BP 人工神经网络在指纹识别中的应用
杨青
卢新明
(山东科技大学信息学院 09 级硕研 11 班)
摘要: BP 神经网络在非线性函数逼近方面有优良特性。通过一系列图像处理技术,可以利
用 BP 神经网络对指纹的识别。
关键词: BP 神经网络;指纹识别; 学习
Abstract: BP neural networks in nonlinear function approximation has an excellent feature.
Through a series of image processing technology, can take advantage of BP neural network to
fingerprint recognition.
Key words: BP neural network; fingerprint identification; Learning
一.BP 神经网络总体概述
BP (Back Propagation)神经网络,即误差反传误差反向传播算法的学习过程,由信息
的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信
息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能
力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元
的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处
理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误
差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误
差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直
进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
二.人工神经网络的工作原理
人工神经网络首先要以一定的学习准则进行学习,然后才能工作。现以人工神经网络对
手写“A”、“B”两个字母的识别为例进行说明,规定当“A”输入网络时,应该输出“1”,
而当输入为“B”时,输出为“0”。
所以网络学习的准则应该是:如果网络作出错误的的判决,则通过网络的学习,应使得
网络减少下次犯同样错误的可能性。首先,给网络的各连接权值赋予(0,1)区间内的随机值,
将“A”所对应的图象模式输入给网络,网络将输入模式加权求和、与门限比较、再进行非
线性运算,得到网络的输出。在此情况下,网络输出为“1”和“0”的概率各为 50%,也就
是说是完全随机的。这时如果输出为“1”(结果正确),则使连接权值增大,以便使网络再
次遇到“A”模式输入时,仍然能作出正确的判断。
如果输出为“0”(即结果错误),则把网络连接权值朝着减小综合输入加权值的方向调
整,其目的在于使网络下次再遇到“A”模式输入时,减小犯同样错误的可能性。如此操作
调整,当给网络轮番输入若干个手写字母“A”、“B”后,经过网络按以上学习方法进行若干
次学习后,网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功,
它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式
时,能够作出迅速、准确的判断和识别。一般说来,网络中所含的神经元个数越多,则它能
记忆、识别的模式也就越多。
三.BP 神经网络在指纹识别中的应用
指纹识别中的指纹分类和识别主要通过 BP 神经网络的学习,训练 BP 神经网络,使之具
有分别和识别指纹的能力。
1)输入,输出层和隐层接点数的确定
利用三层 BP 网络来识别指纹。去输入节点数 N1=10,代表 10 个关键测试点指纹;
去输出节点数 N3=4,代表 4 种不同的指纹类型;根据 BP 网络隐层节点设计的经验公式,隐
层节点数 N2 可取为:N2=
1* 3
N N
a = =12( a =1~10,N1,N2 分别为输入和输出的节点
数)
2)指纹特征提取
指纹的局部特征点不可能完全相同,把定位后的指纹图像分成 n×n 个小区域,提取
出每个小区域中最能反映分类本质的特征。
3)BP 神经网络的训练
以人工神经网络对获得的样本中的某一指纹识别(设为,输出为 )的训练说明,
规定当“”输入网络时,应该输出“ ”,规定为“1”,其他情况下,输出为“0”。
网络训练的准则应该是:如果网络作出错误的的判决,则通过网络的学习,应使得
网络减少下次犯同样错误的可能性。
首先,给网络的各连接权值赋予(0,1)区间内的随机值,将“”所对应的图象模
式输入给网络,网络将输入模式加权求和、与门限比较、再进行非线性运算,得到网络的输
出。在此情况下,网络输出为“1”和“0”的概率各为 50%,也就是说是完全随机的。这时
如果输出为“1”(结果正确),则使连接权值增大,以便使网络再次遇到“A”模式输入时,
仍然能作出正确的判断。
如果输出为“0”(即结果错误),则把网络连接权值朝着减小综合输入加权值的方
向调整,其目的在于使网络下次再遇到“”模式输入时,减小犯同样错误的可能性。如此
操作调整,当给网络轮番输入若干个指纹“”后,经过网络按以上学习方法进行若干次学
习后,网络判断的正确率将大大提高。这说明网络对这种模式的学习已经获得了成功,它已
将这种模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时,能
够作出迅速、准确的判断和识别。
4)BP 神经网络的指纹识别很分类
利用 3)中所得到的已经训练好的网络,将要进行分类和识别的指纹从输入端口输入,
即可从输出端获得四类不同的指纹,这样完成指纹的分类。同样方法完成指纹的识别操作。
四.BP 神经网络的发展前景
由于指纹等生物特征的不可复制性, 利用指纹等人类自身生理或行为特征进行身份认
证的生物识别技术, 是最可靠的身份鉴别手段。随着信息化技术的不断发展, 计算机安全技
术和身份认证对人们越来越重要。而随着基于个人特征的身份认证技术的不断完善和身份认
证设备价格的下降, 可以预见, 生物特征认证技术将在互联网通信安全、金融证券、政府机
构,军事安全、电子商务等领域具有更加广阔的应用前景。
参考文献:
[1]聂鹏, 耿文波.指纹识别技术浅谈[J].聂鹏, 兰州交通大学研究生, 研究方向: 模式与
智能系统.
[2] 刘 彩 红 . 一 种 优 化 BP 神 经 网 络 训 练 样 本 的 方 法 . 重 庆 师 范 大 学 学 报 ( 自 然 科 学
版),2007,24(3):51-53. 刘彩红,女,陕西宝鸡人,硕士研究生,研究方向为人工神经网络
及其应用.
[3]宋小集.一种改进的指纹图像增强算法[J].2008(12):2-5 宋小集, 东华理工大学研究
生,主要研究方向:嵌入式系统与信息安全.
[4]武妍,杨磊.一种改进的基于方向滤波的指纹图像增强算法[J].华中科技大学学报:自然
科学版,2007,35(2):22-25.