【正文】 最后，感謝評審委員會的各位老師能夠在百忙之中審閱我的論文，感謝學(xué)校、學(xué)院對本次答辯的支持。在我畢業(yè)設(shè)計期間，謝老師給予了我悉心的指導(dǎo)和寶貴的意見，在我不知道如何解決問題的時候，他總是能給出許多的解決方案，同時能夠不斷的歸納我的失誤之處，并且還能及時的安排我在一個星期內(nèi)的工作任務(wù)，使得我的論文和程序的進度能按時進行，不至于做的太倉促，使得我能有條不紊的進行畢業(yè)設(shè)計，同時謝老師嚴謹?shù)膶W(xué)風，認真負責的做事態(tài)度也是我學(xué)習的榜樣，對我將來的學(xué)習會有很大的幫助。本文使用神經(jīng)網(wǎng)絡(luò)進行指紋識別，雖然其在指紋識別上具有很好的魯棒性，但是其非常的依賴于樣本庫的大小，如果輸入的指紋超出訓(xùn)練網(wǎng)絡(luò)的樣本庫范圍，將無法識別，在神經(jīng)網(wǎng)絡(luò)的設(shè)計上有待對新指紋的容納能力進行深入的探討和研究并加以解決。在BP網(wǎng)絡(luò)輸入向量的構(gòu)建上，本文所述方法還很依賴于手指在采集面上的放置位置，不能較大范圍的偏移出采集面從而丟失部分的特征點和指紋走向，這將會很大程度上影響到能否正確識別出指紋。 （3）本文通過Matlab對指紋識別系統(tǒng)進行軟件仿真。 （2）本文對指紋圖像預(yù)處理進行了細致的闡述,其中包括：圖像的頻域增強、二值化、細化，以及指紋特征提取和去偽。實驗表明,使用BP網(wǎng)絡(luò)進行指紋識別的工作，能有效的提高指紋識別的魯棒性，與可靠性。第5章 總結(jié)與展望 總結(jié) 本文系統(tǒng)的介紹了指紋識別技術(shù)的發(fā)展狀況和指紋識別的基礎(chǔ)知識，闡述了建立指紋系統(tǒng)的必要性和意義，提出了用BP網(wǎng)絡(luò)作為指紋識別的處理方法。使用第五種指紋的第二次采集圖像進行指紋特征的提取，將采集的數(shù)據(jù)構(gòu)成向量P5輸入神經(jīng)網(wǎng)絡(luò)進行仿真，輸入結(jié)果為T5[0 0 0 0]，識別成功。使用第三種指紋的第二次采集圖像進行指紋特征的提取，將采集的數(shù)據(jù)構(gòu)成向量P3輸入神經(jīng)網(wǎng)絡(luò)進行仿真，輸入結(jié)果為T3[0 0 0 0]，識別成功。 實驗結(jié)果 訓(xùn)練樣本輸入矩陣P 訓(xùn)練樣本輸入矩陣 期待輸出矩陣T 期待輸出矩陣 為一次訓(xùn)練的誤差曲線 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線 使用第一種指紋的第二次采集圖樣（有一定的旋轉(zhuǎn)和位移）進行指紋特征的提取，將采集的數(shù)據(jù)構(gòu)成向量P1輸入神經(jīng)網(wǎng)絡(luò)進行仿真，輸入結(jié)果為T1=[ 0 0 0 0 ]，識別成功。BP網(wǎng)絡(luò)輸入層采用12個節(jié)點，前8個節(jié)點輸入紋線的走向向量，第9，10個節(jié)點輸入端點的橫、縱坐標的方差，第11，12個節(jié)點輸入分支點的橫、縱坐標的方差。 （41） （42） 用自適應(yīng)步長的BP網(wǎng)絡(luò)進行指紋識別本文使用BP網(wǎng)絡(luò)對待識別的指紋特征量進行匹配識別。以指紋圖像的長寬為坐標建立坐標系，根據(jù)特征點的位置信息分別求的橫、縱坐標方向的方差。這就很容易造成即使是同一個指紋在多次采集后的特征點提取上其特征點數(shù)據(jù)大部分不相同，這樣將大大的降低匹配的成功率。從主方向開始按 逆時針的順序?qū)⒈戎匾灰毁x值給八維向量X8，例如，主方向為方向4，則X8的賦值為X8=[T4,T5,T6,T7,T8,T1,T2]。（3） 是否遍歷完所有的脊線點，否則返回步驟（1）。 ⑦ 若兩個紋線點所在位置為（P4,P8）、（P5,P7）、（P1,P3），則紋線點的方向為方向7。 ④ 若兩個紋線點所在位置為（P2,P7）、（P3,P6）、（P1,P8）、（P4，P5），則判斷紋線方向為方向4。 ② 若兩個紋線點所在位置為（P1,P6）、（P2,P5）、（P7,P8）、（P3,P4）,則判斷方向為方向2。 指紋的八個方向 P點的八鄰域示意圖計算指紋圖像的八維走向向量的步驟如下:(1) 遍歷每一個脊線點。用一個八維的向量從主方向上逆時針記錄八個方向上紋線點數(shù)量的比重，這個向量就能表達出指紋的整體走向。（4） 數(shù)據(jù)壓縮：能夠減少輸入向量的維數(shù)來壓縮數(shù)據(jù)。BP網(wǎng)絡(luò)的主要用于以下四個方面：（1） 函數(shù)的逼近：用輸入向量和期望的輸出向量訓(xùn)練一個網(wǎng)絡(luò)來逼近一個函數(shù)（2） 模式識別：把一個待定的輸出向量與一個輸出向量聯(lián)系起來。 （4）具有自學(xué)習、自組織、自適應(yīng)的能力。模擬了人腦的BP網(wǎng)絡(luò)同時也具備這種強大的并行處理能力，大大提高了網(wǎng)絡(luò)的功能。 （2）信息的并行處理：人腦神經(jīng)元之間傳遞脈沖信號的速度遠遠要低于馮其學(xué)習的方式是在外界輸入樣本的刺激下不斷的改變網(wǎng)絡(luò)的連接權(quán)值，本質(zhì)是對各個連接權(quán)值的一個動態(tài)調(diào)整，調(diào)整的規(guī)則，即在學(xué)習過程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。激活函數(shù)必須滿足處處可導(dǎo)的條件。BP的思想可以總結(jié)為：利用輸出后的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。它的學(xué)習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。 第4章 基于BP神經(jīng)網(wǎng)絡(luò)的指紋的識別 BP神經(jīng)網(wǎng)絡(luò)及其原理 BP神經(jīng)網(wǎng)絡(luò)簡介BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。介紹了特征點的提取方法和使用的提取算法，最后通過對偽特征點的特性的分析，進行了偽特征點去除的方法構(gòu)思和算法實現(xiàn)，為后續(xù)的指紋匹配工作奠定了基礎(chǔ)。如存在這判斷為偽特征點，將這對分支點進行刪除。（4） 橋、環(huán)的刪除 判斷該像素點是否為分支點，若為分支點，則查找該分支點周圍D3范圍內(nèi)的所有像素點是否存在另一個分支點，若存在則判斷v1和v2的是否近似于夾角90176。（2） 斷點、短線的刪除： 判斷上步查找到的像素點是否為端點，若為端點，則查找該端點周圍D1范圍內(nèi)的所有像素點是否存在另一個端點（定義這兩端點連線的方向向量為v2[x,y]），若v1，v2的方向相近則判斷為端點或短線，并將其從特征點集中刪除。 接下來將描述偽特征點的剔除算法。（3） 對已經(jīng)標記過的子塊的周圍8個鄰子塊進行標記檢查，只要8個子塊中有一塊沒有含有脊線則標記該子塊為邊界子塊。在對邊緣部分特征點的特點分析后發(fā)現(xiàn)，這部分特征點不一定會出現(xiàn)在指紋圖像的邊緣區(qū)域，但可以肯定的是這部分一定存在于脊線與邊緣空白區(qū)域的交界區(qū)域，而邊緣特征點就在這些區(qū)域的一定范圍內(nèi)，因此本文利用了這一性質(zhì)設(shè)計了邊緣特征點去除算法：（1） 將細化后的圖像劃分為10*10的子塊組成的圖像。目前很多在指紋識別方面的文章都忽略了對這些邊緣點的處理，并沒有在最終匹配前進行剔除，這將大大增加后續(xù)匹配的工作難度，也會影響到匹配的正確率。這些起始點雖然也是端點，但是在實際的人體指紋上是不存在的，只是由于采集方式而產(chǎn)生的。 偽特征點剔除算法從上述算法中提取的特征點中，不難發(fā)現(xiàn)在指紋的邊緣區(qū)域存在數(shù)量眾多的特征點，其中有相當大的部分是偽特征點。在環(huán)出現(xiàn)的地方進過算法的處理一般出現(xiàn)兩到三個偽分叉點。 （5）環(huán)現(xiàn)象，一般也叫做孔。 （4）假橋現(xiàn)象，上采集時，手指比較潮濕時，也很容易出現(xiàn)脊線假橋的現(xiàn)象（即本來不相連的兩條脊線連在了一起）。 （3）斷線現(xiàn)象，當指紋采集時，如果被采集人的手指比較干燥，那么采集到的指紋圖像會可能出現(xiàn)斷點情況。 （2）短線現(xiàn)象，一般在采集指紋是，手指較臟或者采集頭上有灰塵等都容易出現(xiàn)較多的短線。通過對偽特征點的觀察，可以很直接的發(fā)現(xiàn)偽特征點（）具備以下一些特點： 偽特征點修復(fù)前后對比圖 (1)毛刺現(xiàn)象，有多方面的原因造成毛刺的出現(xiàn)，比如受隨機噪聲的影響形成，還有一部分是在受圖像預(yù)處理的過程中產(chǎn)生的。指紋圖像中大量偽特征點的存在將導(dǎo)致提取的特征點數(shù)據(jù)的可靠性降低，成功匹配率降低，嚴重影響指紋系統(tǒng)的指標。在上文的細化后的指紋圖像中可以發(fā)現(xiàn)，細化的指紋圖像中存在一些毛刺、粘連、斷點等現(xiàn)象?？紤]到指紋識別對魯棒性的需求上，已經(jīng)可靠性上，本文采用第二種算法。加上是利用灰度直方圖來確定特征點的，因此特征點的位置信息將不夠精確，可能會與實際的位置有所偏差，尤其是在圖像模糊的情況下，位置信息會更加的不夠精確。并且由于步驟的減少在一定程度上降低了偽特征點出現(xiàn)的概率。對指紋圖像中的所有像素進行以上處理判斷，分別記錄下所有檢測到的端點和分叉點，既完成了指紋圖像的特征點提取工作。 (2)當P點為脊線上的點，且Cn(P)=4, Sn(P)=3或者4，則可判定像素點P為脊線上的連續(xù)點，即不是特征點，、C2點、C3點、C4點。 領(lǐng)域示意圖 細化后的指紋圖像對于在脊線上的像素點，可根據(jù)其鄰域的Cn(P)和Sn(P)數(shù)值判定此時P像素點的狀態(tài)。Sn(P)為8鄰域像素中為1的像素的個數(shù)，具體按式(31)、(32)計算。 基于細化圖像的鄰域法基于細化圖像的鄰域法，是指先將經(jīng)過圖像頻域增強、二值化和細化等一系列的預(yù)處理得到的指紋圖像，通過構(gòu)建每個像素的3*3鄰域()提取指紋圖像的特征點。(4)不斷重復(fù)步驟3，實現(xiàn)脊線跟蹤，直到求取的灰度分布的最大值出現(xiàn)明顯的變小，與最小值差不多，甚至相等時，停止跟蹤，說明己經(jīng)到脊線的末端，此處即為特征點端點處。 (2)從初始點出發(fā)，根據(jù)指紋圖像的方向信息，在該處的法線方向上，半個指紋周期內(nèi)，求取灰度分布的最大值和最小值，并以該最大值處的像素點作為新的出發(fā)點?；叶葓D像直接提取法就是利用這一個特性來構(gòu)建算法。目前最常用的特征點提取算法有兩類:一是從灰度圖像中直接提取出特征點；二是對預(yù)處理過后的圖像進行特征點的提取。他們采用了一種二級算法，用自適應(yīng)“編輯”方法把指紋圖像二值化，然后再從二值化后的圖像中提取出特征點。許多的學(xué)者都對這方面做出了深入的研究。imshow(~K)。inf39。thin39。)。由于指紋識別與一般的圖像識別有很大的不同，指紋識別的匹配是直接與細化后的圖像的端點相關(guān)的，因此細化的操作不能對指紋圖像的端點的位置和方向