基于小波神經(jīng)網(wǎng)絡(luò)的掌紋識(shí)別方法的研究

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

0 引言
近年來(lái)，掌紋識(shí)別作為一種新興的生物識(shí)別技術(shù)，越來(lái)越受到人們的重視。與常見(jiàn)的指紋、虹膜、人臉等生物特征識(shí)別技術(shù)相比，掌紋有許多獨(dú)特的優(yōu)勢(shì)，包括識(shí)別率高、普適性強(qiáng)、采集設(shè)備價(jià)格低廉、用戶可接受性好等，作為生物識(shí)別領(lǐng)域的新興生物特征，已經(jīng)得到國(guó)內(nèi)外許多研究者的重視。
小波變換是將信號(hào)或圖像分層，按小波基展開(kāi)，根據(jù)圖像信號(hào)的性質(zhì)和事先給定的處理要求確定展開(kāi)到哪一級(jí)為止，可以控制計(jì)算量，滿足實(shí)時(shí)處理的需求。圖像經(jīng)過(guò)小波變換，其低頻部分保留了絕大部分信息和能量。同時(shí)，在圖像的敏感位置(如輪廓線、突出點(diǎn)等)，小波變換后生成的特征矢量的模會(huì)相對(duì)較大，這些優(yōu)點(diǎn)有利于掌紋的識(shí)別。人工神經(jīng)網(wǎng)絡(luò)是人們模仿人的大腦神經(jīng)系統(tǒng)信息處理功能的一個(gè)智能化系統(tǒng)，目前廣泛地應(yīng)用于模式識(shí)別、復(fù)雜控制等領(lǐng)域。反向傳播網(wǎng)絡(luò)(Back-Propagation Network，簡(jiǎn)稱BP網(wǎng)絡(luò))是將誤差信息反向傳播，對(duì)非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層前饋型神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)單、可塑性強(qiáng)，被廣泛用于掌紋識(shí)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(luò)相結(jié)合的掌紋識(shí)別方法，首先采用小波變換對(duì)掌紋圖像進(jìn)行特征提取，再利用BP網(wǎng)絡(luò)對(duì)掌紋圖像進(jìn)行分類和識(shí)別，得到較高的識(shí)別率。

1 圖像預(yù)處理
由于不同時(shí)間不同手掌存在不同程度的旋轉(zhuǎn)和偏移，因此首先要對(duì)通過(guò)采集設(shè)備得到的掌紋圖像進(jìn)行預(yù)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(duì)掌紋圖像進(jìn)行感興趣區(qū)域(ROI)的提取，包括邊緣檢測(cè)點(diǎn)、定位基準(zhǔn)點(diǎn)、建立坐標(biāo)點(diǎn)，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(dāng)閾值對(duì)圖像進(jìn)行二值化處理，如圖1 2)所示；
(2)對(duì)二值圖像進(jìn)行邊緣檢測(cè)，得到掌紋輪廓，如圖1 3)所示；

(3)跟蹤掌紋邊緣得到基準(zhǔn)點(diǎn)K1和K2，將過(guò)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(biāo)系，如圖1 4)所示；
(4)在所建立的坐標(biāo)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(shí)間窗和頻率窗都可改變的時(shí)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(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，對(duì)信號(hào)有自適應(yīng)特性。
離散小波變換定義：將連續(xù)小波變換的尺度a和時(shí)間位移b進(jìn)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(jí)數(shù)進(jìn)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(duì)圖像進(jìn)行小波分解后，再用upcoef2函數(shù)對(duì)分解后的圖像重構(gòu)，最后用wcodemat函數(shù)進(jìn)行量化編碼。從而達(dá)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(guò)小波處理的掌紋圖像。其中，圖2(a)為經(jīng)過(guò)預(yù)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(guò)第一次壓縮之后的掌紋圖像；圖2(d)為經(jīng)過(guò)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(shí)別的特征矢量，可以降低神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理量，縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

3 神經(jīng)網(wǎng)絡(luò)
反向傳播(Error Back Propagation-BP)算法是多層感知器的一種有效學(xué)習(xí)算法，它把一組負(fù)荷樣本的輸入輸出問(wèn)題變成一個(gè)非線性優(yōu)化問(wèn)題，使用了最優(yōu)化中最普遍的梯度下降算法，用迭代運(yùn)算求解權(quán)值相應(yīng)于學(xué)習(xí)記憶問(wèn)題，加入了隱節(jié)點(diǎn)使得優(yōu)化問(wèn)題的可調(diào)整參數(shù)增加，從而可以得到預(yù)測(cè)負(fù)荷的精確解。