,表明多尺度特征提取和增强的非线性激活函数进一步提升了表示能力。模型复杂度方面,SE和多尺度结构带来中等程度的参数和计算增加,但整体复杂度仍保持较低,推理时间仅略有增加,满足实时性要求。
## 总结与讨论
本研究提出了一种基于轻量级卷积神经网络(LCNN)的高效且鲁棒的指静脉识别框架,旨在克服传统算法对光照变化、图像噪声和模型复杂度高的固有局限。设计的多阶段图像预处理管线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,大幅降低了参数量和计算成本,同时保持了强大的特征表示能力,从而在实际应用条件下实现了高实时性和鲁棒性。在SDUMLA-HMT公共数据集和自采集Lab-Vein数据集上的实验结果分别达到97.1%和98.3%的识别准确率,优于若干现有轻量级网络。每幅图像平均推理时间为12.6毫秒,满足了嵌入式低功耗设备的实时性要求,实现了识别准确率与计算效率之间的平衡。
尽管所提出的LCNN展示了有希望的结果,但仍存在若干局限。当前实验局限于受控条件下采集的静态指静脉图像,可能无法充分反映实际变化。此外,模型对不同硬件平台和超低功耗环境的适应性尚未被充分探索。未来工作将集中于通过自适应学习和特征迁移机制改进跨设备和跨光照泛化能力,以及研究硬件级优化和模型压缩技术,以促进在智能终端和物联网(Internet of Things, IoT)应用中的高效部署。