英语原文共 11 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：指纹识别技术作为一种强大而有效的身份认证方法，在各种移动设备上得到了广泛的应用。然而，大多数移动设备使用小面积指纹扫描仪，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，在移动设备中，由于指纹扫描仪的存在，只能获取部分指纹图像，因此其识别性能存在很大的局限性。针对部分指纹图像的识别问题，提出了一种基于深度学习的部分指纹识别算法。它可以改进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，在公共数据集NIST-DB4和自建数据集NCUTFR中，本文提出的指纹识别算法在部分指纹分类和指纹识别问题上的性能优于现有的基于深度学习的指纹识别算法。

关键字：部分指纹识别 NIST-DB4 残差网络深度学习

1 引言

近年来，指纹识别技术在电子商务、在线支付、门禁系统等日常生活的各个领域得到了越来越广泛的应用。与其他基于生物特征的身份认证技术（如掌纹、人脸和虹膜[1]）相比，指纹识别技术使用更方便，安全性更高。此外，在众多用于身份认证的生物特征识别技术中，指纹也被认为是最理想的生物特征识别技术[2]，而在身份认证中使用指纹的优势在于：

身份认证是指指纹具有高度的唯一性、稳定性和性能[3]。

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改变；

性能：使用基于指纹的识别技术可以以较少的存储和计算开销满足识别精度、识别速度和识别鲁棒性的需要。

现有的指纹识别算法大多是利用指纹图像的细节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度量指纹图像的相似度来实现指纹识别过程。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[4,5]、HOG[6,7]和SIFT[7-10]。同时，一些研究人员还将这些指纹图像的信息分为三个层次[11,12]，以指导指纹图像的特征提取过程。

第一级特征侧重于脊线和关键区域的方向，例如由脊线方向形成的线和三角洲的模式，主要用于分类问题，而不是个体的唯一性；第二级特征关注脊线路径，如分叉和结束脊线，可用于分类和识别具有个体唯一性的问题；第三级特征侧重于脊线的特征，如边缘形状和宽度，并可用于分类和识别具有个体唯一性的问题。

然而，这些指纹识别算法过多地依赖于指纹图像的细节信息，可以在完整的指纹图像上实现相当好的识别性能，而当指纹信息缺失时，它们的识别性能将大大降低[13]。同时，使用小面积指纹扫描仪由于可以节省空间而变得越来越流行，尤其是在一些空间非常有限的情况下。一个典型的例子是Apple Touch ID指纹扫描仪的尺寸，它只有6.35毫米9 6.35毫米[14]。这种小面积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会发生相应的变化。例如，指纹图案的变化如图1所示。

针对上述情况，本文提出了一种基于卷积神经网络的指纹识别算法。我们的工作主要贡献如下：

1提出了一种利用残差网络提取局部指纹图像特征的方法。利用交叉熵函数和对比度损失函数对设计的残差网络进行训练，然后用k均值法得到稳定的特征？？算法。

2提出了一种新的相似指纹识别方法。在指纹识别阶段，充分利用了神经网络得到的分类信息和特征向量，使指纹识别具有更好的安全性。

2 联系工作

他们[15]提出了一种同时使用细节信息和脊线特征的部分指纹算法。他们对特定边缘形状的小脊段进行特征提取，这些脊特征用于指导指纹细节的提取。在纹线特征的相似性计算阶段，只包含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。他们[16]假设用户在注册阶段可以获得高质量的完整指纹信息，并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，如果能够获得足够的指纹细节信息，则采用传统的基于细节的指纹识别算法；另外，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，得到最终的识别结果。Omid等人[17]提出了一种基于区域相似性的部分指纹识别算法。他们没有按照传统的指纹识别算法提取指纹图像的细节特征，而是计算指纹图像上区域和区域之间的相似度。这种变化的好处是，与部分指纹图像丢失时的细节信息相比，对该区域的影响相对较小。Alice等人[18]提出了一种基于脊线重建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构指纹图像的全局拓扑表示，以实现指纹图像信息的扩展。该方法可以有效地缓解部分指纹图像信息丢失的问题，从而在一定程度上将部分指纹识别问题转化为完全指纹识别问题。

同时，随着深度卷积神经网络广泛应用于图像检索、目标检测、图像语义分割和图像分类等任务，并取得了良好的效果[19–23]，一些使用卷积神经网络进行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能力来实现良好的指纹识别。Zhang等人[24]使用KNN算法改进了基于三重损失函数的样本选择问题，并使用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[25]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，由于用于比较的模板信息相对完整，指纹识别性能得到了提高。Wu等人[26]以污损指纹图像的中心截取关键信息，并使用克里格径向基函数模糊指纹特征点，削弱特定指纹线，突出特征点和特征点之间的相互关系，并减少指纹质量差对指纹识别的影响。

然而，无论是现有的基于传统手工特征的部分指纹识别算法，还是深度学习的指纹识别算法，都存在一定的局限性。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，找到两幅图像的剩余相关性，并用合适的特征描述符来表达它们。使用手工特征设计很难捕捉到这些关联，因为手工特征的设计通常基于人眼的视觉观察，有时人眼无法捕捉到这些信息，尤其是在相关性较低的情况下。琼等人[27]通过实验证实了这一点。他们将指纹图像的有效面积比率设置为100%、75%、50%、40%和30%，以比较基于细节的传统指纹识别算法和基于深度学习的算法对识别性能的影响，最终发现后者对减少指纹面积更具鲁棒性。此外，随着硬件设备的发展，一些先进的指纹采集设备可以捕获非常细微的指纹信息，例如人体皮肤的汗腺，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算法，大多数算法使用单一的损失函数来训练神经网络。文献[24]虽然使用了两种损失函数进行训练，但没有充分利用神经网络提供的信息，忽略了神经网络提供的分类信息，使得指纹识别效果有一定的局限性。

3 方法

3.1 问题描述

指纹识别任务一般可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，验证用户与其声称的身份是否一致；指纹识别是指根据指纹信息判断用户是否合法，如果用户是合法用户，则会指明用户的具体身份。无论是指纹验证还是指纹识别，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性，并设置一些约束条件来判断这两个指纹图像是否属于同一用户。

3.2 算法描述

3.2.1 剩余网络

他等人[28]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），这是顶级计算机视觉竞赛，他们最终赢得了冠军，因为他们的网络称为ResNet（残余网络，ResNet），在各种计算机视觉任务中表现出色。从那时起，各种改进版的ResNet也出现了[28–30]。ResNet的网络结构简单，解决了深度卷积神经网络在网络深化过程中性能下降的问题。此外，Li等人[31]认为，用于图像检索的哈希编码在基于深度哈希的图像检索任务中也应该具有更好的图像分类特性，他们用两种损失函数训练了自己的网络，并在图像检索任务中获得了良好的性能。

基于以上两种思想，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，采用了交叉熵函数和对比度损失函数，网络输出为并行结构，直接作为两个损失函数的输入。换句话说，损失函数的两个直接训练节点之间没有过度的影响。此外，这样做有两个好处。一是同时使用两种损失函数对神经网络进行训练，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指纹识别的两种特征之间的依赖性和相关性。本文设计的剩余网络结构如图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对设计的网络进行训练。交叉熵函数赋予网络强大的分类能力，而对比度损失函数允许网络显示两个指纹之间的差异；因此，经过训练的网络将具有更强的指纹信息表示能力。本文使用的对比度损失函数是一种离散损失函数[32]，它可以将输出节点的值限制为[-1,1]，因此在后续的特征计算过程中，可以消除特征向量的归一化操作。在神经网络的训练过程中，本文采用小批量训练的方法，一次只取一部分训练集图像进行神经网络训练

网络学习。

对于交叉熵函数，Lcross如下所示：

其中n是输入图像的数量，m是Fc层的节点数量，yi和zi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，Fc是交叉熵的输入层。

对于任意指纹图像对，对比度损失函数Lpairs如下所示：

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，

在上面的公式中，Fclayer是对比度损失函数的输入层，m、Y和Z分别是Fclayer的节点、实际输出值和预期输出值。因此，8Ii 2 I，指纹图像对Lcon的总损失如下：

此外，所有参数层均采用了权重衰减的正则化方法。对于参数层中的参数，有如下重量损失

其中参数层的数量错误。因此，总L如下所示：

式中，k是重量系数。并与Eqs结合使用。（1） ，（5）和（6），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的指纹信息，用于后续识别阶段进行特征比较；指纹识别阶段是识别用户指纹的过程。

在注册阶段，假设系统注册了几个合法用户。对于每一类经过训练的指纹图像，应用对比度损失输入的节点作为指纹图像的特征向量，然后k-均值？？该算法将k个聚类中心作为每个类的最终特征。实际上，k的值取决于每个注册指纹图像的数量；指纹图像越多，k值可以相应地设置得越大，从而得到稳定的指纹图像特征向量。然后，根据训练后的指纹图像采集的特征向量建立特征数据库。指纹注册过程如图3所示。

在识别阶段，本文重点研究了指纹识别的细节。在指纹验证过程中，给出了用户的指纹图像I和需要验证的相应指纹ID。将指纹图像放入设计的残差网络中，得到其交叉熵损失Lcross、预测值IDcross和特征向量y，并计算Yan与特征数据库中每个类别的所有特征向量之间的欧氏距离，然后根据从小到大的距离对结果进行排序，得到与y的距离最小的类IDminDis，并设置非负系数a和阈值T。有一个名为F的验证函数：^{00 0}

如果F值为真，则接受该验证，反之亦然。指纹验证过程如图4所示。

4 实验

4.1 数据集

目前，在部分指纹识别领域还没有公开的数据集。本文构建了一个部分指纹数据集NCAT-FR（北方工业大学手指识别，NCAT-FR）。该数据集采用触摸式指纹扫描仪，实际感测面积为7.2mm 9 3.6mm，可获得大小为1039 52的指纹图像。触摸指纹扫描仪如图5所示。在这个数据集中，我们实验室从志愿者那里收集了47个类别的指纹图像，最终的指纹图像总数是5070，这意味着每个类别大约有100个图像。此外，指纹采集过程中存在一定程度的旋转。NCUT-FR指纹图像如图6所示。

图3指纹注册

为了进一步验证算法的有效性，实验中还使用了公共数据集NIST-DB4[33]。NIST-DB4是一个公共数据集，广泛应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4000幅图像。这些指纹图像根据指纹模式可分为五类，即

图4算法示意图

图5指纹扫描仪

分别为弓形、左手、旋转、右手和弓形。事实上，NIST-DB4采集的指纹图像质量不是很好，图像中存在一些人工标记信息和污点，可能会影响指纹识别或分类的性能。此外，许多研究人员在使用时会再次将数据集分成两个子集。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。我们的实验中也使用了这种策略，NIST-DB4数据集

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591364]，资料为PDF文档或Word文档，PDF文档可免费转换为Word