基于神经网络的指纹识别系统

Lokhande先生”栏目¹,教授Dhongde V.S.太太²

我(VLSI和嵌入式系统),Vishwabharati学院工程学院Ahmednagar(女士),印度
E&Tc部门负责人Vishwabharati学院工程学院Ahmednagar(女士),印度

文摘

这个项目的目的是设计和开发一个模式识别系统,利用人工神经网络(ANN)可以识别图像的类型基于选择图像的特征提取。还我比较任何两个神经网络的方法。这个系统可以充分认识到类型的数据已经添加的数据存储或称为训练数据。神经网络工具箱的图形用户界面。这是另一种方式来改变这种普遍使用MATLAB使用命令插入的命令窗口。从这样的系统,我们只需要插入数据或训练数据的特性。识别完成后插入测试数据。该系统将识别是否匹配训练数据的输出。然后输出会产生一种图,描述了数据的特点是一样的训练数据。

关键字

指纹识别系统,人工神经网络,Backpropogation网络,MATLAB。

介绍

生物识别系统是广泛用于人类独特的识别主要用于验证和识别。生物识别技术作为一种身份访问管理和访问控制。所以使用生物识别技术在学生考勤管理系统是一个安全的方法。有许多类型的生物系统,如指纹识别,人脸识别,语音识别,虹膜识别,手掌识别等。在这个项目中,我使用指纹识别系统使用神经网络。

指纹是山脊和山谷的模式表面上的指尖。山脊的端点和过境点被称为细节。这是一个被广泛接受的假设每个手指的细节模式是独一无二的,在人的一生不会改变。岭末梢点脊曲线终止,和分岔是脊分裂从单一路径两条路径在一个三通接头。

当人类指纹专家确定两个指纹是相同的手指,两个细节模式之间的匹配度是最重要的因素之一。由于人类指纹的相似性的专家和密实度的模板,minutiae-based匹配方法是研究最广泛的匹配方法。

一个神经网络,也被称为并行分布式处理网络,是一个计算解决方案,松散模仿大脑的皮层结构。它由相互连接的神经元处理元素称为节点或一起工作来产生一个输出函数。神经网络的输出依赖于内的单个神经元网络的合作经营。处理信息的并行神经网络是成功的典型,而不是在系列(或连续)早些时候二进制计算机或冯·诺依曼机。[1]

相关工作

算法

在此提出我们介绍指纹识别系统的算法。众所周知,开发可靠的指纹识别系统图像增强和特征提取是必要的。这个算法主要分为三个阶段:预处理、后加工和最终的细节匹配阶段。预处理阶段涉及使用直方图均衡化增强图像,二值化和形态学操作应用后取得关键减少图像增强算法。在第二阶段的细节从增强指纹提取利用优化技术。最后阶段是指纹的识别一直是神经网络的帮助下完成的。

框图

指纹识别系统的框图及其不同零件图中可以看到。模板是一个预先存储的提取细节点的模式真正的指纹。产生相同的方式模式指纹的图。[2]

二值化

质量指纹可以显著不同,主要是由于皮肤状况和压力传感设备上由指尖接触某种预处理需要实现提取细节点好。雷竞技网页版这个问题可以通过处理增强算法能够从背景分离和突出的脊;这种类型的增强也称为线性化。二值化过程是一个灰度图像是摧毁或只分为两个层次,黑色和白色(0和1)[2]。

骨架化

骨架化是一个过程主要用于关键图像通过稀释一定模式的形状,直到它是由存在1个像素宽线,所谓的框架模式。因为细节决定只能由不连续在山脊,他们是完全独立于山脊的厚度。通过寻找关键的框架通过细化指纹图像只有一个像素宽的山脊线,细节与最短保存数据。这种大规模毁坏数据提取细节点提供更有效的实现。

骨架化上执行所谓的“负面形象”的关键指纹图像由于以上指定规则使用1代表了山脊,0代表背景。关键指纹图像使用完全相反的迹象。负面形象只是由不执行逻辑操作的关键指纹。考试的像素在迭代中完成前两个规则集是轮流应用。像素可以被删除标记和第一在每次迭代结束从图像中删除。重复这个过程,直到没有更多的像素,可以从图像中删除。然后第二个骨架化过程是开始删除其余像素产生宽线。这个过程只需要一个迭代。图像转换后回来,发现关键指纹图像的骨架。[2]

细节提取

从指纹的骨架提取细节需要一个方法,能够识别和分类的不同形状和类型的细节。这是一个分类问题,可以解决通过构造和训练一个神经网络作为分类器。[3]

神经网络

神经网络是一种非线性映射系统的结构松散地基于原则的真正的大脑。整个网络与简单的处理单元,建立结构可以看到。单位是一个简化的模型,一个真正的神经元。其部分的输入向量x包含信息被加权节点重向量w。节点与体重θ和神经元的输入1是一个所谓的偏见使神经元的自由能函数f(·)的转变。函数f(·)通常是一个非线性函数,主要是调用激活函数。输入函数f(·)是所有节点和表示是u。[4]

有许多不同类型的神经网络感知器、反向传播网络反向传播网络,Hopfield网络等等……[5]我使用反向传播神经网络和细胞神经网络和比较他们的结果。

反向传播网络(症)

有趣的神经网络是,权重的确定w是通过学习。反向传播的许多不同的神经网络学习算法,可以应用培训和被用于本文。它属于一个类别的所谓学习的老师。对于每一个输入向量x提供给神经网络有预定义的期望响应的网络矢量t(老师)。神经网络的期望输出值由计算与实际产出向量的误差e t和神经网络输出向量y。神经网络权重的调整是通过传播误差e向后从输出层向输入层,因此算法的名称。的体重变化的每一层都是用最陡下降算法。利用bp算法进行以下步骤:

1。从训练集选择一双训练;应用网络的输入向量输入。

2。计算网络的输出。

3所示。计算网络输出和期望输出值之间的误差(目标向量训练一对)

4所示。调整网络的权值,最大限度地减少错误。

5。重复步骤1到步骤4中的每个向量训练集,直到整个集是可接受的误差低。[4]

细胞神经网络(CNN)

CNN由一组非线性、本地互联,一阶电路。本地连接,每个单元连接细胞属于它的邻居,因为它显示在无花果。

状态和输出时间不同,而输入保持不变。模板描述细胞的互动社区和调节CNN的发展状态和输出向量。voltage-driven当前模板的连接可以实现发电机。输出特性f是sigmoid-type采用分段线性函数。

cnn被用于图像处理图像的每个像素相关联的输入或单个细胞的初始状态。随后,CNN的状态和输出矩阵的发展达到一个平衡状态。CNN的演变是由模板的选择。大量的模板已经被定义为了执行基本的图像处理操作。简单操作可以执行使用基本的模板,B,和偏见,而更复杂的处理需要使用非线性模板和广义非线性生成器

在图像处理中使用cnn的主要优势与吞吐量的增加由于大规模并行结构,加入了类似的信号处理方式,典型的美国有线电视新闻网。事实上他们能够执行一个完整的图像处理分析10 - 6年代时间顺序(通过使用一个CNN硬件实现),这个简单的任务序列形式像数组分割目标,背景强度提取、目标检测和目标强度提取。

分类器实现

训练数据分为三个不同的模式类;终止,分叉,没有细节。神经网络输出层包含三个神经元,分别代表一个类的培训数据。通过训练神经网络,所以激活神经元对应的模式类,可以实现输入模式的分类。训练数据的大小是选择5×5窗口。3×3窗口视图并不多信息和7×7窗口显示信息是不必要的。[2]

细节匹配

提取指纹的细节在一起形成一个点在平面模式。因此相互匹配的两个细节点模式被认为是作为二维点模式问题。需要一个算法,定位的最大数量相互分两个点模式。

点模式只在构造位置(x, y)的细节在平面上。细节类型和方向提供额外的信息被忽略可能类型交替方向和噪音。指尖之间的交替可以由不同的压力传感器和也通过二值化的过程。低压力可能会导致分歧细节表现为终止指纹图像的细节。在另一方面高压可能导致终止细节表现为分岔指纹图像的细节。交替变化的细节类型的二值化过程已经指出,在第二章中描述。坏质量的指纹图像给嘈杂的定位图像,因此错误的细节取向。交替和错误定位的细节给了更高的风险,并不是所有的共同同构检测。由于点模式是基于位置指纹的细节形成独特模式。在每个模式有足够的点位置(x, y)的细节是唯一的信息需要良好的匹配结果。 By using only (x, y) coordinates of minutiae yields that less memory is needed for implementation of this algorithm.

在两个点上执行匹配模式P m的同构{p1, p2。点}和Q点数n {q1、q2。,qn}。[2]

结论

很明显从工作,神经网络可以用来有效地解决指纹识别问题。在这里输入是一个图像,拇指一个人的印象。

当调用匹配过程的神经程序将首先发现,这类的经验形象,对应于输入图像。这种分类检查,以减少大量图像之间的搜索时间。之后,发现输入的类别匹配过程的下一阶段将会出现。这里,最初的匹配是通过输入图像的像素位置,这些位置是与特定类的所有图像。如果图像与输入图像的像素位置匹配成功的指示信号。

承认

本文的目标是设计“指纹识别系统基于神经网络”。已成功实现的函数。我想给我的上司,我真诚的感激感谢太太v . s . Dhongde教授作为我的导师的论文工作;她试着最好的帮助我。没有她的帮助和指导我不能把理论付诸实践。另一方面,我要感谢我所有的家人和朋友永远支持和精神动力。

非常感谢!

引用

达里奥Maio DavideMaltoni, Anil k . Jain SalilPrabhakar,指纹识别手册》,出版社,2003年,页22日至23日。
约瑟夫•从细节提取指纹与神经网络和基于细节的指纹验证,BlekingeTekniskaHogskola, 2005年3月。
s·r·帕蒂尔(Waghjale), s . r . Suralkar教授“指纹分类使用人工神经网络”,IJETAE ISSN 2250 - 2459,卷2,问题10,2012年9月。
Maio和Maltoni (1998 b)。Maio D和Maltoni D。,"Neural Network Based Minutiae Filtering in Fingerprints," in Proc. Int. Conf on Pattern Recognition A4th), pp. 1654-1658, 1998.
VijayaSathiaraj”,研究指纹识别的神经网络模型”,IJCER ISSN 2250 - 3005(在线),卷2,问题5,2012年10月。
G。SambasivaRao, c . NagaRaju l . s . s . Reddy和e·v·普拉萨德,”一个新颖的基于边缘检测的指纹识别系统”,计算机科学国际期刊和网络安全。
Bhishop m·克里斯多夫(2010)“模式识别神经网络”,页1 - 10。