手指生物特征由其高度便攜性一直在生物特征識(shí)別領(lǐng)域占有很大的比重,不論是單模態(tài)識(shí)別還是多模態(tài)融合識(shí)別都具有很高的研究?jī)r(jià)值。然而在以往的研究中,往往存在識(shí)別效率不高以及多模態(tài)融合維度大、特征表達(dá)存在差異等問(wèn)題。本文以指靜脈、指紋、指節(jié)紋這三種模態(tài)為研究對(duì)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(shí)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(shí)別方法。首先對(duì)三種模態(tài)進(jìn)行基于k-NN加權(quán)圖的特征表達(dá),把圖像映射成為圖結(jié)構(gòu)。然后構(gòu)建各模態(tài)GCN識(shí)別模型,利用基于切比雪夫多項(xiàng)式的圖卷積核實(shí)現(xiàn)對(duì)圖結(jié)構(gòu)的局部特征學(xué)習(xí),并加入快速圖池化算法對(duì)學(xué)習(xí)到的圖特征進(jìn)行降維,再通過(guò)分類(lèi)函數(shù)完成各模態(tài)識(shí)別。第二,提出了兩種手指多模態(tài)融合識(shí)別方法,一是在圖像映射到圖結(jié)構(gòu)過(guò)程中基于頂點(diǎn)特征的融合,根據(jù)三模態(tài)頂點(diǎn)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(duì)各模態(tài)分類(lèi)概率矩陣進(jìn)行加權(quán)求和,獲得融合概率矩陣完成識(shí)別。最后,通過(guò)實(shí)驗(yàn)探究不同因素對(duì)GCN單模態(tài)識(shí)別模型的影響,并與其他方法進(jìn)行對(duì)比分析,實(shí)驗(yàn)獲得較好的識(shí)別率... 

【文章來(lái)源】：中國(guó)民航大學(xué)天津市

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多模態(tài)手指生物特征識(shí)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(jī)正則化激活函數(shù)。Sigmoid、tanh或者ReLU等類(lèi)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(xùn)練過(guò)程的穩(wěn)定，解決梯度消失的問(wèn)題，本單模態(tài)識(shí)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(dāng)ReLU激活函數(shù)輸入x為負(fù)值，函數(shù)結(jié)果為零，不響應(yīng)；當(dāng)輸入x為正值，響應(yīng)結(jié)果與輸出相同，此方法稱(chēng)為單側(cè)抑制。通過(guò)單側(cè)抑制來(lái)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(xùn)練數(shù)據(jù)更好的實(shí)現(xiàn)擬合。圖3-4ReLU激活函數(shù)

中國(guó)民航大學(xué)碩士學(xué)位論文305.3圖結(jié)構(gòu)質(zhì)量對(duì)識(shí)別結(jié)果的影響本文把圖像映射到圖域來(lái)探究生物特征識(shí)別問(wèn)題，圖結(jié)構(gòu)要對(duì)原圖像具有一定的描述能力，圖卷積網(wǎng)絡(luò)才能從中學(xué)習(xí)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(diǎn)和邊兩個(gè)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(duì)識(shí)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(duì)識(shí)別的影響本實(shí)驗(yàn)探究圖結(jié)構(gòu)維度對(duì)識(shí)別結(jié)果的影響，頂點(diǎn)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(shí)別的速率，所以從識(shí)別率和識(shí)別效率兩個(gè)方面探究最合適的圖結(jié)構(gòu)維度。實(shí)驗(yàn)時(shí)，所有圖均采取8-NN的頂點(diǎn)連接方式�？梢酝ㄟ^(guò)改變圖像塊的尺寸和劃分時(shí)圖像塊之間的重疊率得到以下不同數(shù)量的頂點(diǎn)，因?yàn)樵黾訄D像塊的重疊率，效果近似于減小了圖像塊的尺寸，都使頂點(diǎn)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(shí)別率和單張識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果圖5-1顯示了三模態(tài)不同維度圖結(jié)構(gòu)的實(shí)驗(yàn)結(jié)果，左邊為單模態(tài)的識(shí)別率（%），右邊為單張識(shí)別時(shí)間（ms），以表達(dá)該模態(tài)的識(shí)別速率。分析實(shí)驗(yàn)結(jié)果可以看出，各模態(tài)的識(shí)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(diǎn)關(guān)聯(lián)性越高，提高了圖像平移的魯棒性，對(duì)識(shí)別結(jié)果有利；當(dāng)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(dá)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(dǎo)致系統(tǒng)計(jì)算復(fù)雜度變大，導(dǎo)致單張識(shí)別時(shí)間更長(zhǎng)。

【參考文獻(xiàn)】：
期刊論文
[1]手指靜脈圖像血管網(wǎng)分形修復(fù)方法[J]. 李振娟,賈桂敏,楊金鋒,張海剛.  信號(hào)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(hào)處理. 2019(07)
[3]基于mutual KNN和標(biāo)準(zhǔn)化的譜聚類(lèi)算法[J]. 譚馬龍,文國(guó)秋,童濤,吳林,杜婷婷.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(07)
[4]手指靜脈圖像的概率分割方法研究[J]. 溫夢(mèng)娜,楊金鋒.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[5]生物特征識(shí)別技術(shù)綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍(lán)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(jì)算機(jī)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(jì)算機(jī)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(shí)別系統(tǒng)[D]. 石濱萌.中國(guó)民航大學(xué) 2019
[2]基于深度學(xué)習(xí)的指靜脈識(shí)別算法研究[D]. 唐溯.華南理工大學(xué) 2018
[3]手指生物特征超球粒化融合方法研究[D]. 白改燕.中國(guó)民航大學(xué) 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(guó)民航大學(xué) 2014



本文編號(hào)：3141818