英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
基于深度学习的部分指纹识别算法研究
摘要
指纹识别技术被广泛用作各种移动设备上一种功能强大且有效的身份验证方法。但是，大多数移动设备都使用小面积的指纹扫描仪，并且这些指纹扫描仪只能获取用户指纹信息的一部分。此外，传统的指纹识别算法过分依赖指纹的细节，并且它们的识别性能在移动设备中受到很大的限制，该移动设备由于指纹扫描仪而只能获得部分指纹图像。本文提出了一种基于深度学习的局部指纹识别算法，用于对局部指纹图像的识别。它可以改善卷积神经网络的结构，使用两种损失函数进行网络训练和特征提取，最终提高部分指纹图像的识别性能。实验结果表明，该指纹识别算法比基于深度学习的现有指纹识别算法具有更好的性能，该算法针对公共数据集NIST-DB4和自建数据集NCUTFR中的部分指纹分类和指纹识别问题
1引言
近年来，指纹识别技术已越来越广泛地应用于日常生活的各个领域，例如电子商务，在线支付和访问控制系统。 与其他基于生物特征的身份认证技术（例如掌纹，人脸和虹膜）相比，指纹识别技术更易于使用且具有更高的安全性。 另外，在用于身份认证的许多生物识别技术中，指纹也被认为是最理想的生物识别技术，并且在指纹识别中使用指纹的优势。
身份认证是指指纹具有很高的唯一性，稳定性和性能。
唯一性：指纹是唯一的； 没有两个人可以拥有相同的指纹； 稳定性：指纹非常稳定，不会随时间和年龄而轻易变化； 性能：基于指纹的识别技术的使用可以满足识别的准确性，对识别速度的要求和识别健壮性，同时具有较少的存储和计算开销。
现有的指纹识别算法大多使用指纹图像的详细信息来提取指纹图像的特征，然后采用特定的相似度计算规则来测量指纹图像的相似度，从而实现指纹识别过程。 这些细节通常是指纹图像的纹理，形状和关键点。 相应的特征描述符是LBP，HOG和SIFT。 同时，一些研究人员还将这些指纹图像的信息分为三个级别，以指导指纹图像特征提取过程。
第一级功能着重于脊线和关键区域的方向，例如由脊线的方向形成的线条和三角形的图案，主要用于分类问题，而不是个人的唯一性； 第二级功能侧重于山脊路径，例如分叉和末端山脊，可用于分类和识别具有唯一性的问题； 第三级特征侧重于脊的特征，例如边缘的形状和宽度，可用于分类和识别具有唯一性的问题。
但是，这些指纹识别算法在很大程度上依赖于指纹图像的详细信息，并且可以在完整的指纹图像上获得很好的识别性能，而当指纹信息丢失时，它们的识别性能将大大降低。同时，使用小面积指纹扫描仪可以节省空间，因此变得越来越流行，特别是在某些空间非常有限的情况下。一个典型的例子是Apple Touch ID指纹扫描仪的大小，仅为6.35 mm 9 6.35 mm。这种小面积的指纹扫描仪只能获取用户指纹信息的一部分。当指纹图像只有一部分时，指纹图像的部分细节将相应更改。例如，指纹图案的变化如图1所示。考虑到上述情况，本文提出了一种基于卷积神经网络的指纹识别算法。我们工作的贡献主要如下：
1.提出了一种利用残差网络提取部分指纹图像特征的方法。 使用交叉熵函数和对比度损失函数训练设计的残差网络，然后通过k均值获得稳定特征算法。
2.提出了一种新的相似指纹验证方法。 在指纹验证阶段，充分利用了从神经网络获得的分类信息和特征向量，因此指纹验证具有更好的安全性。
2相关工作
Wonjune等人提出了一种同时使用详细信息和凸脊特征的局部指纹打印算法。他们针对特定的边缘形状执行了小脊段的特征提取，并且这些脊特征被用来指导指纹细节的提取。在山脊特征的相似度计算阶段，仅包括相似指纹重叠部分的特征，这有助于提高指纹识别的准确性。拉杜等。假设在用户注册阶段可以获取用户的高质量和完整指纹信息，并且他们提出了一种基于策略的部分指纹识别算法。在部分指纹图像的匹配阶段，如果可以获得足够的指纹详细信息，则使用常规的基于细节的指纹识别算法。否则，将基于相关的指纹识别算法和基于细节的指纹识别算法相结合，以获得最终的识别结果。奥米德等。提出了一种基于区域相似度的局部指纹识别算法。他们没有根据传统的指纹识别算法提取指纹图像的详细特征，而是计算指纹图像上区域之间的相似度。这种变化的好处是，当部分指纹图像丢失时，与细节信息相比，对该区域的影响相对较小。爱丽丝等。提出了一种基于岭重构的部分指纹识别算法。他们从部分指纹图像的剩余信息中重建了指纹图像的全局拓扑表示，以实现指纹图像信息的扩展。这种方法可以有效地缓解部分指纹图像信息丢失的问题，因此在一定程度上将部分指纹识别的问题转化为完全指纹识别的问题。
同时，随着深度卷积神经网络在图像检索，目标检测，图像语义分割和图像分类等任务中得到广泛应用，并取得了良好的效果，一些将卷积神经网络用于指纹识别的算法也出现了。这些算法依靠卷积神经网络强大的特征提取功能来实现良好的指纹识别。张等。改进了使用KNN算法基于Triplet-Loss函数进行样本选择的问题，他们还使用SoftMax-Loss进行卷积神经网络训练，有效地提高了网络表达指纹图像的能力。 Zhang等人提出了一种基于注册模板的部分指纹匹配方法。在指纹注册阶段，指纹图像的质量受到限制，如果指纹图像区域和特征点不符合要求，则需要重新注册以确保注册的指纹图像具有完整的指纹信息。在指纹识别阶段，由于比较中使用的模板信息相对完整，指纹识别性能得到了改善。 Wu等他们用污迹斑驳的指纹图像的中心截取了关键信息，然后他们使用Kriging径向基函数模糊了指纹特征点，削弱了特定指纹线，突出了特征点和特征点之间的相互关系，并减少了指纹质量差对指纹识别的影响。
但是，无论是现有的基于传统手工特征的部分指纹识别算法还是深度学习指纹识别算法，仍然存在一些局限性。对于部分指纹的识别问题，核心问题是如何在指纹图像中没有部分信息的情况下找到两个图像的剩余相关性，并用适当的特征描述符来表达它们。使用手工特征设计来捕获这些关联是困难的，因为手工特征的设计通常是基于人眼的视觉观察，有时人眼无法捕获此信息，尤其是在相关性较低的情况下。琼等。 [27]通过实验验证了这一点。他们将指纹图像的有效面积比例设置为100％，75％，50％，40％和30％，以比较传统的基于细节的指纹识别算法和基于深度学习的算法对识别性能的影响，最后发现后者对于减少指纹面积更有效。此外，随着硬件设备的发展，一些先进的指纹收集设备可以捕获非常细微的指纹信息，例如人类皮肤的汗腺，而手工制作的特征本身很难描述这些指纹图像的细微差别。对于现有的深度学习指纹打印算法，大多数算法都使用单个损失函数来训练神经网络。虽然参考。 [24]使用两种损失函数进行训练，它没有充分利用神经网络提供的信息，而忽略了神经网络提供的分类信息，这使得指纹识别效果具有一定的局限性。
3方法
3.1问题描述
指纹识别任务通常可以分为指纹验证和指纹识别。 指纹验证是指根据用户的指纹信息验证用户是否与其声称的身份一致； 指纹识别是指根据指纹信息确定用户是否为合法用户，如果该用户为合法用户，则将指示该用户的特定身份。 无论是指纹验证还是指纹识别，它都可以在算法阶段转化为指纹信息的一对一匹配问题，即计算两个相似指纹之间的距离或相似度，并设置一些约束条件来判断是否 这两个指纹图像属于同一用户。
3.2算法描述
3.2.1残留网络
He等带领微软亚洲研究院的团队参加了LSVRC（大规模视觉识别挑战赛LSVRC），这是计算机视觉领域的顶级比赛，他们最终赢得了冠军，因为他们的网络名为ResNet（残差网络） （ResNet）在各种计算机视觉任务中都有出色的表现。从那时起，ResNet的各种改进版本也出现了[28-30]。 ResNet的网络结构简单，解决了网络深化时深度卷积神经网络性能下降的问题。此外，李等。 [31]认为在基于哈希的深层图像检索任务中，用于图像检索的哈希编码也应具有更好的图像分类特性，他们用两种损失函数训练网络，并在图像检索任务中取得了良好的性能。考虑到以上两个思想，本文提出了一种新的基于深度学习的局部指纹识别算法。在指纹图像的训练过程中，同时采用了交叉熵函数和对比度损失函数，并且网络的输出为并行结构，直接用作两个损失函数的输入。换句话说，在损失函数的两个直接训练的节点之间没有过度的影响。此外，这样做有两个优点。一是同时使用两种损失函数训练神经网络，使其具有更强的图像特征表达能力；二是并行训练方法可以减少用于识别的两个特征之间的依赖性和相关性。指纹在后。本文设计的残差网络结构如图2所示。
3.2.2损失函数
本文采用交叉熵函数和对比度损失函数来训练设计的网络。 CrossEntropy函数使网络具有很强的分类能力，而Contrast-Loss函数则使网络能够显示两个指纹之间的差异。 因此，训练有素的网络将具有更好的表示指纹信息的能力。 本文使用的对比度损失函数是一种离散损失函数[32]，可以将输出节点的值限制为[-1，1]，因此在随后的特征计算过程中，特征的归一化操作 向量可以消除。 在神经网络训练过程中，本文采用小批量训练的方法，一次只采集一部分训练集图像进行神经网络学习。 对于交叉熵函数，Lcross如下：
图2 网络结构
其中n是输入图像的数量，m是Fc层的节点数量，j是Fc层第j个节点中第i个图像的实际输出值和预期输出值，而Fc是 交叉熵的输入层。 对于任何指纹图像对，Contrast-Loss函数Lpairs如下：
其中I1和I2是一对指纹图像，e是误差边缘的阈值，a是松弛系数，
指纹图像对Lcon的总损失如下：
另外，权重衰减的正则化方法用于所有参数层。 对于参数层中的参数，存在重量损失，如下所示：
因此，总的L如下：
其中k是权重系数。 并与等式结合。（1），（5）和（6）中的L可以重写如下：
3.2.3指纹识别
指纹识别任务可以分为两个阶段：注册和识别。指纹注册阶段主要用于提取注册指纹信息，该信息在随后的识别阶段用于进行特征比较；指纹识别阶段是识别用户指纹的过程。在注册阶段，假定系统注册了几个合法用户。对于每类训练后的指纹图像，应用节点，这些节点是作为图像指纹特征向量的对比度损失输入，然后是k均值,该算法用于获取k个聚类中心作为每个类的最终特征。实际上，k的值取决于每个已注册指纹图像的数量。可用的指纹图像越多，可以相应地设置更大的k值以获得指纹图像的稳定特征向量。然后，可以通过训练的指纹图像收集的这些特征向量来建立特征数据库。指纹注册过程如图3所示。
图3指纹注册
给出了需要验证的相应指纹ID。 将指纹图像放入设计的残差网络，以获得其交叉熵损失Lcross，预测值IDcross和特征向量y0。 并在特征数据库中计算出每个类的y0与所有特征向量之间的欧几里得距离，然后根据从小到大的距离对结果进行排序，得到距离最小的类。并设置非负系数a和阈值T。存在一个称为F的验证函数：
如果F的值为true，则接受此验证，反之亦然。 指纹验证的过程如图4所示。
图4算法原理图
4实验
4.1数据集
目前，尚无部分指纹识别领域的公开数据集。 本文构建了部分指纹数据集NCUT-FR（华北理工大学-手指识别，NCUT-FR）。 该数据集采用触摸式指纹扫描仪，其实际感应面积为7.2 mmtimes;3.6 mm，可以获取大小为103times;52的指纹图像。触摸式指纹扫描仪如图5所示。 从我们实验室的志愿者那里收集的三级指纹图像，最后的指纹图像总数为5070，这意味着每堂课大约有100张图像。 此外，指纹收集过程中会有一定程度的旋转。 NCUT-FR指纹图像如图6所示。
图5指纹扫描仪
图6来自不同用户的各种指纹图像
为了进一步验证我们算法的有效性，实验中还使用了公共数据集NIST-DB4。 NIST-DB4是一个公共数据集，广泛用于指纹分类和识别领域。该数据集收集了2000对指纹图像和总共4000张图像。这些指纹图像可以根据指纹图案分为五类，分别是拱形，左旋，旋转，右旋和拱形。实际上，在NIST-DB4中收集的指纹图像质量不是很好，并且图像中存在一些人工标记信息和污点，这可能会影响指纹识别或分类的性能。另外，许多研究人员在使用时会再次将数据集分为两个子集。也就是说，每个指纹图像的第一印象是NIST-DB4-F，第二印象是NIST-DB4-S。在我们的实验中也使用了这种策略，NIST-DB4数据集的一些指纹图像如图7所示。
图7来自不同类别的各种指纹图案
4.2实施细节
网络结构：本文设计的残差网络主要由串联的残差单元组成，网络的输出为并行的双边结构。 所使用的所有激活函数都是ReLu函数和权重衰减，它们适用于所有参数层，以防止网络过度拟合。 另外，本文还使用批处理规范化[34]来加快每层输入节点的网络训练过程。 表1给出了用于比较的网络Net-Our和传统网络Net-Tradition的详细信息。
表1 Net_Our和Net_Traditio的详细信息
数据预处理：在NCUT-FR数据集上，将原始图像缩放为64times;64，并在长度和宽度上填充8个像素，然后在图像的中心以64times;64的随机大小剪切图像， 这相当于将单个指纹图像扩展到64； 在NIST-DB4数据集上，指纹图像的中心直接截取64times;64的大小，并且以与NCUT-FR数据集相同的方式执行数据扩展以丰富样本数量。 训练：在网络训练过程中，两个数据集都使用动量法来优化神经网络，并且动量值设置为0.9。 培训批次大小设置为100； 初始学习率设置为0.1，每10,000次迭代的学习率将减小为当前值的十分之一，直到学习率变为0.0
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238083]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
