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。
BPNN是一種有一個輸入層、一個輸出層、一個或多個隱含層的常用的前饋網(wǎng)絡，它每一層上包含了若干個節(jié)點，每個節(jié)點代表一個神經(jīng)元。同一層上的各節(jié)點之間無耦合連接關系，信息從輸入層開始在各層之間單向傳播，依次經(jīng)過各隱含層節(jié)點，最后達到輸出層節(jié)點。其結(jié)構(gòu)如圖3所示。
3．1 輸入層的設計
在圖像經(jīng)過二維小波處理后，每一幅圖像就可以用一個向量來表示，提取每一幅圖像的低頻部分作為神經(jīng)網(wǎng)絡的輸入。這樣可以減少神經(jīng)網(wǎng)絡的輸入維數(shù)，降低神經(jīng)網(wǎng)絡的數(shù)據(jù)處理量。
3．2 隱層的選擇
隱層的神經(jīng)元數(shù)目與問題的要求、輸入／輸出單元的數(shù)目都有直接關系，數(shù)目太多會導致學習時間太長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱單元數(shù)。參照以往實驗，本次采用了公式n1=n+m+a(m為輸出神經(jīng)元數(shù)，n為輸入單元數(shù)，a為[1，10]之間的常數(shù))來確定隱層的神經(jīng)元數(shù)目，取得了較好的效果。
3．3 輸出層的設計
輸出層的維數(shù)可根據(jù)使用者的要求確定。如果將BP網(wǎng)絡用做分類器，類別模式一共有m個，那么輸出層神經(jīng)元個數(shù)為m或log2m。在實驗時采用了20個人的掌紋圖像，因此類別總共有20個，即m=20，所以應取輸出層神經(jīng)元個數(shù)為20或log220，本次選取的輸出層神經(jīng)元個數(shù)為20。
4 實驗結(jié)果和分析
本文實驗是借助香港理工大學的Poly-U掌紋圖像庫進行的。Poly-U掌紋圖像庫中包含40人的掌紋圖像，每人10幅圖像，共400幅，每幅原始圖像256個灰度級，分辨率為129×129。本次試驗隨機挑選20人，每人10幅的圖像中，選擇5幅用來作為樣本數(shù)據(jù)進行訓練，另外5幅作為測試樣本用來進行檢驗。掌紋圖像首先經(jīng)過圖像預處理，再經(jīng)過小波變換來4為未經(jīng)過小波變換處理的神經(jīng)網(wǎng)絡訓練圖，圖5為經(jīng)過小波變換處理的神經(jīng)網(wǎng)絡訓練圖。圖6為兩種方法下的不同掌紋檢測樣本的識別效果圖。
由圖4和圖5的實驗結(jié)果可知，未經(jīng)過小波變換處理的圖像直接送到神經(jīng)網(wǎng)絡，其網(wǎng)絡訓練步數(shù)為500，經(jīng)過小波變換處理后的圖像送到神經(jīng)網(wǎng)絡，其訓練步數(shù)為210，發(fā)現(xiàn)收斂步數(shù)明顯降低；收斂用時明顯減少；識別率明顯提高。同時由圖6可知，這種將小波變換與BP神經(jīng)網(wǎng)絡相結(jié)合進行掌紋識別方法不僅可以大大縮短神經(jīng)網(wǎng)絡的訓練時間，同時也能提高人臉圖像的識別率。
5 結(jié)束語
針對以往直接采用BP神經(jīng)網(wǎng)絡對掌紋進行識別時收斂速度慢、識別率不高等問題，本文采用小波變換與BP神經(jīng)網(wǎng)絡相結(jié)合的方法來對掌紋進行識別。通過實驗證明，這種方法與單一的BP神經(jīng)網(wǎng)絡的方法相比較，具有訓練時間短、識別率高等優(yōu)點。如何克服BP神經(jīng)網(wǎng)絡容易陷于局部極小值問題將是今后研究的一個方向。