一种基于卷积神经网络的指纹分类筛选系统技术方案

本发明专利技术公开了一种基于卷积神经网络的指纹分类筛选系统，属于图像识别技术领域。本发明专利技术所述指纹分类筛选系统包括搭建卷积神经网络、训练带有指纹分类标签的模型、建立指纹分类数据库和搭建指纹筛选平台。本发明专利技术使用tensorflow搭建AlexNet网络模型，输入大量带有分类标签的指纹图像进行网络训练，经过训练后的AlexNet网络模型能够对指纹进行可靠分类；本发明专利技术基于训练好的AlexNet网络搭建的指纹筛选平台，主要功能在于：输入指纹图像，进行增强处理、细化处理、分类处理、提取特征点和判断该枚指纹是否在数据库中，如果在数据库中，筛选出与之匹配的指纹数据。经过实验测试得出以下结果：一共进行250次的指纹测试，实验结果显示测试指纹在指纹库中的筛选结果正确率高达96.40％。达96.40％。达96.40％。

【技术实现步骤摘要】
一种基于卷积神经网络的指纹分类筛选系统


[0001]本专利技术属于图像识别
，具体涉及一种基于卷积神经网络的指纹分类筛选系统。

技术介绍

[0002]对于一个指纹在数量庞大的数据库中进行对比耗时长的问题，常见的策略就是将指纹进行分类减少检索时间。指纹分类意味着以一种可靠的方式将每个不同指纹类型分别分配给不同的数据库，以便搜索未知指纹只需与数据库中属于同一类的指纹子集进行比较。机构目前使用的所有分类方案都是基于Henry的分类方案。如今指纹分类技术常用的五个分类：斗型(W)、右环型(R)左环型(L)、弓型(A)和帐弓型(T)；近几年来，随着计算机视觉和人工智能领域的飞速发展，卷积神经网络提取图像特征的技术越来越成熟，它可以从大量数据中进行学习获得判断图像模式特征的能力，识别效果甚至超过人类的辨别效果。卷积神经网络逐渐应用于指纹识别
，其中Frassetto等人将卷积神经网络应用于指纹活体检测中，将其作为一种辅助工具来判断指纹的真伪；Cao和Jain将其应用于现场采集指纹并提取指纹方向场，效果也是非常可观的。以上例子足以证明卷积神经网络在指纹识别领域的潜在功能。因此，将卷积神经网络用作指纹分类的工具是一个很好的选择。
[0003]但现有的指纹分类算法中，主要是利用中心点和三角点信息来对指纹进行分类的，在传统算法中需要对中心点和三角点进行复杂的方向信息判断，且判别条件冗杂易出错。因此，需要探索一种新的指纹分类算法来改善指纹分类的准确率。

技术实现思路

[0004]针对上述现有技术的缺点，本专利技术提供一种基于卷积神经网络的指纹分类筛选系统。
[0005]为实现上述目的，本专利技术采取的技术方案为：
[0006]一种基于卷积神经网络的指纹分类筛选系统，所述系统搭建包括如下步骤：
[0007]S1：搭建卷积神经网络：选取AlexNet网络作为指纹分类的训练网络，所述网络包括1个输出层、5个卷积层、2个全连接层和1个输出层。
[0008]S2：训练带有指纹分类标签的模型：使用来自NIST Special Databas的F和S库的4000张512*512像素、分辨率为500dpi的指纹图像作为AlexNet网络的输入，经过20次的迭代完成训练，得到经过训练好的AlexNet网络模型。
[0009]S3：建立指纹分类数据库：采集指纹输入指纹数据库，指纹数据库中所存储的信息包括用户ID、姓名、性别、指纹类别、Alex网络模型指纹类型分配概率以及细节点的坐标信息和方向信息。
[0010]S4：基于训练好的AlexNet网络，搭建的指纹筛选平台：使用Python制作GUI界面，包含采集指纹、图像增强、细化、指纹分类、特征提取和显示筛选结果，通过指纹筛选平台可判断输入指纹是否在数据库中，如果在数据库中，筛选出与之可匹配的指纹的相关信息。
[0011]本专利技术提出来的利用卷积神经网络进行指纹分类是端到端的学习，不需要对图像进行预处理，直接将原图像输入到已经训练好的模型中便可做出判断，且实验表明，相对于传统指纹分类算法的预测正确率，例如：Karu&Jain指纹分类准确率为91.4％、Yao et Jain准确率为93.1％、Jain&Minut准确率为91.2％和Liu准确率为92.1％，本专利技术利用AlexNet网络的指纹的分类预测的正确率在95.0％以上，大大提高了指纹分类算法的预测成功率，能够实现可靠的指纹分类功能。
[0012]作为本专利技术的优选实施方式，所述搭建卷积神经网络编程语言为python3
‑
tensorflow，所诉搭建指纹筛选平台编程语言为python
‑
opencv。
[0013]作为本专利技术的优选实施方式，所述训练带有指纹分类标签的模型具体包括如下步骤：(1)标签分类：将NIST Special Databas的F和S库的指纹按照弓型、斗型、左环型、右环型和帐弓型的标签存储五种类型的指纹，将分类好的指纹数据以10:1的比例随机分配为训练集和测试集；(2)训练：实例化网络，定义损失函数和优化器，将训练的迭代设置为20，即训练集遍历20次；(3)预测：将NIST DB4中的S库的2000张指纹图像，其中五种类型的指纹各400张，输入已训练好的模型中，测试所述模型的分类的准确性。
[0014]本专利技术使用损失函数来评价所述模型的准确度，用于计算神经网络每次迭代的计算结果和真实值的差距。对于AlexNet网络，使用的损失函数是交叉熵函数。
[0015]对Softmax函数的结果计算交叉熵函数为：
[0016]L
i
＝
‑
log(e
i
/∑
j
e
j
)
[0017]上式中，L
i
表示交叉熵函数的输出结果，将softmax函数对数化后的输出；
[0018]e
i
/∑
j
e
j
表示softmax函数。
[0019]当e
i
/∑
j
e
j
的值越大，则这个样本的损失函数越小，预测值与真实值的差距也就越小，也就意味着该模型预测效果好；反之，则表示所述模型的预测效果不好。
[0020]作为本专利技术的优选实施方式，所述S3中，所述指纹数据库使用EXCEL存储数据。
[0021]作为本专利技术的优选实施方式，所述S4中，通过U.are.u4000B光学指纹扫描仪来采集指纹，将采集的指纹放入文件夹中，通过点击采集指纹可任意选取文件夹中的指纹进行处理和预测；通过Gabor滤波器对选中的指纹进行图像增强；通过快速并行算法进行细化；使用训练完成的AlexNet网络对指纹进行分类；使用细节点匹配算法MCC提取指纹细节点的位置坐标以及细节点方法来进行特征提取；指纹筛选：通过python
‑
openpyxl操作ECXCEL数据库，将待筛选指纹的指纹分类结果和细节点信息作为指纹筛选的索引值，即details[predict_class,features]，依次遍历数据库中“指纹类型”和“细节点信息”所在列的数据，提取出与details[predict_class,features]匹配行的索引并打印出来。
[0022]与现有技术相比，本专利技术的有益效果为：本专利技术所述指纹分类筛选系统包括搭建卷积神经网络、训练带有指纹分类标签的模型、建立指纹分类数据库和搭建指纹筛选平台。本专利技术使用tensorflow搭建AlexNet网络模型，输入大量带有分类标签的指纹图像进行网络的训练，训练集部分的精确度达到95.20％，测试集部分的精确度达到96.61％，这表明经过训练后的AlexNet网络模型能够对指纹进行可靠的分类。并且本专利技术基于训练好的AlexNet网络搭建的指纹筛选平台，主要功能在于：输入指纹图像，进行增强处理、细化处理、分类处理、提取特征点和判断该枚指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的指纹分类筛选系统，其特征在于，所述系统搭建包括如下步骤：S1：搭建卷积神经网络：选取AlexNet网络作为指纹分类的训练网络，所述网络包括1个输出层、5个卷积层、2个全连接层和1个输出层；S2：训练带有指纹分类标签的模型：使用来自NISTSpecialDatabas的F和S库的4000张512*512像素、分辨率为500dpi的指纹图像作为AlexNet网络的输入，经过20次的迭代完成训练，得到经过训练好的AlexNet网络模型；S3：建立指纹分类数据库：采集指纹输入指纹数据库，指纹数据库中所存储的信息包括用户ID、姓名、性别、指纹类别、Alex网络模型指纹类型分配概率以及细节点的坐标信息和方向信息；S4：基于训练好的AlexNet网络，搭建的指纹筛选平台：使用Python制作GUI界面，包含采集指纹、图像增强、细化、指纹分类、特征提取和显示筛选结果，通过指纹筛选平台可判断输入指纹是否在数据库中，如果在数据库中，筛选出与之可匹配的指纹的相关信息。2.如权利要求1所述基于卷积神经网络的指纹分类筛选系统，其特征在于，所述搭建卷积神经网络编程语言为python3
‑
tensorflow，所述搭建指纹筛选平台编程语言为python
‑
opencv。3.如权利要求1所述基于卷积神经网络的指纹分类筛选系统，其特征在于，所述训练带有指纹分类标签的模型具体包括如下步骤：(1)标签分类：将NIST SpecialDatabas的F和S库的指纹按照弓型、斗型、左环型、右环型和帐弓型的标签存储五种类型的指纹，将分类好的指纹...

【专利技术属性】
技术研发人员：杨晨，马琨，孟志，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：