掌纹图像识别中BP神经网络的运用

２４掌纹图像识别中BP 神经网络的运用戚爽（长春金融高等专科学校，吉林长春130028）摘要：在科学急速发展的当下，掌纹识别技术已经得到了比较全面化的发展。

掌纹特征与其他生物特征相比所含有的信息量更加丰富，稳定性也更高，因此掌纹识别高效又准确。

从掌纹识别的发展前景来看，它将会在国际上有更加长远的发展，因为掌纹识别设备所需要的成本并不高，对用做掌纹识别的图像分辨率并没有特别高的要求。

神经网络的运用在科技发展中起着非常重要的作用，而掌纹图像识别中神经网络的运用也越来越普遍。

神经网络能够对掌纹特征进行准确地识别，因此文章将对掌纹图像识别中BP 神经网络的运用进行探究。

关键词：掌纹图像；掌纹识别；神经网络中图分类号：文献标识码：A文章编号：1673-1131（2016）10-0024-02掌纹识别对于很多人来说并不陌生，它是一种非常先进的生物识别技术，近几年在科技中的运用非常广泛，发展前景非常好。

实际上，我们常见的生物特征识别技术包括指纹识别、人脸识别、虹膜识别等，但是与这些常见的技术相比，掌纹识别有其优势，主要包括识别准确率高、设备成本低、用户接受度高等。

神经网络的广泛使用极大地促进了掌纹识别的发展，在众多掌纹识别系统中BP 神经网络是运用得较为广泛的一种人工神经网络。

基于神经网络的每一种识别方法都能够很准确地区分掌纹的特性，并进行识别。

本文主要探究掌纹识别中神经网络的运用，从基于神经网络的掌纹识别、人工神经网络、基于小波和BP 神经网络的掌纹识别、掌纹识别中ICA 与BP 神经网络的运用四个方面展开分析，具体如下。

1基于神经网络的掌纹识别神经网络的种类很多，运用于掌纹识别中的神经网络主要的着力点在生物科学上。

神经网络的发展为科学的前景做好了充足的准备，人工神经网络是一种非常具有代表性的神经网络，运用的领域非常多，用户体验也比较好，BP 网络是非常具有代表性的人工神经网络，而且经常被应用于信息识别。

小波以及ICA 都能比较准确地提取掌纹特征，实际上，基于不同提取方法的掌纹识别有不同的特点和优势，另外，其实现提取以及识别功能的路径与算法也有一定的差异。

大致上来讲，神经网络与不同提取系统在掌纹识别中配合使用时主要包括以下程序：①图像预处理。

实际上，提取掌纹的时候可能会受到很多外界条件的干扰，例如掌纹偏移、旋转等，掌纹识别系统必须对提取到的掌纹做一个预处理，为接下来的特征提取做好准备。

不同掌纹识别系统对掌纹的预处理方式差异并不大，以掌纹轮廓调整以及关键区域地确定为主；②提取掌纹特征。

这是掌纹识别最为关键的一步，用特定的某种特征提取方法进行分析计算，提取出掌纹最具辨识度的特征进行进一步分析。

[1]不同的掌纹识别系统在这一步所用到的技术有很大的差异，算法也有所不同。

在掌纹特征信息成功提取后，会利用神经网络来对其进行区分和识别。

当然，在使用神经网络之前，必须利用大量的训练样本进行训练实验，以确保神经网络在掌纹识别中的准确性。

2人工神经网络人工神经网络主要由人工建立，人工神经网络的建立意味着它能够对连续的输入状态做出信息处理，它在模仿人脑结构的基础上对信息进行了高度的还原。

人工神经网络从产生到现在发展路径并不顺畅。

经过几十年的发展，神经网络在多个领域取得了广泛成功，尤其是在人工智能领域的运用更是有目共睹，信息科技的普及使人工神经网络的发展前景逐步增大。

人工神经网络的应用领域相当广泛，而掌纹识别技术主要与信息处理以及生物科技有关，因此，本文主要探讨神经网络与模式分析领域、生物认证领域的融合。

模式分析是人工神经网络的主要应用领域之一，而且人工神经网络在模式分析方面的优势非常明显。

人工神经网络与人的思维方式极度相似，具有自学习和自适应的特性。

掌纹特征属于一种有效信息，若需要对其进行识别需要经过精确地计算。

很多时候，掌纹作为一种信息来源并没有包含非常完整的信息，可能掺杂着某些假象。

这些假象使得一般网络在进行掌纹识别时产生很多困难，有时甚至无章可循。

人工神经网络在模式分析领域中的应用在处理许多问题中却能很好地总结规律，并给出合理的识别与判断。

模式识别的原理非常简单，就是将录入信息的识别对象的表征以及现象进行信息分析，并尝试对识别对象进行描述以及解释。

模式识别技术的理论基础来自于贝叶斯概率论以及申农的信息论，这两种模式与人工神经网络相结合有一个显著特征即接近人类大脑的逻辑思维过程。

人工神经网络在模式识别中很常用，给我们的生活带来了很多便利。

生物认证是一种实用性非常强的科技，在现实生活中主要运用于医学，包括医学图像识别与处理、肠胃电信号识别等，为医学的发展带来了重大突破[2]。

人工神经网络能够快速捕捉到掌纹的相关信息，然后对其进行甄别，精确度高，功能非常强大。

3基于小波和BP 神经网络的掌纹识别小波是一种常见的提取方法，对掌纹特征信息的区别能力很强，因此经常运用于掌纹识别中。

首先要对掌纹进行预处理，虽然掌纹图像包含的信息非常多，但是最重要的是掌纹所在的位置。

因此，在对掌纹进行预处理时需要做到以下几点：边缘检测点、定位基准点、建立坐标点，最后分割出含有丰2016（Sum.No 166）信息通信INFORMATION &COMMUNICATIONS2016年第10期（总第166期）富信息的主要区域。

主要步骤如下：①对掌纹图像进行二值化处理；②确定掌纹边缘，并确定基准线；③在建立的坐标体系中划分出掌纹中心位置[3]。

预处理完毕之后，需要对掌纹进行小波分析。

小波分析方法是一种易塑造的方法，因为无论是窗口大小、形状，还是时间窗和频率窗都可以改变。

当窗口属于低频时，频率分辨率可以调高，而时间分辨率则可以调低。

也就是说，小波分析法的能力强大，能够进行合理的调节。

掌纹图像利用小波分解的过程如下：首先需要用到离散小波变换函数dwt2对图像进行小波分解，再用upcoef2函数对分解后的图像进行重构，最后用codemat函数进行量化编码[4]。

这样的分解方法目的就是保留掌纹图像中的低频部分，图像从分解到压缩再到二次压缩经过了一个非常严密的计算过程。

将二次小波分解后的低频向量作为掌纹识别的特征矢量，可以降低神经网络的数据处理量，缩短神经网络的训练时间。

BP也就是神经网络反向传播算法，属于神经网络中的一种经典算法，大多数情况下与其他识别方法配合使用，如小波和ICA，使用效果较好。

神经网络反向传播算法是一种有效的算法，在多层感知器上使用。

它能够将样本的计算变得更加简单，负荷样本的输入与输出很多情况下计算起来非常复杂，需要经过多道程序，但是利用BP网络，这类问题可以变成一个非线性优化问题。

BP网络使用的算法是计算机中最常见的算法，即梯度下降算法。

BP网络是由输入层、输出层、一个或多个隐含层组成的常用的前馈网络，它每一层上包含了若干个节点，每个节点代表一个神经元。

基本上是一个相对完整的体系，体系中的每一层每一个节点都有一定的联系，能够有效实现简便运算。

隐层的选择对于小波分析来讲非常关键，因为其与问题的要求、输入/输出单元的数目都有直接关系。

如果输入或者输出的数目超过预设值，那么学习时间就会过长，误差控制力度小，导致样本识别错误。

因此，设定最佳的隐单元数最为重要，只有将误差控制在一个最佳的状态，掌纹识别才会更加准确。

输出层的设计是小波神经系统中最后的一步，输出层的设计主要包含输出层维数的确定。

这一参数的确定可以根据使用者的相关要求来实现，我们可以将BP网络用做分类器，类别模式个数设定为n个，那么输出层神经元、类别个数都为n。

若采用30个人的掌纹图像，n=30，所以应取输出层神经元个数为30个。

4掌纹识别中ICA与BP神经网络的运用ICA是一种相对较年轻的统计方法，与小波分析相比有其特性。

ICA能够将采集到的图像数据进行某种线性分解，图像数据经过分解之后会变成统计独立的成分。

ICA方法非常简便，因此使用范围在近年来逐步扩大，主要运用于在通信和语音信号处理、生物医学信号处理和图像处理等方面。

但是ICA的分解器大多非常简单，因此在掌纹处理方面的发展并不顺遂。

但是ICA方法可以与BP神经网络配合使用[5]。

ICA用作掌纹识别采用的识别方法属于统计模式识别法，掌纹识别过程分为四个步骤：①图像采集；②图像预处理；③特征提取；④分类决策。

在图像采集与图像预处理的过程中，利用基于不变特征点的方法对手掌感兴趣区域进行提取，采用食指与中指以及无名指与小指指缝间的点作为不变特征点对图像进行定位。

这些特征点都有很大的曲率，只要检测出这些点，就可以以这些点建立坐标系。

ICA与BP神经网络配合使用的流程如下：在特征提取阶段用ICA提取掌纹特征信息，然后使用这些掌纹特征训练BP神经网络，使其完成自学习的过程，最后在分类决策阶段，运用BP神经网络进行掌纹识别。

ICA与BP神经网络相结合用于掌纹识别的功能非常强大，BP神经网络是一种分类器，具有非常强的鲁棒性，在遇到问题的时候能够很快适应，并且及时纠正错误。

BP的标准分类为三层，每一层每一个环节都是相互联系的。

其网络权值和阈值修正的迭代过程为w(k+1)=w(k)-aF(w(k))为目标函数F的梯度，k为迭代次数[6]。

通过多次计算，神经网络对信息的分类将会更加准确，使用效果也会随之达到最佳。

由于其便捷性以及可自由调试的优点，在掌纹特征的分类决策阶段经常采用BP网络做分类器。

5结语文中首先对基于神经网络的掌纹识别做了简单的描述，其次对人工神经网络进行了概述，最后对BP神经网络与不同特征提取方法的配合使用进行了介绍。

随着科技的发展，掌纹识别技术越来越先进。

BP网络是掌纹识别中常用到的人工神经网络，它可以进行分类与决策，而BP网络与不同提取方法的配合使用可以精准地找到掌纹特征，并准确地进行识别。

掌纹识别是科技发展的结果，其在生活中的运用非常广泛。

当然，我们对神经网络理论的探究还存在很多不完善的地方，亟待逐步改进。

参考文献：[1]陈智,黄琳琳.基于ICA和BP神经网络相结合的掌纹识别[J].北京航空航天大学学报,2008(3):290-294.[2]尚丽,崔鸣,杜吉祥.应用非负矩阵分解和RBPNN模型的掌纹识别方法[J].计算机工程与应用,2012(4):199-203. [3]汪礼林,杨会成,周明龙,程晶晶.基于小波神经网络的掌纹识别方法的研究[J].电子技术,2012(2):56-58.[4]刘丹丹,苏日娜,张永平,郏璐璐,蔡金凤.基于Gabor变换和不变矩的掌纹识别研究[J].宁波工程学院学报,2010(1): 80-83.[5]王宝珠,孙苗,李晓娇.基于改进的分块2DPCA和神经网络的掌纹识别[J].计算机应用与软件,2013(6): 269-271+280.[6]杨王黎,马瑞民,许少华,王淑华.基于Zernike矩及神经网络的掌纹识别方法[J].东北林业大学学报,2009(8): 118-120.基金项目：吉林省教育厅“十二五”科学技术研究项目“基于改进的关键点间相对距离的掌纹识别系统的设计与开发”（吉教科合字2015第447号）。