CN110096954B

CN110096954B - 一种基于神经网络的指纹识别方法

Info

Publication number: CN110096954B
Application number: CN201910217399.1A
Authority: CN
Inventors: 王志成; 卫刚; 张宏伟
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2019-03-21
Filing date: 2019-03-21
Publication date: 2023-04-07
Anticipated expiration: 2039-03-21
Also published as: CN110096954A

Abstract

本发明涉及一种基于神经网络的指纹识别方法，包括以下步骤：1)对输入指纹图片进行预处理，提取出细节点的位置和角度信息；2)将指纹图片的细节点信息转换成一个特征向量，该向量不受指纹角度和尺寸的影响；3)使用GPU进行运算，提高指纹匹配速度；4)基于指纹向量化，用一个向量库来代替指纹库，降低存储空间；5)改良LVQ网络算法进行指纹识别；6)确定一个较好的指纹向量排序算法，在一对多的指纹识别中，找出正确目标指纹。

Description

一种基于神经网络的指纹识别方法

技术领域

本发明涉及一种指纹识别技术，尤其是涉及一种基于神经网络的指纹识别方法。

背景技术

生物识别技术(Biometric Identification Technology)的含义主要是通过人类个体的某些独特生理、行为来分辨一个人的身份的技术。指纹识别(FingerprintIdentification)是生物特征识别技术的一个领域。它的发展有着很长的历史，到目前为止，还没有发现两个同样的指纹，即使是DNA高度相似或者双胞胎指纹特征也不尽相同。指纹识别技术以往主要用于侦破案件和寻找犯罪分子，随着高科技时代的到来，人们追求更加便利、快捷的生活方式。指纹识别技术目前在手机解锁、指纹支付、公司考勤、指纹门锁等领域都有着不俗的表现。

当前主流的指纹识别原理如下：1)通过Sobel算子求偏导进行指纹的前景提取和方向场估计。2)通过Gabor过滤器进行图像增强和去噪。3)通过像素点周围8个邻点的灰度值判断是否为细节点。4)通过细节点的位置信息和角度信息进行指纹识别。5)在预处理期间，要求将输入指纹和待匹配指纹进行旋转矫正，将两指纹转换成大小和角度相同的图片。

上述指纹识别方法所需存储空间巨大，处理过程繁琐，在大数据的场景下准确率不高。如今会使用一些压缩算法进行存储空间的压缩，但是可能会丢失一些细节点信息。使用多台服务器进行分布式指纹识别，但是仅仅使用CPU处理的速度还是不快，并且数据的网络传输也消耗了大量的时间。现如今经典算法也已经进入了一个瓶颈期，很难再通过修改算法来提高识别准确率。指纹的旋转矫正阶段也限制了指纹库内存储的必须是指纹图片，不能仅仅是特征信息。

发明内容

本发明的目的就是通过神经网络实现指纹识别，降低指纹的存储空间，提高指纹识别的速度，达到了一个较高的准确率，并且从指纹库中找到正确的匹配指纹。

本发明的目的可以通过以下技术方案来实现：

一种基于神经网络的指纹识别方法，其特征在于，包括以下步骤：

1)输入待匹配指纹F；

2)通过已有技术FingNet获取F的细节点信息并且进行向量化V；

3)从指纹库中获取指纹F1；

4)通过已有技术FingNet获取F1的细节点信息并且进行向量化V1；

5)将步骤2)、步骤4)两向量作差，融合成一个向量V2＝V-V1；

6)将V2输入到改良的LVQ网络中，如果输出为不匹配，则返回3)。否则，进入7)；

7)将指纹F1加入到待排序集S中；

8)如果库中还有未操作的指纹，返回3)，否则进入9)；

9)将待排序集中的向量与输入指纹F作差，进行欧式距离排序，选出前10个。

与现有技术相比，本发明具有以下优点：

1)本发明通过指纹向量化，该向量不受指纹的角度和大小影响，因此可以省去预处理中的旋转矫正阶段。可以缩短指纹预处理时间。

2)本发明通过指纹向量化，使得指纹库中不需求存储指纹图片，仅仅存储代表该指纹的特征向量，大大降低了存储空间。

3)本发明通过神经网络实现指纹的预处理阶段，使用GPU进行运算，大大缩短了指纹的处理时间。

4)本发明通过改善的神经网络进行指纹的识别，使得指纹识别达到了一个较高的准确率。

5)本发明通过向量比较算法，在待选指纹集中找出正确的目标指纹。

附图说明

图1为本发明的流程示意图；

图2为细节点示意图；

图3为输入指纹图片；

图4为前景提取结果；

图5为指纹方向场；

图6指纹上的细节点分布；

图7为像素点。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例，都属于本发明的保护范围。

实施例1

本发明如下实施例基于如下环境：ubuntu16.04 64位操作系统，64GB内存，处理器型号位Inter Core i7-6700k CPU@4.00GHz x 8，图形处理器位GeForce GTX1080/PCIe/SSE2。实现开发环境为Keras(后端为Tensorflow)，应用了Neurolab0.3.5库，编程语言为python2.7。数据集为NIST SD 09

为使普通技术人员对本发明中的分类过程有更直观的了解，本发明如下实施例基于如下的约定对整个指纹识别过程进行说明；

如图1所示，一种基于神经网络的指纹识别方法，包括以下步骤：

1)输入待匹配指纹F；

2)通过已有技术FingNet获取F的细节点信息并且进行向量化V；

3)从指纹库中获取指纹F1；

4)通过已有技术FingNet获取F1的细节点信息并且进行向量化V1；

5)将步骤2)、步骤4)两向量作差，融合成一个向量V2＝V-V1；

7)将指纹F1加入到待排序集S中；

8)如果库中还有未操作的指纹，返回3)，否则进入9)；

9)将待排序集中的向量与输入指纹F作差，进行欧式距离排序，并且从小到大排序，选出前10个。

10).任务结束。

实施例详解：

根据指纹识别需求，输入匹配指纹前需要先进行细节点提取，该细节点提取是指基于指纹识别经典算法用神经网络实现指纹识别的预处理过程：前景提取、方向场估计、图像增强、细节点信息提取。本发明细节点信息提取的过程是通过多个卷积神经网络实现的，它是一个直接细节点提取的神经网络，可以使用GPU运行，最终输出结果是细节点的位置信息和角度信息。

本实施例输入的指纹如图3所示；前景提取结果如图4所示；指纹方向场如图5所示。

将指纹图片分别输入到预处理神经网络中；神经网络对指纹图片进行前景提取，去除背景和噪点；对指纹进行方向场估计，得出方向场图片；从指纹图片进行图像增强，指纹图像在采集的过程中，有时手指不干净或者采集器上有杂质，可能会出现脊线断裂的情况，手指在按压时如果有些许的移动，又有可能出现指纹粘连的情况。前者会导致伪端点的出现，后者可能会导致伪交叉点的出现，然而这两个细节点是指纹匹配的重要特征，因此需要图像增强去除伪细节点。

提取细节点，如图7所示，假设需要判断的点为P，其周围邻域的8个点顺时针编号分别为P1,P2,P3,…P8，黑色块的灰度值为0，白色块的灰度值为255，从展示图中可以总结出端点和交叉点的特点，端点周围点灰度值0到255的变化次数为2次，灰度值之和为7*255，交叉点周围点灰度值0到255的变化次数为6次，灰度值之和为5*255。具体计算方法如公式(2.16)～(2.19)所示:

如果P为端点，则满足:

如果P点是交叉点，则满足

从上述提取出细节点，并且根据之前建立的方向场提取出细节点的坐标和角度信息。

本发明中的指纹特征向量化，根据指纹细节点的位置信息和角度信息，转化成一个代表指纹的不受指纹角度和大小影响的向量。图2为细节点示意图。

通过将指纹图片向量化，完成指纹细节点信息的提取，提取效果如图6。

将代表指纹的向量保存到指纹库中。从库中取出2000对匹配指纹向量和2000对非匹配指纹向量，分别作差，得出4000个融合向量，训练改良后的LVQ网络。

本发明的向量融合是将得到的代表两个指纹的92维特征向量作差，并且求绝对值，得到一个92维向量。将每个融合向量输入到改良LVQ网络，将匹配指纹保存下来。

本发明的最终识别过程是将融合后的92维向量输入到训练好的6)中提到的改良LVQ网络中，完成一个二分类的过程。

Claims

1.一种基于神经网络的指纹识别方法，其特征在于，包括以下步骤：

1)输入待匹配指纹F；

2)通过已有技术FingerNet获取F的细节点信息并且进行向量化V；

3)从指纹库中获取指纹F1；

4)通过已有技术FingerNet获取F1的细节点信息并且进行向量化V1；

5)将步骤2)、步骤4)两向量作差，融合成一个向量V2＝V-V1；

6)将V2输入到改良的LVQ网络中，如果输出为不匹配，则返回3)；否则，进入7)；

7)将指纹F1加入到待排序集S中；

8)如果库中还有未操作的指纹，返回3)，否则进入9)；

9)将待排序集中的向量与输入指纹F作差，进行欧式距离排序，选出前10个；

步骤2)中，所述的指纹获取细节点信息应用已有的算法FingerNet，并且应用GPU实现；

步骤2)和4)中，所述的指纹向量化使用的是指纹细节点的位置信息和角度信息；指纹向量化算法过程具体为：

31)获取的指纹图像细节点集的位置信息为S＝{(X1,Y1),(X2,Y2),…(Xn,Yn)}，每个点的角度信息A＝{A1,A2,…An}；

32)从S中取中一点Pi，它的角度是Ai,它的坐标是(Xi,Yi)；

33)与A集合中(除自己外)每个点的角度作差，记作d＝{d1,d2,…,dn-1},求得Pi与S集合中(除自己外)每个点的欧式距离，记作k＝{k1,k2,…,kn-1}；

34)把d中所有角度差加和记作D，除以角度差的个数n-1，求得平均角度差

把d中距离最近的5个取出来加和记作K，除以距离差的个数5，再除以这5个距离中最大的距离，归一化求得平均距离差

35)以360°分成N个区间，设N＝72，即每个区间代表5°；把向量记作V，

加1,把1分成N个区间，设N＝20，即每个区间代表0.05；把向量记作V，

加1；

36)重复32)-35)；直到点集内所有点都运算一次。

2.根据权利要求1所述的一种基于神经网络的指纹识别方法，其特征在于，步骤6)中，其中LVQ是一种竞争网络，输入层为n维向量，竞争层有m个神经元，每个神经元也是n维的向量，两层之间完全连接；输出层中的每一个神经元只与竞争层中某一个神经元连接，权重为1，在漫长的训练过程中，输入层和竞争层之间的权值会逐渐成为聚类的中心；其训练过程为：

41)有数据输入到LVQ网络时，竞争层的神经元通过计算输入样本与神经元的距离产生获胜神经元，其输出为1，神经元输出为0；

P＝argmin(X-P_i)²

其中Pi代表第i个神经元，X代表输入，P代表获胜的神经元；

42)得到获胜神经元对应的结果，如果结果一致，则按照如下算式更新神经元

P′_i＝P_i+l_r*(X-P_i)

如果不一致，按照如下算式更新神经元

P′_i＝P_i-l_r*(X-P_i)

其中Pi是竞争胜利的神经元，X是输入的向量，P′_i是更新之后的神经元，l_r是学习率；

43)实验发现，当采用不同的学习率的时候，网络最终的系数也会不同，因此匹配的正确率也会被影响；

我们提出了一个动态LVQ网络的概念，将普通LVQ网络进的学习率改为自适应的，使得网络训练过程中每迭代一次学习率都会发生变化，从而提高正确率；学习率的计算公式如下:

l_rt＝l_ro*(1+λ*t)^m

其中l_rt是第t次迭代后的学习率，l_ro是初始化的学习率，t是迭代次数，λ和m为两个参数。