基于環(huán)形BP神經(jīng)網(wǎng)絡(luò)的指紋匹配算法

車永剛 (中海油田服務(wù)股份有限公司船舶事業(yè)部，北京 101149)

肖春雨 (龍鳳熱電廠，黑龍江 大慶 163711)

雷 聲 (中國石油天然氣管道局天津設(shè)計(jì)院，天津 300457)

孫 巍 (哈爾濱工程大學(xué)船舶工程學(xué)院，黑龍江 哈爾濱 150001)

基于環(huán)形BP神經(jīng)網(wǎng)絡(luò)的指紋匹配算法

車永剛 (中海油田服務(wù)股份有限公司船舶事業(yè)部，北京 101149)

肖春雨 (龍鳳熱電廠，黑龍江 大慶 163711)

雷 聲 (中國石油天然氣管道局天津設(shè)計(jì)院，天津 300457)

孫 巍 (哈爾濱工程大學(xué)船舶工程學(xué)院，黑龍江 哈爾濱 150001)

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法收斂慢、抗旋轉(zhuǎn)畸變效果差的問題，設(shè)計(jì)了一種多輸入、單輸出的三層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸入層呈n層環(huán)狀結(jié)構(gòu)，隱層中的第n個(gè)神經(jīng)元接受輸入層第n環(huán)所有神經(jīng)元的數(shù)據(jù)，對(duì)于每個(gè)輸入層的神經(jīng)元，僅采用一個(gè)權(quán)值連接至對(duì)應(yīng)的隱層神經(jīng)元；輸出層的唯一一個(gè)神經(jīng)元接受隱層中所有神經(jīng)元的數(shù)據(jù)，對(duì)于每個(gè)隱層神經(jīng)元，僅采用一個(gè)權(quán)值連接至輸出層神經(jīng)元。試驗(yàn)結(jié)果表明，單權(quán)值連接方式提高了網(wǎng)絡(luò)的收斂速度，環(huán)狀結(jié)構(gòu)的設(shè)計(jì)具有較好的抗旋轉(zhuǎn)畸變的性能，使得匹配速度和匹配精度均有所提高。

指紋匹配；圖像處理；BP神經(jīng)網(wǎng)絡(luò)

1 BP神經(jīng)網(wǎng)絡(luò)分析

目前的基于神經(jīng)網(wǎng)絡(luò)的指紋匹配算法，主要的思想是在整幅指紋圖像的灰度數(shù)據(jù)基礎(chǔ)上，以灰度差的絕對(duì)平均值(MAD)[1]作為匹配準(zhǔn)則。對(duì)于2幅指紋圖像來說，設(shè)待識(shí)指紋圖像A的大小為M×N，那么對(duì)于同樣大小的模板指紋圖像B，2幅圖像間的偏移量為:

(1)

式(1)中d的極小值即為匹配成功的特征點(diǎn)。由式(1)可見，如果待識(shí)指紋在二維空間內(nèi)產(chǎn)生了旋轉(zhuǎn)畸變，則d值會(huì)增大。這個(gè)特點(diǎn)說明了在指紋識(shí)別的應(yīng)用中，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)只具有平移不變性，并不具備旋轉(zhuǎn)不變性，在處理旋轉(zhuǎn)畸變較嚴(yán)重的圖像時(shí)，會(huì)出現(xiàn)較大的誤差；另外，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)在輸入層中的節(jié)點(diǎn)和隱層中的節(jié)點(diǎn)通常采用2個(gè)以上的權(quán)值連接[2]，這種結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)只有當(dāng)每個(gè)輸入空間都恰好包圍各自的樣本時(shí)，輸出層的輸出數(shù)據(jù)才能接近期望數(shù)值，如果樣本中的噪聲影響比較嚴(yán)重，容易造成權(quán)值的誤差調(diào)整值不穩(wěn)定，使系統(tǒng)不能很快收斂甚至收斂失敗。樣本訓(xùn)練中由于迭代次數(shù)較多，使得收斂速度慢，學(xué)習(xí)效率低。

2 環(huán)形BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)算法的缺陷，筆者設(shè)計(jì)了一種多輸入、單輸出的三層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的輸入層呈n層環(huán)狀結(jié)構(gòu)，隱層中的第n個(gè)神經(jīng)元接受輸入層第n環(huán)所有神經(jīng)元的數(shù)據(jù)，對(duì)于每個(gè)輸入層的神經(jīng)元，僅采用一個(gè)權(quán)值連接至對(duì)應(yīng)的隱層神經(jīng)元；輸出層的唯一一個(gè)神經(jīng)元接受隱層中所有神經(jīng)元的數(shù)據(jù)，對(duì)于每個(gè)隱層神經(jīng)元，僅采用一個(gè)權(quán)值連接至輸出層神經(jīng)元。輸入層的環(huán)形結(jié)構(gòu)劃分規(guī)則為：根據(jù)圖像尺寸選定大小為N×K窗口，以指紋中心點(diǎn)為中心的N×K的矩形區(qū)域?yàn)榈?環(huán)，3N×3K大小的矩形區(qū)域?yàn)榈?環(huán)，5N×5K大小的矩形區(qū)域?yàn)榈?環(huán)，依此類推。圖1給出了在3×3大小的模板下神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

對(duì)于一個(gè)n環(huán)網(wǎng)絡(luò)，則需要具有n環(huán)的輸入層和n個(gè)隱層神經(jīng)元，其方程可表示為：

圖1 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)示意圖

由于外環(huán)比內(nèi)環(huán)的數(shù)據(jù)量更多，所以噪聲對(duì)數(shù)據(jù)的影響也不同，所以隱層中激勵(lì)函數(shù)的參數(shù)ai可以不同，i值較大的情況下則可以選擇較大的ai值。輸入層到隱層之間，以及隱層到輸出層之間僅采用一個(gè)權(quán)值連接，權(quán)值為1或0，這樣可以減少算法的計(jì)算量，使計(jì)算速度提高。以指紋的中心點(diǎn)為匹配中心，將待識(shí)指紋的分叉點(diǎn)特征模板在數(shù)據(jù)庫中已有的指紋模板中滑動(dòng)，滑動(dòng)路線即為搜索線路，計(jì)算每次滑動(dòng)得到的待識(shí)特征點(diǎn)的匹配結(jié)果，最優(yōu)解即為待識(shí)圖像的目標(biāo)點(diǎn)。從而將匹配搜索問題轉(zhuǎn)化為函數(shù)的優(yōu)化問題。輸入層的數(shù)據(jù)提取中，以指紋中心點(diǎn)為圓心，將指紋圖像分割為多個(gè)環(huán)形區(qū)域，每個(gè)環(huán)形區(qū)域內(nèi)的特征點(diǎn)數(shù)據(jù)采用多對(duì)一映射的方式傳遞至隱層進(jìn)行處理，在每一環(huán)的數(shù)據(jù)進(jìn)行加權(quán)平均后，可以對(duì)噪聲影響進(jìn)行一定程度的平滑處理，由于環(huán)形結(jié)構(gòu)的設(shè)計(jì)，使得算法具有很好的抗旋轉(zhuǎn)畸變的性能。

3 環(huán)形BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)流程

根據(jù)指紋圖像的頻率場(chǎng)得出指紋紋線的平均寬度，特征點(diǎn)坐標(biāo)取為模板圖像的中心點(diǎn)坐標(biāo)，選取大小為M×L的模板圖像，滑動(dòng)窗的大小為N×K?；瑒?dòng)窗中參與匹配運(yùn)算的區(qū)域?yàn)棣?n,k)，n∈[2,N-1],k∈[2,K-1]，由模板大小確定。

將指紋圖像模板在滑動(dòng)窗中的待匹配區(qū)域內(nèi)的所有分叉點(diǎn)數(shù)據(jù)看成以該窗中心點(diǎn)為圓心的隱層神經(jīng)元的輸出數(shù)據(jù)，并將其輸入到輸入層的神經(jīng)元中，得到的結(jié)果為該滑動(dòng)窗中心點(diǎn)的匹配值。匹配中心點(diǎn)定為在匹配結(jié)果中選取匹配值最大的點(diǎn)。算法流程如下：

步1 將神經(jīng)網(wǎng)絡(luò)的輸入層、隱層、輸出層的節(jié)點(diǎn)數(shù)輸入；輸入模板圖像的分叉點(diǎn)數(shù)據(jù)；

步2 計(jì)算模板的θ1,θ2，θ3，θ4；

步3 以指紋中心點(diǎn)作為滑動(dòng)窗的初始目標(biāo)中心，計(jì)算y1,y2,y3,y4,xout；

步4 滑動(dòng)窗移至下一目標(biāo)中心，重復(fù)步2和步3，直至遍歷所有目標(biāo)中心；

步5 遍歷結(jié)束后，將求得的xout進(jìn)行加和并設(shè)定閾值，大于該閾值則認(rèn)為匹配成功，小于該閾值則判為匹配失敗。

4 試驗(yàn)結(jié)果及分析

筆者改進(jìn)的算法實(shí)際上是一個(gè)3層前饋神經(jīng)網(wǎng)絡(luò)，輸入層分為n環(huán)，第n(n=1,2,3,…)環(huán)中的所有神經(jīng)元與隱層中第n個(gè)神經(jīng)元之間采用一個(gè)權(quán)值連接，權(quán)值為0或1；隱層中的所有神經(jīng)元與輸出層的唯一一個(gè)神經(jīng)元之間采用一個(gè)權(quán)值連接，權(quán)值為0或1，是簡(jiǎn)化了的3層前饋神經(jīng)網(wǎng)絡(luò)，可以使收斂速度提高，減少樣本訓(xùn)練的時(shí)間。

為了測(cè)試改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的收斂速度，筆者使用文獻(xiàn)[3]中所使用的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和筆者的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比測(cè)試。網(wǎng)絡(luò)訓(xùn)練中提取了來自國際指紋競(jìng)賽數(shù)據(jù)庫(FVC2000)[4]中的100枚指紋對(duì)文中所述的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，使用的BP網(wǎng)絡(luò)輸入層含有25個(gè)神經(jīng)元，隱層含有3個(gè)神經(jīng)元，輸出層含有1個(gè)神經(jīng)元，精度要求為10-6，訓(xùn)練結(jié)果如圖2所示。

圖2 算法收斂速度比較

表1 算法提取分叉點(diǎn)的結(jié)果

由圖2(a)和圖2(b)的比較可得，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為198次，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為135次，在調(diào)整權(quán)值后，收斂速率得到了較大提升。

5 結(jié) 語

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)匹配算法訓(xùn)練時(shí)間長，抗旋轉(zhuǎn)畸變效果差的不足，在網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值上進(jìn)行了改進(jìn)，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)輸入層采用了環(huán)狀結(jié)構(gòu)，權(quán)值的連接方式也被簡(jiǎn)化，這種算法在訓(xùn)練時(shí)收斂速度較快，而且可以極大的降低指紋圖像旋轉(zhuǎn)造成的影響，能夠進(jìn)一步有效地降低誤識(shí)率。試驗(yàn)結(jié)果驗(yàn)證了算法的有效性。

[1]毛雁明，楊慧玲.一種新的立體匹配算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011,21(3):105-108,104.

[2] Lin H，Wang Y，Jain A K. Fingerprint Image Enhancement：Algorithms and Performance Evaluation [J].IEEE Trans Pattern Analysis and Machine Intelligence，1998，20(8)：777-789.

[3]尹義龍，寧新寶.改進(jìn)的指紋細(xì)節(jié)特征提取算法 [J].中國圖像圖形學(xué)報(bào)，2002，7(12)：1302-1306.

[4]何正友，錢清泉.BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法[J].西南交通大學(xué)學(xué)報(bào)，1999，34(4)：436-440.

2012-10-26

車永剛(1963-)，男，高級(jí)工程師，現(xiàn)主要從事自動(dòng)控制系統(tǒng)設(shè)計(jì)及應(yīng)用方面的研究工作。

TP183

A

1673-1409(2013)01-0022-03

[編輯] 洪云飛