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.