手指生物特征由其高度便攜性一直在生物特征識別領(lǐng)域占有很大的比重,不論是單模態(tài)識別還是多模態(tài)融合識別都具有很高的研究價值。然而在以往的研究中,往往存在識別效率不高以及多模態(tài)融合維度大、特征表達存在差異等問題。本文以指靜脈、指紋、指節(jié)紋這三種模態(tài)為研究對象,提出一種基于圖卷積網(wǎng)絡(luò)（Graph Convolutional Network,GCN）的手指生物特征識別方法,主要工作如下:第一,提出了基于GCN的指靜脈、指紋、指節(jié)紋單模態(tài)識別方法。首先對三種模態(tài)進行基于k-NN加權(quán)圖的特征表達,把圖像映射成為圖結(jié)構(gòu)。然后構(gòu)建各模態(tài)GCN識別模型,利用基于切比雪夫多項式的圖卷積核實現(xiàn)對圖結(jié)構(gòu)的局部特征學習,并加入快速圖池化算法對學習到的圖特征進行降維,再通過分類函數(shù)完成各模態(tài)識別。第二,提出了兩種手指多模態(tài)融合識別方法,一是在圖像映射到圖結(jié)構(gòu)過程中基于頂點特征的融合,根據(jù)三模態(tài)頂點特征距離建立融合圖結(jié)構(gòu);二是基于GCN模型的決策層融合方法,對各模態(tài)分類概率矩陣進行加權(quán)求和,獲得融合概率矩陣完成識別。最后,通過實驗探究不同因素對GCN單模態(tài)識別模型的影響,并與其他方法進行對比分析,實驗獲得較好的識別率... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

多模態(tài)手指生物特征識別設(shè)備示例

芨??緙撲慵尤敕竅咝員浠?＜せ詈??鬧擲?分為平滑非線性、連續(xù)但不處處可微及隨機正則化激活函數(shù)。Sigmoid、tanh或者ReLU等類型的激活函數(shù)在GCN研究中都被經(jīng)常使用到。為了維持訓練過程的穩(wěn)定，解決梯度消失的問題，本單模態(tài)識別模型中，圖卷積層之后的激活函數(shù)為ReLU函數(shù)。如圖3-4所示，當ReLU激活函數(shù)輸入x為負值，函數(shù)結(jié)果為零，不響應(yīng)；當輸入x為正值，響應(yīng)結(jié)果與輸出相同，此方法稱為單側(cè)抑制。通過單側(cè)抑制來調(diào)整圖卷積網(wǎng)絡(luò)的非線性性能，使得特征有不同的響應(yīng)，且能夠在一定程度上使訓練數(shù)據(jù)更好的實現(xiàn)擬合。圖3-4ReLU激活函數(shù)

中國民航大學碩士學位論文305.3圖結(jié)構(gòu)質(zhì)量對識別結(jié)果的影響本文把圖像映射到圖域來探究生物特征識別問題，圖結(jié)構(gòu)要對原圖像具有一定的描述能力，圖卷積網(wǎng)絡(luò)才能從中學習到圖特征，所以圖結(jié)構(gòu)的質(zhì)量至關(guān)重要。本節(jié)主要從頂點和邊兩個方面分別探究指紋、指靜脈、指節(jié)紋圖結(jié)構(gòu)的質(zhì)量對識別結(jié)果的影響，所以本節(jié)圖卷積網(wǎng)絡(luò)均采取3.5節(jié)中所述結(jié)構(gòu)。5.3.1探究圖結(jié)構(gòu)維度對識別的影響本實驗探究圖結(jié)構(gòu)維度對識別結(jié)果的影響，頂點的數(shù)目直接決定了圖結(jié)構(gòu)的維度，而圖結(jié)構(gòu)規(guī)模的大小，影響最終識別的速率，所以從識別率和識別效率兩個方面探究最合適的圖結(jié)構(gòu)維度。實驗時，所有圖均采取8-NN的頂點連接方式�？梢酝ㄟ^改變圖像塊的尺寸和劃分時圖像塊之間的重疊率得到以下不同數(shù)量的頂點，因為增加圖像塊的重疊率，效果近似于減小了圖像塊的尺寸，都使頂點數(shù)目變化即圖結(jié)構(gòu)維度改變。圖5-1三模態(tài)不同維度圖結(jié)構(gòu)識別率和單張識別時間實驗結(jié)果圖5-1顯示了三模態(tài)不同維度圖結(jié)構(gòu)的實驗結(jié)果，左邊為單模態(tài)的識別率（%），右邊為單張識別時間（ms），以表達該模態(tài)的識別速率。分析實驗結(jié)果可以看出，各模態(tài)的識別率總是隨著圖結(jié)構(gòu)維度的增加而上升，結(jié)合圖像塊重疊率和尺寸大小分析，重疊率越高使得頂點關(guān)聯(lián)性越高，提高了圖像平移的魯棒性，對識別結(jié)果有利；當尺寸越小，圖像塊包含方向特征越單一，這樣的圖結(jié)構(gòu)不僅表達原圖像的局部特征，同樣能夠描述局部特征間的關(guān)系。然而維度的增加，必然導致系統(tǒng)計算復雜度變大，導致單張識別時間更長。

【參考文獻】：
期刊論文
[1]手指靜脈圖像血管網(wǎng)分形修復方法[J]. 李振娟,賈桂敏,楊金鋒,張海剛.  信號處理. 2019(08)
[2]手指雙模態(tài)特征圖像感興趣區(qū)域穩(wěn)定定位方法研究[J]. 楊金鋒,石濱萌.  信號處理. 2019(07)
[3]基于mutual KNN和標準化的譜聚類算法[J]. 譚馬龍,文國秋,童濤,吳林,杜婷婷.  計算機工程與設(shè)計. 2019(07)
[4]手指靜脈圖像的概率分割方法研究[J]. 溫夢娜,楊金鋒.  小型微型計算機系統(tǒng). 2018(07)
[5]生物特征識別技術(shù)綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍天.  信息安全研究. 2016(01)
[6]Snake模型在指紋圖像分割中的應(yīng)用[J]. 卞維新,徐德琴.  計算機工程與應(yīng)用. 2011(07)
[7]基于Delaunay三角化的指紋匹配方法[J]. 尹義龍,張宏偉,劉寧.  計算機研究與發(fā)展. 2005(09)

碩士論文
[1]基于手指融合特征的身份識別系統(tǒng)[D]. 石濱萌.中國民航大學 2019
[2]基于深度學習的指靜脈識別算法研究[D]. 唐溯.華南理工大學 2018
[3]手指生物特征超球�；诤戏椒ㄑ芯縖D]. 白改燕.中國民航大學 2017
[4]相容粒度空間下的手指特征融合方法研究[D]. 劉森.中國民航大學 2014



本文編號：3141818