基于Auto Encoder的智能監(jiān)控指紋識別系統(tǒng)

常峰，賀元驊

（1.樂山師范學(xué)院物理與電子工程學(xué)院，四川樂山614004；2.中國民航飛行學(xué)院航空安全保衛(wèi)學(xué)院，四川廣漢618307）

基于Auto Encoder的智能監(jiān)控指紋識別系統(tǒng)

常峰1，賀元驊2

（1.樂山師范學(xué)院物理與電子工程學(xué)院，四川樂山614004；2.中國民航飛行學(xué)院航空安全保衛(wèi)學(xué)院，四川廣漢618307）

針對目前已有的嵌入式指紋識別系統(tǒng)往往采用手工提取，不能自動學(xué)習(xí)并提取識別所需的特征及識別正確率仍然不高的缺點，提出一種基于自動編碼器（Auto Encoder）和LSSVM的指紋識別系統(tǒng)。首先，提出采用FPS200作為指紋傳感器采集指紋數(shù)據(jù)，然后將采集的數(shù)據(jù)經(jīng)過濾波和二值化等預(yù)處理，通過比較差異算法獲得Auto Encoder中的權(quán)值和偏置等參數(shù)，從而得到訓(xùn)練好的Auto Encoder用于指紋圖像特征提取。最后，將自動提取的特征進行訓(xùn)練和分類，將投票最多的分類作為指紋識別的結(jié)果。通過測試表明，系統(tǒng)能較精確地實現(xiàn)指紋識別，具有收斂速度快、正確識別率高和匹配時間短的優(yōu)點。

指紋；識別率；匹配；自動編碼器

現(xiàn)有的指紋特征提取方法由于具有噪聲復(fù)雜、形變嚴(yán)重、可用信息丟失、特征難以提取的問題，為指紋的有效識別帶來困難[5]。為了解決上述問題，文獻[6]提出了一種針對殘缺指紋識別的算法，采用模式熵作為相似性度量標(biāo)準(zhǔn)，根據(jù)提取的包含足夠信息的特征以及有效度量方式實現(xiàn)指紋識別。文獻[7]針對指紋識別過程中指紋平移、旋轉(zhuǎn)和擠壓問題，設(shè)計了一種局部特征點和三角形模型的匹配算法，通過引入鄰近細(xì)節(jié)點之間的距離實現(xiàn)指紋識別。文獻[8]將輻射源信號的模糊函數(shù)多普勒切片作為初始特征，采用多集典型相關(guān)分析實現(xiàn)不同切片的特征融合和冗余消除，從而在較小的向量階數(shù)下仍然獲得較高的識別率。文獻[9]在特征序列挖掘過程中加入自適應(yīng)權(quán)值，通過對原始序列的加權(quán)統(tǒng)計得到判決結(jié)果，然后采用提升率對特征序列進行關(guān)聯(lián)規(guī)則驗證，獲得指紋特征進行識別。

上述工作均采用某種方法手工提取指紋特征以實現(xiàn)識別，不能自動學(xué)習(xí)并提取識別所需的特征。為此，本文將深度自動編碼器的思想引入指紋的特征提取過程中，使得可以在無需關(guān)心提取特征類型的基礎(chǔ)上實現(xiàn)指紋識別，且能保持較高的識別率。

1 指紋識別模型

文中設(shè)計的指紋識別系統(tǒng)主要包含4個部分，即指紋圖像的獲取、指紋圖像的預(yù)處理、指紋圖像的特征提取和指紋圖像的匹配。

圖像的獲取是通過設(shè)計硬件系統(tǒng)實現(xiàn)指紋圖像的采集，指紋圖像的預(yù)處理主要采用小波濾波對指紋圖像進行濾波去噪，然后將其灰度化轉(zhuǎn)換為二值圖。在此基礎(chǔ)上，采用Auto Encoder實現(xiàn)對指紋圖像的自動特征提取，最后將經(jīng)過Auto Encoder自動提取的特征，采用支持向量機對指紋圖像進行分類匹配，從而實現(xiàn)指紋識別。

文中設(shè)計的指紋識別系統(tǒng)模型如圖1所示。

圖1 指紋識別系統(tǒng)框圖

2 系統(tǒng)硬件設(shè)計

基于單片機的指紋識別系統(tǒng)硬件框圖如圖2所示，具有指紋輸入、圖像處理、圖像匹配的功能。當(dāng)指紋傳感器采集指紋后，通過串口發(fā)送消息給微處理器，微處理器接收到消息后同意其發(fā)送數(shù)據(jù)，此時，指紋傳感器將采集的指紋轉(zhuǎn)換為RGB格式，并將數(shù)據(jù)傳輸給微處理器，微處理器通過存儲在EEPROM中的固化程序?qū)崿F(xiàn)圖像的處理和匹配，當(dāng)指紋圖像被確認(rèn)后，微處理器將發(fā)送命令給執(zhí)行機構(gòu)，執(zhí)行智能控制設(shè)備的開關(guān)，實現(xiàn)安全監(jiān)控。

圖2 硬件系統(tǒng)框圖

指紋傳感器采用Veridicom公司推出的FPS200，具有標(biāo)準(zhǔn)CMOS工藝。微處理器采用ATMEL公司的AVR系列的8位微處理器ATmega128L芯片。

3 基于Auto Encoder的指紋特征自動提取

3.1 Auto Encoder

Auto Encoder是一種深度學(xué)習(xí)的常用模型，主要利用人工神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)特點，采用模型訓(xùn)練參數(shù)，從而得到不同隱含層的值，每個隱含層的輸出就是輸入數(shù)據(jù)的某種特征的表示，從而實現(xiàn)無監(jiān)督的特征提取。

由于深度自動編碼器的輸出，都是前一層輸出的一種近似等價的表示方式，在盡可能多保留數(shù)據(jù)特征的情況下實現(xiàn)數(shù)據(jù)的降維；因此Auto Encoder可以采用多個限制玻爾茲曼機（restricted boltzmann machine，RBM）堆疊組成，每個RBM都是一個二部圖，每個神經(jīng)元的值為0或1，任意兩層之間都是全連接的，層內(nèi)神經(jīng)元之間無連接。采用v表示可視層單元，h表示隱含層單元。

3.2 Auto Encoder自動特征提取原理

指紋圖像被采集后，首先對其進行預(yù)處理，即通過濾波器（如Garbor小波變換）進行濾波降噪；然后對其進行二值處理，其目的是一方面降低圖像數(shù)據(jù)存儲的維數(shù)，另一方面使得指紋圖像符合RBM的輸入要求，此時的指紋圖像仍然包含各類特征，無法從中找出最優(yōu)特征，因此需要對特征進行自動提取。

在層與層之間的權(quán)值和各層的偏置進行訓(xùn)練時，即對單個的RBM進行訓(xùn)練時，采用比較差異算法，即在任意一個RBM中，通過從輸出重構(gòu)輸入，再由重構(gòu)的輸入獲得重構(gòu)的輸出，重復(fù)n次。此時，根據(jù)第1次和第n次的輸入數(shù)據(jù)和輸出數(shù)據(jù)乘積的比較，就可以作為梯度來更新所需要學(xué)習(xí)的參數(shù)。現(xiàn)有的自動編碼器中通常假設(shè)n=1，因為已有實驗證明，n=1時能取得較好的學(xué)習(xí)效果。

由于Auto Encoder是由多個RBM堆疊組成的，因此，在訓(xùn)練完底層的RBM后，就可以將其輸出的特征用于高層的RBM的輸入，直至最后一個RBM訓(xùn)練完畢。

3.3 算法實現(xiàn)

假設(shè)在某層的RBM中，可視層神經(jīng)元的個數(shù)為m，可視層的偏置向量為a，隱含層神經(jīng)元的個數(shù)為n，隱含層的偏置向量為b，可視層與隱含層之間的權(quán)值矩陣w的維數(shù)為m×n，則基于比較差異算法對該RBM進行訓(xùn)練，在獲取各參數(shù)的基礎(chǔ)上，利用Auto Encoder實現(xiàn)指紋圖像特征自動提取。

輸入：訓(xùn)練樣本集X={x0，x1，…，xN}，測試樣本集T={t0，t1，…，tM}，隱含層個數(shù)n，所有隱含層神經(jīng)元的個數(shù)為H={h1，h2，…，hn}，學(xué)習(xí)率α。

輸出：訓(xùn)練樣本集X={x0，x1，…，xN}和測試樣本集T={t0，t1，…，tM}對應(yīng)的特征向量OX={ox0，ox1，…，oxhn}和OT={ot0，ot1，…，othn}。

步驟1：初始化權(quán)值矩陣w為一個較小數(shù)值的矩陣，初始化可視層的偏置向量a，隱含層的偏置向量為一個較小數(shù)值的向量，對可視層單元的初始狀態(tài)進行初始化為訓(xùn)練樣本集中的第一個樣本ν1=x0，當(dāng)前樣本數(shù)t=0，隱含層為h=h1。

步驟2：根據(jù)當(dāng)前的可視層輸入，對每個隱含層神經(jīng)元hij（1≤j≤n），hi中h表示隱含層，i表示隱含層的第i個神經(jīng)元，其被激活的概率為

式中σ通常為sigmoid激活函數(shù)。

步驟3：根據(jù)條件分布p（hi1j|ν1）抽取出hij∈{0，1}（1≤j≤n），從而得到每個隱含層神經(jīng)元的輸出采樣值。

步驟4：對于每個可視層神經(jīng)元νi（1≤i≤m），根據(jù)步驟3計算的隱含層神經(jīng)元的狀態(tài)，將其作為輸入，重構(gòu)可視層神經(jīng)元被激活的概率為

步驟5：根據(jù)式（2）所示的重構(gòu)可視層神經(jīng)元被激活的條件概率分布p（ν2i|hi1），對可視層神經(jīng)元進行采樣，從而抽取出ν2i∈{0，1}（1≤i≤m）。

步驟6：根據(jù)步驟5計算出的重構(gòu)可視層的神經(jīng)元狀態(tài)，對每個隱含層神經(jīng)元hij（1≤j≤n），隱含層神經(jīng)元被激活的概率為

步驟7：根據(jù)式（3）所示的條件概率分布，對由重構(gòu)可視層生成的隱含層神經(jīng)元的狀態(tài)采樣，即hi2j∈{0，1}（1≤j≤n）。

步驟8：根據(jù)步驟3由可視層得到的隱含層，步驟5重構(gòu)的可視層以及由步驟7重構(gòu)的隱含層，采用梯度下降算法，對w、a和b進行更新，如下所示：

步驟9：判斷當(dāng)前訓(xùn)練樣本數(shù)是否等于N，如果小于，則t=t+1，并轉(zhuǎn)入步驟2繼續(xù)處理，否則訓(xùn)練完畢，轉(zhuǎn)入步驟10。

步驟10：將所有的訓(xùn)練樣本和測試樣本輸入到已經(jīng)訓(xùn)練好的Auto Encoder，就得到所有樣本對應(yīng)的自動提取的指紋訓(xùn)練樣本特征X′={x0′，x1′，…，xS′}和測試樣本特征T′={t0′，t1′，…，tV′}。

步驟11：將步驟10得到的各自動提取的特征集X′={x0′，x1′，…，xS′}和T′={t0′，t1′，…，tV′}作為新的樣本集，并將隱含層神經(jīng)元個數(shù)初始化為H中的下一個元素，并轉(zhuǎn)入步驟2繼續(xù)執(zhí)行。

步驟12：將最后一個隱含層輸出的訓(xùn)練集特征和測試集特征，分別保存在特征向量OX={ox0，ox1，…，oxhn}和OT={ot0，ot1，…，othn}中。

4 指紋匹配

采用最小二乘支持向量機[10]（least squares support vector machine，LSSVM）進行指紋匹配與識別。LSSVM在統(tǒng)計學(xué)理論基礎(chǔ)上通過引入核函數(shù)，能將低維空間的線性不可分問題轉(zhuǎn)化為高維空間的內(nèi)積運算，從而實現(xiàn)樣本分類。LSSVM模型如圖3所示。

假設(shè)低維空間為RN，高維核空間H，則高維樣本空間中的最優(yōu)超平面為

式中：w——超平面的法向量；

θ——偏差。

圖3 LSSVM模型

線性映射函數(shù)φ（x）∶RN→H，x′=φ（x），指紋識別問題即分類問題即為求解式（6）所示的目標(biāo)函數(shù)：

對式（6）采用拉格朗日乘子法求解可得

其中αi、c和ξi分別為拉格朗日算子、正則化參數(shù)和松弛變量，此時根據(jù)Karush-kuhn-Tucker（KKT）條件求解式（7），可以將其轉(zhuǎn)換為

式中：sign——基本符號函數(shù)，其值為{-1，1}，因此可以鑒別兩類樣本；

k（xi，xj）——核函數(shù)。

由于1個LSSVM僅能進行2分類，因此構(gòu)造n（n-1）/2個LSSVM可以實現(xiàn)n分類，最后，按少數(shù)服從多數(shù)的原則將投票最多的分類結(jié)果作為最終識別結(jié)果。

5 系統(tǒng)測試

為了驗證文中方法的有效性，通過文中設(shè)計的指紋識別系統(tǒng)的指紋傳感器采集600幅指紋圖像作為訓(xùn)練數(shù)據(jù)集，這600幅指紋圖像對應(yīng)100個手指采集6次的結(jié)果；然后再采集400幅指紋圖像作為測試數(shù)據(jù)，這400個指紋圖像對應(yīng)100個手指采集4次的結(jié)果，將測試樣本集均分為4份即S1、S2、S3和S4。

從錯誤拒絕率（false reject rate，F(xiàn)RR）、錯誤接受率（false accept rate，F(xiàn)AR）和正確識別率（genuine accept rate，GAR）方面進行評價。FRR是對來自相同手指的兩個不同指紋圖像樣本進行匹配，匹配結(jié)果為兩個樣本來自不同手指的概率。FAR表示對兩個手指的兩個不同的指紋圖像樣本進行匹配，匹配結(jié)果認(rèn)為兩個樣本來自同一個手指的概率。正確識別率GAR為對來自相同手指的兩個不同的指紋圖像樣本進行匹配，匹配結(jié)果為兩個樣本來自相同手指的概率。

采用訓(xùn)練樣本集對Auto Encoder進行訓(xùn)練自動求取特征，在此基礎(chǔ)上，再通過LSSVM進行指紋識別。參數(shù)設(shè)置為：在算法1中隱含層個數(shù)n=4，所有隱含層神經(jīng)元的個數(shù)為h1=240，h2=150，h3=90， h4=15，學(xué)習(xí)率α=0.9，在LSSVM中核函數(shù)k（xi，xj）采用k（xi，xj）=tanh[ν（xi，xj）+c]。

在訓(xùn)練集訓(xùn)練完畢后，將測試樣本集S1、S2、S3和S4輸入訓(xùn)練好的Auto Encoder獲得自動提取的特征，再輸入LSSVM得到的指紋識別結(jié)果如表1所示。

表1 指紋匹配結(jié)果 %

由表可知，文中方法在4個測試集上的平均FRR、FAR和GAR分別為0.72%、0.36%和98.93%，具有較高的識別率。

文獻[8]和文獻[9]采用人工智能相關(guān)方法來進行指紋的識別，考慮到文獻的新舊和相關(guān)性，最終選擇對比這兩篇文章的工作以進一步證明文中方法的優(yōu)越性。計算3種算法隨著匹配時間的增加，GAR的變化情況，結(jié)果如圖4所示。

圖4 正確識別率比較

可以看出，本文方法的正確識別率隨著匹配時間的增加一直高于文獻[8]和文獻[9]方法，且文中方法在匹配時間為200 s時已經(jīng)趨于收斂，收斂的正確識別率為98.93%；而文獻[8]的識別率最低，在匹配時間達(dá)到最大值為300 s時，仍然只能達(dá)到93%，且仍未能收斂；文獻[9]的識別率介于文中方法和文獻[8]之間，在匹配時間為270s時收斂到95%。顯然，文中方法能在無需手動提取特征的情況下達(dá)到較高的正確識別率，且匹配所需的時間最短，收斂速度最快。

6 結(jié)束語

為了對信息、設(shè)備和系統(tǒng)進行有效安全的智能監(jiān)控，設(shè)計了一種基于Auto Encoder的智能監(jiān)控指紋識別系統(tǒng)。首先描述文中設(shè)計的指紋識別系統(tǒng)總體框圖，然后對系統(tǒng)的硬件結(jié)構(gòu)進行設(shè)計，提出采用Auto Encoder進行指紋自動特征提取的算法；通過比較差異算法實現(xiàn)Auto Encoder的訓(xùn)練，然后再將自動提取的特征輸入LSSVM進行分類，將投票最多的分類作為指紋識別的結(jié)果。通過系統(tǒng)測試表明文中設(shè)計的系統(tǒng)能較為準(zhǔn)確地實現(xiàn)指紋識別，較其他方法具有較快的收斂速度和較高的正確識別率。

[1]Tico M，Kuosmanen P.Fingerprint matching incorporating ridge features with minutia[J].IEEE Transactions on Information Forensics and Security，2011，6（2）：338-345.

[2]袁紅林，包志華，嚴(yán)燕.基于對數(shù)譜射頻指紋識別的RFID系統(tǒng)信息監(jiān)控方法[J].通信學(xué)報，2014，35（7）：86-93.

[3]鄭駿，張丹，潘靜.基于FPGA的指紋識別系統(tǒng)的設(shè)計與實現(xiàn)[J].電子技術(shù)應(yīng)用，2011，37（4）：55-60.

[4]Feng J J，Jain A K.Fingerprint reconstruction：from minutiae to phase[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（2）：209-223.

[5]陳書謙，傅揚烈.改進的指紋識別算法嵌入式應(yīng)用研究[J].微電子學(xué)與計算機，2012，29（10）：181-184.

[6]張潔，景曉軍，劉馨靖，等.一種基于模式熵的殘缺指紋識別算法[J].電子與信息學(xué)報，2012，34（12）：3040-3045.

[7]袁東鋒，杜恒，秦小鐵.基于三角形局部特征點模型指紋匹配算法[J].重慶師范大學(xué)學(xué)報：自然科學(xué)版，2013，30（2）：69-73.

[8]王磊，史亞，姬紅兵.基于多集典型相關(guān)分析的雷達(dá)輻射源指紋識別[J].西安電子科技大學(xué)學(xué)報：自然科學(xué)版，2013，40（2）：164-171.

[9]琚玉建，謝紹斌，張薇.基于自適應(yīng)權(quán)值的數(shù)據(jù)報指紋特征識別與發(fā)現(xiàn)[J].計算機測量與控制，2014，22（7）：2288-2294.

[10]Yuan S F，Chu F L.Support vector machines-based fault diagnosis for turbo-pump rotor[J].Mechanical Systems and Signal Processing，2006，20（4）：939-952.

Intelligence monitoring recognition system for fingerprint based on Auto Encoder

CHANG Feng1，HE Yuanhua2
（1.School of Physics and Electronic Engineering，Leshan Normal University，Leshan 614004，China；2.School of Aviation Security，Civil Aviation Flight University of China，Guanghan 618307，China）

The existing embedded fingerprint identification systems can not automatically remember and extract the features for fingerprint identification，thus leading to a low identification ratio.To solve these problems，a fingerprint identification system based on Auto Encoder and LSSVM was proposed.First，the FPS200 was used as a fingerprint sensor to obtain fingerprint data，which was then pre-managed by filters and binaryzation.Second，contrast difference algorithm was used to get the parameters of the Auto Encoder such as weight and bias.The trained Auto Encoder was further applied to collect fingerprint image features.Third，the automatically extracted features were input to the trained LSSVM to be further trained and classified，and those with the most voters were regarded as the identification results.The test indicates that the proposed method can precisely recognize fingerprints.Compared with other methods，it is faster in convergence rate，higher in identification rate，and more efficient in fingerprint matching.

fingerprint；identification rate；match；auto encoder

A文章編號：1674-5124（2015）08-0071-04

10.11857/j.issn.1674-5124.2015.08.017

0 引言

為了保障信息、設(shè)備和系統(tǒng)的安全，大量研究開始著力于通過生物識別技術(shù)來實現(xiàn)智能監(jiān)控[1-2]，由于指紋是人體的基本特征，且具有唯一性和終生不變的特點[3]，采用指紋來識別不同的個體是一種較好的方法[4]。

2014-10-23；

2014-12-14

國家自然科學(xué)基金項目（61079022）

常峰（1980-），男，四川樂山市人，實驗師，碩士，研究方向為電子測量技術(shù)及儀器、自動測試技術(shù)及系統(tǒng)集成。