基于小波神經(jīng)網(wǎng)絡的掌紋識別方法的研究

摘要：為提高掌紋圖像識別率，首先利用手掌的幾何輪廓對所采集到的掌紋圖像進行預處理，進行分割得到感興趣的區(qū)域。再利用小波變換對掌紋圖像分別進行多層分解，進而提取小波特征。最后利用BP神經(jīng)網(wǎng)絡進行分類。通過仿真實驗表明，與單一的神經(jīng)網(wǎng)絡方法進行掌紋識別相比，這種將小波分析與神經(jīng)網(wǎng)絡相結(jié)合的方法收斂步數(shù)少、用時短、具有較高的識別率。
關(guān)鍵詞：掌紋識別；BP網(wǎng)絡；小波分析

0 引言
近年來，掌紋識別作為一種新興的生物識別技術(shù)，越來越受到人們的重視。與常見的指紋、虹膜、人臉等生物特征識別技術(shù)相比，掌紋有許多獨特的優(yōu)勢，包括識別率高、普適性強、采集設備價格低廉、用戶可接受性好等，作為生物識別領(lǐng)域的新興生物特征，已經(jīng)得到國內(nèi)外許多研究者的重視。
小波變換是將信號或圖像分層，按小波基展開，根據(jù)圖像信號的性質(zhì)和事先給定的處理要求確定展開到哪一級為止，可以控制計算量，滿足實時處理的需求。圖像經(jīng)過小波變換，其低頻部分保留了絕大部分信息和能量。同時，在圖像的敏感位置(如輪廓線、突出點等)，小波變換后生成的特征矢量的模會相對較大，這些優(yōu)點有利于掌紋的識別。人工神經(jīng)網(wǎng)絡是人們模仿人的大腦神經(jīng)系統(tǒng)信息處理功能的一個智能化系統(tǒng)，目前廣泛地應用于模式識別、復雜控制等領(lǐng)域。反向傳播網(wǎng)絡(Back-Propagation Network，簡稱BP網(wǎng)絡)是將誤差信息反向傳播，對非線性可微分函數(shù)進行權(quán)值訓練的多層前饋型神經(jīng)網(wǎng)絡，其結(jié)構(gòu)簡單、可塑性強，被廣泛用于掌紋識別中，并收到良好的效果。
本文提取了一種基于小波變換和神經(jīng)網(wǎng)絡相結(jié)合的掌紋識別方法，首先采用小波變換對掌紋圖像進行特征提取，再利用BP網(wǎng)絡對掌紋圖像進行分類和識別，得到較高的識別率。

1 圖像預處理
由于不同時間不同手掌存在不同程度的旋轉(zhuǎn)和偏移，因此首先要對通過采集設備得到的掌紋圖像進行預處理，以便于以后的特征提取。采集到的圖像包含很多內(nèi)容，但我們感興趣的只是掌紋所在的位置。因此在首先對掌紋圖像進行感興趣區(qū)域(ROI)的提取，包括邊緣檢測點、定位基準點、建立坐標點，最后分割出含有豐富信息的ROI區(qū)域。主要步驟如下：
(1)選擇適當閾值對圖像進行二值化處理，如圖1 2)所示；
(2)對二值圖像進行邊緣檢測，得到掌紋輪廓，如圖1 3)所示；

(3)跟蹤掌紋邊緣得到基準點K1和K2，將過K1、K2的直線作為X軸，將直線K1、K2的中垂線作為軸建立坐標系，如圖1 4)所示；
(4)在所建立的坐標系中，分割出的掌紋中心區(qū)域作為ROI，如圖1 5)所示。

2 掌紋特征提取
2．1 小波分析
小波分析方法是一種窗口大小固定但其形狀可改變，時間窗和頻率窗都可改變的時頻局部化分析方法。即在低頻部分有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，對信號有自適應特性。
離散小波變換定義：將連續(xù)小波變換的尺度a和時間位移b進行離散化，就得到離散小波變換。通常a的離散化按照2的冪級數(shù)進行，即：a=2-j(j=0，1，2…)。

2．2 掌紋特征的提取
本文利用二維離散小波變換函數(shù)dwt2對圖像進行小波分解后，再用upcoef2函數(shù)對分解后的圖像重構(gòu)，最后用wcodemat函數(shù)進行量化編碼。從而達到了去掉圖像的高頻部分而僅保留低頻部分的效果。圖2為經(jīng)過小波處理的掌紋圖像。其中，圖2(a)為經(jīng)過預處理之后的掌紋圖像；圖2(b)為小波分解之后的圖像；圖2(c)為經(jīng)過第一次壓縮之后的掌紋圖像；圖2(d)為經(jīng)過第二次壓縮的掌紋圖像。由圖可以看出，經(jīng)小波分解后把圖像分解成低頻L1和高頻H1兩部分后，在下一層的分解中，又將上一層的低頻L1繼續(xù)分解成低頻L2和高頻H2兩部分。壓縮后的圖像去掉了將近一半的系數(shù)。將二次小波分解后的低頻向量作為人臉識別的特征矢量，可以降低神經(jīng)網(wǎng)絡的數(shù)據(jù)處理量，縮短神經(jīng)網(wǎng)絡的訓練時間。

3 神經(jīng)網(wǎng)絡
反向傳播(Error Back Propagation-BP)算法是多層感知器的一種有效學習算法，它把一組負荷樣本的輸入輸出問題變成一個非線性優(yōu)化問題，使用了最優(yōu)化中最普遍的梯度下降算法，用迭代運算求解權(quán)值相應于學習記憶問題，加入了隱節(jié)點使得優(yōu)化問題的可調(diào)整參數(shù)增加，從而可以得到預測負荷的精確解。