基于深度學(xué)習(xí)的指紋識(shí)別方法研究

陳虹旭 李曉坤 鄭永亮 袁烺 邵娜 楊磊 劉磊

文章編號(hào)： 2095-2163（2018）03-0064-06中圖分類(lèi)號(hào)： 文獻(xiàn)標(biāo)志碼： A

摘要： 關(guān)鍵詞： （Heilongjiang Hengxun Technology Co. Ltd.， Harbin 150090， China）

Abstract： Modern science and technology is in a period of rapid development， fingerprint identification technology has been integrated into the various fields of social life. Among many biometric identification techniques， fingerprint recognition technology is widely used as one of the most intuitive technologies. There are some drawbacks in traditional fingerprint recognition technology， such as manually setting fingerprint features and multiple debugging. Design features and classifier selection are relatively difficult to achieve optimization， resulting in poor recognition rate. It is necessary to propose a scheme to improve the accuracy of fingerprint recognition. With the rise of machine learning technology in recent years， deep learning technology has become a hot topic at the moment. The combination of deep learning technology and biometric identification technology also has a bright future. Deep learning technology can learn and analyze in massive data. It can automatically identify， analyze and learn fingerprint characteristic data， thereby reduce manual workload， and improve the accuracy of fingerprint recognition. This paper introduces briefly the research status and existing problems of deep learning and fingerprint recognition technology， through convolution neural network has made the analysis and improvement on the fingerprint recognition technology based on the deep learning. In this paper， it is expected that the analysis and improvement of fingerprint identification technology will help people to understand the concept better and application of fingerprint identification， and promote the rapid development of biometric identification technology.

Key words：

基金項(xiàng)目：

作者簡(jiǎn)介：

通訊作者： 收稿日期：

引言

當(dāng)今社會(huì)，科學(xué)技術(shù)水平不斷發(fā)展提高，標(biāo)志著高速數(shù)字化信息時(shí)代的來(lái)臨。大量的數(shù)據(jù)與信息充斥于人們?nèi)粘Ｉ畹母鱾€(gè)角落，面對(duì)數(shù)據(jù)與信息的群集涌入，人們對(duì)隨之而來(lái)的風(fēng)險(xiǎn)與安全問(wèn)題也日趨關(guān)注與重視。對(duì)于身份認(rèn)證，人們?cè)噲D設(shè)置多種多樣的密碼以保證數(shù)據(jù)的安全。具體來(lái)說(shuō)，就是通過(guò)增加字母、數(shù)字、符號(hào)、區(qū)分大小寫(xiě)來(lái)提升密碼的復(fù)雜度?？墒沁@一舉措?yún)s使得人們?cè)诠芾砻艽a方面陷入了困境：不同數(shù)據(jù)設(shè)置不同密碼，密碼體系已日漸龐大，密碼遺忘或被破譯會(huì)給人們帶來(lái)數(shù)據(jù)與經(jīng)濟(jì)方面的雙重?fù)p失，甚至可能引發(fā)更為嚴(yán)重的后果。

指紋識(shí)別是生物特征識(shí)別技術(shù)的主要方式之一。指紋是具有唯一性和高度辨識(shí)性的人體生物特征。很多人體生物特征還會(huì)隨著年齡的變更而發(fā)生改變，但是指紋卻呈現(xiàn)出與年齡無(wú)關(guān)的良好穩(wěn)定性。紋理特征的復(fù)雜度使其能夠成為人們身份認(rèn)證的重要攝取方式。相對(duì)于其它生物特征，指紋在采集方面更加容易，而且易于保存和處理，采集成本也更低。指紋識(shí)別的推廣性堪稱(chēng)良好，適應(yīng)能力更強(qiáng)；而在采集時(shí)對(duì)于人體不會(huì)造成傷害，安全性極高；對(duì)于穩(wěn)定性和可靠性方面也同樣贏得了高度認(rèn)定。人們只需要在電腦或者電子終端上增加一個(gè)指紋采集識(shí)別設(shè)備?，F(xiàn)如今，指紋識(shí)別已經(jīng)深入到了社會(huì)生活的多個(gè)層面，諸如：在公安領(lǐng)域，警方通過(guò)采集指紋信息來(lái)判斷公民身份，并對(duì)出入境人員進(jìn)行身份核實(shí)；在金融領(lǐng)域，銀行通過(guò)指紋及證件對(duì)照核驗(yàn)客戶(hù)身份，以實(shí)現(xiàn)銀行卡的取現(xiàn)、轉(zhuǎn)賬等業(yè)務(wù)辦理；在生活中，指紋識(shí)別技術(shù)已運(yùn)用于電子設(shè)備管理、考勤管理、門(mén)禁管理等各類(lèi)有關(guān)身份鑒定辨識(shí)的場(chǎng)景中。

指紋具有唯一性是在1880年由Fauld醫(yī)生首次以專(zhuān)業(yè)的技術(shù)角度提出的，但卻直到1892年才由Galton開(kāi)創(chuàng)性地論述了指紋特征點(diǎn)的概念[1]。在1900年以后，司法機(jī)關(guān)正式對(duì)指紋賦予法律效力。1960年起，計(jì)算機(jī)替代了人工鑒證指紋時(shí)代。1980年，光學(xué)掃描技術(shù)運(yùn)用到了指紋識(shí)別中。進(jìn)一步地，研究推演到上世紀(jì)九十年代，指紋識(shí)別技術(shù)方面出現(xiàn)了相對(duì)準(zhǔn)確的算法。學(xué)者M(jìn)aio提出，可以通過(guò)對(duì)原始指紋灰度圖像上的脊線進(jìn)行提取，由此可成功獲取圖像特征[2]。傳統(tǒng)的指紋識(shí)別算法是基于整幅指紋圖像的全局增強(qiáng)處理的基礎(chǔ)上研發(fā)得到的，而此后問(wèn)世的新型識(shí)別算法的核心是針對(duì)圖像的局部區(qū)域來(lái)進(jìn)行增強(qiáng)處理，這就極大地提高了工作效率，有效減小了圖像處理生成的冗余。在此基礎(chǔ)上， Jiang又拓展提出了改進(jìn)方法，通過(guò)自適應(yīng)步長(zhǎng)與細(xì)節(jié)點(diǎn)后續(xù)處理來(lái)綜合提高運(yùn)算速率[3]。

在指紋匹配領(lǐng)域進(jìn)展中，來(lái)自不同國(guó)家的相關(guān)科研人員均紛紛貢獻(xiàn)了各自不同的理論研究成果。以Jiang為首的學(xué)者提出了利用全局結(jié)構(gòu)與局部結(jié)構(gòu)的比對(duì)，從而進(jìn)行匹配[4]。Isenor也發(fā)表了一種圍繞圖形形狀等屬性，從而進(jìn)行匹配的算法[5]。經(jīng)過(guò)此后的研究，Hrechak又探討了一種致力于結(jié)構(gòu)匹配的研究算法，從而取代了傳統(tǒng)的圖形識(shí)別匹配[6]?，F(xiàn)如今，已獲學(xué)界公認(rèn)且得到廣泛使用的算法是由FBI提出的基于指紋細(xì)節(jié)特征的匹配算法。就識(shí)別率而言，無(wú)論是基于結(jié)構(gòu)匹配，或是基于圖形匹配，相較于細(xì)節(jié)特征識(shí)別均處于劣勢(shì)，因其不會(huì)隨著圖像的變形而更新結(jié)果，而且還對(duì)特征點(diǎn)的數(shù)量要求較高。

1數(shù)據(jù)來(lái)源

本文研究采用的數(shù)據(jù)庫(kù)為NIST Special Database 4（NIST DB4）[7]的F庫(kù)，NIST DB4F庫(kù)是國(guó)際公開(kāi)的用于指紋測(cè)試的數(shù)據(jù)庫(kù)，其中包含了2 000張指紋圖像。具體對(duì)應(yīng)有斗、左旋、右旋、弓和帳弓各400張圖像。

2指紋識(shí)別

指紋是指手指末端正面皮膚上形成的凹凸紋路，即谷和脊的部分。研究可知，指紋的唯一性是其重要性能，可通過(guò)這些紋路的方向與分布來(lái)突顯特征，每根手指指紋紋線的相對(duì)位置、數(shù)量、方向都是不同的。并且，指紋還兼具穩(wěn)定性，指紋的紋路不會(huì)隨著個(gè)人年齡、體重的改變而發(fā)生變化。指紋采集圖像的深色部分稱(chēng)為脊線，淺色部分稱(chēng)為谷線。指紋識(shí)別就是對(duì)脊線與谷線所組成的表面特征圖進(jìn)行比對(duì)的過(guò)程。

指紋表面蘊(yùn)含了大量信息，這些反映出來(lái)的表面信息則稱(chēng)為指紋特征。要對(duì)指紋進(jìn)行識(shí)別，首先就需要提取出指紋特征。提取出的指紋特征包括了用來(lái)識(shí)別的2類(lèi)特征：全局特征與微特征。其中，全局特征是指紋中脊線與谷線形成的全局特定模式，是表面直接呈現(xiàn)的特征，可劃分為如下4個(gè)特點(diǎn)，即：紋路圖案、核心點(diǎn)、三角點(diǎn)、模式點(diǎn)。這4個(gè)特點(diǎn)能夠在形式上直觀描繪出指紋紋路；微特征主要包含紋線終結(jié)點(diǎn)、轉(zhuǎn)折點(diǎn)、分叉點(diǎn)。不同指紋也許呈現(xiàn)相同的全局特征，但絕不會(huì)呈現(xiàn)相同的微特征，局部微特征的相對(duì)位置、類(lèi)型、方向能夠表征指紋的唯一性。

3指紋識(shí)別原理

3.1指紋圖

指紋是由皮膚表面凸起的紋線構(gòu)成。指紋由人類(lèi)遺傳基因與環(huán)境作用而產(chǎn)生，人人皆有指紋卻各不相同。指紋重復(fù)率極低，重復(fù)率大約為150億分之一，因而可將其稱(chēng)之為人體身份證。這里，即給出了典型人體指紋視像及采集效果可分別如圖1、圖2所示。

3.2點(diǎn)模式匹配算法

點(diǎn)模式匹配算法可分為2個(gè)步驟，步驟內(nèi)容可分述如下：

（1）初匹配[8]：通過(guò)運(yùn)算識(shí)別圖像與未知圖像之間的匹配基準(zhǔn)點(diǎn)。

（2）二次匹配：優(yōu)先尋找基準(zhǔn)點(diǎn)，對(duì)坐標(biāo)給出校正，再對(duì)校正后2幅圖的匹配點(diǎn)對(duì)數(shù)進(jìn)行計(jì)算。

假設(shè)有一枚未知指紋A和已知指紋B，指紋A中包含M個(gè)特征點(diǎn)，指紋B中包含N個(gè)特征點(diǎn)。研究可得，數(shù)學(xué)形式表述如下：A=xA1，yA1，sA1，θA1，…，xAm，yAm，sAm，θAm

B=xB1，yB1，sB1，θB1，…，xBm，yBm，sBm，θBm（1）將紋線組成的指紋圖像A與B，轉(zhuǎn)化得出M維和N維的向量組成形式，從而將這2個(gè)向量展開(kāi)逐項(xiàng)比對(duì)，得到一個(gè)M×N的匹配矩陣ScoreM×N。這一過(guò)程的數(shù)學(xué)形式可表示如下：

sAi≠sBj則Scoreij=0（2）

sAi=sBj則Scoreij=n 1≤n≤5（3）

S=100×GAB×GAB∕M×N（4）

綜合上述的初次匹配設(shè)計(jì)后，就可以初步判定出匹配指紋。通過(guò)初次匹配可以得到最佳參考點(diǎn)，利用最佳參考點(diǎn)則可降低匹配分?jǐn)?shù)，刪除差異明顯指紋，提高匹配效率。至此，可得數(shù)學(xué)公式如下：rt

et

st

φt=xt-xc2+yt-yc2

arctanyt-ycxt-xc-θc

st

θt-θc（5）坐標(biāo)轉(zhuǎn)換后，可以在極坐標(biāo)系統(tǒng)中得到2個(gè)新的極坐標(biāo)點(diǎn)集A'=（A'1，A'2，…，A'M）與B'=（B '1，B '2，…，B'N）， 再利用限界盒將A'與B'實(shí)現(xiàn)一一匹配。

3.3限界盒算法[9]

限界盒算法用來(lái)解決非線性形變。限界盒算法是通過(guò)將特征點(diǎn)上的某一固定范圍限定為一個(gè)盒子，落在限定方位內(nèi)的比對(duì)點(diǎn)可以判定為匹配。得到中心點(diǎn)5個(gè)相鄰特征點(diǎn)的匹配數(shù)，即稱(chēng)作匹配分?jǐn)?shù)，進(jìn)而由極角與極徑組成限界盒子。限界盒的定義可如圖3所示。

4深度學(xué)習(xí)

研究可知，深度學(xué)習(xí)是由人工智能、信號(hào)處理、模式識(shí)別優(yōu)化、以及神經(jīng)網(wǎng)絡(luò)等多元化學(xué)科交叉后創(chuàng)建的新興研究領(lǐng)域，深度學(xué)習(xí)也可以視作機(jī)器學(xué)習(xí)的一種領(lǐng)域拓展。深度網(wǎng)絡(luò)是一種包含多個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)這些隱含層可以深入學(xué)習(xí)更加復(fù)雜的函數(shù)，還可以實(shí)現(xiàn)海量數(shù)據(jù)的挖掘分析。各層之間會(huì)將輸入數(shù)據(jù)進(jìn)行非線性的變換輸出，利用變換輸出這一特點(diǎn)，即可在深度網(wǎng)絡(luò)的海量數(shù)據(jù)中挖掘到包含重要基本特性的部分?jǐn)?shù)據(jù)。深度學(xué)習(xí)屬于多層學(xué)習(xí)算法，通過(guò)深度學(xué)習(xí)的表征學(xué)習(xí)方式可以將復(fù)雜的數(shù)據(jù)處理得到簡(jiǎn)化表示，一個(gè)樣本可以選用強(qiáng)度值矩陣、灰度值矩陣、方向矩陣等多種方式來(lái)刻畫(huà)像素，通過(guò)表征學(xué)習(xí)，可以找出一種更優(yōu)方式來(lái)對(duì)輸入數(shù)據(jù)進(jìn)行模擬表達(dá)。

深度學(xué)習(xí)是借鑒仿生學(xué)原理而推衍架構(gòu)的一種腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)。利用在多層深度網(wǎng)絡(luò)中的特征抽取，將海量數(shù)據(jù)進(jìn)行簡(jiǎn)潔而具有針對(duì)性的輸出。數(shù)據(jù)經(jīng)過(guò)多層結(jié)構(gòu)特征抽取，可以完成監(jiān)督與非監(jiān)督下的數(shù)據(jù)轉(zhuǎn)換，最終可以取得分類(lèi)識(shí)別的預(yù)期設(shè)計(jì)效果。

4.1深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)[10]（Deep Belief Networks，DBN）是由Hinton等人提出的一種深度學(xué)習(xí)模型。迄至目前，DBN的應(yīng)用相對(duì)來(lái)說(shuō)較為廣泛。通過(guò)在輸出與標(biāo)簽之間建立了聯(lián)合概率分布，從而生成結(jié)構(gòu)。利用深度信念網(wǎng)絡(luò)綜合研發(fā)的深度學(xué)習(xí)模型已有很多，如卷積深度信念網(wǎng)絡(luò)。多個(gè)RBM[11]構(gòu)成了DBN，DBN在靈活性上占據(jù)優(yōu)勢(shì)，其擴(kuò)張能力也更強(qiáng)。而且，DBN通過(guò)對(duì)無(wú)標(biāo)簽樣本進(jìn)行非監(jiān)督學(xué)習(xí)，有效克服了在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中存在的局部收斂，以及訓(xùn)練困難等問(wèn)題，使部分無(wú)標(biāo)簽數(shù)據(jù)得到了充分、合理的利用，提高了速率。

深度信念網(wǎng)絡(luò)（DBN）包含了多個(gè)隱藏層。其中，RBM由相鄰的2層內(nèi)聯(lián)組合產(chǎn)生，下層的可見(jiàn)層由上一層的隱藏層提供支持設(shè)計(jì)，通過(guò)上一層的隱藏單元學(xué)習(xí)到高度相關(guān)的階段性結(jié)果[12]。相鄰不同層的節(jié)點(diǎn)之間存在關(guān)聯(lián)，相同層節(jié)點(diǎn)并無(wú)關(guān)聯(lián)，最底層深度信念網(wǎng)絡(luò)（DBN）的可見(jiàn)層用來(lái)組成DBN的輸入層。分類(lèi)識(shí)別需要將最高層的RBM隱藏層與RBM邏輯回歸層相連，而后再進(jìn)行分類(lèi)識(shí)別。深度信念網(wǎng)絡(luò)（DBN）在大數(shù)據(jù)訓(xùn)練上的效果要更加突出，且數(shù)據(jù)越多，正確率也越高。

4.2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN），是一種由多層結(jié)構(gòu)聚合形成的常用深度學(xué)習(xí)網(wǎng)絡(luò)。僅就設(shè)計(jì)結(jié)構(gòu)而言，相對(duì)來(lái)說(shuō)較為特殊，這是一種通過(guò)訓(xùn)練而得到的深層網(wǎng)絡(luò)。訓(xùn)練過(guò)程優(yōu)選了與BP神經(jīng)網(wǎng)絡(luò)相同的訓(xùn)練模式，采用前向傳播來(lái)運(yùn)算求出數(shù)值，再通過(guò)最小化誤差反向傳播調(diào)整參數(shù)[13]。卷積神經(jīng)網(wǎng)絡(luò)（CNN）共有4層，分別是：輸入層、卷積層、下采樣層和輸出層，每一層都配置了一定的主題功能。卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)結(jié)構(gòu)可如圖4所示。

由圖4可知，輸入層主要就是將輸入圖像在模型中進(jìn)行統(tǒng)一處理，輸出層的圖像處理可以保證卷積層的運(yùn)行過(guò)程。卷積層[14]則是將輸入圖像與若干權(quán)值各不相同的卷積核進(jìn)行卷積操作，從而獲取不同的特征。一類(lèi)特征可以組成一幅特征圖（Feature Map）[15]，卷積核個(gè)數(shù)與特征圖個(gè)數(shù)相同。下采樣層通常稱(chēng)為池化層，池化層的操作分為平均池化層、最大池化層2種。2種操作過(guò)程并不相同，但是結(jié)果卻是相同的。上述兩者的設(shè)計(jì)重點(diǎn)都是對(duì)特征圖進(jìn)行降維處理，從而達(dá)到降低參數(shù)個(gè)數(shù)的目的。輸出層是一種專(zhuān)供連接的分類(lèi)器。最終將為研究輸出最終的識(shí)別結(jié)果。

卷積網(wǎng)絡(luò)是由底層復(fù)雜輸入過(guò)渡到高層簡(jiǎn)單輸出的非線性映射過(guò)程。過(guò)程中，通過(guò)結(jié)合已知標(biāo)簽類(lèi)，對(duì)數(shù)據(jù)開(kāi)展學(xué)習(xí)與監(jiān)督性訓(xùn)練，旨在獲得對(duì)位置標(biāo)簽類(lèi)的計(jì)算表達(dá)式。這是一種有監(jiān)督性的訓(xùn)練模式，目的是使模型具備自我學(xué)習(xí)能力，進(jìn)而利用模型在未知標(biāo)簽樣本中自主識(shí)別并提取樣本。該網(wǎng)絡(luò)的訓(xùn)練階段也可以看作是一種對(duì)樣本的學(xué)習(xí)過(guò)程，通過(guò)研究剖析已知類(lèi)樣本，對(duì)分析樣本判定識(shí)別分類(lèi)并進(jìn)行儲(chǔ)存。標(biāo)簽表示采取向量形式，可分為一維或多維，通過(guò)設(shè)定或運(yùn)行系統(tǒng)中采集。

4.2.1神經(jīng)元和稀疏連接

神經(jīng)元是CNN設(shè)計(jì)中的基礎(chǔ)運(yùn)算單元。神經(jīng)元之間采用的連接方式為非全連接，通過(guò)非全連接可以降低模型復(fù)雜度。利用這種非全連接方式，引入感受域來(lái)獲取圖像局部特征。采用傳播算法，便可以得到非線性卷積核以及更大覆蓋的感受域。

4.2.2權(quán)值共享

權(quán)值共享是在卷積操作時(shí)，通過(guò)規(guī)定卷積層中每一個(gè)卷積核步長(zhǎng)，使其重復(fù)作用于輸入圖像的神經(jīng)元感受域，與其貢獻(xiàn)相同連接權(quán)重。采用這種共享方式，可以減少權(quán)重?cái)?shù)量，加速CNN模型訓(xùn)練。

4.2.3卷積

卷積運(yùn)算是一種對(duì)圖片進(jìn)行學(xué)習(xí)分析從而提取圖片特征的運(yùn)算過(guò)程。通過(guò)卷積運(yùn)算，卷積核與特征實(shí)現(xiàn)一一對(duì)應(yīng)。在滿(mǎn)足一定量的卷積核的大前提下，可以通過(guò)計(jì)算成功獲取圖片的全部特征。在理論上，卷積層是由濾波過(guò)程得到的特征圖組成，圖片的特征信息是通過(guò)濾波器對(duì)圖片濾波的加工提取結(jié)果。濾波器每次移動(dòng)一個(gè)步長(zhǎng)，卷積核在經(jīng)此過(guò)程后得到的特征圖也會(huì)隨著濾波器的移動(dòng)而發(fā)生改變。

4.2.4池化

池化分為最大池化與平均池化2種方式。2種操作的過(guò)程機(jī)理并不相同，但是結(jié)果卻是相同的，都是為了降維并保持旋轉(zhuǎn)、伸縮、平移等不變性。下一層池化層是對(duì)上一層池化層得到的特征圖做降維處理，在不重疊的鄰域之間取平均值，也可將獲取的最大值取代此位置原本的像素值。特征圖的個(gè)數(shù)并不會(huì)受到池化層運(yùn)算的干擾，卻會(huì)使特征圖大小發(fā)生改變。維數(shù)的降低可以使過(guò)擬合現(xiàn)象產(chǎn)生的幾率下降。

4.2.5激活函數(shù)

卷積操作與降采樣均要通過(guò)線性方式來(lái)進(jìn)行圖像特征處理。待分類(lèi)樣本并非皆為線性可分的，對(duì)于這種樣本需要選用激活函數(shù)，同時(shí)加入非線性因素，使其建立合適的非線性分類(lèi)模型。CNN能夠提取強(qiáng)大、有效的特征表達(dá)，核心關(guān)鍵即在于：激活函數(shù)保留了神經(jīng)元節(jié)點(diǎn)的有效信息，又去除了冗余。

4.2.6全連接

全連接層發(fā)揮的是分類(lèi)器的作用。在卷積神經(jīng)網(wǎng)絡(luò)中通過(guò)對(duì)分布特征表示的映射，來(lái)標(biāo)記處理樣本空間。全連接層由卷積操作來(lái)設(shè)計(jì)實(shí)現(xiàn)，可將符合標(biāo)準(zhǔn)的全連接層轉(zhuǎn)換為卷積或是卷積核。

5實(shí)驗(yàn)結(jié)果

5.1實(shí)驗(yàn)一

研究中，通過(guò)點(diǎn)模式匹配算法在NIST DB4F指紋庫(kù)中選取416幅指紋圖像進(jìn)行試驗(yàn)。其中，拱型112幅，左環(huán)88幅，右環(huán)120幅，旋渦型96幅，分類(lèi)結(jié)果可見(jiàn)表1。

5.2實(shí)驗(yàn)二

本文提出的基于深度學(xué)習(xí)的指紋識(shí)別方法研究，通過(guò)神經(jīng)網(wǎng)絡(luò)出色的容錯(cuò)性和自我學(xué)習(xí)能力，使識(shí)別具有強(qiáng)大的兼容性和優(yōu)越性。

在NIST DB4F指紋庫(kù)中，取拱型56幅，左環(huán)116幅，右環(huán)124幅，旋渦型108幅?；贑NN一半進(jìn)行訓(xùn)練，一半進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果可見(jiàn)表2。過(guò)程中的平均誤識(shí)別率4%。

6結(jié)束語(yǔ)

指紋識(shí)別是一種生物特征識(shí)別技術(shù)，并因其優(yōu)秀的可靠性和實(shí)用性而獲得了時(shí)下學(xué)界的高度關(guān)注與青睞，研究成果也在不斷的發(fā)展與進(jìn)步中。本文研究給出的實(shí)驗(yàn)結(jié)果表明傳統(tǒng)的指紋識(shí)別方法錯(cuò)誤率為6.5%。通過(guò)傳統(tǒng)的指紋識(shí)別方法與深度學(xué)習(xí)相結(jié)合，采用CNN模型用于指紋自動(dòng)識(shí)別則獲得較好的效果，錯(cuò)誤識(shí)別率也提升為4%左右，明顯改善了識(shí)別效果。經(jīng)過(guò)比較不難發(fā)現(xiàn)，傳統(tǒng)的點(diǎn)模式匹配算法的識(shí)別率并未達(dá)到CNN算法的運(yùn)行效果。但是卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練設(shè)置方面卻頗具現(xiàn)實(shí)難度，需要通過(guò)大量的實(shí)驗(yàn)數(shù)據(jù)來(lái)提供支持。因此可以預(yù)期，CNN算法能夠在指紋識(shí)別領(lǐng)域得到更為廣泛的應(yīng)用，但卻需要在實(shí)驗(yàn)方面繼續(xù)改進(jìn)加強(qiáng)，從而將指紋識(shí)別率提升至更高。

參考文獻(xiàn)

[1] HYDE H. Acute alcoholism and the withdrawal state[J]. Medical Trial Technique Quarterly， 1970，17（2）：186-193.

[2] MAIO D， MALTONI D. Direct gray-scale minutiae detection in fingerprints[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 1997， 19（1）：27-40.

[3] JIANG Xudong， YAU W Y， SER W. Detecting the fingerprint minutiae by adaptive tracing the gray-level ridge[J]. Pattern Recognition， 2001， 34（5）：999-1013.

[4] PERALTA D， GALAR M， TRIGUERO I， et al. A survey on fingerprint minutiae-based local matching for verification and identification： Taxonomy and experimental evaluation[J]. Information Sciences， 2015， 315：67-87.

[5] ISENOR D K， ZAKY S G. Fingerprint identification using graph matching[J]. Pattern Recognition， 1986， 19（2）：113-122.

[6] HRECHAK A K， MCHUGH J A. Automated fingerprint recognition using structural matching[J]. Pattern Recognition， 1990， 23（8）：893-904.

[7] WATSON C I， WILSON C L. NIST special database 4[EB/OL]. [1992-03-17]. http：//www.informatik.uni-ulm.de/ni/Lehre/SS03/ENIPRAKT/nist_sd4.pdf.

[8] WANG Li， BHALERAO A， WILSON R. Fingerprint matching method and apparatus： US，US8588484[P]. 2013-11-19.

[9] HOOKER R E， GREER J M. Bounding box prefetcher： EP， US 8880807 B2[P]. 2014-11-04.

[10]LEE H，GROSSE R，RANGANATH R，et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations[C]// Intematioonal Conference on Machine learning. Montreal，Quebec，Canada：ACM，2009：609-616.

[11]KUREMOTO T， KIMURA S，KOBAYASHI K，et al.Time series forecasting using a deep belief network with restricted Boltmann machines[J]. Neurocomputing，2014，137（15）：47-56.

[12]楊陽(yáng)，張文生. 基于深度學(xué)習(xí)的圖像自動(dòng)標(biāo)注算法[J]. 數(shù)據(jù)釆集與處理，2015，30（1）：88-89.

[13]李飛騰. 卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D]. 大連： 大連理工大學(xué)，2014.

[14]NAKASHIKA T， GARCIA C， TAKIGUCHI T. Local-feature-map integration using convolutional neural networks for music genre classification[C]//13th Annual Conference of International Speech Communication Association（INTERSPEECH 2012）. Portland， OR， USA： ISCA，2012：1-4.

[15]LAVIN A. maxDNN： An efficient convolution kernel for deep learning with Maxwell GPUs[J]. arXiv preprint arXiv：1501.06633， 2015.