基于自适应遗传算法的残缺指纹识别.docVIP

基于自适应遗传算法的残缺指纹识别 　　摘 要： 在指纹图像进行采集的过程中，由于采集者本身或采集设备等各种原因会造成大量的残缺指纹图像。而这些残缺指纹图像正是影响指纹识别正确率的关键因素。在此对残缺指纹做了大量的研究，提出了二次去伪特征点的方法，并利用自适应遗传算法设计了一种基于指纹微特征信息的匹配方法。在对残缺指纹可信特征点进行人工智能的匹配，着眼于残缺指纹的全局特征进行匹配，提升了匹配的精度与速度。 　　关键词： 残缺指纹识别； 可变界限盒； 自适应遗传算法； 二次去伪特征点 　　中图分类号： TN964?34 文献标识码： A 文章编号： 1004?373X（2013）10?0083?04 　　指纹是人体固有的一种生物特征，具有唯一、终生不变以及与主体不可分离等独特性质，用它来作个人的身份验证[1?2]已有上百年的历史。指纹识别算法[3]是从指纹图像中提取指纹特征，并进行比对。指纹图像由纹谷和纹脊组成，在指纹图像中呈深灰色粗线条的部分即为纹路，其位于手指皮肤的凸出处；纹谷在指纹图像中相对纹路的灰度较亮，夹在两纹路间，位于手指皮肤的凹陷处。 在指纹识别系统中，首先要进行的就是指纹图像的预处理，它对后续指纹匹配等环节起着至关重要的作用。经过指纹图像预处理后，可以提取出准确有效的指纹特征点。一个指纹识别系统一般包括如下的过程：指纹图像分割、指纹图像增强、指纹图像二值化、指纹图像细化处理以及特征点的提取。在指纹自动识别过程中，采集到的指纹存在不同程度的粘连、断裂、缺失、模糊等状况，包含了大量的噪声，使得采集到的指纹图像质量低、效果差，本文把这类指纹统一成为残缺指纹。造成这种现象的原因是由于采集设备本身的采集条件和采集参数的限制，采集者自身指纹存在缺陷，采集者采集指纹时方法不当等。如图1所示为一个采集到的指纹图像的噪声区域。 　　1 二次去伪特征点算法 　　在进行了图像的预处理之后，本文对处理后的指纹图像进行特征点提取，由于残缺指纹存在大量的伪特征点，故本文设计了如下的二次去伪算法来克服伪指纹特征点的干扰。 　　1.1 脊线跟踪算法 　　本文采用基于微特征的脊线跟踪算法，用以找出伪特征结构。算法主要是这样实现的：首先在细化后的图像上，从每一个未被访问的末梢点出发，开辟新的脊线并沿着该脊线前进，记录走过的像素点，将它的横、纵坐标以及节点类型保存到链表中。如图2所示，其中Pi-1是上一个跟踪过的点，Pi是当前点，Pi+1是下一个要跟踪的点。然后算法判断当前点的类型和它的邻接点，如果是分叉点且有未访问的邻接点，则建立新的脊线进行深度跟踪，否则继续在当前脊线上进行探索。脊线跟踪完毕后，每条链表的头尾是特征点，而中间节点都是连续点。 　　2 基于自适应遗传算法的匹配 　　鉴于上文对残缺指纹匹配现状的分析，必须设计一种基于全局信息的人工智能的指纹匹配方法。本文设计了基于自适应遗传算法[4]的残缺指纹匹配算法。在该算法中，指纹比对被划分为2个步骤。首先利用遗传算法搜索可能将2幅指纹特征点集对齐的参数， 然后再确定点的位置匹配关系。遗传算法是一种优秀的智能搜索算法，具有并行度高等特点。但是，传统的遗传算法在求解上述模型最优解的时候，会出现早熟与容易进入局部限等问题。本文根据自适应遗传算法的思想，设计了基于自适应遗传算法的最优偏移搜索算法，实验证实该算法是高效的。 　　2.2 搜索算法 　　（1）初始种群：在解空间中随机生成的初始染色体可能会在某一局部区域集中分布。其携带的基因信息无法代表整个解空间，导致种群过早丧失遗传优势。使用平均小区间方法可以更好地分布得到优化解。由于点对之间的数据没有具备一定的特定特征。正常采集情况下，指纹图像都应当是正立，同时以指纹中心居中。本文中的指纹特征点编号在处理的过程中自下向上增大。因此，本文在初始化种群时，以一定概率偏向于选取编号相差小于10的个体对。初始种群使用随机方法进行，初始种群大小为30。 　　（2）选择策略：由于匹配模型的特性，对于高适应度的个体之间的杂交的后代往往没有优势是可以继承的。为充分利用父代种群在遗传算子中引入长度为Q（QN）的先入先出的历史队列。每次迭代完成之后，检查该个体是否已经存在；若没有，则将个体加入到历史队列中。在选择操作时，历史队列中保存的优秀个体与经过交叉和变异算子作用过的准子代种群共同竞争，使用轮盘法进行选择。历史队列的引入客观上增多了进化的有效个体样本数，同时增加了种群的遗传多样性。 　　（3）交叉策略：根据个体的适应度，采用轮赌法的方式选择交叉的个体，交换一组等位基因进行杂交。 　　3 实验与分析 　　4 结 语 　　本文对残缺指纹匹配做了大量的研究，提出了二次去伪特征点的算法和基于自适应遗传算法的残缺指纹匹配方法，利用自适应遗传算