基于深度学习的困难指纹识别研究

发布时间：2020-01-31 06:15

【摘要】：随着社会信息化水平的提高及不稳定因素的增加,人们迫切需要更加可靠的识别技术对身份进行认证。因此,利用生物特征进行鉴定已成为时下热潮。其中的指纹识别更是因其方便性和可靠性受到学者们的推崇。传统的指纹识别方法是基于特征点比对来寻求相似性的,且现有的特征点比对算法可达到相当高的识别率。然而,实现这样好的效果是需要较高的指纹质量,完备的指纹预处理算法及精确的特征点定位算法,三者缺一不可。但是指纹质量却是无法人为控制的,研究者们经常会面临着模糊不清,形变较大甚至是缺损严重的指纹识别,这时再利用点匹配方式进行分类会得到较差的效果。为了解决这些问题,本论文设计出四种新的基于深度学习的困难指纹识别算法,分别是基于卷积神经网络的指纹特征点模糊化图识别算法(FFPF_CNN),基于卷积神经网络的指纹中心块图识别算法(CBF_CNN),引入多分块图的困难指纹识别算法和基于改进型的多特征图困难指纹识别算法。本文的最大亮点在于不需要完整指纹或提取出指纹的所有特征点就可准确完成指纹识别的任务。FFPF_CNN算法首先利用Poincare公式及端点与叉点提取算法找出困难指纹存在的所有特征点,然后再利用模糊算法将这些取出的特征点模糊化,最后将这样的特征点模糊化图输入到卷积神经网络(CNN)中进行训练识别。此方法彻底去除了指纹的线条,取而代之的是特征点的数量,位置,以及它们之间的相对位置关系。这种方法较之于传统的特征点比对算法,它不需要特定个数的特征点,且对于形变有一定的容忍度。CBF_CNN算法同样先利用Poincare公式找出指纹中心点,然后以指纹中心点为中心截取一小块指纹细化图输入到CNN中。指纹中心块既大量舍弃了困难指纹的污损区域,同时又保留了信息最多且最为重要的区域。这种方法可节省因指纹修复所花费的大量时间,而且还大大提高了对困难指纹的识别率。在CBF_CNN算法的基础上,本文对它做了一定的改进,提出了一种引入多分块图的困难指纹识别算法。在CBF_CNN算法中,本文仅输入了以指纹中心点为中心的中心块指纹图作为分类图像,这种方式舍弃掉了原始指纹的大部分区域。因此,引入多分块图的困难指纹识别算法是将中心块图,以中心块图为中心的其他八个方位的指纹块图以及指纹原图作为卷积神经网络的输入图像。这样,在尽可能多得利用困难指纹特征信息的同时又增加了识别率。在前两种算法的启发下,本文又提出了一种将两种特征图合并到一起作为输入图像的多特征图困难指纹识别算法,即将指纹中心块图与特征点模糊化图上下拼接成一幅图输入到卷积神经网络中进行分类识别。这种算法充分利用了指纹图像的特征点信息、线条信息、形状信息等等。实验结果表明,新提出的这两种算法都可增加困难指纹的识别率。
【图文】：

规模预测,行业市场,识别技术,指纹识别技术

015-2020年全球生物识别技术行业市场规模预测

流程图,指纹识别,流程,指纹图像

图 1.2 指纹识别流程1）指纹图像预处理指纹图像预处理[7]，指的是利用各种算法将指纹灰度图像处理成便于特征提取的仅有黑白两个值的指纹图像。这是影响后续特征提取与匹配操作的关键一步，主要包含:（1）指纹增强。采用例如 STFT 算法，，Gabor 小波滤波器等弥补指纹图像中纹路的断裂等不足，从而使纹线更加清晰，降低提取错误特征点的可能性。（2）指纹图像二值化[8]。指纹灰度图像包含大量灰度值较为接近的像素点，这会导致纹线的大量粘连，因此使得特征点的提取更加困难。而该步骤就是将包含多个值的灰度图转化为仅有两个值的图像，这样就将粘连的纹线分离开了。（3）指纹图像细化[9]。虽然指纹图像二值化解决了指纹纹线粘连的问题，但保有一定宽度的纹线则会大大增加特征提取的复杂度。而对于像指纹这种特殊图像，纹线的方向走势才是研究者们的关注点，因此提取出指纹纹线的骨架结构即可进行后续操作。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP181

【参考文献】