Научная статья на тему 'Применение нейронной сети для распознавания частных признаков цифровых дактилоскопических изображений'

Применение нейронной сети для распознавания частных признаков цифровых дактилоскопических изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
687
85
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ДАКТИЛОСКОПИЧЕСКИЕ ИЗОБРАЖЕНИЯ (ДИ) / ИДЕНТИФИКАЦИЯ / БИОМЕТРИЧЕСКИЙ ШАБЛОН ЧЕЛОВЕКА / ВЕРИФИКАЦИЯ / DACTYLOSCOPIC IMAGES / IDENTIFICATION / BIOMETRIC TEMPLATE OF THE PERSON / VERIFICATION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Дорофеев Константин Андреевич

Рассмотрены проблема распознавания частных признаков дактилоскопических изображений, пути и методы ее решения, возможность применения нейронных сетей.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Дорофеев Константин Андреевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

This article is devoted for consideration of a problem of recognition private signs of dactyloscopic images. There are some ways and methods of the decision of this problem, represented in this article, possibility of application of neural networks are considered.

Текст научной работы на тему «Применение нейронной сети для распознавания частных признаков цифровых дактилоскопических изображений»

Вестник Челябинского государственного университета. 2012. № 14 (268). Физика. Вып. 13. С. 98-100.

К. А. Дорофеев

применение нейронной сети для распознавания частных признаков цифровых дактилоскопических изображений

Рассмотрены проблема распознавания частных признаков дактилоскопических изображений, пути и методы ее решения, возможность применения нейронных сетей .

Ключевые слова: дактилоскопические изображения (ДИ), идентификация, биометрический шаблон человека, верификация.

I. Введение. В настоящее время имеется мно -жество сфер, в которых успешно и эффективно применяются нейронные сети [1-2] . Были попытки применения нейронных сетей и в биометрии . Успешно применяются нейронные сети для автоматической классификации отпечатка пальца . Однако нет исследований, касающихся полностью автономных систем верификации и идентификации личности по отпечатку пальца, основанных только на нейронных сетях .

Целью работы является исследование методов распознавания ДИ на основе нейронных сетей и методов адаптации нейронных сетей к структурным особенностям ДИ . Для достижения поставленной цели были поставлены следующие основные задачи:

— разработка и тестирование программы для создания и обучения нейронной сети, в частности, реализация алгоритма обратного распространения ошибки;

— разработка и тестирование программы, подготавливающей входные данные для обучения нейронной сети (получение параметров ДИ);

— подготовка тестового массива ДИ;

— проведение процесса обучения и тестирования работы нейронной сети

Практическая ценность работы заключается в возможности применения выработанных концепций и алгоритмов в системах контроля и управления доступом, системах верификации и идентификации личности . На основе новой модели возможно повышение производительности систем, по сравнению с существующими технологиями распознавания ДИ

П. Метод. Была разработана программа, считывающая битовую карту изображения, впоследствии с которой происходили преобразования:

1 . Построение и улучшение гистограммы .

2 Применение сглаживающего фильтра для подавления шума и удаления мелких деталей

3 . Построение векторного поля, расчет модуля и арктангенса .

Обоснование выбора характеристик изображения .

В качестве выходных параметров программы были выбраны именно модуль и арктангенс векторного поля изображения по нескольким причинам

В исходном виде изображения представляют собой массив значений яркости пикселей . Соответственно, мощность пространства всех изображений (для монохромных изображений) составляет

|^ = 256лМ , (1)

где N и М — ширина и высота изображения, 256 — количество градаций серого .

Например, для изображений размером

1 000x1 000 мощность пространства составляет

^| ~ 2107 . (2)

При вычислении модуля и арктангенса векторного поля размерность пространства всех изображений уменьшается . Учитывая пределы изменения модуля (0-200) и арктангенса (0-180) (приведение в интервал), а также структурные особенности векторного поля (в рамках анализируемой области размера ґхґ пикселей изменения значений модуля и арктангенса незначительны):

^| = 180(лМ)л2 + 200(лМ)/‘2 . (3)

Для примера изображения 1 000x1 000 пикселей анализируемой области разбиения изображения 10x10 мощность составит

^| ~ С -21с4, (4)

где С — некоторая константа .

Как видно из расчетов, после вычисления вторичных признаков изображения (модуль и арктангенс векторного поля), мощность про-

Рис. 1. Координаты частных признаков

Рис. 3. Область изображения 9*9

Рис. 2. Выборка областей изображения для обучения сети с нулевым откликом

Рис. 4. Результат работы нейронной сети с малым значением порога

Рис. 5. Результат работы нейронной сети с малым значением порога

Рис. 6. Результат работы нейронной сети с большим значением порога

странства уменьшается Поскольку нейронная сеть фактически позволяет разделять элементы «-мерного пространства, очевидно, что проще создать сеть, разделяющую элементы пространства с меньшей мощностью Для ДИ локальное направление линий (векторное поле) является общепризнанной, ведущей характеристикой [34], именно оно и было выбрано в качестве характеристик для обучения нейронной сети

Ш. Результаты. Была реализована программа, позволяющая создавать, обучать и тестировать работу нейронной сети В рамках программы есть возможность создавать многослойную (произвольное число слоёв) сеть без обратных связей, с одним типом активационной функции (сигмоидальная) для всех слоёв . В качестве алгоритма обучения был выбран достаточно известный алгоритм обратного распространения ошибки [2], была реализована возможность изменять шаг обучения и величину пороговой ошибки в процессе обучения

Для обучения нейронной сети были выбраны тестовые изображения . С помощью результатов работы сторонней программы была подготовлена тестовая выборка координат частных признаков . Эти координаты использовались для обучения нейронной сети По ним составлялась выборка значений модуля и арктангенса векторного поля изображения, которые попадут на обучение нейронной сети (рис 1)

Значения выходного слоя, соответствующие этим выборкам, устанавливались в единицу. Выборка областей с нулевым откликом сети производилась вручную (рис . 2) .

Для получения модуля и арктангенса анализировались области изображения размером 9^9 (рис 3)

Для обучения нейронной сети использовались значения модуля и арктангенса точек, отмеченных на рис 3 Именно такой алгоритм выбора точек из области использовался по при-

чинам компактности (обучающая выборка не должна быть большого размера) . Были получены результаты работы программы на нескольких тестовых изображениях . Результаты приведены на рис . 4-6 .

Синим цветом отмечены точки, в которых находятся частные признаки ДИ . Оранжевым цветом отмечены точки, в области которых нейронная сеть выдавала наибольший отклик . Красным цветом отмечены области, на которых нейронная сеть обучалась с нулевым откликом .

4. Выводы. Очевидно, что нейронная сеть обучается с некоторой ошибкой . На представленных рисунках видно, что отклик сети в «красных» областях близок к нулю . Также есть некоторый процент «попадания» в частные признаки. Общая задача является достаточно сложной . Автор продолжает работу. Основными направлениями для дальнейших разработок автор считает:

1 . Тестирование различных активационных функций .

2 . Модификацию алгоритма обучения и — самое главное — уменьшение ошибки обучения .

Тестирование различных принципов подготовки характеристик изображений для подачи в нейронную сеть, интерпретации выходных значений нейронной сети

Список литературы

1 . Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика / Ф. Уоссерман ; пер . с англ . Ю. Зуева М . : Мир, 1992. 184 с.

2 . Тархов, Д . А . Нейронные сети. Модели и алгоритмы / Д . А . Тархов . М . : Радиотехника, 2005. 256 с.

3 . Гудков, В . Ю . Методы первой обработки дактилоскопических изображений / В . Ю . Гудков . Миасс : Геотур, 2008 . 127 с .

4 . Ratha, N. Automatic Fingerprint Recognition Systems / N. Ratha. N. Y. : Business Media, 2004. 458 с.

i Надоели баннеры? Вы всегда можете отключить рекламу.