基于深度學習的污損指紋識別研究

劉焰 李超

摘? 要：在新興信息技術推動社會快速發展的背景下，信息技術給人們在生活、工作、學習等各個方面帶來了便利，不可忽視的是，技術的快速發展同時也存在著一定的不穩定因素。當前以生物特征為特點的鑒定技術頗受歡迎，其中的指紋識別具備高度的方便性和可靠性，但傳統的指紋識別通常需要高質量、完整、清晰的識別對象，因此指紋出現污損、模糊等問題時會導致識別率降低。研究基于深度學習的污損指紋識別算法，來有效解決這些問題。

關鍵詞：指紋識別;卷積神經網絡;指紋深層特征

引言：

與傳統的身份鑒定方法對比，指紋識別降低了被破譯的風險，克服了傳統身份認定方式準確性和便利性不足的缺點，利用不同的個體生物具有不同生理特征的特點來進行識別。目前，基于特征點對比的指紋識別技術已達到較高水準，而針對指紋污損問題，仍需要提升識別準確率。作為深度學習算法的其中一種，卷積神經網絡（CNN）在模式識別和圖像處理上得到廣泛應用，其具有網絡結構簡單、訓練參數少以及適用性較強的優點，在指紋識別上有效獲得較高的識別率。

一、污損指紋識別帶來的困難和挑戰

根據我國的指紋檔案數據顯示，具有比較完整和高質量的指紋占比僅達總體的20%，而傳統的指紋識別要求匹配的特征點數量達到一定的值域才可識別，污損指紋的特征點數量匹配不足則難以準確識別，識別污損指紋具有相當的困難和挑戰，主要體現在以下幾個方面：一是對污損指紋的圖像預處理，運用相關算法對原圖進行處理，獲得清晰的線條，去除偽特征點，并盡量修復指紋缺損的部分，預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行準確的數據替換，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。三是進行指紋匹配，污損指紋有效信息不足、錯誤的特征點干擾、非線性畸變嚴重等問題極大地增加了匹配難度。面對污損指紋帶來的種種困難和挑戰，我們必須處理好指紋識別困難的問題，增強指紋識別技術的普適性，保證技術的穩定發展。

二、基于深度學習的污損指紋識別研究

（一）卷積神經網絡（CNN）

卷積神經網絡（Convolutional Neural Network，CNN）是由早期的生物學家Hubel 和Wiesel 對貓視覺皮層研究的啟發，是深度學習的代表算法之一。卷積神經網絡通過挖掘數據在空間上的相關性，以局部連接的方式來簡化調優過程，能夠按其階層結構對輸入信息進行平移不變分類，它是由一個輸入層、多個卷積層和池化層、全連接層、一個輸出層共同組成，與其他深度學習算法對比，卷積神經網絡不僅在圖像和語音方面的比較突出，還因為其局部連接方式使得需要調整的訓練參數比較少，而更容易訓練。因此本文將運用卷積神經網絡（CNN）算法對污損指紋進行分類識別，以在較短時間內爭取到高識別率。

（二）FFPF_CNN算法

FFPF_CNN算法即利用卷積神經網絡算法在對指紋特征點模糊化圖后進行污損指紋的特征提取和識別。具體的計算過程為：（1）根據Poincare公式提取指紋特征的奇異點，并提取端點與叉點等非奇異點，完成污損指紋所有的特征點提取后做好標記工作。（2）進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之間的具體位置，使其具有高度的旋轉移動不變性。（3）最后運用卷積神經網絡算法對指紋特征模糊化圖進行準確識別。這種算法的優勢在于免除了污損指紋修復的過程，簡化了指紋特征提取過程，在一定程度上提高了對污損指紋的識別率，但值得注意的是，計算過程中的端點提取方法在指紋有缺損的情況下，將會提取出許多偽端點，這無疑會影響到指紋的識別效果，因此需要進一步研究解決的策略和方法。

（三）CBF_CNN算法

針對FFPF_CNN算法存在的不足，對此提供一種新的污損指紋識別算法，CBF_CNN算法即將提取的指紋中心塊圖輸入卷積神經網絡中進行識別的方法。具體過程為：（1）根據Poincare 公式提取污損指紋的中心點后做好標記工作。（2）運用卷積神經網絡（CNN）算法確定正確的指紋中心點，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）最后運用卷積神經網絡算法對截取的中心塊圖作分類識別。這種識別算法主要是解決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，保留和利用部分準確的特征點信息，同時又能避免錯誤的信息干擾，是有效識別污損指紋的方式。

在實驗CBF_CNN算法過程中發現，盡管利用污損指紋的中心塊圖起到一定的識別提升效果，但是僅僅使用其中的一小部分指紋特征信息，而舍棄其他區域，造成信息浪費。因此為充分利用好指紋信息，對CBF_CNN算法作出一些改進：將中心圖塊轉變為多分塊圖，以中心特征點為中心，截取其他八個分塊圖，組成九宮格的形式，從增加塊圖數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算法相結合的方式，處理過的圖像由特征點的模糊化圖與中心塊圖拼接而成，使指紋信息特征實現利用最大化。

綜上所述，深度學習在指紋識別應用中有著較大的優勢，解決了傳統識別方法無法在指紋受到污損的情況下準確識別的問題，對污損指紋進行有效性的處理，從而達到較好的識別效果。以上提供的兩種基于深度學習的污損指紋識別算法：FFPF_CNN算法以及CBF_CNN算法。兩種算法均是利用卷積神經網絡進行信息提取和識別的計算模型，其仍存在一些不足，希望在將來的工作中能夠逐漸完善。

參考文獻

[1]? 吳震東，王雅妮，章堅武. 基于深度學習的污損指紋識別研究[J]. 電子與信息學報，2017，39（07）：1585-1591.

[2]? 王雅妮. 基于深度學習的困難指紋識別研究[D].杭州電子科技大學，2017.

基金項目：論文來源：訓練計劃，2019年省級大學生創新創業訓練計劃項目《互聯網+指臉》（項目編號S201913814032），項目負責人：劉焰。

作者簡介：劉焰（1999-），女，2018級移動互聯應用技術1班學生，研究方向：圖像識別與處理;李超（1980-），男，廣安職業技術學院講師，大學生創新創業導師，研究方向：人工智能與物聯網技術。