基于深度學(xué)習(xí)的污損指紋識(shí)別研究獲獎(jiǎng)科研報(bào)告

基于深度學(xué)習(xí)的污損指紋識(shí)別研究獲獎(jiǎng)科研報(bào)告摘

要：在新興信息技術(shù)推動(dòng)社會(huì)快速發(fā)展的背景下，信息技術(shù)給人們?cè)谏睢⒐ぷ?、學(xué)習(xí)等各個(gè)方面帶來了便利，不可忽視的是，技術(shù)的快速發(fā)展同時(shí)也存在著一定的不穩(wěn)定因素。當(dāng)前以生物特征為特點(diǎn)的鑒定技術(shù)頗受歡迎，其中的指紋識(shí)別具備高度的方便性和可靠性，但傳統(tǒng)的指紋識(shí)別通常需要高質(zhì)量、完整、清晰的識(shí)別對(duì)象，因此指紋出現(xiàn)污損、模糊等問題時(shí)會(huì)導(dǎo)致識(shí)別率降低。研究基于深度學(xué)習(xí)的污損指紋識(shí)別算法，來有效解決這些問題。

關(guān)鍵詞：指紋識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);指紋深層特征

引言：

與傳統(tǒng)的身份鑒定方法對(duì)比，指紋識(shí)別降低了被破譯的風(fēng)險(xiǎn)，克服了傳統(tǒng)身份認(rèn)定方式準(zhǔn)確性和便利性不足的缺點(diǎn)，利用不同的個(gè)體生物具有不同生理特征的特點(diǎn)來進(jìn)行識(shí)別。目前，基于特征點(diǎn)對(duì)比的指紋識(shí)別技術(shù)已達(dá)到較高水準(zhǔn)，而針對(duì)指紋污損問題，仍需要提升識(shí)別準(zhǔn)確率。作為深度學(xué)習(xí)算法的其中一種，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在模式識(shí)別和圖像處理上得到廣泛應(yīng)用，其具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練參數(shù)少以及適用性較強(qiáng)的優(yōu)點(diǎn)，在指紋識(shí)別上有效獲得較高的識(shí)別率。

一、污損指紋識(shí)別帶來的困難和挑戰(zhàn)

根據(jù)我國的指紋檔案數(shù)據(jù)顯示，具有比較完整和高質(zhì)量的指紋占比僅達(dá)總體的20%，而傳統(tǒng)的指紋識(shí)別要求匹配的特征點(diǎn)數(shù)量達(dá)到一定的值域才可識(shí)別，污損指紋的特征點(diǎn)數(shù)量匹配不足則難以準(zhǔn)確識(shí)別，識(shí)別污損指紋具有相當(dāng)?shù)睦щy和挑戰(zhàn)，主要體現(xiàn)在以下幾個(gè)方面：一是對(duì)污損指紋的圖像預(yù)處理，運(yùn)用相關(guān)算法對(duì)原圖進(jìn)行處理，獲得清晰的線條，去除偽特征點(diǎn)，并盡量修復(fù)指紋缺損的部分，預(yù)處理的效果將極大地影響后面的指紋匹配，但是指紋處理存在局限性，即使反復(fù)處理也不一定能完全克服污損帶來的缺陷。二是提取污損指紋的特征信息，在特征信息較少的情況下，需要選取比較具有代表性的特征信息進(jìn)行準(zhǔn)確的數(shù)據(jù)替換，這就要求研究如何從中提出足夠有用的特征信息的理想方法。三是進(jìn)行指紋匹配，污損指紋有效信息不足、錯(cuò)誤的特征點(diǎn)干擾、非線性畸變嚴(yán)重等問題極大地增加了匹配難度。面對(duì)污損指紋帶來的種種困難和挑戰(zhàn)，我們必須處理好指紋識(shí)別困難的問題，增強(qiáng)指紋識(shí)別技術(shù)的普適性，保證技術(shù)的穩(wěn)定發(fā)展。

二、基于深度學(xué)習(xí)的污損指紋識(shí)別研究

（一）卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是由早期的生物學(xué)家Hubel和Wiesel對(duì)貓視覺皮層研究的啟發(fā)，是深度學(xué)習(xí)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)通過挖掘數(shù)據(jù)在空間上的相關(guān)性，以局部連接的方式來簡化調(diào)優(yōu)過程，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類，它是由一個(gè)輸入層、多個(gè)卷積層和池化層、全連接層、一個(gè)輸出層共同組成，與其他深度學(xué)習(xí)算法對(duì)比，卷積神經(jīng)網(wǎng)絡(luò)不僅在圖像和語音方面的比較突出，還因?yàn)槠渚植窟B接方式使得需要調(diào)整的訓(xùn)練參數(shù)比較少，而更容易訓(xùn)練。因此本文將運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法對(duì)污損指紋進(jìn)行分類識(shí)別，以在較短時(shí)間內(nèi)爭(zhēng)取到高識(shí)別率。

（二）FFPF_CNN算法

FFPF_CNN算法即利用卷積神經(jīng)網(wǎng)絡(luò)算法在對(duì)指紋特征點(diǎn)模糊化圖后進(jìn)行污損指紋的特征提取和識(shí)別。具體的計(jì)算過程為：（1）根據(jù)Poincare公式提取指紋特征的奇異點(diǎn)，并提取端點(diǎn)與叉點(diǎn)等非奇異點(diǎn)，完成污損指紋所有的特征點(diǎn)提取后做好標(biāo)記工作。（2）進(jìn)行模糊化處理即濾波處理，弱化具體的指紋線條和提取的特征點(diǎn)之間的具體位置，使其具有高度的旋轉(zhuǎn)移動(dòng)不變性。（3）最后運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)指紋特征模糊化圖進(jìn)行準(zhǔn)確識(shí)別。這種算法的優(yōu)勢(shì)在于免除了污損指紋修復(fù)的過程，簡化了指紋特征提取過程，在一定程度上提高了對(duì)污損指紋的識(shí)別率，但值得注意的是，計(jì)算過程中的端點(diǎn)提取方法在指紋有缺損的情況下，將會(huì)提取出許多偽端點(diǎn)，這無疑會(huì)影響到指紋的識(shí)別效果，因此需要進(jìn)一步研究解決的策略和方法。

（三）CBF_CNN算法

針對(duì)FFPF_CNN算法存在的不足，對(duì)此提供一種新的污損指紋識(shí)別算法，CBF_CNN算法即將提取的指紋中心塊圖輸入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別的方法。具體過程為：（1）根據(jù)Poincare公式提取污損指紋的中心點(diǎn)后做好標(biāo)記工作。（2）運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法確定正確的指紋中心點(diǎn)，裁剪破損的部分，保留指紋的核心特征信息。（3）截取以正確的指紋中心點(diǎn)為中心的正方塊圖，圖的大小由指紋缺損程度的大小來決定。（4）最后運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)截取的中心塊圖作分類識(shí)別。這種識(shí)別算法主要是解決FFPF_CNN算法存在的問題，與FFPF_CNN算法相比較，它的算法過程更為簡單，保留和利用部分準(zhǔn)確的特征點(diǎn)信息，同時(shí)又能避免錯(cuò)誤的信息干擾，是有效識(shí)別污損指紋的方式。

在實(shí)驗(yàn)CBF_CNN算法過程中發(fā)現(xiàn)，盡管利用污損指紋的中心塊圖起到一定的識(shí)別提升效果，但是僅僅使用其中的一小部分指紋特征信息，而舍棄其他區(qū)域，造成信息浪費(fèi)。因此為充分利用好指紋信息，對(duì)CBF_CNN算法作出一些改進(jìn)：將中心圖塊轉(zhuǎn)變?yōu)槎喾謮K圖，以中心特征點(diǎn)為中心，截取其他八個(gè)分塊圖，組成九宮格的形式，從增加塊圖數(shù)量來保證充分提取指紋的信息。除此之外，還可以采用將FFPF_CNN算法與CBF_CNN算法相結(jié)合的方式，處理過的圖像由特征點(diǎn)的模糊化圖與中心塊圖拼接而成，使指紋信息特征實(shí)現(xiàn)利用最大化。

綜上所述，深度學(xué)習(xí)在指紋識(shí)別應(yīng)用中有著較大的優(yōu)勢(shì)，解決了傳統(tǒng)識(shí)別方法無法在指紋受到污損的情況下準(zhǔn)確識(shí)別的問題，對(duì)污損指紋進(jìn)行有效性的