首页 星云 工具 资源 星选 资讯 热门工具
:

PDF转图片 完全免费 小红书视频下载 无水印 抖音视频下载 无水印 数字星空

EC0070022_O_editing.zip

行业研究 1.07MB 33 需要积分: 1
立即下载

资源介绍:

EC0070022_O_editing.zip
基金项目：国家自然科学基金资助项目（62106206）
通信作者 E-mail：wangmw@swjtu.edu.cn
基于双分支深度图卷积网络的指静脉识别研究
程俊军，王明文
（西南交通大学，数学学院，四川成都 610000）
摘要：基于图卷积神经网络的手指静脉识别方法不仅可以解决传统指静脉识别方法识别率较低的问题，还
可以解决其计算量大的问题。针对目前指静脉图模型在图结构不稳定性和匹配效率因模型增大而下降的问
题，采用了 SLIC 超像素分割算法来构建加权图并改变了图卷积神经网络提取加权图的图级特征。为了有
效抓取图数据中的高阶特征并避免过平滑，研究了一种双分支多交互的深度图卷积网络，旨在提升节点对
高阶特征的掌握能力。该方法首先根据节点特征对图结构进行调整，然后通过结合原始和重构后的图结构，
构建了双分支网络架构以充分挖掘高阶特征。此外，通过设计一种通道信息互动机制，以促进不同分支间
的信息交流，从而提高特征的多样性。实验结果显示，该网络结构在多个标准数据集上进行指静脉识别任
务时，能提高识别精度，减少单张图片识别时间，提高效率，并有效减轻过平滑现象。
关键词：指静脉识别；图像分割算法；图卷积神经网络；交叉熵函数；通道信息交互
Finger-vein Recognition Research Based on Deep Graph
Convolutional Network With Dual-Branch
CHENG Junjun，WANG Mingwen
（School of Mathematics,Southwest Jiaotong University,Chengdu 610000,Si Chuan,China）
[Abstract] The finger-vein recognition method based on graph convolutional neural network can not only solve the
problem of low recognition rate of traditional finger vein recognition method, but also solve the problem of its large
computational volume. To address the current finger vein graph model's problems of graph structure instability and
matching efficiency decreasing due to model increase, SLIC super-pixel segmentation algorithm is used to construct
the weighted graph and change the graph convolutional neural network to extract the graph-level features of the
weighted graph. In order to effectively capture the higher-order features in the graph data and avoid over-smoothing,
a two-branch multi-interaction deep graph convolutional network is investigated, aiming to improve the node's
ability to grasp the higher-order features. The method first adapts the graph structure according to the node features,
and then by combining the original and reconstructed graph structures, a two-branch network architecture is
constructed to fully mine the higher-order features. In addition, the diversity of features is improved by designing a
channel information interaction mechanism to facilitate information exchange between different branches.
Experimental results show that this network architecture can improve recognition accuracy, reduce single-image
recognition time, improve efficiency, and effectively mitigate oversmoothing when performing finger vein
recognition tasks on multiple standard datasets.
[keywords]Finger-vein Recognition;Image Segmentation Algorithm;Graph Convolutional Neural Network;Cross-
entropy function;Channel Information Interaction
0 概述
手指静脉识别近年来成为生物特征识别领域的一项热门研究，因其不易被伪造、不易被
磨损、活体性强等突出优点，已经逐渐发展至实际应用当中，比如门禁系统等
[1]
。手指静脉
血管的网络结构是指静脉的特征体现，因此对指静脉的研究，关键在于对血管网状结构特征
的提取
[2]
。指静脉传统的特征提取方法主要是借鉴于其他生物特征提取方法，比如人脸识别
和指纹识别，均以图像为研究对象进行指静脉的识别工作
[3-4]
。
传统的特征提取方法如编码特征等，容易忽略图像特征间的结构关系。而图论中的
“图”作为一种图像描述方式，能够描述图像局部特征以及区域间关联性，表达图像全局
信息。由于其优异的特性，图论在图像检索、图像分割等领域都取得了很大进展
[5]
。叶子
云等人提出把一幅手指静脉图像表示为一个加权图，在识别效率上较传统方法有所提升，
但识别率有待提高
[6]
。为了提高识别率，Das Rig 等人提出基于深度学习的手指静脉识别
方法，但是在计算效率方面存在很大的提升空间
[7]
。
针对以上问题，本文提出一种基于图卷积网络（Graph Convolutional Network，GCN）
的手指静脉识别方法。GCN 由 Joan Bruna 等人于 2014 年提出，图数据各个顶点的相邻顶点
数目不尽相同，是一种不规则的数据结构，称为非欧氏数据。而传统的离散卷积在这类数据
上无法保持平移不变性，即不能用一个同样尺寸的卷积核进行卷积运算
[8]
。图卷积自提出以
来，在结点分类、疾病预测、网络安全等许多方面都取得很大进展。
虽然图神经网络取得一定效果，但浅层架构的特点限制其从高阶邻居节点中获取信息的
能力。而深度图神经网络可利用节点较远的聚合范围，提取相对丰富的高阶特征。然而，简
单叠加多个图卷积层的深度网络往往存在一些固有的缺陷，如产生过平滑现象
[9]
。过平滑现
象是指图节点信息经过多次图卷积操作后会趋于一致，丧失节点特征多样性。He
[10]
等利用
深度残差网络，解决计算机视觉中的网络退化问题，有效提升训练深层网络的可行性。基于
该工作，Kipf
[11]
等在 GCN 中引入残差连接，一定程度上缓解过平滑现象。进一步, Rong
[12]
等使用随机丢弃部分节点之间的边，减轻过平滑现象的影响。
尽管上述方法增加图卷积网络的深度，但忽略图卷积操作固有的缺陷：基于图卷积网络
学习的节点表示往往会破坏原始特征空间的节点相似性
[13]
。事实上，节点相似性在许多场
景中发挥至关重要的作用，这一结果会大幅影响捕获的节点表示的有效性，并阻碍其下游任
务的性能。此外，真实世界中的图结构数据往往存在长尾分布的现象，即图中的大多数节点
只存在少量的邻居节点，这些尾节点往往不能在聚合操作时获得足够的信息，这一现象影响
网络获取节点表示的准确性。
因此，本文提出双分支多交互的深度图卷积网络，有效改善节点分类任务的性能。首先,
利用 SLIC（Simple Linear Iterative Clustering）超像素分割算法对手指静脉图像构建
加权图。该图数据作为图卷积网络的输入，利用 K 近邻算法对图数据结构进行重构，学习具
有节点相似性的重构图，由于重构的图结构中节点具有较平衡的邻居数量，可避免长尾分布
带来的影响。然后，利用原始图和重构图构造双分支深度图卷积网络，既保留原始图的结构
信息，又考虑节点间的相似性信息，充分提取高阶特征。设计通道信息交互机制，建立对不
同分支信息的多次交互，增加特征的多样性，进一步增强网络获取高阶特征的能力，避免过
平滑现象。最后，将不同分支的特征进行融合以获得分类结果。实验表明本文网络在多个数
据集上取得较优性能。
1 指静脉加权图的构建
一个
N
个节点的加权图可以表示为
G
=
(
V,E,A
)
，
V
=
{
v
1
,
v
2
,…,
v
N
}
是节点集，
E
=
{
e
}
为边集，其中
e
=
(
v
i
,
v
j
)(i
≠
j)
，无向图中
e
=
e
，
A
∈
R
N
×
N
为图的权值邻接矩
阵，
w
∈
A
表示边
e
上的权值。定义图上的信号为
x
，图的节点特征矩阵用
X
∈
R
N
×
C
表示，
定义
x
i
∈
R
c
为第
i
个节点的特征向量，
C
为节点特征的维度大小。构建指静脉加权图操作包括
节点集的构建、节点特征的计算、边集的构建以及权值的计算。
1.1 节点集的构建、节点特征的计算
SLIC
[14]
是一种基于改进的 K 均值聚类算法来生成超像素，输入一张指静脉原始图像，
设定一个分割数 k，算法首先将图像转至 CIELAB 颜色空间，并将每个像素的亮度、颜色值
(
L,a,b
)
和空间坐标
(
x,y
)
结合成一个五维向量
(
L,a,b,x,y
)
，在图像中设定 k 个初始聚类中心
C
i
=
[
l
i
,
a
i
,
b
i
,
x
i
,
y
i
]
T
,然后在间隔
S
=
N/k
个像素的网格上采样，
N
为总像素数，为避免聚
类中心落在梯度较大的轮廓边界，将聚类中心移动到 3×3 邻域内梯度最小的位置，在聚类
中心搜索邻域内为每个像素点分配标签。和标准的 K 均值聚类在整张图中搜索不同，SLIC
的搜索范围限制为
2S
×
2S
，减少了距离计算，从而能加速算法的收敛。对搜索到的每个像
素点分别计算它和聚类中心的颜色距离
d
c
和空间距离
d
s
，并归一化得到最终的距离度量
D
'
：
d
c
=
(
l
j
−
l
i
)
2
+
(
a
j
−
a
i
)
2
+
(
b
j
−
b
i
)
2
（1）
d
s
=
(
x
j
−
x
i
)
2
+
(
y
j
−
y
i
)
2
（2）
D
'
=
d
c
N
c
2
+
d
s
N
s
2
（3）
式中
N
s
=
S
为类内最大空间距离，
N
c
为最大颜色距离，一般在
[
1,40
]
区间内取一个固定的常
数值
q
，权衡颜色相似性和空间邻近度之间的相对重要性。不断迭代上述步骤直到误差收敛，
最后使用连通分量算法将不连续的、尺寸过小的超像素重新分配给邻近的超像素区域，算法
具体流程（伪代码）如下表 1 所示。
表 1 SLIC 超像素分割算法
在图像中设定 k 个初始聚类中心
C
i
=
[
l
i
,
a
i
,
b
i
,
x
i
,
y
i
]
T
对于每一个像素点
p
，设置其标签为
1)( ��pl
;设置距离为
��)( pd
循环
for 每一个聚类中心
i
C
do
for 聚类中心
i
C
周围
2
𝑆
×
2
𝑆
的区域内每一个像素点
p
do
计算像素点
p
到聚类中心
i
C
的距离
𝐷
′
If
)(
'
pdD �
then
ipl �)(
'
)( Dpd �
end if
end for
end for
/*更新*/
更新新的聚类中心
计算误差
E
若误差
thresholdE �
结束整个算法；反之则继续
通过 SLIC 算法得到指静脉超像素图后，将一个超像素块构成加权图的一个节点。由于
不同手指个体的表皮和皮下组织厚度不同，对应指静脉成像中灰度特征不同，同一静脉图
像中静脉与非静脉部分区域的灰度也存在差异，并且每块超像素具有不同的空间位置特征,
因此通过计算每个超像素块的像素强度值
M
=
∑
N
i
n−1
p
n
/255
N
i
和质心坐标
C
=
(
x
i
,
y
i
)
/
S
max
得到节点的灰度特征和空间特征，其中
N
i
表示第
i
个超像素内像素的总数，
p
n
为每个像素的
像素值，
S
max
是图像尺寸的最大值。由于两特征尺度不同，进行 z-score(zero-mean)标准
化处理得到最终指静脉加权图的节点特征
x
i
=
[
M
,
C
]
，所有节点特征构成特征矩阵
X
。
图 1 所示为 k 取 100，即超像素分割数为 100，
q
取 10 时，经过高斯平滑、归一化后的指
静脉 ROI 图像通过 SLIC 算法构建节点集的示意图。
图 1 节点集的构建
1.2 构建边集、计算权重
图的边描述的是节点之间的连接关系，边上的权值则描述了节点之间连接关系的强弱。
典型的边集表示构成的图有区域邻接图，K 近邻图和三角剖分图等
[15]
，这些都是局部连接
的图结构，构成的图高度稀疏，图卷积提取的感知信息较少，因而本文提出构建无向完全图，
每对不同的顶点之间都只存在一条边，如图 2 所示。
图 2 边集的构建
在加权图中，节点间的权重被定义为它们之间的空间亲密度，通过超像素质心坐标的空
间距离来计算。权值越小，意味着两个超像素质心之间的距离越远，那么相应的节点间的空
间亲密度就越低，连接关系也就越弱。权值的计算方法如下:
)/),(),(exp(
2
2
2
�
jjiiij
yxyxw ���
（4）
其中
),(
ii
yx
和
),(
jj
yx
为两超像素块的质心坐标，
�
为取值
]1,0[
的常数值，实验中取
�
�1.0
能够获得较好的权值分布。
2 双分支多交互的深度图卷积网络构建
2.1 图卷积神经网络
图卷积网络可以分为基于频域和基于空域两种类型
[16]
。基于频域的方法通过引入滤波
器，并利用图谱的理论来实现拓扑图上的卷积操作，从图信号处理的视角定义图卷积运算。
而基于空域的图卷积通过定义一个聚合函数来聚合节点及它们的一阶邻域特征信息。在本文
中，构建的指静脉权重图是一个非稀疏图。与基于空域的方法仅聚集一阶邻域信息和堆叠层
数相比，基于频域的图卷积能够通过其卷积核的感受野扩张来捕获图中的更高阶信息。
对 于 一 个 无 向 图
𝐺
=
(
𝑉
,
𝐸
,
𝐴
)
，
𝑉
=
{
𝑣
1
,
𝑣
2
,…,
𝑣
𝑁
}
是
N
个 节 点 的 集 合 ，
},...,,{
21 m
eeeE �
为
m
条边的集合，
dN
N
RxxxX
�
�� },...,,{
21
为节点特征矩阵，
d
为每
个节点的特征维数，
NN
A
�
� }1,0{
为大小为
NN �
的邻接矩阵，
D
为
A
的对角度矩阵。
n
IAA ��
~
为添加自连接的邻接矩阵，
n
I
为 n 阶单位矩阵，
n
IDD ��
~
节点标签表示为一组 one-hot 向量。
Kipf 等提出用于半监督节点分类的 GCN，只考虑一阶邻居，GCN 的特征提取过程可表示

资源文件列表:

EC0070022_O_editing.zip 大约有1个文件
  1. 基于双分支GCN的指静脉识别研究.docx 1.13MB
0评论
提交 加载更多评论
其他资源 python语言程序设计 案例源代码.zip
python语言程序设计 案例源代码.zip
 Mat2Java.zip
Mat2Java.zip
 一个前后端分离的基于模版的报告生成平台（后端代码）
本系统是从实际生产平台中抽离出来的报告渲染模块，作为了一款独立的报告生成系统。本系统是前后端分离的架构，这是后端服务代码。 特点 1. 轻量化 本系统只关注报告生成，可以对接任意的数据源，通过自定义的模版，生成对应的报告。 2. 可扩展 本系统采用了模块化的架构，面向接口的设计，易于快速扩展其他的数据源和渲染方式。 3. 易整合 易于整合到其他系统中，作为报告生成功能的模块。 4. 更智能 整合了大文本人工智能服务，可提供更智能化的报告生成能力。 项目地址： Github: https://github.com/52jing/wang-template-backend Gitee: https://gitee.com/i52jing/wang-template-backend 前端项目地址： Github: https://github.com/52jing/wang-template-admin Gitee: https://gitee.com/i52jing/wang-template-admin 系统截图详见代码仓库。 通过本项目可了解 Spring Web 应用的开发。
一个前后端分离的基于模版的报告生成平台（后端代码） 一个前后端分离的基于模版的报告生成平台（后端代码） 一个前后端分离的基于模版的报告生成平台（后端代码）
MVS C#示例 ，大家自行下载使用
MVS C#示例 ，大家自行下载使用，不多说
 MobaXterm、WindTerm、xshell、finalshell、soureCRT快捷指令工具cxtool-3.2.5
MobaXterm、WindTerm、xshell、finalshell、soureCRT的快捷指令工具 详细说明见：https://blog.csdn.net/bandaoyu/article/details/139336859
 snipaste 2.9.2
好用截图软件
 基于Android的学习监督系统的设计与实现
应用于大一大二大三课程设计，主要功能包括学习的资讯了解，备忘录，时间表，倒计时提醒，学习积分排名等
 尚硅谷SpringCloud（Alibaba） 课堂练习源码
尚硅谷SpringCloud（Alibaba） 课堂练习源码
本站由星云主机提供云计算服务

网站建设一条龙服务、小程序开发、企业网站建设、定制开发，网络安全检测与维护 业务合作联系QQ:九六九五七三七