本发明专利技术公开了一种使用全卷积前馈神经网络从数字信号中进行快速噪声鲁棒摩擦脊印痕迹细节提取的系统和方法。所提出的基于神经网络的系统在速度和准确性上均优于细节提取的经典方法和其他基于神经网络的系统。使用该系统提取的细节至少可以用于诸如生物特征身份验证、识别或指状分析的任务。识别或指状分析的任务。识别或指状分析的任务。
【技术实现步骤摘要】
【国外来华专利技术】使用前馈卷积神经网络的快速鲁棒摩擦脊印痕细节提取
[0001]本专利技术涉及一种利用全卷积前馈神经网络从数字信号中进行噪声鲁棒摩擦脊印痕细节提取的系统和方法。
技术介绍
[0002]指纹被认为是用于人员识别或验证的最可靠的常用生物特征识别模式。指纹(203)本身是手指的摩擦皮肤留下的印痕。每个个人具有独特的指纹203，每个指纹都是脊和谷的图案。如图2所见，这些脊和谷形成两个最突出的局部脊特征：脊终点(201)和脊分叉点(202)。指纹细节提取是使用指纹图像进行人员识别或验证的两个主要步骤之一，另一步骤是指纹细节匹配。类似于指纹，手的手掌以及脚的脚掌和脚趾也具有摩擦脊皮肤，因此本文公开的技术和方法可以应用于更多的摩擦脊印痕类型。
[0003]指纹细节提取是图像处理任务，其中指纹图像是该过程的输入，而此过程的输出是一组具有其特定属性的指纹细节。这些属性包括细节类别，例如脊终点、脊分叉点或既不是上述脊终点也不是脊分叉点、代表细节的方向的取向以及还有代表细节在原始图像中的位置的坐标。
[0004]处理真实的实时指纹扫描引起使指纹细节提取变得复杂的许多障碍。使用同一台扫描仪产生的指纹图像可能由于各种因素而明显不同：对象将他的手指放在扫描仪上的方式，手指的水分含量不一致，以及扫描期间的手指取向或多次指纹扫描之间的区域交叉点变化等。使用不同的指纹扫描仪扫描的指纹引起额外挑战，如不同的图像分辨率、对比度级别、图像质量等。
[0005]经典的指纹细节提取过程可能包括多个阶段的图像处理、变换以获得手动制作的特征。另一方面，深度神经网络有望提供简化、高效且灵活的解决方案。使用深度神经网络构建指纹特征提取器的许多方法均产生了有前景的结果，但与将深度神经网络应用于更流行的图像处理任务相比，它们全部仍然过于复杂且缺乏鲁棒性。
[0006]构建高效且有效执行特定任务的紧凑型深度神经网络是有难度的挑战。采用对一个任务运行良好的神经网络并将其应用于有难度的任务似乎是简单直接的解决方案。但通常并非如此。多种因素构成了调整神经网络以证明自己优于其他解决方案的复杂性。这样的困难之一是神经网络难以进行分析。经典形式的神经网络是由权重层、偏差层、卷积层等构成的。在构建基于神经网络的系统时遇到的挑战的示例包括：通常很难解释在测试阶段获得的或评估网络适应于以稳定的方式处理给定数据集上的给定任务的能力的权重神经网络。通常，大多数困难可以归结为与数据的数学分析、神经网络训练方法和网络本身的体系结构有关。
[0007]本专利技术描述了使用前馈卷积网络结构从指纹图像中快速且不失真地提取指纹细节的方法。本专利技术的组成部分包括识别神经网络的结构和特性。
[0008]存在从指纹图像中提取指纹细节的许多现有方法。他们中的大多数都依赖于高质量的指纹图像，而在现实生活场景中、尤其是在处理隐约指纹时，通常并非是高质量指纹图
像的情况。为了解决模糊或低对比度指纹图像带来的一些困难，某些提取算法采用Gabor或类似的过滤器来提取指纹特征，但是即使这些算法也无法可靠地提取出噪声图像中的真实指纹特征。深度神经网络的出现使得信号处理行业发生重大转变，从提取手动制作的特征的算法转变到训练人工神经网络以执行此任务。指纹图像处理是这一转变的一部分。
[0009](Sankaran，2014)示出了神经网络用于指纹细节提取的一个示例。堆叠式降噪稀疏自动编码器用于学习细节和非细节特征描述符。这些描述符随后用于构建对应的细节和非细节二进制分类器，以将图像小块分类为包含细节特征或不包含细节特征。为了提取细节特征图，将整个指纹图像划分为指定大小的重叠小块，并且每个小块都由基于小细节和基于非小细节描述符的二进制分类器进行分类。通过这两种二进制分类器的输出的加权总和融合获得最终分数。该方法对每个图像小块执行推断步骤，并且仅返回分类图像小块的中心的细节的近似位置，其中未考虑细节取向。最终，训练是两步骤过程：训练堆叠式降噪稀疏自动编码器以学习特征描述符以及通过从自动编码器中移除解码器层并添加分类器层(根据分类器任务进行微调)而创建的神经网络模型。
[0010](Yao Tang，2017)给出了神经网络用于从指纹图像提取细节的另一示例。提出的算法包括两个步骤：利用全卷积神经网络的提议生成，其中从原始指纹图像生成具有对应分数的细节图；以及利用卷积神经网络对提议的细节进行分类，其中还提取对应细节的位置和取向。这两个神经网络共享卷积层的权重，以加快细节提取速度，整个过程可以分为以下步骤：特征图提取，提议生成和基于区域的分类，其中提取了细节特性。我们的方法不同之处至少在于指纹图像在单个阶段中处理，从而产生细节特征图提取，而无需中间提议生成和基于区域的分类。
[0011](Yao Tang，2017)给出了神经网络用于从指纹图像中提取细节的另一个示例。通过用多层神经网络块替换传统指纹细节提取渠道中使用的取向估计、分割、增强和提取的经典操作，而构造深度神经网络。结果，从原始指纹图像重构分割的取向场和增强的指纹图像，并且它们可以与细节图一起提取，其中给出了包括精确的位置、取向和置信度的局部特征。该方法与我们的实现方式不同之处至少在于，在我们的方法中，指纹图像被映射到细节特征，而无需使用所述中间表示，这产生了简化的神经网络体系结构。
[0012]在使用神经网络进行指纹细节提取的另一种方法中(Darlow，2017)，指纹图像中的像素被分类为是否属于细节类别。该算法通过使用卷积神经网络对指定大小的图像小块(其中感兴趣像素位于中心)进行分类来实现。通过在整个指纹图像上滑动窗口方法并对结果进行后处理，获得细节特征图。最后，使用经典的局部取向估计方法来计算细节取向。这种方法与我们的实现方式不同之处至少在于前者具有更复杂的图像处理渠道：对神经网络的输出执行后处理，并使用其他经典算法进行细节取向估计。
[0013]在(Thomas Pinetz，2017)中，将指纹图像的细节特征提取转换为二进制语义分割问题。U形神经网络模型用于对原始指纹图像进行语义分割，因此，输入图像的每个像素都被分类为细节或非细节类型。取向场用于计算之后的细节点的取向。
[0014]通过使用(Dinh-Luan Nguyen，2018)中的两个不同的卷积神经网络从指纹图像中提取细节特征。名为CoarseNet的第一卷积神经网络生成细节分数图和取向。稍后，名为FineNet的第二卷积网络用于对CoarseNet生成的每个候选小块进行分类。在第二步骤期间，细化了细节位置和取向。
[0015]在另一实例中，卷积神经网络用于(Kai Cao，2018)的隐约指纹识别渠道中。卷积神经网络用于脊流动估计。同样，卷积神经网络用于为所述指纹识别渠道中的每个细节提取描述符。所述方法与我们的方法明显不同，因为提取指纹细节无需使用神经网络。
[0016]在US5572597中，神经网络被应用于对从原始指纹图像提取的特征的局部图案进行分类。这些分类后的局部图案随后用于确定指纹图像的类别，也可以在指纹识别过程中使用。...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种由一个或多个计算机实现的神经网络系统，所述神经网络系统包括：卷积神经网络，其中：所述神经网络被配置为：对于所述神经网络处理的每个输入信号：在所述神经网络的第一层接收生物特征输入信号；处理生物特征输入信号；在所述神经网络的最后一层生成输出特征图；和相对于输入信号，增加输出特征图的通道的数量，并且降低空间分辨率；和子系统，其中，所述子系统被配置为：从所述神经网络接收输出特征图；解码输出特征图；输出解码后的特征图；和生物特征输入信号表示摩擦脊印痕，解码后的特征图表示摩擦脊印痕细节。2.根据权利要求1所述的系统，其中，输出特征图解码包括从神经网络输出层特征图转换成摩擦脊印痕细节数字表示，其中，所述细节数字表示至少包括：类别，旋转，位置。3.根据权利要求2所述的系统，其中，细节类别是以下之一：线终点，分叉点，即非线终点也非分叉点。4.根据权利要求1所述的系统，其中，所述神经网络是全卷积神经网络。5.根据权利要求1所述的系统，其中，输入摩擦脊印痕信号是数字图像。6.根据权利要求1所述的系统，其中，输出特征图包括一组单独的输出卷积层分支的激活图。7.根据权利要求1所述的系统，其中，非...
【专利技术属性】
技术研发人员：阿尔图拉斯，
申请(专利权)人：神经技术UAB公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。