基于小波包变换与PNN神经网络相结合的指纹识别系统

摘要

在指纹识别、语音识别、视网膜识别等生物特征认证（识别）技术中，由于指纹识别具有唯一性（每个人的指纹独一无二）、不变性（指纹具有很强的相对稳定性）、实用性（指纹样本易于获取）和安全性（一人的十指指纹皆不同，可构成多重口令）等优点，成为一种应用最广的身份确认和识别技术。 尽管指纹只是人体皮肤的一小部分，但用于识别的数量相当大，而且由于指纹图像的噪声、皮肤弹性引起的非线性变形、指纹录入的位置偏移等多方面因素，识别过程决不是对指纹数据进行简单的相等与不相等的比对，而需要通过复杂的图像处理过程及使用大运算量的模糊匹配和识别算法才能完成，故研究难度很大。 加上许多研究文献都因商业利益而保密未予公开，因此尽管已经有了多种成型产品，理想的自动指纹识别系统至今仍是一个相当困难的研究任务，尤其在指纹图像的预处理、自动识别等方面仍存在一些问题有待改进，可以进一步进行探索研究。 指纹识别系统主要包括三个步骤：图像预处理、图像特征提取、图像特征匹配。本文针对指纹识别系统的各个环节进行了探索性研究，提出了基于小波包变换与PNN 神经网络相结合的指纹识别方法，通过仿真实验，得出了一些结论： 1、采用中值滤波与小波包变换相结合的算法，能有效去除指纹图像采集过程中随机噪声对图像造成的干扰，并得出了在噪声系数小于0.25 的情况下，小波包变换去噪优于小波去噪的结论，从而验证了小波包变换对图像细节的分析能力。 2、在图像预处理中加入图像质量评估环节，能有效去除干、湿、不完整指纹对指纹识别率的影响，而且基于二值化的图像质量评估算法，实现简单，处理速度快，能满足实时性要求。 3、对图像的尺寸和灰度进行归一化后，去除了图像的冗余信息，使图像的主要信息得以突出，并且整幅指纹图像的灰度变得均匀，有效降低了图像冗余和灰度不均匀给指纹特征点提取带来的困难。 4、对指纹图像进行小波包分解，并对分解后的四叉树进行优化后，得到最优小波树，通过计算最优树叶子节点的能量得到的指纹特征点值，能较好地代表指纹特征，且特征点少而精，大大提高了系统的处理速度。 5、PNN 神经网络结合了径向基网络和竞争网络的优点，仿真结果表明PNN 神经网络在模式分类和模式识别方面具有很强的能力，且建网时间和训练时间都很短。 本论文在对指纹图像特征及指纹图像的预处理、特征提取和模式识别进行深入分析的基础上，研究基于小波包变换和神经网络相结合的指纹识别系统的构成、工作原理和识别方法，并分析其优劣所在，为建立实用的指纹识别系统提供依据和方法。