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

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.