手指静脉识别技术是一种新兴的生物特征识别技术,其医学依据是人类血液可吸收特定波长的光线,利用特定波长的光照射手指,可以清晰地成像手指静脉。目前手指静脉识别技术已经进入成熟阶段,但在实际运用中还是存在缺陷,常见的仪器会随着匹配人数的增加而使识别速度下降,或遇环境温度较低、较高,同样也会导致反应速度变缓。为解决这一现象,只能打破常规,不采用硬件配套设施,转为通过网络进入服务器运算。如此一来就不再受到硬件内存容量的限制,也不会受到环境温度的改变而导致设备反应迟缓。国内外基于深度学习提出了各种网络的手指静脉分类算法,但常见的卷积神经网络在空间上存在信息丢失的缺陷。为此,本文提出了一种基于胶囊网络改进的手指静脉识别算法。论文进行的手指静脉识别算法研究,以改进手指静脉识别性能为目标,其主要研究内容如下:(1)针对采集手指静脉数据集耗时情况,提出了一种改进后的极坐标径向变换增大样本的算法,即自适应极坐标径向变换,该算法通过以循环第一非零像素点为零坐标将图像转换为极坐标图像,打破随机极坐标引起的变换图像重合的问题。通过这种方式,一副图像可增至像素点倍数。通过mnist数据集在AlexNet中训练的实验表明,自适应极坐标径向变换使网络提前收敛,精度达到99.2%。(2)对比经典的卷积神经网络结构,其中AlexNet测得精确度为71.8%、VGGNet测得88.6%、GoogLeNet测得84.3%、ResNet测得89.4%。针对传统的卷积神经网络池化层处理导致重要的信息丢失的问题,CapsNets在整个学习过程中以“胶囊”的形式从底层传递至高层,以向量的形式封装指静脉的多维特征,特征会在网络中被保存,而不是丢失后进行恢复。实验结果表明,CapsNets的网络结构特征相比卷积神经网络在处理脊线区域时效果更加有明显精度达到93.7%。(3)针对CapsNets卷积层的缺陷提出一种改进后的CapsNets,即卷积胶囊网络。9×9的卷积模板对静脉纹路的特征提取效果较差,从而采用4层3×3的小尺寸卷积模板进行边缘提取。4层3×3的卷积模板在计算参数上减小了一倍,在训练时间上大大的减少。实验表明,卷积胶囊网络对手指静脉获得了97.6%的分类精确度,同时在香港理工大学手指静脉数据库上的精确度为94.4%。