本發(fā)明屬于信息安全的身份驗證領(lǐng)域，具體涉及到一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗證身份識別方法。

背景技術(shù)：

指靜脈驗證作為一種新興的生物特征驗證方法備受關(guān)注，因其具有諸多優(yōu)勢包括安全性和便利性。采集的指靜脈很難被偽造和假冒。因此，指靜脈的驗證與廣泛應(yīng)用的指紋驗證相比更具安全性。同時，指靜脈圖像采用非侵犯和非接觸的采集方式，方便用戶使用。

在近二十年，有許多著名的指靜脈驗證方法被提出。日本著名研究員naotomiura等人于2004年提出基于重復(fù)線跟蹤的特征提取方案的指靜脈驗證方法。naotomiura等人又于2007年利用最大曲率點改進(jìn)指靜脈特征提取算法。黃貝寧等人于2010年提出一種基于寬線檢測的算子和模式歸一化的指靜脈驗證新方法。目前，黃貝寧等人的方法因其較高的準(zhǔn)確率，被廣泛應(yīng)用在商業(yè)領(lǐng)域的指靜脈驗證系統(tǒng)。2010年以來，生物特征驗證技術(shù)發(fā)展迅速。更多的指靜脈驗證方法被提出。一些方法主要集中在改進(jìn)特征提取方法包括細(xì)節(jié)點的頻譜特征表示和改進(jìn)的細(xì)節(jié)點的頻譜特征表示。

然而，指靜脈驗證方法在實踐中仍然存在許多挑戰(zhàn)。最重要的問題仍然是個人身份驗證的準(zhǔn)確率。在第一屆和第二屆的指靜脈識別競賽中，本發(fā)明觀察到，指靜脈驗證算法在被評測時，雖然該算法在實驗室收集的數(shù)據(jù)庫上得到一個比較低的錯誤率，但該算法在從實際應(yīng)用收集的數(shù)據(jù)集上應(yīng)用卻得不到一個可接受的錯誤率。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明的目的在于提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗證身份識別方法。

本發(fā)明設(shè)計了一個擬合指靜脈特征的訓(xùn)練集大小和圖像大小的深度卷積神經(jīng)網(wǎng)絡(luò)，在深度卷積神經(jīng)網(wǎng)絡(luò)上進(jìn)行指靜脈特征匹配獲得更好效果。本發(fā)明通過難分樣本挖掘的dcnn訓(xùn)練策略能提高該方法的準(zhǔn)確率和加速整個訓(xùn)練過程。

本發(fā)明的技術(shù)方案為：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗證身份識別方法，其步驟為：

1)采集或選取多個樣本圖像，即指靜脈近紅外圖像；其中，每一手指對應(yīng)至少兩個樣本圖像；

2)對于每一所述近紅外圖像，生成一指靜脈特征模板；

3)利用各所述指靜脈特征模板訓(xùn)練基于深度卷積神經(jīng)網(wǎng)絡(luò)，得到一個將同一手指的一對指靜脈特征模板映射到一個相似度的基于深度卷積神經(jīng)網(wǎng)絡(luò)；

4)利用訓(xùn)練后的基于深度卷積神經(jīng)網(wǎng)絡(luò)計算待驗證指靜脈近紅外圖像的指靜脈特征模板與每一樣本圖像的指靜脈特征模板的相似度，并據(jù)相似度判斷兩者是不是同一個手指的指靜脈近紅外圖像。

進(jìn)一步的，該基于深度卷積神經(jīng)網(wǎng)絡(luò)由不同類型的26層組成，第1層是輸入層，第26層是輸出層，第h層的輸出作為第h+1層的輸入；其中，第1、3層為卷積層，包括64個濾波器，第6、8層為卷積層，包括128個濾波器，第11、13、15、18、20、22為卷積層，包括256個濾波器；第5、10、17、24層為池化層；第2、4、7、9、12、14、16、19、21、23激勵層；第25、26層為全連接層。

進(jìn)一步的，所述卷積層用于對輸入數(shù)據(jù)進(jìn)行線性乘積求和得到輸入數(shù)據(jù)的卷積特征；所述池化層用于對卷積特征降維，將卷積特征劃分為數(shù)個nxn的不相交區(qū)域，用這些區(qū)域的最大特征來表示降維后的卷積特征；所述激勵層為校正線性激活函數(shù)。

進(jìn)一步的，將同一手指的兩個指靜脈特征模板分別重置為128x128像素大?。蝗缓髮⑵錇橐粋€2通道的128x128像素大小的圖像后輸入到該基于深度卷積神經(jīng)網(wǎng)絡(luò)的第一層。

進(jìn)一步的，所述校正線性激活函數(shù)為relu函數(shù)，relu函數(shù)對于輸入x計算f(x)＝max(0,x)，當(dāng)x＜0時，f(x)＝0，當(dāng)x＞0時，f(x)＝x。

進(jìn)一步的，利用各所述指靜脈特征模板訓(xùn)練基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法為：

11)選取n對指靜脈特征模板作為訓(xùn)練集；輸入n對指靜脈特征模板的全部像素值x和基于深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重向量θ到該基于深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

12)計算權(quán)重向量θ的損失函數(shù)j(θ)的損失值；

13)根據(jù)損失函數(shù)j(θ)的損失值，按照梯度下降算法，每次從訓(xùn)練集中隨機選擇一個樣本(xi,yi)進(jìn)行學(xué)習(xí)，計算每個參數(shù)θi對應(yīng)的梯度；然后朝著梯度相反方向去調(diào)整學(xué)習(xí)速率，以更新權(quán)重向量θ來達(dá)到損失函數(shù)的極小值點；其中，θi為權(quán)重向量θ的第i維，xi為一個特征模板對，yi為xi的分類標(biāo)簽。

進(jìn)一步的，所述梯度下降算法為：首先采用公式計算動量vt，然后按照公式θ：＝θ-vt計算權(quán)重向量θ；其中，α為學(xué)習(xí)速率，參數(shù)γ為動量項超。

進(jìn)一步的，所述梯度下降算法為：首先按照公式計算損失值j(θ)；然后計算梯度及更新權(quán)重向量θ；其中n是樣本數(shù)，m是特征向量θ的維數(shù)。

進(jìn)一步的，生成所述指靜脈特征模板的方法為：首先對每個指靜脈近紅外圖像進(jìn)行歸一化處理，然后利用歸一化寬線檢測算法從歸一化的圖像中提取靜脈線上的所有點作為指靜脈特征模板。

進(jìn)一步的，利用歸一化寬線檢測算法從歸一化的圖像中提取靜脈線上的所有點作為指靜脈特征模板的方法為：設(shè)指靜脈近紅外圖像為f，指靜脈特征模板為v，對v中背景部分的像素值設(shè)為0、靜脈區(qū)域部分的像素值設(shè)為255；然后對f中每一個點(x0，y0)，計算距離該點(x0,y0)在r個像素之內(nèi)的圓形鄰域，點(x,y)為鄰域內(nèi)的點，n(x0,y0)是圓形鄰域；然后計算v中的每一點v(x0,y0)的像素值，同時標(biāo)記出v中的線條與背景；然后提取該線條中的所有點作為指靜脈特征模板；其中根據(jù)公式

計算v中的每一點v(x0,y0)的像素值，t為設(shè)置的閾值。

與現(xiàn)有技術(shù)相比，本發(fā)明的積極效果為：

本發(fā)明同時遵循icb-2016指靜脈識別競賽(以下簡稱fvrc2016)指定的評測協(xié)議，通過實驗來評測本發(fā)明提出的方法。結(jié)果表明，本發(fā)明提出的基于dcnn的方法與商業(yè)級指靜脈驗證系統(tǒng)相比獲得更好的性能。由此可見，在訓(xùn)練集是大規(guī)模的情況下，深度卷積神經(jīng)網(wǎng)絡(luò)在指靜脈圖像匹配過程中獲得好效果。本發(fā)明也證明了含有難分樣本挖掘的dcnn的訓(xùn)練策略能在準(zhǔn)確率方面提高方法的性能和加速整個訓(xùn)練過程，實驗證明，難分樣本挖掘的訓(xùn)練策略使整個訓(xùn)練過程快了近兩倍的速度。

附圖表說明

圖1為本發(fā)明的方法流程圖。

圖2為寬線特征提取算法。

圖3為本發(fā)明的方法在ds1，ds2，ds3測試集訓(xùn)練集上獲得的即等錯率(eer)。

具體實施方式

下面結(jié)合附圖對本發(fā)明進(jìn)行進(jìn)行詳細(xì)描述。

本發(fā)明的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的指靜脈驗證身份識別方法流程如圖1所示，其步驟為：

1)采集：使用指靜脈圖像采集裝置獲取手指靜脈的近紅外圖像。

2)注冊：對采集的每個指靜脈原始圖像進(jìn)行歸一化處理，然后進(jìn)行歸一化寬線檢測算法的特征提取，生成一個指靜脈特征模板。

3)匹配：首先使用基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法計算上述特征模板和已注冊人對應(yīng)手指的特征模板的相似度，并據(jù)相似度判斷兩者是不是同一個手指。

進(jìn)一步的，所述步驟1)中，本發(fā)明所使用的指靜脈原始圖像來自北京大學(xué)的指靜脈數(shù)據(jù)集，該數(shù)據(jù)集已有累計超過300,000多個手指的指靜脈數(shù)據(jù)圖像約700,000張。這些圖像是使用由指靜脈采集設(shè)備在室內(nèi)環(huán)境中采集到的，每一手指分別采集5個指靜脈圖像。該數(shù)據(jù)集被分為兩組，稱為訓(xùn)練集和驗證集。驗證集有其中的300個手指的1500個指靜脈數(shù)據(jù)圖像。其余的手指的靜脈圖像作為訓(xùn)練集。fvrc2016競賽使用的三個數(shù)據(jù)集(ds1，ds2，ds3)是評測實驗采用的測試集。表1列出了這三個數(shù)據(jù)集的相關(guān)信息。

表1為ds1，ds2，ds3測試集的相關(guān)信息表

進(jìn)一步的，所述步驟2)中，根據(jù)文獻(xiàn)b.huang,y.dai,r.li,d.tang,andw.li.finger-veinauthenticationbasedonwidelinedetectorandpatternnormalization.inpatternrecognition(icpr),201020thinternationalconferenceon,pages1269–1272.ieee,2010.采用如下注冊方法，其步驟為：

21)歸一化：該方法僅對采集的指靜脈圖像實現(xiàn)預(yù)處理，包括首先對該圖像改變大小，將指靜脈圖像大小重置為原來的四分之一，即該圖像大小從384x512像素調(diào)整到96x128像素。然后進(jìn)行正弦增強、找手指外輪廓、計算回歸方程、簡單降噪和幾何變換等常規(guī)算法處理。

22)寬線檢測：這個步驟是可選的。該方法使用寬線檢測算子從歸一化的圖像中提取靜脈線上的所有點作為指靜脈特征模板其算法描述如下：

如附圖2所示，設(shè)指靜脈原圖為f，指靜脈特征模板為v，這里的f和v都是8位96x128像素的位圖。定義的v中的像素值，作為背景部分是0值，作為靜脈區(qū)域部分是255值。

第1步：對f中每一個點(x0,y0)，按(1)式計算距離在r個像素之內(nèi)的圓形鄰域，點(x,y)為鄰域內(nèi)的點，n(x0,y0)是圓形鄰域。

第2步：按(2)-(4)式計算v中的v(x0,y0)，同時標(biāo)記出v中的線條與背景。

這里設(shè)置半徑r＝5，閾值t＝1和g＝41。

進(jìn)一步的，所述步驟3)中，匹配任務(wù)是通過自主研發(fā)的一個深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)、來完成，該網(wǎng)絡(luò)將一對特征模板映射到一個相似度。該網(wǎng)絡(luò)由不同類型的26層組成。表2顯示的是這些層的詳細(xì)信息，其中conv是卷積層，用于線性乘積求和。relu是激勵層，同時是校正線性激活函數(shù)。maxpool是最大池化層，用于非線性降采樣。fc是全連接層。第1層是輸入層，第26層是輸出層，中間的每個層h與層h+1緊密相聯(lián)，即層h的輸出作為層h+1的輸入。

表2為深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)表

在注冊方法中創(chuàng)建的同一手指的兩個特征模板是兩個1通道的圖像。本發(fā)明首先將該兩個模板分別重置為128x128像素大小。然后合并這兩個模板為一個2通道的128x128像素大小的圖像，并將它們直接送到學(xué)習(xí)網(wǎng)絡(luò)的第一隱藏卷積層。

進(jìn)一步的，這個研發(fā)的深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)策略為：

31)優(yōu)化：本發(fā)明用有監(jiān)督方式訓(xùn)練執(zhí)行匹配任務(wù)的深度神經(jīng)網(wǎng)絡(luò)。

311)該網(wǎng)絡(luò)各層描述如下：

對于一個2x128x128像素大小的指靜脈特征模板，第1、3卷積層定義64個3x3像素大小的濾波器(filter)，滑動的步長(stride)為1，填充(pad)為1。第6、8卷積層定義128個該濾波器。第11、13、15、18、20、22卷積層定義該濾波器256個。對于64個卷積特征，每個3x3像素大小的濾波器與特征模板卷積會得到每個大小為128x128像素的特征模板64個，直到第3卷積層對圖像進(jìn)行卷積操作提取輸入圖像的內(nèi)在特征后，得到每個特征模板大小為128x128像素。第5、10、17、24池化層通過最大池采樣方法對卷積特征降維，將卷積特征劃分為數(shù)個nxn的不相交區(qū)域，用這些區(qū)域的最大特征來表示降維后的卷積特征，所用的濾波器大小為2x2像素，滑動的步長為2，填充為0。比如第3卷積層的64個特征模板經(jīng)過第5池化層降采樣后，得到64個大小為64x64像素的特征模板。其他層工作原理同理。

第2、4、7、9、12、14、16、19、21、23激勵層使用的激活函數(shù)是relu，relu函數(shù)對于輸入x計算f(x)＝max(0,x)。當(dāng)x＜0時，f(x)＝0，當(dāng)x＞0時，f(x)＝x。從而加速收斂。

通過以上各步驟后特征模板被降解為單像素特征模板以進(jìn)行分類操作。為防止模型過擬合，訓(xùn)練過程中第25層使用了文獻(xiàn)srivastavan,hintong,krizhevskya,etal.dropout:asimplewaytopreventneuralnetworksfromoverfitting[j].journalofmachinelearningresearch,2014,15(1):1929-1958.中的dropout技術(shù)以防止訓(xùn)練的過擬合。同時第25層通過全連接的方式和最后一層輸出層連接，輸出最終分類結(jié)果。結(jié)果越接近1，表示這對特征模板有更大的可能來自同一個手指；結(jié)果越接近0，表示這對特征模板有更大的可能來自不同的兩個手指。

本發(fā)明的深度神經(jīng)網(wǎng)絡(luò)的最后一層(即表2中的第26層)是邏輯回歸模型的分類器，應(yīng)用邏輯回歸算法，解決二分類問題。在邏輯回歸模型中，訓(xùn)練集由n個帶標(biāo)簽的特征模板對構(gòu)成：{(x1，y1)，(x2，y2),…,(xn，yn)}，其中輸入特征模板對xi∈r^2×128×128，分類標(biāo)簽為yi∈{0,1}。在訓(xùn)練階段中，hθ(x)是由表2架構(gòu)所決定的預(yù)測函數(shù)，表示結(jié)果取1的概率。g是激活函數(shù)。參數(shù)θ是本網(wǎng)絡(luò)的權(quán)重向量，向量維數(shù)m是參數(shù)的數(shù)量。初始狀態(tài)時，作為權(quán)重的參數(shù)θ被隨機初始化。輸入值x是特征模板的像素值。給定輸入值x和參數(shù)θ，(5)式給出y＝1和y＝0的概率，它們的概率和等于1。

312)該網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程：

第一步：根據(jù)輸入值x和參數(shù)θ，計算網(wǎng)絡(luò)的實際輸出，本發(fā)明將n對特征模板的全部像素值x和參數(shù)θ輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，每個批次訓(xùn)練n個樣本(n為指靜脈圖像的樣本總數(shù))。

p(y＝1|x；θ)＝hθ(x)

p(y＝0|x；θ)＝1-hθ(x)(5)

第二步：按照(6)式計算訓(xùn)練模型參數(shù)θ的損失函數(shù)j(θ)的損失值。

第三步：根據(jù)損失函數(shù)j(θ)計算值，按照(7)式所示的隨機梯度下降算法(sgd)，每次從訓(xùn)練集中隨機選擇n個樣本(xi，yi)作為一個批次進(jìn)行學(xué)習(xí)，計算每個參數(shù)θi對應(yīng)的梯度(θi為權(quán)重向量θ的第i維)，然后朝著梯度相反方向去調(diào)整學(xué)習(xí)速率α，以更新訓(xùn)練模型的參數(shù)θ來達(dá)到損失函數(shù)的極小值點(收斂)。在初始狀態(tài)，設(shè)置初始學(xué)習(xí)率α為0.01，n為64。

第四步：訓(xùn)練完畢后，在驗證階段，對未知標(biāo)簽值的輸入值x和已知的權(quán)重向量θ，按照(5)式計算出y的值。yi是指靜脈特征模板對xi對應(yīng)的0或1標(biāo)簽值。yi＝0表示指靜脈特征模板對xi不是來自同一手指。當(dāng)yi＝1表示輸入值xi是來自同一手指。

313)針對深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時存在的兩個現(xiàn)象，本發(fā)明的解決方案如下：

現(xiàn)象1：sgd會在局部極值點附近振蕩，從而導(dǎo)致收斂速度慢。

本發(fā)明采用(8)(9)式所示的增加動量的梯度下降算法。首先按照(8)式計算動量。其中動量項vt是在上一次動量項vt-1前增加一個超參數(shù)γ的基礎(chǔ)上加上梯度值乘學(xué)習(xí)速率。動量項在梯度指向方向相同的方向逐漸增大，對梯度指向改變的方向逐漸減小，從而得到了更快的收斂速度以及減弱的振蕩。然后按照(9)式計算參數(shù)θ。

θ：＝θ-vt(9)

其中初始學(xué)習(xí)率α為0.01。動量項超參數(shù)γ為0.9。

現(xiàn)象2：隨著模型訓(xùn)練的進(jìn)行，模型的特征模板數(shù)量會增加，從而模型的復(fù)雜度增加，此時模型在訓(xùn)練集上的訓(xùn)練誤差會逐漸減小，但是在模型的復(fù)雜度達(dá)到一定程度時，模型在驗證集上的誤差反而隨著模型的復(fù)雜度增加而增大。此時便發(fā)生了過擬合。

本發(fā)明采用增加l2正則項的梯度下降算法。(10)式是增加了l2范數(shù)的損失函數(shù)，其中l(wèi)2權(quán)值衰減λ取0.0005。(11)式是正則化的梯度下降算法。首先按照(10)式計算損失。然后按照(11)式計算梯度及更新特征向量θ。其中n是作為一個批次訓(xùn)練的樣本數(shù)，m是特征向量θ的維數(shù)。θj是指θ的第j維。

32)難分樣本挖掘：為了提高執(zhí)行匹配任務(wù)的網(wǎng)絡(luò)的性能，在深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練階段，本發(fā)明采用難分樣本挖掘策略。每次迭代生成一組256個隨機選擇的模板對，該模板包括128個負(fù)對和128個正對，通過網(wǎng)絡(luò)向前傳播后，計算它們的損失值。其中僅保留32個最難分類的負(fù)對和32個最難分類的正對，這些最難分類的模板對通過反向傳播來更新權(quán)值矩陣。

具體評測實驗的結(jié)果

為了評測實驗的公平和可靠，本發(fā)明使用fvrc2016競賽的數(shù)據(jù)集。該數(shù)據(jù)集量大，其指靜脈圖像是在不同環(huán)境下通過幾個商業(yè)級的驗證系統(tǒng)采集到的。所有圖像都是8位bmp格式，256級灰階和384x512像素分辨率。fvrc2016競賽使用的三個數(shù)據(jù)集(ds1，ds2，ds3)是本發(fā)明評測實驗采用的測試集。

表3列出評測實驗所用的方法。其中“n+dcnn”、“wld+dcnn-hm”和“n+dcnn-hm”是本發(fā)明的方法,“n+rtm”和“wld+rtm”被作為本發(fā)明比對的基線。

表3為評測的方法的說明

表4的前四行所列出的方法來自文獻(xiàn)y.ye,l.ni,h.zheng,s.liu,y.zhu,d.zhang,w.xiang,andw.li.fvrc2016:the2ndfingerveinrecognitioncompetition.inbiometrics(icb),2016internationalconferenceon,pages1–6.ieee,2016.描述的fvrc2016競賽。從表4可見，基于dcnn方法與其他方法相比達(dá)到所有測試集上的最好性能。本發(fā)明的方法“n+dcnn-hm”在ds1、ds2測試集上的eer分別為0.42％和1.41％，與其他方法相比達(dá)到最好效果。本發(fā)明的“wld+dcnn-hm”方法在ds3測試集上的eer為2.13％，與其他方法相比達(dá)到最好效果。

表4為評測的方法在ds1、ds2和ds3數(shù)據(jù)集上獲得的即等錯率(eer)表

表5的結(jié)果表明，本發(fā)明的方法的冊的執(zhí)行時間和匹配的執(zhí)行時間在可接受的范圍內(nèi)。

表5為評測的方法的執(zhí)行時間表

表6為各評測方法的對比結(jié)果，其中粗體數(shù)字是兩個方法之間的最好結(jié)果

(a)“n+rtm”vs“wld+rtm”

(b)“wld+rtm”vs“wld+dcnn-hm”

(c)“n+dcnn”vs“n+dcnn-hm”

(d)“wld+dcnn-hm”vs“n+dcnn-hm”

表6a的對比結(jié)果表明，在所有的測試集中，“wld+rtm”方法優(yōu)勝于“n+rtm”方法。從中可見在指靜脈驗證中寬線檢測算子有能力從原始圖像中提取有用的信息。

表6b的對比結(jié)果表明，在所有的測試集中，本發(fā)明的“wld+dcnn-hm”方法優(yōu)勝于“wld+rtm”方法。從中可見，基于dcnn的匹配方法與商業(yè)系統(tǒng)常用的魯棒的模板匹配方法(rtm)相比效果更好。

表6c的對比結(jié)果表明，在所有的測試集中，本發(fā)明的“n+dcnn-hm”方法優(yōu)勝于“n+dcnn”方法。從中可見，難分樣本挖掘的訓(xùn)練策略是行之有效的。表7的結(jié)果表明，難分樣本挖掘的訓(xùn)練策略使整個訓(xùn)練過程快了近兩倍的速度。

表6d的對比結(jié)果表明，在所有的測試集中，本發(fā)明的“wld+dcnn-hm”方法的準(zhǔn)確率與“n+dcnn-hm”方法的非常接近。從中可見，基于dcnn的匹配方法不依賴注冊階段的特征提取。

表7為基于dcnn方法的訓(xùn)練時間

本發(fā)明執(zhí)行的另一些實驗。使用不同規(guī)模大小的訓(xùn)練集來研究訓(xùn)練數(shù)據(jù)的規(guī)模大小如何影響測試集上的準(zhǔn)確率。為了訓(xùn)練，從訓(xùn)練集中隨機選擇100,000，200,000和300,000個手指類別。驗證集的規(guī)模和之前評測的規(guī)模一樣。本發(fā)明的“n+dcnn-hm”方法使用在上述訓(xùn)練集上進(jìn)行學(xué)習(xí)訓(xùn)練，然后在ds1、ds2和ds3測試集上進(jìn)行驗證，并計算其即等錯率(eer)。圖3是實驗結(jié)果。

由圖3可見，當(dāng)訓(xùn)練集規(guī)模增加，本發(fā)明的“n+dcnn+hm”方法在100,000，200,000和300,000個手指類別規(guī)模的訓(xùn)練集上訓(xùn)練的模型，在ds1、ds2和ds3測試集上測試的準(zhǔn)確率也提升。當(dāng)類別數(shù)超過200,000時，在ds1、ds2和ds3測試集上測試的準(zhǔn)確率趨于穩(wěn)定。

評測結(jié)果表明，本發(fā)明方法的準(zhǔn)確率達(dá)到目前世界最高水平。