当前位置：文档之家 › 基于神经网络的指纹识别资料

基于神经网络的指纹识别资料

  • 格式：doc
  • 大小：524.12 KB
  • 文档页数：26

西北民族大学2011级毕业论文基于神经网络的指纹识别年级: 2011级学号:姓名:专业: 自动化指导老师:二零一五年五月摘要随着科学技术的发展，信息安全逐渐被人们所重视，指纹识别技术因其唯一性和安全性逐渐进入了人们的视野，并广泛应用于刑事侦查、设备安全和个人信息等诸多领域。

在本文中对指纹图像的必要步骤进行了分析，对指纹图像的预处理，剔除指纹图像中可能存在的伪特征点，对指纹图像的特征提取，将提取的指纹特征训练神经网络，利用神经网络技术对指纹的特征进行识别。

本文将BP神经网络和RBF神经网络对指纹识别的结果进行对比，比较两种方法在指纹识别上的性能，利用Matlab软件对该方法进行了实验验证。

结果表明RBF神经网络在指纹识别方面比BP神经网络拥有更好的泛化性能。

关键词：指纹识别；特征提取；神经网络AbstractThe information security is paid great attention to people with the development of science and technology, and the fingerprint recognition technology entered people's vision gradually with it’s uniqueness, and security.It is widely used in criminal investigations, equipment safety and personal information, and so on. In this paper, the various steps of fingerprint recognition are: pre processing of fingerprint images, the possible existence of burr or pseudo feature points are eliminated in the fingerprint image, the fingerprint image rotation and translation after the feature extraction, fingerprint feature extraction as the input vector of neural network to identify the input vector, using the technology of neural network. This paper compares the results of BP neural network and RBF neural network for fingerprint recognition, a performance comparison of two methods in fingerprint recognition, the method is verified by using Matlab software. The results show that the RBF neural network in the field of fingerprint recognition has better performance than BP neural network.Keywords：fingerprint identification; feature extraction; neural network目录摘要 (II)ABSTRACT ......................................................................................................................... I II 第1 章绪论 (1)1.1 指纹识别技术简介 (1)1.2 指纹识别的研究背景及现状 (1)1.3 本文主要研究内容 (2)1.4 本章小结 (2)第2 章指纹的预处理 (3)2.1维纳自适应滤波 (3)2.2S OBEL 算子锐化 (4)2.3二值化算法 (5)2.4细化算法 (6)2.5本章小结 (6)第3 章指纹的特征提取 (7)3.1指纹分类特征 (7)3.1.1 全局特征 (7)3.1.2 局部特征 (8)3.2分类特征提取 (8)3.2.1 细节特征点提取 (8)3.2.2 极坐标特征转换 (9)3.3本章小结 (10)第4 章基于神经网络的方案设计 (11)4.1神经网络简介 (11)4.2基于BP神经网络的指纹识别 (11)4.2.1 BP神经网络结构 (11)4.2.2 BP神经网络的训练 (12)4.2.3 实验结果及结论 (13)4.3基于RBF神经网络的指纹识别 (15)4.3.1 实验结果及结论 (15)4.4BP神经网络与RBF神经网络对比 (16)4.5本章小结 (17)结论 (18)致谢 (19)参考文献 (20)西北民族大学本科毕业设计第 1 章绪论1.1指纹识别技术简介传统的身份验证方式是看他是否持有相关的证件证明，并且还需要很多的验证和核对方可知道其真正身份，这种验证方式不但繁琐而且还很浪费。

随着近年来生物识别技术的发展，当人们需要验证其身份的时候只需对其生物特征进行验证即可。

战国时代曾经使用的验证身份的方式是照身制，经过数千年的发展，目前大部分都采用身份证、临时证明等来证明其身份。

然而，这种方式的缺陷也是显而易见的：第一，如果持件人的证件丢失，很难证明其有效身份；第二，有不法分子伪造证件，利用其证件挣得不合法利益时容易给受害人造成一定的损失。

因此如何能够找到一种人体携带的且最方便最容易识别的方法，成为了迫切需要解决的问题。

进入21世纪以来，生物识别技术逐渐走进了人们的视野，它根据人自身所有的某些生物特征进行识别，常见的有：虹膜识别；基因识别；指纹识别。

同虹膜识别和指纹识别相比，指纹识别具有很多优点：(1).唯一性：指纹是世界上独一无二的，就像世界上没有相同的两片树叶一样，人与人之间的指纹是不一样的，甚至同一个人手上的指纹也是不一样的。

(2).不变性：随着年龄的增长，人的其他特征可能会发生很大的变化，但是人的指纹却不随着年龄的增长发生变化[1]。

(3).实用性：对于购买指纹识别的仪器，比较实惠，同时使用起来也比较方便。

(4).安全性：由于每个人的指纹是不相同的，所以利用指纹可以识别不同的人的身份，保证人们的身份信息的安全。

因此，利用指纹识别可以高效的进行生产生活中的身份认证，而避免了各种繁冗流程，从而节约大量的时间。

1.2指纹识别的研究背景及现状在所有的生物识别技术中，指纹识别被认为是最方便、最快捷、最实惠的身份认证技术，也是当今社会普遍采用的身份识别手段，例如，指纹采集、指纹考勤、指纹识别等。

由于指纹的唯一性和安全性等因素，指纹识别技术逐渐从传统的刑侦系统走向了民用市场，一些商业机构都在采用指纹考勤机来取代传统的打卡方式。

过去的几十年里，人们在指纹识别技术领域表现出了浓厚的兴趣，最初主要是由司法和公安部门使用，目的是为了甄别犯罪分子，尤其是自动指纹识别系统（AFIS）。

在经济社会发展和计算机技术发展的情况下，AFIS引起了人们的足够重视，这项技术也逐渐应用于机场、酒店管理、企业管理、驾照等领域。

然而AFIS对指纹图像的质量要求很高，实际中采集的指纹图像会含有噪声、皮肤湿度、弹性等因素会导致识别系统识别的准确率降低甚至造成误判，这些因素极大的限制了AFIS的应用。

指纹识别主要研究方向为：(1).指纹图像的预处理；(2).指纹特征提取；(3).指纹图像识别；(4).指纹图像匹配算法。

因此，本文基于对模式识别理论的学习，利用神经网络技术构造了指纹识别系统，设计了两种神经网络的自动指纹识别系统方案，并对比分析了两种方案的特点。

1.3本文主要研究内容本文的主要工作分为：指纹预处理、特征提取和基于神经网络的指纹识别，从而实现指纹图像的计算机自动识别。

主要目的是基于神经网络对指纹图像进行识别，并对比不同的神经网络对指纹识别的有效性。

1.4本章小结本章概述了指纹识别的优点、研究背景与现状，总结了指纹识别技术现如今的研究方向，提出了通过建立两种神经网络对指纹进行自动识别的方案，以分析对比两种方案的特点。

第 2 章指纹的预处理指纹是人类从出生到死亡都不会变的特征之一。

从19世纪80年代人们关注于指纹识别技术开始到20世纪60年代，随着计算机技术的高速发展，指纹识别技术也得到了空前绝后的发展，并因此成为了最广泛的生物识别技术[2]。

由于计算机只识别二进制的代码，要利用计算机技术识别指纹，首先要做的就是要将生物的指纹转换为指纹图像，然后将获取的指纹图像转换为计算机能够处理的代码进行分析。

指纹图像的优劣直接关系到计算机处理的结果，对指纹预处理的主要目的是为了节省识别的时间成本和提高识别准确率[3]。

指纹图像预处理主要包含以下几个步骤，即对指纹图像进行归一化、将指纹图像增强、将获得的图像二值化和细化处理等。

本小节将基于这几个方面对指纹的图像进行预处理。

其流程图如图2.1所示：指纹图像维纳滤波图像锐化二值化细化特征提取预处理图2.1 指纹图像预处理2.1 维纳自适应滤波维纳滤波器是以最小方差为准则的线性滤波器，在图像处理中具有重要的意义，它可以剔除图像中的噪声，用来滤波[4]。

维纳滤波器自身作为一个FIR滤波器，对于线性系统，若其冲击响应为，则当某个信号为时x(n)，Y(n)h(m)x(n m)=-∑(2.1) 其中，x(n)s(n)v(n)=+，s(n)代表信号，v(n)代表噪声。

若输出信号s'(n)无限逼近于s(n)的时候，则表明正常信号跟消噪后的信号相等。

它们之间的误差定义为：=-(2.2)e(n)s(n)s'(n)e(n)可正可负，显然需要用它的均方值描述其误差程度。

为了突出维纳滤波的优势，将维纳滤波与原始图像、均值滤波后的图像和中值滤波后的图像进行比对，四种指纹图像的比较如图2.2所示：图2.2 四种图像对比2.2 Sobel 算子锐化在边缘检测中，Sobel是常用的一种算子，它是一种基于一阶导数的算子[4]。

该算子中对像素位置进行了加权平均运算，对图像中含有的噪声有很好的平滑作用，能很大程度上消除噪声对图像造成的影响[5]。

Sobel算子包括两组矩阵，此矩阵是3X3的形式，而且Sobel算子矩阵有横向和纵向之分，然后与图像之间做卷积运算，可以得到横向和纵向的差分值。

合集下载

电子指纹识别器工作原理

电子指纹识别器工作原理

电子指纹识别器工作原理电子指纹识别器是一种通过采集和识别人体指纹信息来验证身份的生物识别设备。

它基于指纹纹路的独特性和不可复制性，通过图像采集、特征提取和匹配比对等过程，实现对指纹的录入、存储和识别。

本文将详细介绍电子指纹识别器的工作原理和实现过程。

一、指纹采集过程电子指纹识别器的指纹采集过程主要包括图像采集和预处理两个步骤。

1. 图像采集电子指纹识别器通过感应器采集人体指纹图像。

感应器通常采用光学或电容技术，在用户触摸设备时能够高精度地记录指纹图像。

光学感应器使用光源照射指纹，然后通过光学元件将指纹图像转化为数字信号。

电容感应器则通过测量指纹上的细微电荷变化来采集指纹图像。

这两种方式都能够有效地捕捉指纹的细节特征。

2. 预处理采集到的指纹图像需要经过预处理步骤，以提高后续的特征提取和匹配准确率。

预处理过程通常包括图像增强、滤波、边缘检测等。

图像增强能够改善图像的对比度和清晰度，加强指纹细节的可见性。

滤波则用于去除图像中的噪声，以减小对后续处理的影响。

边缘检测用于寻找指纹图像中的纹线边界，为特征提取做准备。

二、特征提取过程特征提取是电子指纹识别器的核心环节，它通过对预处理后的指纹图像进行分析，提取出具有辨识度的特征信息。

常用的特征提取方法有“三角划分法”、“焦点方法”、“路径追踪法”等。

1. 三角划分法三角划分法是常用的指纹特征提取方法之一。

它将指纹图像中的细节特征划分成一系列小的三角形区域，然后计算每个区域的特征值。

常用的特征值有方向、频率和强度等。

通过比对指纹图像中的三角形特征，可以得到指纹识别所需的特征向量。

2. 焦点方法焦点方法是一种基于图像的聚焦度来提取指纹特征的方法。

通过计算指纹图像中各个像素点的焦点值，可以找到图像中最精确的局部焦点，并以此为基础提取指纹的特征。

3. 路径追踪法路径追踪法是一种基于路径的指纹特征提取方法。

它通过追踪指纹图像中的纹线路径，记录下路径的形状和长度等特征。

基于深度学习的指纹识别技术研究与应用

基于深度学习的指纹识别技术研究与应用

基于深度学习的指纹识别技术研究与应用指纹识别技术是当前最为广泛应用的生物识别技术之一。

它基于人体指纹的个性化特征进行身份识别和认证，具有高准确率、难以伪造、易于携带等优点，在安全领域、金融领域、物流领域等各个领域都得到了广泛应用。

然而，随着技术的发展和需求不断增加，传统的指纹识别技术面临着一些困难和挑战，例如较低的识别率、易受到污染和破坏、不能准确识别过程中产生的动态信息等。

为此，基于深度学习的指纹识别技术应运而生，成为解决以上问题的有效手段。

深度学习是一种机器学习的方法，通过多层神经网络的反向传播算法学习特征表示，具有处理复杂数据的能力，是近年来计算智能领域的焦点研究方向。

应用深度学习技术进行指纹识别研究，通过对指纹图像的特征提取、分类、聚类等处理，提高指纹识别的准确率和鲁棒性。

首先，基于深度学习的指纹特征提取方法是指纹识别技术的关键环节之一。

在传统的指纹特征提取方法中，主要采用的是人工设计的滤波器和算法，存在着人工干预和特征稳定性问题。

而基于深度学习的特征提取方法，可以直接学习指纹图像的特征表示，不需要先验知识和手动设计特征，可以更好地适应复杂的指纹图像变化。

例如，卷积神经网络（CNN）是一种常用的深度学习神经网络模型，它通过多层卷积层和池化层，提取并学习图像的特征表示。

与传统的方法相比，基于CNN的指纹识别方法，具有更高的识别率和更好的鲁棒性。

其次，基于深度学习的指纹识别方法可以应对指纹质量差、损坏和变形等情况。

传统指纹识别技术往往对指纹质量要求较高，而基于深度学习的方法可以在一定程度上消除质量差、损坏和变形对指纹识别的影响。

例如，在指纹图像的预处理阶段，可以采用数据增强或者去噪等技术，提高指纹图像的质量和清晰度。

同时，在特征提取阶段，可以采用同时训练多个分类器的方法，对针对性强的进行分类，提高识别的准确率。

这些方法不仅可以提高指纹识别的准确率，还可以缩短识别时间和提高效率。

最后，基于深度学习的指纹识别技术在实际应用中表现出了良好的效果和前景。

指纹识别算法的研究与应用

指纹识别算法的研究与应用

指纹识别算法的研究与应用一、指纹识别算法基础指纹识别算法是一种通过比较指纹图像的方式来识别身份的技术。

指纹模板是指纹图像的数字化表示，是进行指纹识别的关键。

指纹识别算法主要有三类：基于图像处理的算法、基于特征匹配的算法和基于人工神经网络的算法。

其中，基于图像处理的算法主要通过对指纹图像的增强和过滤来提取特征，并比较不同指纹图像的相似度来进行身份识别；基于特征匹配的算法则将指纹图像中的特定区域（如细节、纹路、三角等）提取出来，进行匹配比对；基于人工神经网络的算法则是通过构建一种复杂的计算模型，根据人脑神经系统的结构和工作原理，进行指纹识别。

二、指纹识别算法的应用指纹识别算法已经广泛应用于各个领域，如金融、公安、智能手机等。

在金融领域中，指纹识别算法可以用于银行柜员机、安全柜等场景中进行身份识别；在公安领域中，指纹识别算法可以用于刑侦、边境检查等方面；在智能手机领域中，指纹识别算法可以用于解锁，支付等场景。

三、指纹识别算法的研究进展指纹识别算法的研究已经有了很多进展，尤其是在深度学习领域的发展下，指纹识别算法的准确性和鲁棒性得到了极大的提升。

现在的指纹识别算法已经能够解决传统指纹识别算法所存在的问题，如干扰、噪声等问题。

另外，一些新的算法和方法也逐渐得到应用，如超分辨率算法、识别率提升算法等。

四、指纹识别算法存在的问题尽管指纹识别算法已经得到了不少的进展，但仍然存在一些问题。

首先，指纹模板的可靠性是一个问题，由于人体的生理和环境的影响，同一个人的指纹模板可能会有很大的差异；其次，在某些场合下，指纹图像的获取可能会受到光照和视角等环境因素的影响，从而使指纹识别算法的准确性受到影响。

总的来说，指纹识别算法已经成为了身份识别领域的一项重要技术，但在实际应用中仍需要不断地优化和改进算法，以提高识别准确性和鲁棒性。

基于机器学习的智能指纹识别系统设计

基于机器学习的智能指纹识别系统设计

基于机器学习的智能指纹识别系统设计智能指纹识别系统是一种基于机器学习的先进技术，旨在通过分析和比对指纹图像来实现快速、准确的指纹识别。

本文章将探讨基于机器学习的智能指纹识别系统的设计原理、方法以及实际应用。

1. 引言指纹识别是一种非常有效的生物特征识别技术，因为每个人的指纹图案都是独一无二的。

传统的指纹识别方法主要依赖于专业人员的目视判断和标准化比对，但这种方法不仅费时费力，还容易出现判断的主观性误差。

而基于机器学习的智能指纹识别系统能够通过建立模型并进行训练，从而实现自动化、准确性更高的指纹识别。

2. 设计原理基于机器学习的智能指纹识别系统，主要依赖于以下两个关键原理：2.1 特征提取在指纹图像处理过程中，首先需要从图像中提取出有效的特征信息。

特征提取是智能指纹识别系统设计的核心。

传统的特征提取方法如Ridgelet、Gabor等依赖于人工设计，但这些方法需要耗费大量的时间和经验。

而基于机器学习的特征提取方法，如卷积神经网络（CNN）和支持向量机（SVM），能够自动从数据中提取有用的特征信息，大大缩短了特征提取的时间，并提高了特征的表达能力。

2.2 分类模型训练在特征提取之后，需要通过建立分类模型对指纹进行分类。

分类模型是基于机器学习的智能指纹识别系统的关键组成部分。

常见的分类模型包括朴素贝叶斯分类器、决策树分类器、支持向量机等。

这些模型根据已经提取的特征和对应的标签进行训练，建立了模型的分类规则。

在实际应用中，可以通过交叉验证等方法来评估分类模型的性能，并进行调整和优化。

3. 算法流程基于机器学习的智能指纹识别系统的算法流程一般包括以下几个步骤：3.1 数据收集首先，需要收集大量的指纹数据集。

这些数据集应包含正常指纹、湿指纹、模糊指纹、变形指纹等常见的指纹图像，以模拟不同情况下的指纹识别场景。

3.2 数据预处理收集到指纹数据后，需要对数据进行预处理，包括图像去噪、图像增强、边缘检测等。

预处理能够有效提高指纹图像的质量，减少噪声对识别准确性的影响。