基于PCA-RBF神经网络的手指静脉识别 A Finger Vein Recognition Method Based on PCA-RBF Neural Network

doi:10.12677/HJBM.2012.24006

设为首页加入收藏期刊导航网站地图

期刊菜单

文章导航

Hans Journal of Biomedicine 生物医学, 2012, 2 23-27

http://dx.doi.org/10.12677/hjbm.2012.24006 Published Online October 2012 (http://www.hanspub.org/journal/hjbm.html)

A Finger Vein Recognition Method Based on PCA-RBF Neural

Network*

Chengbo Yu, Jun Tan, Lei Yu, Qiang He, Rui Li

Research Institute of Remote Testing and Control, Chongqing University of Technology, Chongqing

Email: yuchengbo@cqut.edu.cn, ainitanjun@yahoo.com.cn, darcy520yu@163.com

Received: Aug. 14th, 2012; revised: Sep. 4th, 2012; accepted: Sep. 10th, 2012

Abstract: This paper proposes a finger vein classification algorithm which combines Principal Component Analysis

(PCA) with Radial Basis Function (RBF) neural network algorithm, named the PCA-RBF algorithm. Use the training

sample to reduce PCA dimensions, and abstract the main component of the image. Because of the advantages of RBF

neural network classifying, put finger vein images into different classes, and then use the shortest distance to recognize.

Through the experiment result comparing with Back Propagation (BP) neural network, PCA-RBF neural network is

better in finger vein recognition. The result shows that PCA-RBF has faster training speed, simpler algorithm and high-

er recognition rate.

Keywords: Principal Component Analysis; Radial Basis Function Neural Network; Finger Vein Recognition;

Dimensionality Reduction

基于 PCA-RBF 神经网络的手指静脉识别*

余成波，谭俊，余磊，何强，李芮

重庆理工大学远程测试与控制技术研究所，重庆

Email: yuchengbo@cqut.edu.cn, ainitanjun@yahoo.com.cn, darcy520yu@163.com

收稿日期：2012 年8月14 日；修回日期：2012 年9月4日；录用日期：2012 年9月10 日

摘要：提出了一种将主成分分析法(PCA)和径向基神经网络(RBF)算法相结合的手指静脉分类算法，即

PCA-RBF 算法。首先对手指静脉训练样本进行 PCA 降维，提取图像主要成分，利用 RBF 神经网络分类识别中

的优势，对降维后的静脉图像分类，并采用最短距离法进行识别，通过与 BP 神经网络识别效果的对比试验，

结果表明，PCA-RBF 方法加快了手指静脉识别的训练速度、简化了算法结构、提高了识别率。

关键词：手指静脉识别；主成分分析；径向基神经网络；降维

1. 引言

手指静脉识别技术具有速度快、安全等级高、活

体识别、非接触式等优点。在日本等国家已经将手指

静脉识别应用于 ATM 取款机中，而国内还未进入实

用阶段。因此对手指静脉识别技术的研究已成为关注

重点和研究热点之一[1]。现阶段手指静脉识别方法有

多种：免疫克隆以、遗传算法和人工神经网络等等。

其中免疫克隆算法是模拟生物抗体克隆选择机理，通

过克隆操作、免疫基因操作和选择操作实现高效

的搜索，不要求数据可微、连续，局部搜索能力强，

但是全局收敛速度慢，识别时间长。遗传算法是一种

通过模拟自然进化过程搜索最优解的方法，它以生物

进化为原型，具有很好的收敛性，识别时间短等优点，

但是容易过早的收敛，稳定性差。人工神经网络识别

方法是模仿生物神经网络结构和功能，通过训练分类

进行识别，它具有一些其他技术所没有的优点：良好

*资助信息：本项目属于重庆市科技攻关计划项目赞助(CSTC-

2011AC2122)、重庆市教育委员会科学技术研究项目。

基于 PCA-RBF 神经网络的手指静脉识别

的容错能力、分类能力强等[2]，但是在数据量偏大的

情况下，存在训练时间较长、收敛速度慢和系统稳定

性差的问题。而基于主成分分析(PCA)的径向基函数

(radial basis function，RBF)神经网络，通过 PCA 处理

降低数据维数，保留了静脉图像重要特征，具有全局

逼近的特点，PCA-RBF 神经网络计算量少，学习速度

比一般算法快得多，为此，本文提出了基于 PCA-RBF

神经网络应用于手指静脉识别，对提高训练速度、简

化算法、识别率等具有重要的理论意义和实用价值。

2. PCA-RBF神经网络

2.1. 手指静脉图像采集

本文中静脉图片是通过实验室课题研究组研制

的基于 PC 机上采集装置获取，其原理是使用红外发

光二极管发射峰值为 850 nm的近红外光从手指背部

照射手指，此时静脉红血球中的血红蛋白因照射而脱

失氧份，还原后的血红蛋白对波长 760 nm附近的红

外线会有吸收作用，从而导致静脉部分的透射较少，

在影像上产生静脉暗影图案，由于人体手指静脉比较

靠近指腹表皮，相机在指腹一侧拍摄时，采集到静脉

纹路图像，如图 1所示为前端采集装置。在采集过程

中，将手指放入采集系统，由系统自动检测后灯光打

开，实时采集静脉图像，建立数据库，如图 2所示为

不同 4人的手指静脉图片，这些手指静脉图像是灰度

级为 256 的灰度图像，其分辨率是 288 × 352。

2.2. PCA降维

数据库中的静脉图像需经过滤波去噪和归一化

处理，但其数据维数仍是非常庞大，本文首次采取

PCA 方法应用于手指静脉图像的降维，获取图像的特

征矩阵，提高后处理的效率。其原理是将高维向量通

Figure 1. Finger vein collection device

图1. 手指静脉前端采集装置

Figure 2. Finger vein images of different four people

图2. 不同 4人的手指静脉图像

过一个特殊的特征向量矩阵投影到一个低维的向量

空间，保持图像的主要成分不变，删除其中冗余信息，

降低图像的数据维数。

将训练样本图像数据行首尾相连，得到的行向量

记为





mRXX ,1, 2,,mM



，

为一个 dM



维的空间，dk为k



的向量空间。由式(1 )计算所有训

练样本的平均值



M



XX (1)

令m

中每一个向量与平均向量之差记为一个新

的向量集合



，









X，其中







XX，

则得所有图像训练样本的协方差矩阵为：



1MT

Xmm

M







CXXX





X

(2)

式中，为一个 k



的可逆矩阵，对其进行特

征值的分解就得到训练样本的特征向量矩阵。

2.3. RBF神经网络

RBF 神经网络是径向基函数神经网络的简称，其

网络结构与多层前向网络结构类似，与 BP 网络相同

也是一种三层向前无反馈网络[3]，其拓扑结构如图3

所示。

第一层为输入层，由信号源节点组成；第二层为

隐含层，用径向基函数作为隐单元的“基”构成隐含

层空间；第三层为输出层，它对输入模式的作用做出

响应[4]。输入的矢量可以直接映射到隐含层空间而不

需要经过权连接，使得在低维空间线性不可分问题在

高维空间线性可分。

设网络输入为 n维输入向量 P，选取高斯

(Gaussians)函数作为 RBF 神经元传递函数，其核函数

基于 PCA-RBF 神经网络的手指静脉识别

Input

Layer Hidden

Laye r

Output

layer

Figure 3. Operational principle of RBF network

图3. RBF网络工作原理

可表示为



exp 2











 









(3)

其中，是高斯函数中心，

pc是输入向量与中心

向量之间的距离，i



是函数围绕中心点的宽度。

3. PCA-RBF神经网络算实现

经过主成分分析法处理后的手指静脉图像作为

RBF 神经网络的输入信号。算法过程如图 4所示。

手指静脉识别包括样本的训练和样本的测试两

个过程。

RBF 神经网络算法主要应用在样本的训练过

程，而 RBF 网络学习过程包括两个阶段：确定基函数

的中心和调整输出权值[5]。

确定径向基函数的中心，常用的方法有正交最小

二乘法，随机选取中心法，非监督选取中心法和有监

督选取中心法[6]。本文采用非监督选取中心法。非监

督选取中心法是一种无导师学习，常用 K-均值聚类法

对所有输入样本进行聚类[7]。其中径向基函数的中心

计算步骤如下：

设数据库中有

幅人的手指静脉输入图像。

第一步，初始化网络，指定幅静脉图像作为初

始聚类中心，，其表示第

次迭代

时基函数的中心。目前，值主要依靠经验来选取，

在满足精度要求的情况下，网络结构要具有最小结

构，因为取值过大会使网络的结构过于复杂，延长训

练时间，取值过小会降低网络识别精度。



cn 1, 2,,i

第二步，计算所有静脉输入图像与聚类中心的距离



,1,2,

tti

Lpcni 

其中 1, 2,,tM



。

第三步，找出离





cn最近的静脉输入图像，

并将此样本归为第 i类样本，即



min

tti

Lpcn (5)







，







为第次迭代的第类。

第四步，采用式(6)对聚类中心进行调整：



1,1,2

ipn

cnp ik





 



(6)

其中，为第 i类样本中包含的静脉图像个数。

如果









cn cn

，返回到第二步计算所有手

指静脉输入图像的距离并进行分类，直到满足









cn1

cn ，聚类完成，此时得到的聚类中心 i

c就

是所需的基函数中心。算法流程如图 5所示。

PCA

Figure 4. Operational principle of PCA-RBF network

图4. PCA-RBF算法过程

初始化网络

(Initialize

Network )

样本归类(Sample

classification )

N+1 并调整聚类中心

(N+1 and adjust the

clustering center)

计算聚类中心

(Calculation

distance of

clustering center)

聚类结束(End)

判断n 与n+1 的聚类中心是否相同

(Whether the clustering center

of n and n+1 is the same)

是(Y )

否(N)

Figure 5. Algorithm flow chart of PCA-RBF network

k (4) 图5. PCA-RBF算法流程图

基于 PCA-RBF 神经网络的手指静脉识别

由于选取高斯函数为传递函数，宽度

max ,1,2,,



k



(7)

max



为选取中心之间的最大距离。第二阶段确定

输出权值向量可采用伪逆法直接计算。伪逆法的输

入就是 RBF 网络隐含层的输出，RBF网络输出层神

经元对隐含层的输出加权求和[8]。因而RBF 网络输出

矩阵为：



 

nnQW



(8)





,,,

nww wW



为RBF 网络当前权值向

量，





为隐含层输出矩阵，即隐含层各神经元传

递函数集合。

4. 试验分析

实验室手指静脉库中取 30个人的 300 幅图像分

为两组，每人的前 5幅作为训练样本，后 5幅作为测

试样本，用于样本训练和样本测试，两组样本中没有

重叠，测试样本不包含在训练样本中。实验环境为

Inter1.60 GHz，内存为 1 GB，Matlab7.1 仿真。通过

PCA 方法，将原始图像的维数由 288 × 352降低到 29

× 29，得到对应的 29 组特征值的特征向量征值为

12 29

,,,





，如表 1所示。

经过处理后的手指静脉图像作为输入信号，再由

RBF 神经网络对其进行样本训练。在识别时，计算测

试样本与训练样本之间的距离，并将测试样本分类到

与其距离最小的静脉样本所在的类，完成识别。

在相同的辨识条件下，设目标误差为 0.0004，结

果见表 2。

由表 2实验结果可见，PCA-RBF 算法和 RBF 算

法的迭代次数虽然都为 28 次，但是未经过 PCA 降维

的RBF算法的对静脉图像训练的错误分类数为 14 个

高于 PCA-RBF 算法的8个，识别率91.95%也远低于

PCA-RBF 算法的 95.40%，运行时间上看，PCA-RBF

算法只需要 2秒，远远低于 PCA-BP 算法和 RBF算法。

这表明 PCA 算法虽然降低了样本图像的数据维数，

但是很好的保留了数据的重要方面，并提高了 RBF

算法的识别率和减少 RBF 算法的训练时间。

为了体现 PCA-RBF 算法的优势，分别对

PCA-RBF 算法和 PCA-BP 算法进行了收敛性分析，各

自收敛曲线如图 6所示。

Table 1. Vein image feature vector

表1. PCA算法降维后静脉图像特征向量



… 29



–0.2178 0.1777 0.0784 –0.2615

–0.3350 –0.0327 –0.0122 –0.2388

–0.0954 0.13110 0.0149 0.3103

… … … …

0.0615 –0.4471 –0.0317 –0.0688

–0.0099 0.4950 0.1420 0.2321

降维后的

特征向量

(Eigenvector

after PCA

dimension

reduction) –0.1362 –0.0749 –0.2505

…

0.0261

Table 2. The experimental result

表2. 实验结果对比表

算法

(Algorithm)

迭代次数

(Iterations)

时间(/s)

(Ti me)

错误分类数

(Error classification)

识别率

(Recognition

rate)

PCA-RBF28 2 8 95.40%

PCA-BP 68 169 11 93.68%

RBF 28 11 14 91.95%

Figure 6. Convergence graph of PCA-RBF and RPC-BP network

图6. PCA-RBF算法和 PCA-BP 算法收敛曲线图

PCA-RBF 神经网络隐含层神经元的最大个数为

训练样本集的样本数目，本实验为30 人150幅手指

静脉训练样本，经过迭代，收敛曲线光滑稳定，当神

经元为 28 个时，网络迅速收敛达到目标精度要求。

而PCA-BP 神经网络隐含层神经元为 68 个，相比

PCA-RBF 神经网络更加复杂，而且随着迭代次数增

基于 PCA-RBF 神经网络的手指静脉识别

加，收敛曲线也有一定波动，这使得其收敛速度缓慢，

稳定性和精度也不如前者。

BP网络算法是对非线性映射的全局逼近，而RBF

网络算法是进行局部逼近，使得在需要达到相同精度

的条件下，RBF 网络训练速度所需的时间少得多，训

练次数也少很多。由于本实验选取静脉图像训练样本

数量，属于小样本分类，相比适合的大数量样本，

RBF

网络的识别能力略有下降，而 BP网络的识别能力大

大下降，因此 RBF 网络有更大的优势，本实验准确率

也就高于 BP 网络。并且经过PCA 降维，PCA-RBF

神经网络比直接进行 RBF 神经网络训练时间更短，在

静脉图像样本分类上，PCA-RBF 算法明显优于

PCA-BP 算法和 RBF 算法。

5. 结论

本文所提出的基于 PCA-RBP神经网络的手指静

脉识别算法，首先利用线性降维技术对手指静脉图像

进行降维，剔除冗余信息，提取了脉图像的特征向量，

然后将这些特征向量用于 RBF 神经网络的训练与识

别。此算法不仅大大降低了神经网络模型的复杂度，

还提高了 RBF 神经网络的训练效率和收敛速度。从实

验结果可见，PCA 与RBF 神经网络的结合对手指静

脉分类识别具有较好的识别效果。

参考文献 (References)

[1] 余成波, 张进, 张一萌. 基于核Fisher鉴别分析的手指静脉识

别[J]. 重庆邮电大学学报, 2012, 1: 90-95.

[2] 朱树先, 张仁杰, 郑刚. 基于RBF神经网络的人脸识别[J]. 光

学仪器, 2008, 30(2): 31-33.

[3] 王洪斌, 杨香兰, 王洪瑞. 一种改进的RBF神经网络学习算

法[J]. 系统工程与电子技术, 2002, 24(6): 103-105.

[4] S. Seshagir, H. K. Khail. Output feedback control of nonlinear

systems using RBF neural networks. IEEE Transactions on

Neural Networks, 2000, 11(1): 69-79.

[5] 余华, 杨露菁, 李启元. 基于径向基神经网络的语音识别技

术[J]. 控制工程, 2009, 16(S2): 90-93.

[6] 张德丰. MATLAB 神经网络应用设计[M]. 北京: 机械工业出

版社, 2008.

[7] G. B. Huang, P. Saratchandran. A generalized growing and

pruning RBF (GGAP-RBF) neural network for function appro-

ximation. IEEE Transactions on Neural Networks, 2000, 11(1):

69-79.

[8] A. D. Niros, G. E.Tsekouras. A fuzzy clustering algorithm to

estimate the parameters of radial basis functions neural networks

and its application to system modeling. Lecture Notes in Com-

puter Science, 2008, 5138: 194-204.