一種基于ABC—BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別算法研究

文祝青+吳志攀

摘要：針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢、對(duì)初始值敏感以及容易陷入局部極小值等缺點(diǎn)而導(dǎo)致指紋識(shí)別效果不理想事實(shí)，該文提出了一種基于ABC-BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別算法，將指紋的特征點(diǎn)坐標(biāo)的數(shù)值歸一化后輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用人工蜂群算法在訓(xùn)練過(guò)程中進(jìn)行網(wǎng)絡(luò)優(yōu)化，從而在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中獲得最優(yōu)的權(quán)值和閾值，以更為準(zhǔn)確地得到指紋識(shí)別結(jié)果。實(shí)驗(yàn)數(shù)據(jù)表明，該算法取得了較好的識(shí)別結(jié)果，具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：指紋識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；人工蜂群算法

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）32-0196-03

1 概述

生物識(shí)別技術(shù)是一種用來(lái)鑒定個(gè)人身份信息的技術(shù)。目前研究最為深入、應(yīng)用范圍最為廣泛、發(fā)展最為成熟的生物識(shí)別技術(shù)當(dāng)屬指紋識(shí)別技術(shù)，但其以前主要應(yīng)用在刑事偵查、司法鑒定當(dāng)中[1]。當(dāng)代的指紋識(shí)別一般都是在光學(xué)傳感器上實(shí)現(xiàn)的，遠(yuǎn)離了脫機(jī)的研究而開(kāi)始了聯(lián)機(jī)的指紋識(shí)別。隨著半導(dǎo)體指紋傳感器的發(fā)展，指紋辨認(rèn)的應(yīng)用范疇迅速擴(kuò)大，已經(jīng)深入至個(gè)人電腦，手機(jī)、金融系統(tǒng)、門禁系統(tǒng)、考勤系統(tǒng)等領(lǐng)域。雖然人們的生活當(dāng)中慢慢不可避免地接觸使用指紋，但正確識(shí)別指紋并不是一件簡(jiǎn)單的事情。因?yàn)橹讣y識(shí)別過(guò)程是比較復(fù)雜的，涉及內(nèi)容不僅包括圖像預(yù)處理部分，還包括指紋識(shí)別部分。由于指紋污損、光照程度、傾斜角度和算法缺陷等原因，大多指紋識(shí)別系統(tǒng)并不能做到一次性100%的識(shí)別，這就需要學(xué)者們作進(jìn)一步的跟進(jìn)研究。

2 指紋預(yù)處理

指紋可能因?yàn)槌龊苟睗?、長(zhǎng)期泡水而脫皮，也可能因?yàn)榍趧诙植?，所以采集的指紋圖像質(zhì)量有高有低，這些指紋圖像存在著參差不齊的噪聲干擾。指紋圖像的預(yù)處理就是去掉一些不必要的雜質(zhì)，給后續(xù)識(shí)別提供一幅清晰的二值化指紋圖像。指紋圖像的預(yù)處理流程如圖1所示。

一張指紋圖片，往往復(fù)合著與指紋無(wú)關(guān)、會(huì)降低識(shí)別率的背景部分，如圖2所示。通過(guò)圖像分割去掉不需要的背景部分，保留感興趣區(qū)域（Region of Interest，ROI），即脊線和谷線組成的部分。本文采用復(fù)合分割算法[2]，即基于指紋圖像局部灰度方差分割和基于指紋圖像的方向場(chǎng)分割的復(fù)合算法，前人已證明它更適合指紋圖像的背景分割。采用復(fù)合算法得到的分割圖像如圖3所示。

圖像的增強(qiáng)有好幾種方法，本文選用根據(jù)圖像本身特點(diǎn)設(shè)計(jì)的方向?yàn)V波[3]，如圖4所示，圖像變得更加清晰了，將該淡化的地方淡化，稱之為噪音減少；該增強(qiáng)的地方增強(qiáng)了，稱之為指紋方向的點(diǎn)增強(qiáng)。一個(gè)指紋圖像一般用到多個(gè)濾波器，因?yàn)榧y線方向是多向的。

一張普通的圖片是五顏六色的，也就是有不同的灰度值，而圖像的二值化就是把這樣的圖片變成黑（0）和白（255）的，如圖5所示，使得圖像的數(shù)據(jù)量減小和突顯出感興趣的區(qū)域。這里選擇基于方向圖的二值化方法，可以動(dòng)態(tài)地設(shè)置每個(gè)像素點(diǎn)的閾值。假設(shè)有一張圖像，它的灰度為1-m級(jí)，灰度值為i，像素?cái)?shù)為Ni。

各灰度值的分布如公式（1）所示。

[Pi=nii=1mni] （1）

由于二值化之后的圖像還是不能滿足后續(xù)的要求，因而需要圖像細(xì)化來(lái)得到寬度為單個(gè)像素點(diǎn)的脊線的骨架圖像，細(xì)化不但減少了圖像數(shù)據(jù)量，而且使脊線更加清晰，可以提高處理效率。

一個(gè)圖像有成千上萬(wàn)的像素點(diǎn)，研究每個(gè)點(diǎn)很繁瑣，那就需要將其剔除，是否可刪由該目標(biāo)點(diǎn) 8 鄰域內(nèi)各像素點(diǎn)的值決定。一個(gè)目標(biāo)像素依次跟周圍的8個(gè)領(lǐng)域進(jìn)行匹配從而判斷是否刪除，細(xì)化后效果如圖6所示。

指紋的細(xì)節(jié)特征信息應(yīng)包含以下幾點(diǎn)[4]：

（1） 特征點(diǎn)類型；

（2） 特征點(diǎn)坐標(biāo)（x，y）；

（3） 在局部分塊圖像上，特征點(diǎn)的紋線方向d；

令提取的特征點(diǎn)坐標(biāo)記為（x，y，d），一個(gè)區(qū)域內(nèi)有很多這樣的特征點(diǎn)，用P=Pn（xn，yn，dn）表示，指紋匹配就是以上特征點(diǎn)的匹配。

4 基于ABC-BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別

BP神經(jīng)網(wǎng)絡(luò)已經(jīng)在很多領(lǐng)域都得到了成功地運(yùn)用，它的基本原理是：輸入信號(hào)Xi，通過(guò)隱層這個(gè)中間節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)后經(jīng)過(guò)非線性變動(dòng)得到輸出信號(hào)，網(wǎng)絡(luò)訓(xùn)練的過(guò)程中每個(gè)樣本包括了輸入向量和期望輸出量，而網(wǎng)絡(luò)實(shí)際輸出值與期望的輸出值之間是有誤差的，通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的連接強(qiáng)度取值，還有隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度以及閾值，使得誤差減小而沿梯度方向下降，經(jīng)過(guò)重復(fù)地學(xué)習(xí)訓(xùn)練，確定權(quán)值和閾值，訓(xùn)練結(jié)束。訓(xùn)練后的網(wǎng)絡(luò)可以對(duì)類似樣本做同樣的處理。

本文選取32個(gè)指紋樣本，對(duì)應(yīng)設(shè)置32個(gè)5位的二進(jìn)制編碼，則輸出層節(jié)點(diǎn)5個(gè)；每個(gè)樣本提取8個(gè)特征點(diǎn)，特征點(diǎn)的3個(gè)坐標(biāo)值歸一化后作為輸入信號(hào)Xi[5]，則輸入層節(jié)點(diǎn)24個(gè)，如圖7，信號(hào)通過(guò)3個(gè)隱層節(jié)點(diǎn)作用于輸出節(jié)點(diǎn)后得到輸出信號(hào)。

BP神經(jīng)網(wǎng)絡(luò)雖然在智能算法中得到了很好的運(yùn)用，但是其可能會(huì)陷入局部最優(yōu)等的缺陷。為此，本文提出一種基于人工蜂群（Artificial Bee Colony，ABC）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)智能算法進(jìn)行指紋識(shí)別[6-8]，指紋識(shí)別的基本流程如圖8所示。

在ABC 算法中一個(gè)蜜源對(duì)應(yīng)問(wèn)題的一個(gè)解，蜂蜜的多與少表示解質(zhì)量的高與低，一個(gè)人工蜂群由雇傭蜂、觀察蜂和偵查蜂這三部分組成。蜂群大小用Nc表示，雇傭蜂（Ne）和觀察蜂的數(shù)量（No）以及解的數(shù)目（Ns）三者相等，每個(gè)解都是一個(gè)D維向量（D是需優(yōu)化參數(shù)的個(gè)數(shù)）。有三個(gè)控制參數(shù)：解的個(gè)數(shù)（Ns）、極限值（limit）以及最大循環(huán)次數(shù)（MCN）。

開(kāi)始時(shí)，算法隨機(jī)地產(chǎn)生Ns個(gè)解（X1，...，XNs）、設(shè)置極限值（limit）和最大循環(huán)次數(shù)（MCN）。初始化后，蜜蜂用貪婪選擇法進(jìn)行循環(huán)搜尋新的解，若新解的適應(yīng)度大于舊解，則雇傭蜂放棄舊解而記住新解。接著計(jì)算解的收益率，觀察蜂也采納貪婪選擇法，再根據(jù)這些解的收益率和雇傭蜂所記住的解在鄰域搜尋新的解。假定出現(xiàn)最新解不能再被更新，也就是更新失敗的次數(shù)超過(guò)了極限值 limit，那么這個(gè)解就會(huì)被僅有的一個(gè)偵查蜂遺棄并用新的解替代。按照此循環(huán)直至最大循環(huán)次數(shù)[6]。endprint

搜尋新解的表達(dá)式如公式（2）所示：

[Vij=Xij+rand（-1，1）（Xij-Xkj）lowerbounduperbound，，，Vij∈（lowerbound，upperbound）Vijupperbound] （2）

式中i是指第i個(gè)蜜源，[ j∈1，2，…，D]，[k∈1，2，…，Ns]是隨機(jī)產(chǎn)生的，且k≠i。如果[Vij]超過(guò)規(guī)定的最大邊界值和最小邊界值，則根據(jù)公式轉(zhuǎn)化成邊界值。

蜜蜂搖擺舞確定蜜源的收益率，再根據(jù)收益率大小挑選蜜源，觀察蜂選擇蜜源主要是看蜜源的適應(yīng)度值[7]，收益率Pi用公式（3）計(jì)算：

[Pi=f（Xi）n=1Nsf（xn）] （3）

其中，[f（Xi）]表示蜜源的適應(yīng)值，當(dāng)舍棄舊解時(shí)使用公式（4）產(chǎn)生新解：

[Xi=Xmin+rand（0，1）（Xmax-Xmin）] （4）

ABC算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)（ABC-BP）的具體步驟如下：

（1） 構(gòu)建一個(gè) BP 神經(jīng)網(wǎng)絡(luò)；

（2） 初始化種群及 ABC 算法的參數(shù)（Nc、Ne、No、Ns、limit、MCN）[13]，應(yīng)滿足公式（5）：

[Nc=2Ns=Ne+No，Ne=No=Ns] （5）

初始種群即初始解[Xi（i=1，…，Ns）]是隨機(jī)產(chǎn)生的（-1，1）之間的數(shù)，每一個(gè)[Xi]都代表了步驟（1）中所創(chuàng)立神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，每個(gè)解的維數(shù)D滿足公式（6）：

[D=Nin×Nhidden+Nhidden+Nhidden×Nout+Nout] （6）

其中[Nin] 、[Nhidden] 、[Nout]分別是輸入層、隱含層和輸出層對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)。

（3） 計(jì)算每個(gè)解的適應(yīng)度值[fXi]，如公式（7）所示：

[fXi=11MSEi+1，，MSEi=0MSEi>0] （7）

式中[i=（1，2，…，Ns）]，[MSEi] 表示第i個(gè)解的 BP 網(wǎng)絡(luò)均方誤差，理想狀態(tài)值為1。

（4） 雇傭蜂按照公式（2）根據(jù)當(dāng)前的記憶解搜尋新的解。假如新解的適應(yīng)度值比舊解的適合度值大，則記下更新的舊解，要不然在舊解的更新失敗次數(shù)上加1。

（5） 按照公式（3）根據(jù)第i個(gè)解的適應(yīng)度值[f（Xi）]計(jì)算解的收益率。觀察蜂根據(jù)這些收益率搜尋新的解。

（6） 若解[Xi]的更新失敗次數(shù)超過(guò)了預(yù)定的最大值 limit，偵查蜂用公式（4）產(chǎn)生的新解將其替代。

（7） 要是迭代的次數(shù)超過(guò)了最大的循環(huán)次數(shù) MCN，那就完結(jié)訓(xùn)練。否則，返回第（5）步。

（8） 將得到的最優(yōu)解變換成BP網(wǎng)絡(luò)連接的權(quán)值和閾值[8]。

相比普通BP神經(jīng)網(wǎng)絡(luò)，引入了ABC算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)指紋的識(shí)別率有所提高，如表1所示。

5 結(jié)論

為了克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和容易陷入局部最優(yōu)的缺點(diǎn)，我們利用人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，以尋找出其最優(yōu)的權(quán)值和閾值。實(shí)踐證明，ABC算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合有利于指紋的識(shí)別，可以提高識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

[1] 潘滟.基于神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別系統(tǒng)研究[D].湖南大學(xué)，2007.

[2] 馮國(guó)進(jìn)，顧國(guó)華，張保民.指紋圖像預(yù)處理與特征提取[J].計(jì)算機(jī)應(yīng)用研究，2004（9）：183-186.

[3] 周永東.指紋圖像增強(qiáng)算法研究和加速器設(shè)計(jì)[D].浙江大學(xué)，2006.

[4] 韓濤.指紋圖像預(yù)處理與特征提取算法研究[D].華中科技大學(xué)，2005：36-40.

[5] 徐黎明，王清，陳劍平，等.基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)，2013，43（1）：186-191.

[6] 蘇彩紅，向娜，陳廣義，等.基于人工蜂群算法與BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)評(píng)價(jià)模型[J].環(huán)境工程學(xué)報(bào)，2012，6（2）：699-704.

[7] 張超群，鄭建國(guó)，王翔.蜂群算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2011，28（9）：3201-3205.

[8] 孫航.基于BP神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別[J].信息與電腦：理論版，2011（5）：38-39.