陳 雷

上海市浦東公安分局刑事科學研究所，上海 200125

用指紋進行身份識別，雖然目前有很多的研究成果，在某些方面也非常成熟，但是這些成果作用于低質量的指紋圖像時，往往難以獲得較高的準確率。而且鑒于系統資源的有限性，在某些環(huán)境中，指紋的識別對實時性要求很高，所以在時間的限制下獲得較高的識別結果非常重要。有鑒于此，本文引入基于卷積神經網絡的深度學習模型，使用卷積神經網絡對圖像配準中的旋轉問題進行處理，從而實現利用有限的資源進行快速的配準。

一、卷積神經網絡

在深度學習領域中，應用最廣泛的是卷積神經網絡，也稱之為卷積網絡，是一種專門用來處理具有類似網格結構的數據的神經網絡。卷積神經網絡在諸多應用領域都表現優(yōu)異，譬如時間序列數據。卷積神經網絡中一個典型層包含三級：在第一級中，這一層并行地計算多個卷積產生一組線性激活響應；在第二級中，每一個線性激活響應將會通過一個非線性的激活函數，該級有時也稱為探測級；在第三級中，利用卷積神經網絡提供的池化函數再次優(yōu)化其輸出。池化函數負責對卷積層提取的特征進行處理，以代替網絡在該位置的輸出，例如，最大池化函數給出相鄰矩形區(qū)域內的最大值。不管采用什么樣的池化函數，當輸入做出少量平移時，池化能夠幫助輸入的表示近似不變。使用池化操作可以認為是添加了足夠強的先驗：通過該層學習獲得的函數務必具備少量平移不變性的要求。當這個假設成立時，池化可以極大地提高網絡的統計效率。

二、圖像配準

圖像配準是指求解幾幅圖像之間的空間變換關系，從而使一對或多幅圖像達到空間上的對齊。目前從技術角度講，可以將圖像配準分為：圖像融合下的多模態(tài)配準、識別或定位下的模板配準、圖像深度變換和變形下的觀察點配準、檢測物體生長變化下的時間序列配準等。圖像配準的一般流程如下：

(一)特征空間

特征空間是點、邊緣等，是從圖像中抽取出來的用于配準的特征。從某種角度來看，特征空間直接關系到圖像中特征對配準算法的敏感性。

(二)搜索空間

搜索空間是對浮動圖像進行變換的方式以及范圍。隨著搜索空間的增大，算法時間復雜度呈指數增長。因此，搜索空間在一定程度上影響搜索的速度。

(三)相似性度量

相似性度量會影響空間變換模型的選擇，是衡量不同變換之下結果是否可靠的準則，在一定程度上與配準算法對干擾的抗性有關。

(四)搜索策略

搜索策略直接影響著配準的速度，是算法優(yōu)化的重要方向。在理論上，通過窮舉的搜索策略一定可以找到最優(yōu)的參數，但是需要付出很大的時間代價，因此這往往是應用所無法接受的。

三、網絡訓練

(一)數據預處理

在指紋圖像庫中，提取參考圖像和浮動圖像，數據集為34300(5*7*7*7*20)對圖像。為了增強網絡的泛化能力，對每幅圖像添加了高斯白噪聲。在數據格式上，將圖像數據轉為HDF5格式，且對超過2GB的數據進行切分。切分后的數據按照4：1：1生成相應的訓練集、驗證集和測試集。

在數據預處理中，還有一項重要的工作就是對數據進行標準化，這樣做的目的是加快梯度下降獲得最優(yōu)解的速度，為了方便實現，整幅圖像灰度值均減去60，因為其灰度均值在60上下浮動。通過零均值化處理，可以提高模型的精度。

(二)網絡結構

根據圖像大小，以LeNet-5為基礎，在其微小改動的基礎上，使其能夠處理100*100的輸入圖像，具體結構，見表1。

表1 網絡結構

本結構通過傳統的參數共享，以及參考圖像與浮動圖像在通道維度的合并，成功地提高了精度。為了方便預測，將輸入圖像的大小200*100分割為兩張100*100的圖像，然后依次經過卷積網絡各層的處理。在網絡內部，為了提升網絡的處理效果，使用小卷積核替代大卷積核，從而減少了網絡參數。

(三)網絡配置

在深度網絡學習過程中，還需要對一些參數進行設置，比如每次批處理的圖像數，可以根據實際對batch_size進行賦值。通常情況下，該參數設置太小，很難保證網絡快速收斂；如果設置過大，又會占用太大的內存空間。因此，在綜合考量后，結合指紋處理的實際，將batch_size的值設定100。除此之外，為了有效激活神經元，還需要對negative_slope參數進行初始化，在參考相關文獻和多次試驗的基礎上，本文最終將negative_slope設置為0.01。

(四)結果分析

本試驗是在Ubuntu操作系統下進行的，具體硬件配置為：處理器(型號：i7-8750H；速度：2.2GHz；核心：6核)、內存(容量：8G+8G；插槽數量：2 x SO-DIMM)、硬盤(容量：1T；轉速：7200轉/分鐘；接口類型：M.2接口)、顯存(獨顯；芯片：GTX1070；容量：獨立8GB)。

在試驗中，針對不同的網絡結構進行了對比試驗，具體網絡結構有：五層雙分支、五層雙通道、八層雙分支、八層雙通道。通過測試發(fā)現，采用八層并將雙通道圖像作為輸入所得結果最好，其輸出指標數據為：訓練集loss為0.001236，測試集loss為0.001477，整個訓練時間為1671.373秒。

在深度學習中，網絡層數越多，網絡結構的表達能力就越強，但是從時間上來看，訓練持續(xù)的時間會更長。在多次測試調優(yōu)的過程中，針對不同的網絡結構，在不同參數設置對比后發(fā)現，初次學習率設置為0.16，收斂會有更好的效果。綜合來看，通過卷積神經網絡，可以實現指紋圖像配準過程中的角度旋轉以及平移等操作，而且從學習的時間來看，圖像數據集越大，深度學習的優(yōu)勢體現得就會越充分。

四、結束語

近年來，在信息技術的輔助下，指紋識別的研究取得了可喜的成績，但也存在精度不高等問題。為了彌補傳統指紋識別的缺陷，高分辨率的指紋識別得到推廣。本文針對兩幅圖像平移和旋轉的配準問題，采用卷積神經網絡進行圖像數據的學習，在構建有效網絡結構的基礎上，通過不同網絡的對比和參數的調優(yōu)，成功降低了網絡的loss，充分體現了卷積神經網絡在大數據量下的數據處理優(yōu)勢。