论文部分内容阅读
摘 要：在新兴信息技术推动社会快速发展的背景下，信息技术给人们在生活、工作、学习等各个方面带来了便利，不可忽视的是，技术的快速发展同时也存在着一定的不稳定因素。当前以生物特征为特点的鉴定技术颇受欢迎，其中的指纹识别具备高度的方便性和可靠性，但传统的指纹识别通常需要高质量、完整、清晰的识别对象，因此指纹出现污损、模糊等问题时会导致识别率降低。研究基于深度学习的污损指纹识别算法，来有效解决这些问题。
关键词：指纹识别;卷积神经网络;指纹深层特征
引言：
与传统的身份鉴定方法对比，指纹识别降低了被破译的风险，克服了传统身份认定方式准确性和便利性不足的缺点，利用不同的个体生物具有不同生理特征的特点来进行识别。目前，基于特征点对比的指纹识别技术已达到较高水准，而针对指纹污损问题，仍需要提升识别准确率。作为深度学习算法的其中一种，卷积神经网络（CNN）在模式识别和图像处理上得到广泛应用，其具有网络结构简单、训练参数少以及适用性较强的优点，在指纹识别上有效获得较高的识别率。
一、污损指纹识别带来的困难和挑战
根据我国的指纹档案数据显示，具有比较完整和高质量的指纹占比仅达总体的20%，而传统的指纹识别要求匹配的特征点数量达到一定的值域才可识别，污损指纹的特征点数量匹配不足则难以准确识别，识别污损指纹具有相当的困难和挑战，主要体现在以下几个方面：一是对污损指纹的图像预处理，运用相关算法对原图进行处理，获得清晰的线条，去除伪特征点，并尽量修复指纹缺损的部分，预处理的效果将极大地影响后面的指纹匹配，但是指纹处理存在局限性，即使反复处理也不一定能完全克服污损带来的缺陷。二是提取污损指纹的特征信息，在特征信息较少的情况下，需要选取比较具有代表性的特征信息进行准确的数据替换，这就要求研究如何从中提出足够有用的特征信息的理想方法。三是进行指纹匹配，污损指纹有效信息不足、错误的特征点干扰、非线性畸变严重等问题极大地增加了匹配难度。面对污损指纹带来的种种困难和挑战，我们必须处理好指纹识别困难的问题，增强指纹识别技术的普适性，保证技术的稳定发展。
二、基于深度学习的污损指纹识别研究
（一）卷积神经网络（CNN）
卷积神经网络（Convolutional Neural Network，CNN）是由早期的生物学家Hubel 和Wiesel 对猫视觉皮层研究的启发，是深度学习的代表算法之一。卷积神经网络通过挖掘数据在空间上的相关性，以局部连接的方式来简化调优过程，能够按其阶层结构对输入信息进行平移不变分类，它是由一个输入层、多个卷积层和池化层、全连接层、一个输出层共同组成，与其他深度学习算法对比，卷积神经网络不仅在图像和语音方面的比较突出，还因为其局部连接方式使得需要调整的训练参数比较少，而更容易训练。因此本文将运用卷积神经网络（CNN）算法对污损指纹进行分类识别，以在较短时间内争取到高识别率。
（二）FFPF_CNN算法
FFPF_CNN算法即利用卷积神经网络算法在对指纹特征点模糊化图后进行污损指纹的特征提取和识别。具体的计算过程为：（1）根据Poincare公式提取指纹特征的奇异点，并提取端点与叉点等非奇异点，完成污损指纹所有的特征点提取后做好标记工作。（2）进行模糊化处理即滤波处理，弱化具体的指纹线条和提取的特征点之间的具体位置，使其具有高度的旋转移动不变性。（3）最后运用卷积神经网络算法对指纹特征模糊化图进行准确识别。这种算法的优势在于免除了污损指纹修复的过程，简化了指纹特征提取过程，在一定程度上提高了对污损指纹的识别率，但值得注意的是，计算过程中的端点提取方法在指纹有缺损的情况下，将会提取出许多伪端点，这无疑会影响到指纹的识别效果，因此需要进一步研究解决的策略和方法。
（三）CBF_CNN算法
针对FFPF_CNN算法存在的不足，对此提供一种新的污损指纹识别算法，CBF_CNN算法即将提取的指纹中心块图输入卷积神经网络中进行识别的方法。具体过程为：（1）根据Poincare 公式提取污损指纹的中心点后做好标记工作。（2）运用卷积神经网络（CNN）算法确定正确的指纹中心点，裁剪破损的部分，保留指纹的核心特征信息。（3）截取以正确的指纹中心点为中心的正方块图，图的大小由指纹缺损程度的大小来决定。（4）最后运用卷积神经网络算法对截取的中心块图作分类识别。这种识别算法主要是解决FFPF_CNN算法存在的问题，与FFPF_CNN算法相比较，它的算法过程更为简单，保留和利用部分准确的特征点信息，同时又能避免错误的信息干扰，是有效识别污损指纹的方式。
在实验CBF_CNN算法过程中发现，尽管利用污损指纹的中心块图起到一定的识别提升效果，但是仅仅使用其中的一小部分指纹特征信息，而舍弃其他区域，造成信息浪费。因此为充分利用好指纹信息，对CBF_CNN算法作出一些改进：将中心图块转变为多分块图，以中心特征点为中心，截取其他八个分块图，组成九宫格的形式，从增加块图数量来保证充分提取指纹的信息。除此之外，还可以采用将FFPF_CNN算法与CBF_CNN算法相结合的方式，处理过的图像由特征点的模糊化图与中心块图拼接而成，使指纹信息特征实现利用最大化。
综上所述，深度学习在指纹识别应用中有着较大的优势，解决了传统识别方法无法在指纹受到污损的情况下准确识别的问题，对污损指纹进行有效性的处理，从而达到较好的识别效果。以上提供的两种基于深度学习的污损指纹识别算法：FFPF_CNN算法以及CBF_CNN算法。两种算法均是利用卷积神经网络进行信息提取和识别的计算模型，其仍存在一些不足，希望在将来的工作中能够逐渐完善。
参考文献
[1] 吴震东，王雅妮，章坚武. 基于深度學习的污损指纹识别研究[J]. 电子与信息学报，2017，39（07）：1585-1591.
[2] 王雅妮. 基于深度学习的困难指纹识别研究[D].杭州电子科技大学，2017.
基金项目：论文来源：训练计划，2019年省级大学生创新创业训练计划项目《互联网+指脸》（项目编号S201913814032），项目负责人：刘焰。
作者简介：刘焰（1999-），女，2018级移动互联应用技术1班学生，研究方向：图像识别与处理;李超（1980-），男，广安职业技术学院讲师，大学生创新创业导师，研究方向：人工智能与物联网技术。
关键词：指纹识别;卷积神经网络;指纹深层特征
引言：
与传统的身份鉴定方法对比，指纹识别降低了被破译的风险，克服了传统身份认定方式准确性和便利性不足的缺点，利用不同的个体生物具有不同生理特征的特点来进行识别。目前，基于特征点对比的指纹识别技术已达到较高水准，而针对指纹污损问题，仍需要提升识别准确率。作为深度学习算法的其中一种，卷积神经网络（CNN）在模式识别和图像处理上得到广泛应用，其具有网络结构简单、训练参数少以及适用性较强的优点，在指纹识别上有效获得较高的识别率。
一、污损指纹识别带来的困难和挑战
根据我国的指纹档案数据显示，具有比较完整和高质量的指纹占比仅达总体的20%，而传统的指纹识别要求匹配的特征点数量达到一定的值域才可识别，污损指纹的特征点数量匹配不足则难以准确识别，识别污损指纹具有相当的困难和挑战，主要体现在以下几个方面：一是对污损指纹的图像预处理，运用相关算法对原图进行处理，获得清晰的线条，去除伪特征点，并尽量修复指纹缺损的部分，预处理的效果将极大地影响后面的指纹匹配，但是指纹处理存在局限性，即使反复处理也不一定能完全克服污损带来的缺陷。二是提取污损指纹的特征信息，在特征信息较少的情况下，需要选取比较具有代表性的特征信息进行准确的数据替换，这就要求研究如何从中提出足够有用的特征信息的理想方法。三是进行指纹匹配，污损指纹有效信息不足、错误的特征点干扰、非线性畸变严重等问题极大地增加了匹配难度。面对污损指纹带来的种种困难和挑战，我们必须处理好指纹识别困难的问题，增强指纹识别技术的普适性，保证技术的稳定发展。
二、基于深度学习的污损指纹识别研究
（一）卷积神经网络（CNN）
卷积神经网络（Convolutional Neural Network，CNN）是由早期的生物学家Hubel 和Wiesel 对猫视觉皮层研究的启发，是深度学习的代表算法之一。卷积神经网络通过挖掘数据在空间上的相关性，以局部连接的方式来简化调优过程，能够按其阶层结构对输入信息进行平移不变分类，它是由一个输入层、多个卷积层和池化层、全连接层、一个输出层共同组成，与其他深度学习算法对比，卷积神经网络不仅在图像和语音方面的比较突出，还因为其局部连接方式使得需要调整的训练参数比较少，而更容易训练。因此本文将运用卷积神经网络（CNN）算法对污损指纹进行分类识别，以在较短时间内争取到高识别率。
（二）FFPF_CNN算法
FFPF_CNN算法即利用卷积神经网络算法在对指纹特征点模糊化图后进行污损指纹的特征提取和识别。具体的计算过程为：（1）根据Poincare公式提取指纹特征的奇异点，并提取端点与叉点等非奇异点，完成污损指纹所有的特征点提取后做好标记工作。（2）进行模糊化处理即滤波处理，弱化具体的指纹线条和提取的特征点之间的具体位置，使其具有高度的旋转移动不变性。（3）最后运用卷积神经网络算法对指纹特征模糊化图进行准确识别。这种算法的优势在于免除了污损指纹修复的过程，简化了指纹特征提取过程，在一定程度上提高了对污损指纹的识别率，但值得注意的是，计算过程中的端点提取方法在指纹有缺损的情况下，将会提取出许多伪端点，这无疑会影响到指纹的识别效果，因此需要进一步研究解决的策略和方法。
（三）CBF_CNN算法
针对FFPF_CNN算法存在的不足，对此提供一种新的污损指纹识别算法，CBF_CNN算法即将提取的指纹中心块图输入卷积神经网络中进行识别的方法。具体过程为：（1）根据Poincare 公式提取污损指纹的中心点后做好标记工作。（2）运用卷积神经网络（CNN）算法确定正确的指纹中心点，裁剪破损的部分，保留指纹的核心特征信息。（3）截取以正确的指纹中心点为中心的正方块图，图的大小由指纹缺损程度的大小来决定。（4）最后运用卷积神经网络算法对截取的中心块图作分类识别。这种识别算法主要是解决FFPF_CNN算法存在的问题，与FFPF_CNN算法相比较，它的算法过程更为简单，保留和利用部分准确的特征点信息，同时又能避免错误的信息干扰，是有效识别污损指纹的方式。
在实验CBF_CNN算法过程中发现，尽管利用污损指纹的中心块图起到一定的识别提升效果，但是仅仅使用其中的一小部分指纹特征信息，而舍弃其他区域，造成信息浪费。因此为充分利用好指纹信息，对CBF_CNN算法作出一些改进：将中心图块转变为多分块图，以中心特征点为中心，截取其他八个分块图，组成九宫格的形式，从增加块图数量来保证充分提取指纹的信息。除此之外，还可以采用将FFPF_CNN算法与CBF_CNN算法相结合的方式，处理过的图像由特征点的模糊化图与中心块图拼接而成，使指纹信息特征实现利用最大化。
综上所述，深度学习在指纹识别应用中有着较大的优势，解决了传统识别方法无法在指纹受到污损的情况下准确识别的问题，对污损指纹进行有效性的处理，从而达到较好的识别效果。以上提供的两种基于深度学习的污损指纹识别算法：FFPF_CNN算法以及CBF_CNN算法。两种算法均是利用卷积神经网络进行信息提取和识别的计算模型，其仍存在一些不足，希望在将来的工作中能够逐渐完善。
参考文献
[1] 吴震东，王雅妮，章坚武. 基于深度學习的污损指纹识别研究[J]. 电子与信息学报，2017，39（07）：1585-1591.
[2] 王雅妮. 基于深度学习的困难指纹识别研究[D].杭州电子科技大学，2017.
基金项目：论文来源：训练计划，2019年省级大学生创新创业训练计划项目《互联网+指脸》（项目编号S201913814032），项目负责人：刘焰。
作者简介：刘焰（1999-），女，2018级移动互联应用技术1班学生，研究方向：图像识别与处理;李超（1980-），男，广安职业技术学院讲师，大学生创新创业导师，研究方向：人工智能与物联网技术。