论文部分内容阅读
【摘 要】本文以指纹细节特征和全局统计特征混合识别模式为依据，采用神经网络相关方法进行了指纹识别算法的研究，主要研究内容分为指纹预处理、指纹特征提取和指纹特征匹配三个部分，在现有的各种指纹处理算法的基础上，对它们进行了优化改进，使其在处理低质量指纹图片时也能有较好的结果。
【关键词】神经网络 模式识别 指纹
一、引言
指纹自动识别技术是通过计算机实现的身份识别手段，也是当今应用最为广泛的生物特征识别技术之一。采用指纹识别技术进行身份验证是安全可靠的系统，它可以取代传统的基于密码、钥匙和证件的安全系统，而且不需记忆密码，无需携带证件，指纹就是身份证明。无数的研究单位和公司企业都积极从事自动指纹识别算法的研究和产品开发，现在国内外指纹识别大都采用基于细节特征点的指纹识别技术，即采用基于图像处理的指纹识别算法，但有些算法由于指纹图像的噪音、皮肤弹性引起的非线性形变等多方面因素，导致在识别过程中出现误差，影响识别率等。
二、研究现状
在国内，中国科学院自动化研究所人工智能实验室在指纹识别技术研究方面取得了大量成果，它们的产品“Finger pass嵌入式指纹识别系统”获国家信息产业部信息产业重人技术发明荣誉证书，“基于混合匹配的指纹识别系统与应用”曾获得国家科技进步二等奖，并在国内外重要学术刊物上发表多篇关于指纹的科研论文。
国外自动指纹识别技术的研究开发起步比国内早，到目前为止也已经取得了很多优秀成果，它们的技术和产品整体上都领先于国内。比较有代表性的“指纹研究组织”是南加利福利亚洲指纹联合会，它是一个非盈利组织，成立于1937年，目前拥有超过350个成员单位，该组织旨在推动指纹识别技术及其相应产品的研究、交流等。由国际模式识别协会组织的国际指纹识别算法竞赛“FVC2000”、“FVC2002”、“FVC2004”吸引了众多国际国内的高校、研究组织、企业等参加，这些竞赛都非常具有影响力，推动了指纹识别技术的研究和应用发展。
三、指纹预处理
在指纹识别过程中，输入的指纹图像由于各种原因的影响，是一幅含噪声较多的灰度图像，预处理的目的就是去除图像中的噪声，使图像画面清晰，边缘明显，把它变成一幅清晰的点线图，以便于提取正确的指纹特征。指纹图像预处理环节在整个指纹识别系统中具有重要的地位和作用，它的好坏直接影响着指纹识别的效果。预处理一般分为四步进行：指纹图像的规格化、指纹增强、二值化和细化。
四、指纹图像的特征
指纹图像的结构比较复杂，而且属于个人隐私，所以在一般情况下，指纹图像是用数字化的形式存储的，然而数字化存储信息量大，很难找到准确的指纹信息，因此指纹识别具有重大的意义。指纹识别算法是根据指纹图像中一些不同的特征来实现指纹的匹配，根据不同特征可以将指纹图像分为：总体特征和局部特征。
总体特征：指纹图像中存在一些清晰明了的特征，可以用肉眼直接观察到，将这一类特征称为总体特征，例如：纹型，模型区，核心点，三角点，纹数。
局部特征：指纹图像上节点的特征，而节点是指纹图像中具有某种特征的点，又称为特征点。一般来说，有些指纹会存在相同的总体特征，但绝对找不到相同的局部特征，即相同的特征点。所以在指纹识别过程中就是要寻找这些特征点，这些特征点往往出现在中断处、分叉处及转折处。
五、指纹特征匹配
人们对指纹匹配做了很多研究，提出了许多匹配算法，主要可分为两类：一类是基于图形的匹配方式，包括点模式匹配和基于图论的方法；另一类是采用人工神经网络的方法。图形匹配是针对纹线几何形状及其特征点拓扑结构的匹配方式，它的原理是基于相似变换的方法把两个特征点集中的相对应点匹配起来，这些相似变换可以是平移变换、旋转变换、伸缩变换等线性变换，可以在一定程度内允许少量伪特征点的存在、真正特征点的丢失以及轻微的特征点定位偏差，且对图像的平移和旋转也不敏感。但这种方法有两点不足：一是匹配速度比较慢；二是对指纹图像的质量要求比较高，低质量的图像匹配效果不佳。本文采用概率神经网络识别的模型进行网络拓扑。在情报不完全的情况下，对未知部分进行主观概率估计，然后用贝叶斯公式对其进行修正，最后结合期望值和修正概率做出最优决策。
六、小结
本文通过介绍混合神经网络相关知识，分析了自动指纹识别系统的研究现状和问题，按照指纹预处理、指纹特征提取和指纹特征匹配的研究过程，在现有的各种指纹处理算法的基础上，对它们进行了优化改进，研究了混合神经网络在自动指纹识别系统中的应用。
参考文献：
[1] 张莹，于宝堃。基于ARM9的指纹匹配算法[J]。计算机与数字工程，2013，5。
[2] 李娟。基于特征描述子的指纹算法研究[D]，西安电子科技大学，2012.
[3] 王启亮。指纹图像增强算法研究[D]， 太原科技大学，2013.
[4] 王行甫，覃启贤，程用远，侯成龙。一种改进的径向基神经网络预测算法[J]。计算机系统应用，2012，8。
[5]殷芳玺。嵌入式指纹识别应用系统与算法研究[D]， 华中科技大学，2012.
[6]车永刚，肖春雨，雷声，孙巍。基于环形BP神经网络的指纹匹配算法[J]。长江大学学报，2013，10（1）。
[7]黄勇兴。基于小波变换的指纹识别算法研究[D]，南昌航空大学，2012.
[8]张镕麟，曹凯，桂廷，庞辽军。一种基于扩散方程的指纹方向场提取方法[J].清华大学学报，2012，8.
[9]王超，魏启明，邓安远。无线指纹识别技术在考试系统的应用研究[J]。计算机仿真，2010，1。
【关键词】神经网络 模式识别 指纹
一、引言
指纹自动识别技术是通过计算机实现的身份识别手段，也是当今应用最为广泛的生物特征识别技术之一。采用指纹识别技术进行身份验证是安全可靠的系统，它可以取代传统的基于密码、钥匙和证件的安全系统，而且不需记忆密码，无需携带证件，指纹就是身份证明。无数的研究单位和公司企业都积极从事自动指纹识别算法的研究和产品开发，现在国内外指纹识别大都采用基于细节特征点的指纹识别技术，即采用基于图像处理的指纹识别算法，但有些算法由于指纹图像的噪音、皮肤弹性引起的非线性形变等多方面因素，导致在识别过程中出现误差，影响识别率等。
二、研究现状
在国内，中国科学院自动化研究所人工智能实验室在指纹识别技术研究方面取得了大量成果，它们的产品“Finger pass嵌入式指纹识别系统”获国家信息产业部信息产业重人技术发明荣誉证书，“基于混合匹配的指纹识别系统与应用”曾获得国家科技进步二等奖，并在国内外重要学术刊物上发表多篇关于指纹的科研论文。
国外自动指纹识别技术的研究开发起步比国内早，到目前为止也已经取得了很多优秀成果，它们的技术和产品整体上都领先于国内。比较有代表性的“指纹研究组织”是南加利福利亚洲指纹联合会，它是一个非盈利组织，成立于1937年，目前拥有超过350个成员单位，该组织旨在推动指纹识别技术及其相应产品的研究、交流等。由国际模式识别协会组织的国际指纹识别算法竞赛“FVC2000”、“FVC2002”、“FVC2004”吸引了众多国际国内的高校、研究组织、企业等参加，这些竞赛都非常具有影响力，推动了指纹识别技术的研究和应用发展。
三、指纹预处理
在指纹识别过程中，输入的指纹图像由于各种原因的影响，是一幅含噪声较多的灰度图像，预处理的目的就是去除图像中的噪声，使图像画面清晰，边缘明显，把它变成一幅清晰的点线图，以便于提取正确的指纹特征。指纹图像预处理环节在整个指纹识别系统中具有重要的地位和作用，它的好坏直接影响着指纹识别的效果。预处理一般分为四步进行：指纹图像的规格化、指纹增强、二值化和细化。
四、指纹图像的特征
指纹图像的结构比较复杂，而且属于个人隐私，所以在一般情况下，指纹图像是用数字化的形式存储的，然而数字化存储信息量大，很难找到准确的指纹信息，因此指纹识别具有重大的意义。指纹识别算法是根据指纹图像中一些不同的特征来实现指纹的匹配，根据不同特征可以将指纹图像分为：总体特征和局部特征。
总体特征：指纹图像中存在一些清晰明了的特征，可以用肉眼直接观察到，将这一类特征称为总体特征，例如：纹型，模型区，核心点，三角点，纹数。
局部特征：指纹图像上节点的特征，而节点是指纹图像中具有某种特征的点，又称为特征点。一般来说，有些指纹会存在相同的总体特征，但绝对找不到相同的局部特征，即相同的特征点。所以在指纹识别过程中就是要寻找这些特征点，这些特征点往往出现在中断处、分叉处及转折处。
五、指纹特征匹配
人们对指纹匹配做了很多研究，提出了许多匹配算法，主要可分为两类：一类是基于图形的匹配方式，包括点模式匹配和基于图论的方法；另一类是采用人工神经网络的方法。图形匹配是针对纹线几何形状及其特征点拓扑结构的匹配方式，它的原理是基于相似变换的方法把两个特征点集中的相对应点匹配起来，这些相似变换可以是平移变换、旋转变换、伸缩变换等线性变换，可以在一定程度内允许少量伪特征点的存在、真正特征点的丢失以及轻微的特征点定位偏差，且对图像的平移和旋转也不敏感。但这种方法有两点不足：一是匹配速度比较慢；二是对指纹图像的质量要求比较高，低质量的图像匹配效果不佳。本文采用概率神经网络识别的模型进行网络拓扑。在情报不完全的情况下，对未知部分进行主观概率估计，然后用贝叶斯公式对其进行修正，最后结合期望值和修正概率做出最优决策。
六、小结
本文通过介绍混合神经网络相关知识，分析了自动指纹识别系统的研究现状和问题，按照指纹预处理、指纹特征提取和指纹特征匹配的研究过程，在现有的各种指纹处理算法的基础上，对它们进行了优化改进，研究了混合神经网络在自动指纹识别系统中的应用。
参考文献：
[1] 张莹，于宝堃。基于ARM9的指纹匹配算法[J]。计算机与数字工程，2013，5。
[2] 李娟。基于特征描述子的指纹算法研究[D]，西安电子科技大学，2012.
[3] 王启亮。指纹图像增强算法研究[D]， 太原科技大学，2013.
[4] 王行甫，覃启贤，程用远，侯成龙。一种改进的径向基神经网络预测算法[J]。计算机系统应用，2012，8。
[5]殷芳玺。嵌入式指纹识别应用系统与算法研究[D]， 华中科技大学，2012.
[6]车永刚，肖春雨，雷声，孙巍。基于环形BP神经网络的指纹匹配算法[J]。长江大学学报，2013，10（1）。
[7]黄勇兴。基于小波变换的指纹识别算法研究[D]，南昌航空大学，2012.
[8]张镕麟，曹凯，桂廷，庞辽军。一种基于扩散方程的指纹方向场提取方法[J].清华大学学报，2012，8.
[9]王超，魏启明，邓安远。无线指纹识别技术在考试系统的应用研究[J]。计算机仿真，2010，1。