脉冲耦合神经网络及其在指纹系统中的应用

论文摘要

生物特征识别是一种利用人的生物特征,如指纹、掌纹、步态、声音和面相等特征,来进行身份识别的技术,而指纹则是各种生物特征中最典型、应用也最广泛的特征之一。常见的指纹识别系统会涉及到指纹增强、指纹方向场计算、特征提取、特征匹配和模式分类等技术。近几年来,尽管与指纹识别相关的技术和应用研究已经得到了长足的发展,但仍然还存在一些尚未被解决的问题,这使指纹识别系统的进一步推广受到了较大限制。目前仍然有许多科研机构都在积极探索指纹的新技术和新应用,取得了许多有价值的研究成果,这些成果将会使指纹在身份认证领域的应用前景更加广阔。本文首先对传统的脉冲耦合神经网络（PCNN,Pulse Coupled Neural Network）进行了研究,提出了几种改进的模型如“M-PCNN”、“I-PCNN”和“TB-PCNN”等,在这些模型基础之上,为PCNN开发了一些新图像处理应用,如混合噪声滤除。本文对PCNN的高维形态进行了初步研究,设计了一种能够兼容传统二维网络的高维统一模型,此外还对这种模型的网络结构、神经元的连接输入、活性调制、脉冲发生规则等进行了讨论,并对高维网络的脉冲特性进行了试验仿真。以各种类型的PCNN为基础,为指纹识别系统中的关键处理模块提出了一些新的处理算法,主要包括“指纹脊线增强”、“指纹的方向场估计”、“二值指纹图像细化”和“指纹模式分类”,并在这些基本的处理算法基础之上,展示了在研究过程中开发的一套指纹系统综合平台软件,该软件系统主要由终端工作站软件（FS-Client）和中心服务器软件（FS-Server）这两个部分组成,该平台上的基础算法库可以不断扩展,指纹处理流程也可以灵活配置。这个平台软件的应用范围也很灵活,既可作为研究过程中新算法的测试平台,也可配置为具体的应用系统,如指纹门禁考勤系统等。本文内容主要包括:第一章概述了指纹识别的背景和研究意义,分析了国内和国际上指纹识别技术的研究现状、相关的典型算法和评估方式,并介绍了在本文中频繁出现的脉冲耦合神经网络模型及其应用情况;第二章在现有的PCNN模型基础上,针对一些新的图像处理应用特点,对PCNN的传统模型进行了改进,提出了一种基于PCNN的图像混合噪声去除方法,也对一种统一的高维PCNN进行了研究,并给出了该模型的一维、二维以及三维仿真结果,同时还对这种模型潜在的应用进行了展望;第三章提出了一种基于I-PCNN的滤波的指纹图像增强算法,并对该方法进行了仿真实验,给出了相关的测试结果数据;第四章提出了一种通过图像块主脊线和投影距离方差值来估算方向场的新颖方法,包括用PCNN来确定图像块主脊线、根据主脊线的投影距离方差来计算图块方向、以及方向场的后续校正,并给出了详细的实验结果;第五章研究了指纹图像的细化问题,提出了一个利用PCNN同步脉冲和方向约束的二值指纹图像细化算法,该方法在方向场的约束之下,先对图像进行粗细化后再进行精修剪;第六章提出了两种指纹模式分类方法,一种利用PCNN和LVQ,另一种主要通过多层树形SVMs来分类;第七章设计实现了一种算法库可以灵活扩展的指纹系统平台,该平台模块间接口稳定,能够增加新的算法模块:最后一章归纳总结本了本文的主要工作,并对生物特征识别技术领域的前沿热点问题和后续研究进行了展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 背景和研究意义
• 1.1.1 指纹识别的发展历程
• 1.1.2 指纹和其它生物特征识别的对比
• 1.1.3 指纹识别技术的研究意义
• 1.2 国内外研究现状
• 1.2.1 指纹识别系统的结构
• 1.2.2 指纹识别系统的技术
• 1.2.3 指纹识别的性能评估
• 1.3 脉冲耦合神经网络
• 1.3.1 基本模型介绍
• 1.3.2 PCNN的典型应用
• 1.4 主要工作和结构安排
• 第二章 改进的PCNN及其应用
• 2.1 图像处理的PCNN改进模型
• 2.1.1 背景介绍
• 2.1.2 改进的PCNN模型
• 2.1.3 图像处理应用举例
• 2.1.4 小结
• 2.2 基于WL-PCNN的混合噪声滤波
• 2.2.1 背景介绍
• 2.2.2 WL-PCNN模型
• 2.2.3 基于WL-PCNN的混合噪声去除
• 2.2.4 实验结果
• 2.2.5 小结
• 2.3 一种高维PCNN模型及其特性
• 2.3.1 前言
• 2.3.2 典型的二维模型
• 2.3.3 一种高维的网络模型
• 2.3.4 周期性脉冲传播特性
• 2.3.5 小结
• 第三章 基于M-PCNN的指纹脊线增强
• 3.1 背景介绍
• 3.2 原始指纹图像的预处理
• 3.2.1 分割指纹有效区域
• 3.2.2 估计指纹方向场
• 3.3 指纹图像增强
• 3.3.1 M-PCNN单神经元模型
• 3.3.2 指纹的M-PCNN滤波增强
• 3.4 算法测试与性能评估
• 3.5 本章小结
• 第四章 指纹的方向场估计
• 4.1 背景介绍
• 4.2 预处理原始图像
• 4.3 计算指纹方向场
• 4.3.1 S-PCNN模型介绍
• 4.3.2 确定图块主脊线
• 4.3.3 估计图块的局部方向
• 4.3.4 方向场的后续校正
• 4.4 试验结果展示
• 4.4.1 算法的性能测试
• 4.4.2 几种算法之间的比较
• 4.5 本章小结
• 第五章 二值指纹图像细化
• 5.1 背景介绍
• 5.2 提出的TB-PCNN模型
• 5.3 二值图像的两步细化方法
• 5.3.1 第一步:像素的粗剥除
• 5.3.2 第二步:像素的精修剪
• 5.3.3 细化方向的约束
• 5.4 图像细化对比试验
• 5.5 本章小结
• 第六章 指纹模式的分类方法研究
• 6.1 背景介绍
• 6.2 简化的PCNN和LVQ组合方法
• 6.2.1 向量化指纹图像
• 6.2.2 LVQ神经分类器设计
• 6.2.3 试验结果
• 6.2.4 小结
• 6.3 利用方向分布的SVM方法
• 6.3.1 计算模式特征向量
• 6.3.2 多层SVM分类器设计
• 6.3.3 试验结果
• 6.3.4 小结
• 第七章 可扩展的指纹系统平台
• 7.1 目的和意义
• 7.2 平台软件系统的设计
• 7.3 软件环境及技术指标
• 7.4 本章小结
• 第八章 结论和展望
• 8.1 本论文研究总结
• 8.2 前景展望
• 致谢
• 参考文献
• 读博期间取得的研究成果