[发明专利]一种基于胶囊神经网络的指纹识别技术

说明书

本发明公开了一种基于胶囊神经网络的指纹识别技术，属于指纹识别技术领域，(1)指纹图像区域的自动寻找和提取；(2)对指纹图片进行预处理(包括指纹图像增强、二值化、细化)；(3)设置胶囊神经网络的结构；(4)设置胶囊神经网络中每一层的参数；(5)设置网络训练的学习率、批尺寸和训练轮次；(6)用所选择的指纹图像训练集对胶囊网络进行训练；(7)使用胶囊神经网络对指纹图像测试集进行分类测试和识别，得到分类精度。本发明的方法首次将胶囊神经网络应用于指纹识别技术领域，解决了关键技术难题，并得到了很高的精度。

技术领域

本发明涉及一种基于胶囊神经网络的指纹识别技术，其属于指纹识别 技术领域。

背景技术

在当今这个高速发展的社会中，信息化水平不断提高，科学技术不断发展， 数据与信息与人民生产生活紧密联系，同时更涉及到军事等众多敏感领域。信 息与数据是一把双刃剑，为社会和人民带来方便的同时，也能带来很多安全问 题。对于身份鉴定，人们采用了各式各样的方法来保证自己的数据安全，其中 指纹识别是最主要、最常见身份鉴定方式之一，指纹识别具有非常多的优点： (1)指纹是人体独有的特征之一，不会随年龄变化而变化，具有良好的稳定性； (2)指纹图案十分复杂，不同人指纹图形、纹线数量、掌纹线的分布都是完全 不同的；(3)指纹图像易采集，采集过程不会对人体造成伤害，采集成本低， 且指纹图像易保存和处理；(4)指纹识别，只要设计好计算机算法，结合硬件， 比较容易操作。当然，其中的算法设计是关键，虽然设计好以后，操作应用的 人会感觉比较简单，各种不同的算法，可以得到不同的识别精度，指纹识别算 法设计方面，现有的经典的指纹匹配算法有三大类：(1)基于相关性的匹配；(2) 基于细节点的匹配；(3)基于非细节点的匹配。这三大类算法都是通过提取指纹 图像底层内容特征，通过各种匹配方法进行特征比较，从而识别指纹。而深度 学习出现以后，图像的底层特征提取基本不再有优势，通过深度学习自动从图 像中学习和提取特征，再用于识别，已经大大的提升后续识别效果。现在将深 度学习用于做指纹识别的，主要还是用卷积神经网络进行指纹特征学习和分类 识别；比如：基于卷积神经网络的指纹中心块识别算法，基于卷积神经网络的 指纹特征点模糊化图识别算法等，而卷积神经网络本身比胶囊网络的不足有：(1) 卷积神经网络无法真正地模仿生物神经网络；(2)卷积神经网络的结构过于复杂 并且效率低下；(3)没有保留特征之间的空间层次关系。而胶囊网络正是在克服 了卷积神经网络的上述缺点发展起来的。我们首次将胶囊神经网络用于指纹识 别，而胶囊网络，Google开源的tensorflow代码主要用于识别手写数字，手写 数字图像本身比较简单，要将开源的代码用于复杂的指纹图像识别，以及指纹 图像的前期处理，综合起来，我们解决了如下几个关键的技术问题。第一， tensorflow开源的代码里设计的图像是28×28大小的，把胶囊网络用于做其他 工作的研究者们基本上都把自己的图片缩放或者分块到28×28大小、以便直接 调用tensorflow里开源的代码，从而实现自己的工作。对于指纹图像(我们实际 采集的是288×375大小)，如果缩放到28×28，那指纹图像本身的很多特征信 息就会丢失，从而会导致后续实验结果非常不准确；再者，如果分块成28×28 大小，那么指纹纹路的连续性受到分割和阻断，从而导致深度神经网络学习出 来的特征不连续，不利于识别；但因为胶囊网络中的张量计算导致计算量太大、 实验在我们操作的很多设备上难以进行，在保持图像基本信息、基本不影响后 续分类精度的情况下，我们把指纹图像由288×375适当缩放到200×200(如果 设备计算能力允许的话，我们的代码也很容易改成用原图大小)，但200×200 的图像完全不能直接调用原来tensorflow实用于28×28图像的代码。所以，我 们改编原来代码，这一步的技术很关键，难度比较大，这也正是很多使用者只 愿意改变自己图片的大小到28×28来适应tensorflow原始的程序代码的原因， 而我们经过详细的研究，根据原始代码进行重新整改，从而适应我们自己的图 像大小，有利于保证图像信息的完整性。第二，指纹图像采集的过程中，会有很多噪声，尤其是指纹周边，我们创新性地将指纹图像自动寻找和提取算法运 用到预处理过程中，能够去除指纹无关区域，提高学习效率和最终识别精度。 第三，原始tensorflow里关于手写数字识别的代码，学习率为一个固定常数，这 对于图像结构简单的手写数字识别、能得到很好的效果，但对于信息复杂的指 纹图像、效果非常差。所以，我们改变设计方式，选择了指数衰减的方式对学 习率进行调整，避免出现学习率过小导致收敛时间变长或是学习率过大而跨过 最优值使得学习不稳定。