本发明属于手指静脉识别及信息安全技术领域，尤其涉及一种基于多特征融合和de-elm的手指静脉活体检测方法。
背景技术：
在指静脉活体检测领域，基于活体信号检测的算法通过检测手指的活性或生命信号来辨别真伪静脉，这类算法的精度和可靠性较高，但往往需要借助额外的设备或消耗更多的计算资源。基于纹理分析的算法利用真伪静脉图像上的成像质量差异，这些差异主要体现在纹理和噪声层面上。该类算法既不需要增加额外的设备，也不需要会降低用户体验度的交互式动作，可最大限度减少额外的计算资源消耗。目前大多数基于纹理分析的研究都关注于提高分类精度，而忽略了学习速度，活体检测需要提高学习速度来保证实时性需求。
此外，指静脉活体检测技术如专利号为cn107194367a公开的一种手指静脉识别过程中的活体检测方法，在手指静脉识别过程中通过采集一定帧数的手指静脉视频图像，然后选取部分有手指静脉的区域作为活体静脉检测区域，最后再使用欧拉视频运动放大算法进行静脉纹路轻微膨胀和收缩运动检测，根据检测结果确定是否为活体手指静脉。该技术主要采用基于统计的算法，通常包括收集训练样本、提取图像特征、训练分类器以及检测目标四个主要阶段，其中特征提取是影响检测方法性能的关键因素，常用的图像特征包括lbp特征，hog特征与haar特征等，但这些单一特征的图像细节表现能力较差。
技术实现要素：
本发明的目的是为了解决现有技术中活体检测学习速度慢、单一特征图像细节表现能力差的缺陷，提供基于多特征融合和de-elm的手指静脉活体检测方法。
为了达到目的，本发明提供的技术方案为：
本发明涉及的一种基于多特征融合和de-elm的手指静脉活体检测方法，其包括以下步骤：
1)分别采集真手指静脉图像和假手指伪静脉图像作为正负训练样本，并对其进行大小归一化预处理和高斯滤波处理；
2)分别提取静脉图像的多块lbp直方图特征与多尺度hog特征，并融合成一个总的特征向量，用于表述静脉特征；
3)设置隐藏层神经元的激活函数和利用差分进化算法确定隐藏层神经元的个数，构建de-elm分类模型；
4)训练数据输入到de-elm分类模型中进行训练；
5)将测试图像数据输入到训练好的de-elm分类模型中进行活体数据的检测和识别，确定测试图像数据是否为活体手指静脉。
优选地，所述的步骤2)具体包括以下步骤：
2.1)计算多块lbp直方图特征，即设置各种不同大小的尺度，根据给定的尺度从静脉图像模板获得多个不同大小、不同位置的块，计算每个块的lbp直方图特征，把所有局部块的lbp直方图特征连接起来得到多块lbp特征；
2.2)计算多尺度hog特征，即计算静脉图像模板的方向梯度，将图像按照宽高比均分为m*n个小块，选定一种遍历方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用多种遍历方式扫描静脉图像模板，生成多尺度hog特征；
2.3)把多块lbp直方图特征与多尺度hog特征融合成一个总的特征向量。
优选地，所述步骤2.1)中，每个块的尺度通过公式计算得到，计算公式为：
其中，w与h分别表示静脉图像模板的宽度与高度，w与h分别表示块的宽度与高度，t1表示块左右移动的步长，t2表示块上下移动的步长。
优选地，所述步骤2.2)中，计算多尺度hog特征的步骤包括：
2.2.1)采用gamma校正法对输入图像进行颜色空间的标准化；
2.2.2)计算图像每个像素的梯度值，包括大小和方向两个方面的值，图像中像素点(x，y)的梯度为：
gx(x,y)＝h(x 1,y)-h(x-1,y)(2)，
gy(x,y)＝h(x,y 1)-h(x,y-1)(3)，
式中gx(x,y)，gy(x,y)，h(x,y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值；
进一步计算像素点(x，y)处的梯度幅值gx’(x，y)和梯度方向αx(x，y)，
2.2.3)把图像平均分成多个正方形的单元格；
2.2.4)统计每个单元格的梯度直方图；
2.2.5)将单元格放到一个块中，分别标准化每个块，对整个块进行归一化操作，即对于向量v，
令
2.2.6)将图像内的所有块的hog特征串联起来得到该图像的多尺度hog特征。
优选地，所述步骤2.2.5)中的多尺度hog特征的维度为d，
式中，w、h为图像的宽度和高度，b、c分别为块、单元的大小，p为单元内梯度方向的数目，s为块移动的步长。
优选地，所述的步骤3)具体包括以下步骤：
3.1)利用差分进化算法确定elm隐含层神经元个数n，设定输入层与隐含层间的输入权重w和隐含层神经元的偏置b；
3.2)采用无限可微的函数作为隐含层神经元的激活函数，计算隐含层输出矩阵h；
3.3)计算输出层权值
其中，t为期望输出，用矩阵hβ＝t表示。
优选地，所述步骤3.2)中所用的激活函数为：
g(wi，bi，x)＝1/(1 e-x)(13)。
优选地，所述的步骤3.1)中，确定elm隐含层神经元个数n的步骤包括：
3.1.1)设定训练样品本集mt＝{(xi，ti)|xi∈rn，i＝1，2，…，m}；
3.1.2)初始化种群，设置隐层节点个数、种群数量np和交叉概率cr的值、缩放因子f的最优取值范围和最大迭代次数gmax；
3.1.3)设定种群，生成一组初始种群gnp×d，选择隐含层神经元个数作为种群成员构成每个种群g，g也用于表示进化代数，其中，d为种群g的维数，其中，由平均分布函数对隐含层神经元节点数进行随机的产生，具体的操作过程如下：
xi＝rand(0，1)·(xmax-xmin) xmin(8)；
3.1.4)计算适应度函数值：利用初始群体中的所有个体建立一个回归模型，利用训练数据集来进行预测，并利用适应度函数计算适应度函数值f(xbest)，寻找适应度最小的个体，并且记为全局最优xbest；
3.1.5)终止条件检验：如果自适应函数值在0～0.0001之内或当进化代数g以达到最大值gmax，则进入步骤3.1.9，否则，进入步骤3.1.6；
3.1.6)变异操作：对于所有参数，得到了4个互不相同且与i也不相同的随机整数对r1，r2，r3，r4，进行变异操作得到了一个新个体，得到了一个新个体为：
如果得到的新个体的参数超出了设定的范围，则对其进行调整；
3.1.7)交叉操作：根据差分进化算法中的交叉操作对变异后的个体进行交叉操作，增加种群的多样性；
3.1.8)选择操作：利用之前得到的新一代群众中的每个新个体，即每组中新的参数而再一次的构建分类模型，并且进行分类，再利用适应度函数反复计算，生成新种群中的局部最优个体u(best，g 1)，将局部最优个体f(ubest，g 1)和全局最优个体的适应度值进行比较，如果局部最优较小，则代替全局最优，即
3.1.9)通过该算法对整个数据的寻优选择，最终获得最优化的隐含层节点个数nbest。
优选地，所述的步骤3.1.4)中的适应度函数为：
优选地，所述的步骤3.1.6)中调整的公式为：
xnew＝xmin (xmax-xmin)*rand(1)(11)。
本发明采集活体和非活体手指的静脉图像，通过归一化处理并高斯滤波得到预处理图像，建立活体非活体正负样本的静脉图像数据库；接着提取静脉图像的多块lbp特征与多尺度hog特征来表述正负样本的静脉图像特征；然后通过de优化elm隐层节点个数来构建de-elm分类器进行分类识别；最后得到的分类器能够在归一化后静脉图像中检测出是否为活体手指静脉。
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
1、本发明采用lbp特征和hog特征相结合的方式，利用多块lbp特征计算速度快、静脉图像描述能力较强的特点，提取多块lbp直方图特征，有效地加强了静脉图像描述能力；再利用多尺度hog特征在光照变化下鲁棒性较强的特点，多尺度hog特征在多块lbp特征的基础上更加细化地表达了静脉图像纹路的信息，然后将两者融合得到最终的融合特征，有效加强了图像细节表现能力；
2、本发明利用差分进化算法对elm分类器的隐层节点个数进行优化选取，得到de-elm分类器，再利用构建好的de-elm分类器对采集的活体、非活体图像静脉库进行分类，检测出活体图像，具有检测速度快、检测精度高、鲁棒性强等优点。
附图说明
图1为本发明涉及的基于多特征融合和de-elm的手指静脉活体检测方法的流程图；
图2为采集到的活体手指静脉图像；
图3为采集到的非活体手指静脉图像；
图4为活体静脉图像经过归一化处理和高斯滤波后的图像；
图5为非活体静脉图像经过归一化处理和高斯滤波后的图像；
图6为单隐层前馈神经网络结构图；
图7为利用差分进化算法选取elm参数隐层节点个数的流程图；
图8为多特征融合结构图；
图9为各种算法的检出率对比图。
具体实施方式
为进一步了解本发明的内容，结合实施例对本发明作详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
结合附图1所示，本实施例涉及的基于多特征融合和de-elm的手指静脉活体检测方法，其包括以下步骤：
1)分别采集真手指静脉图像和假手指伪静脉图像作为正负训练样本，并对其进行大小归一化预处理，然后采用高斯滤波进行去噪处理，此处的噪声来源于手指或者设备，比如手指沾染了泥土或者钢笔墨水、油污等，处理前的活体和非活体静脉图像见图2和图3所示，处理后的活体和非活体图像见图4和图5所示。
2)如图8所示，分别提取静脉图像的多块lbp直方图特征与多尺度hog特征，并融合成一个总的特征向量，用于表述静脉特征，其具体步骤包括：
2.1)计算多块lbp直方图特征，lbp(localbinarypattern)特征是一种用于描述图像局部纹理特征的算子，它计算简单，具有对光照不敏感、旋转不变性以及灰度不变性等显著的特点，且它表述的是图像中心像素与其周围像素间的量化关系；多块lbp特征计算过程的具体步骤如下：
2.1.1)设置各种不同大小的尺度，首先根据静脉图像模板的尺度定义多种局部块尺度，假设静脉图像模板的尺度为54*32，那么选择的局部块尺度可以为9*9、16*16、27*16、27*32、32*32、54*32等等；
2.1.2)根据给定的尺度按照平移的方式从静脉图像模板获得多个不同大小、不同位置的局部块，计算每个块的lbp直方图特征，每种尺度的局部块个数可由公式表示，计算公式为：
公式中的w与h分别表示静脉图像模板的宽度与高度，w与h分别表示块的宽度与高度，t1表示块左右移动的步长，t2表示块上下移动的步长；
2.1.3)计算每个局部块的lbp值，具体计算过程描述如下：区域内的每个像素都将其灰度值与其周围相邻的8个像素的灰度值进行比较，若中心像素的灰度值小于等于周围像素的灰度值，则将该像素点位置标记为1，否则为0，如此3*3邻域的中心像素的lbp值是一个8位二进制数，将其转换为十进制，其值域为[0,255]，统计每个局部块各lbp值出现的次数，把所有局部块的lbp直方图特征连接起来得到多块lbp特征；
2.1.4)将所有局部块的lbp直方图特征连接起来得到最终的局部lbp直方图特征向量；
2.2)计算多尺度hog特征，多尺度hog主要的特点就是引入了共生矩阵，多尺度hog将每个像素点的梯度方向进行成对的组合，同时将原来的梯度方向划分为8个，范围是从0度到360度，每两个像素点进行组合，可以得到共生矩阵的大小为8*8＝64，多尺度hog特征的计算包括以下步骤：
2.2.1)采用gamma校正法对输入图像进行颜色空间的标准化，目的是调节静脉图像的对比度，减少图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
2.2.2)计算静脉图像模板的方向梯度，将图像按照宽高比均分为m*n个小块，选定一种遍历方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用多种遍历方式扫描静脉图像模板，图像中像素点(x，y)的梯度为：
gx(x，y)＝h(x 1，y)-h(x-1，y)(2)，
gy(x，y)＝h(x，y 1)-h(x，y-1)(3)，
式中gx(x，y)，gy(x，y)，h(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值；
像素点(x，y)处的梯度幅值gx’(x，y)和梯度方向αx(x，y)分别为：
进而得到静脉纹路信息，同时也进一步较少光照的影响；
2.2.3)将图像划分为大小相同的单元cell，将相邻的单元组合成有重叠的块block，有效利用重叠的边缘信息；
2.2.4)图像中每个像素点的梯度方向和梯度幅值各不相同，按梯度方向划分为若干个均匀的区间，将单元中的每个像素点的梯度幅值累加到对应区间bin中，生成单元的梯度方向直方图；
2.2.5)统计整个块的直方图特征，2×2个单元格可以形成一个，这样一个块就形成36维的特征向量，并对每个块的梯度直方图进行l2归一化操作，即对于向量v，
令
2.2.6)将图像内的所有块的hog特征串联起来得到该图像的多尺度hog特征，其维度d为：
公式中，w、h为图像的宽度和高度，b、c分别为块、单元的大小，p为单元内梯度方向的数目，s为块移动的步长。
这就是最终可供de-elm分类器使用的多尺度hog特征向量。
2.3)把多块lbp直方图特征与多尺度hog特征融合成一个总的特征向量。
3)elm(极限学习机，extremelearningmachine)是一种新型的快速学习算法，对于单隐层神经网络，elm可以随机初始化输入权重和偏置并得到相应的输出权重，对于一个单隐层神经网络，见图6，假设有n个任意的样本(xi，ti)，
其中，xi＝[xi1，xi2，…，xin]t∈rn(15)，
ti＝[ti1，ti2，…，tin]t∈rm(16)；
对于一个有l个隐层节点的单隐层神经网络可以表示为
其中，g(x)为激活函数，wi＝[wi1，wi2，…，win]t为输入权重，βi输出权重，bi是第i个隐层单元的偏置；wi·xj表示wi和xj的内积；单隐层神经网络学习的目标是使得输出的误差最小，可以表示为：
即存在βi，wi和bi，使得
矩阵可以表示为
hβ＝t(20)，
其中，h是隐层节点的输出，β为输出权重，t为期望输出；
为了能够训练单隐层神经网络，需得到
其中，i＝1，…，l，这等价于最小化损失函数
综上所述，在elm算法中，一旦输入权重wi和隐层的偏置bi被随机确定，隐层的输出矩阵h就被唯一确定，训练单隐层神经网络可以转化为求解一个线性系统hβ＝t，并且输出权重β可以确定为
本实施例中该步骤就是基于elm算法，设置隐藏层神经元的激活函数和利用差分进化算法确定隐藏层神经元的个数，构建de-elm分类模型，在构建de-elm分类器的过程中，随机设定输入层和隐含层的连接权值w以及隐含层神经元的阈值b，采用de优化elm的隐含层神经元个数，得到de-elm模型，选择sigmoid函数作为隐含层神经元的激活函数，进而计算出隐含层输出矩阵h，可得输出层权值β，如图7所示，利用差分进化算法确定elm隐含层神经元个数的具体步骤：
3.1)利用差分进化算法确定elm隐含层神经元个数n，设定输入层与隐含层的输入权重和隐含层神经元的偏置，并得到相应的输出权重β，该步骤又包括以下具体步骤：
3.1.1)设定训练样品本集mt＝{(xi，ti)|xi∈rn，i＝1，2，…，m}；
3.1.2)初始化种群，设置隐层节点个数、种群数量np和交叉概率cr的值、缩放因子f的最优取值范围和最大迭代次数gmax，本实施例中，设置种群数量np的初始值为30，gmax设置为50，由于参数的数目分别为1和2，所以维数d置为1和2，f设置为0.5，cr为0.75，误差限度为0.001；
3.1.3)设定种群，生成一组初始种群gnp×d，选择隐含层神经元个数作为种群成员构成每个种群g，g也用于表示进化代数，进化次数初始值为g＝0，其中，由平均分布函数对隐含层神经元节点数进行随机的产生，具体的操作过程如下：
xi＝rand(0，1)·(xmax-xmin) xmin(8)；
3.1.4)计算适应度函数值：利用初始群体中的所有个体建立一个回归模型，利用训练数据集来进行预测，并利用适应度函数计算适应度函数值f(xbest)，寻找适应度最小的个体，并且记为全局最优xbest，并将它作为整个数据的最优参数保存下来并用来跟下一代继续进行比较，上述适应度函数公式如下：
3.1.5)终止条件检验：如果自适应函数值在0～0.0001之内或当进化代数g以达到最大值gmax，则进入步骤3.1.9，否则，进入步骤3.1.6；
3.1.6)变异操作：对于所有参数，得到了4个互不相同且与i也不相同的随机整数对r1，r2，r3，r4，根据下式重新变异并产生下一代，得到了一个新个体：
如果得到的新个体的参数超出了设定的范围，则通过下面公式对其进行调整：
xnew＝xmin (xmax--xmin)*rand(1)(11)；
3.1.7)交叉操作：根据差分进化算法中的交叉操作对变异后的个体进行交叉操作，增加种群的多样性；
3.1.8)选择操作：利用之前得到的新一代群众中的每个新个体，即每组中新的参数而再一次的构建分类模型，并且进行分类，再利用适应度函数反复计算，生成新种群中的局部最优个体u(best，g 1)，将局部最优个体f(ubest，g 1)和全局最优个体的适应度值进行比较，如果局部最优较小，则代替全局最优：
3.1.9)通过该算法对整个数据的寻优选择，最终获得最优化的隐含层节点个数nbest。
3.2)采用无限可微的函数作为隐含层神经元的激活函数，计算隐含层输出矩阵h，本实施例中选择的激活函数为sigmoid函数：
g(wi，bi，x)＝1/(1 e-x)(13)；
3.3)计算输出层权值
其中，t为期望输出，用矩阵hβ＝t表示。
4)训练数据输入到de-elm分类模型中进行训练；
5)将测试图像数据输入到训练好的de-elm分类模型中进行活体数据的检测和识别，确定测试图像数据是否为活体手指静脉。
本实例中首先对活体和非活体静脉纹路信息提取多尺度hog特征和多块lbp特征，其次将从训练集图像提取到的多尺度hog特征和多块lbp特征集合起来作为训练特征向量集送至de-elm分类器进行训练，得到一个训练好的de-elm分类器，最后再将从测试集图像提取到的多尺度hog特征和多块lbp特征集合起来作为测试特征向量集送至已训练好的de-elm分类器进行识别，以得出匹配结果。
以下是利用本发明所提算法对几种图像数据库的实验结果与分析。
本实施例采集了3组由不同设备采集的正负样本指静脉图像数据库，其中第一组图像由600个正样本和600个负样本组成，第二组由10000个正样本和7150个负样本组成，第三组由2970个正样本和1500个负样本组成。其中取每组图像库的一半图像作为训练集，另一半作为测试集。以matlab2018a为编译软件，所用电脑的操作系统为64位window10，内存8g，主频率2.30ghz。对于每组图像库，首先依次对图像进行预处理及图像滤波处理以获取手指静脉纹路信息，然后对纹路信息提取多块lbp特征与多尺度hog特征，其次将从训练集图像提取到的多块lbp直方图特征与多尺度hog特征集合起来作为训练特征向量集送至de-elm分类器进行训练，得到一个训练好的de-elm分类器，最后再将从测试集图像提取到的融合特征作为测试特征向量集送至已训练好的de-elm分类器进行分类识别，以得出分类结果，识别结果如图9所示，以本发明提取的特征对不同图像库的活体检出率均达到100％，非活体检出率也达到了99.13％以上，可见本发明提出的基于多特征融合和de-elm的手指静脉活体检测方法可以有效提取出活体与非活体指静脉图像的关键信息，可以达到较好的活体检测效果。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍属于本发明的专利涵盖范围之内。
1.一种基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：其包括以下步骤：
1)分别采集真手指静脉图像和假手指伪静脉图像作为正负训练样本，并对其进行大小归一化预处理和高斯滤波处理；
2)分别提取静脉图像的多块lbp直方图特征与多尺度hog特征，并融合成一个总的特征向量，用于表述静脉特征；
3)设置隐藏层神经元的激活函数和利用差分进化算法确定隐藏层神经元的个数，构建de-elm分类模型；
4)训练数据输入到de-elm分类模型中进行训练；
5)将测试图像数据输入到训练好的de-elm分类模型中进行活体数据的检测和识别，确定测试图像数据是否为活体手指静脉。
2.根据权利要求1所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述的步骤2)具体包括以下步骤：
2.1)计算多块lbp直方图特征，即设置各种不同大小的尺度，根据给定的尺度从静脉图像模板获得多个不同大小、不同位置的块，计算每个块的lbp直方图特征，把所有局部块的lbp直方图特征连接起来得到多块lbp特征；
2.2)计算多尺度hog特征，即计算静脉图像模板的方向梯度，将图像按照宽高比均分为m*n个小块，选定一种遍历方式对每个小块进行扫描，每个小块生成一个共生矩阵，使用多种遍历方式扫描静脉图像模板，生成多尺度hog特征；
2.3)把多块lbp直方图特征与多尺度hog特征融合成一个总的特征向量。
3.根据权利要求2所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述步骤2.1)中，每个块的尺度通过公式计算得到，计算公式为：
其中，w与h分别表示静脉图像模板的宽度与高度，w与h分别表示块的宽度与高度，t1表示块左右移动的步长，t2表示块上下移动的步长。
4.根据权利要求2所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述步骤2.2)中，计算多尺度hog特征的步骤包括：
2.2.1)采用gamma校正法对输入图像进行颜色空间的标准化；
2.2.2)计算图像每个像素的梯度值，包括大小和方向两个方面的值，图像中像素点(x，y)的梯度为：
gx(x,y)＝h(x 1,y)-h(x-1,y)(2)，
gy(x,y)＝h(x,y 1)-h(x,y-1)(3)，
式中gx(x,y)，gy(x,y)，h(x,y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值；
进一步计算像素点(x，y)处的梯度幅值gx’(x,y)和梯度方向αx(x,y)，
2.2.3)把图像平均分成多个正方形的单元格；
2.2.4)统计每个单元格的梯度直方图；
2.2.5)将单元格放到一个块中，分别标准化每个块，对整个块进行归一化操作，即对于向量v，
令
2.2.6)将图像内的所有块的hog特征串联起来得到该图像的多尺度hog特征。
5.根据权利要求4所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述步骤2.2.5)中的多尺度hog特征的维度为d，
式中，w、h为图像的宽度和高度，b、c分别为块、单元的大小，p为单元内梯度方向的数目，s为块移动的步长。
6.根据权利要求1所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述的步骤3)具体包括以下步骤：
3.1)利用差分进化算法确定elm隐含层神经元个数n，设定输入层与隐含层间的输入权重w和隐含层神经元的偏置b；
3.2)采用无限可微的函数作为隐含层神经元的激活函数，计算隐含层输出矩阵h；
3.3)计算输出层权值
其中，t为期望输出，用矩阵hβ＝t表示。
7.根据权利要求6所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述步骤3.2)中所用的激活函数为：
g(wi,bi,x)＝1/(1 e-x)(13)。
8.根据权利要求6所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述的步骤3.1)中，确定elm隐含层神经元个数n的步骤包括：
3.1.1)设定训练样品本集mt＝{(xi,ti)|xi∈rn,i＝1,2,…,m}；
3.1.2)初始化种群，设置隐层节点个数、种群数量np和交叉概率cr的值、缩放因子f的最优取值范围和最大迭代次数gmax；
3.1.3)设定种群，生成一组初始种群gnp×d，选择隐含层神经元个数作为种群成员构成每个种群g，g也用于表示进化代数，其中，d为种群g的维数，其中，
由平均分布函数对隐含层神经元节点数进行随机的产生，具体的操作过程如下：
xi＝rand(0,1)·(xmax-xmin) xmin(8)；
3.1.4)计算适应度函数值：利用初始群体中的所有个体建立一个回归模型，利用训练数据集来进行预测，并利用适应度函数计算适应度函数值f(xbest)，寻找适应度最小的个体，并且记为全局最优xbest；
3.1.5)终止条件检验：如果自适应函数值在0～0.0001之内或当进化代数g以达到最大值gmax，则进入步骤3.1.9，否则，进入步骤3.1.6；
3.1.6)变异操作：对于所有参数，得到了4个互不相同且与i也不相同的随机整数对r1，r2，r3，r4，进行变异操作得到了一个新个体，得到了一个新个体为：
如果得到的新个体的参数超出了设定的范围，则对其进行调整；
3.1.7)交叉操作：根据差分进化算法中的交叉操作对变异后的个体进行交叉操作，增加种群的多样性；
3.1.8)选择操作：利用之前得到的新一代群众中的每个新个体，即每组中新的参数而再一次的构建分类模型，并且进行分类，再利用适应度函数反复计算，生成新种群中的局部最优个体u(best,g 1)，将局部最优个体f(ubest,g 1)和全局最优个体的适应度值进行比较，如果局部最优较小，则代替全局最优，即
3.1.9)通过该算法对整个数据的寻优选择，最终获得最优化的隐含层节点个数nbest。
9.根据权利要求8所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述的步骤3.1.4)中的适应度函数为：
10.根据权利要求8所述的基于多特征融合和de-elm的手指静脉活体检测方法，其特征在于：所述的步骤3.1.6)中调整的公式为：
xnew＝xmin (xmax-xmin)*rand(1)(11)。
技术总结