一种基于神经网络匹配的指纹识别算法

指纹特征的提取是自动指纹识别的关键技术之一.针对现存的许多指纹特征提取算法中的旋转和平移等问题,本文提出了一种基于神经网络匹配的脊线分叉点提取算法.该算法通过一个多输入、单输出三层前向神经网络提取脊线的分叉点.并且在FVC2000(国际指纹竞赛数据库)上作了测试.实验结果表明,本文提出的算法对指纹的平移和旋转都具有良好的不变性.     

基于BP神经网络的指纹识别

本文深研究了基于BP神经网络的指纹识别。对采集到的指纹图像进行预处理,消除假的特征点,利用指纹图像的脊线端点和分叉点作为最终特征点,提取其特征点坐标和方向作为神经网络的特征输入向量,实验证明该方法具有较好的实验效果。     

基于模糊贴近度的指纹匹配算法研究

针对已有的指纹匹配方法准确率低、算法复杂度高、易受指纹形变等噪声影响缺陷,本文提出了一种基于模糊贴近度的新型指纹匹配算法。该算法以分叉点、转折点、指纹图像上两个点的连线所穿越的脊线的数量等特征信息作为识别对象的特征指标,通过求出采样指纹与标准指纹的模糊贴近度,将其结果与阈值V相比较,检测指纹的匹配程度。实验结果表明,该算法能够有效降低算法复杂度,提高指纹的匹配准确率与效率,同时也可以有效避免因指纹旋转、平移形变或按压力度不均等因素产生的噪声对指纹匹配精度的影响,可以满足实际应用的需求,为提高指纹识别的精确度提供了一种新方法。     

一种基于脊线特征的指纹匹配算贩

指纹的脊线几乎构成了指纹的全部特征,其整体结构和趋势是确定指纹的重要依据.本文算法引入了一种描述指纹脊线趋势的特征向量,并且基于该特征向量提出了一种新颖的匹配算法.算法首先在指纹图像的特征区域中进行脊线采样,根据采样结果提取脊线的特征向量,把特征向量的相似度作为指纹匹配的依据.算法避开了传统细节点匹配方法的限制,有效利用了脊线趋势的稳定性和脊线间的相对关系.实验结果表明,本文算法具有较高的匹配精度.     

指纹图像匹配的算法研究及其实现

论文首先综合阐述了目前提出的几类指纹匹配方法,然后在提取端点和分叉点两类特征点的基础上,提出了一种新的匹配方法。该算法充分利用了指纹图的结构信息,在以每一个特征点为圆心,以动态R为半径的圆内选取三个“特别”的邻点,作为此中心点的向量组成点,从而使两指纹的匹配转变为向量组间的匹配。实验结果表明,该算法具有完全的图像旋转和平移不变性,能有效地抵抗指纹图像的噪声,匹配速度快,能识别一定范围内的残缺指纹。     

一种基于脊线特征的指纹匹配算法

指纹的脊线几乎构成了指纹的全部特征，其整体结构和趋势是确定指纹的重要依据。本文算法引入了一种描述指纹脊线趋势的特征向量，并且基于该特征向量提出了一种新颖的匹配算法。算法首先在指纹图像的特征区域中进行脊线采样，根据采样结果提取脊线的特征向量，把特征向量的相似度作为指纹匹配的依据。算法避开了传统细节点匹配方法的限制，有效利用了脊线趋势的稳定性和脊线间的相对关系。实验结果表明，本文算法具有较高的匹配精度。     

一种指纹特征点连线穿越脊线数的计算方法

指纹中特征点间连线穿越的脊线数由于不受指纹图像缩放、旋转、平移及轻微变形的影响,被越来越多地用于指纹匹配,其计算精度直接影响指纹匹配结果。现有算法大多基于Bresenham及其改进方法,计算误差较大。给出了一种基于细化指纹图像的新方法,该方法首先由两特征点连线上的像素点灰度值确定其穿越的黑点坐标,然后根据连线与其相邻脊线、特征点的几何关系综合处理得到其穿越的脊线数。实验结果表明,该算法稳定可靠,能够准确有效地获得特征点间连线穿越的脊线数。     

指纹拓扑模式构建及其在识别中的应用

现有指纹识别算法对指纹图像质量要求较高,特别是在变形指纹识别中鲁棒性不强。基于指纹特征属性和细节点、脊线拓扑关系的拓扑模式从整体到局部,具备以拓扑性质为基础的不同层次的几何不变性,在指纹变形中具有更高的鲁棒性。通过对指纹细节点、脊线属性及点、线拓扑关系的分析与计算,构建了两种基于指纹细节点、脊线的拓扑模式,实验结果验证了所构建的两种拓扑模式在指纹平移、旋转、缩放及轻微非线性变形中具有较高的鲁棒性,可用于变形等低质量指纹图像的识别中     

一种面向指纹识别的鲁棒脊线跟踪算法

由于传统的指纹识别系统大多要进行二值化和细化过程将消耗大量的计算时间,提出了一种基于脊线跟踪的指纹图像特征点提取算法.在灰度级指纹图像上,沿脊线方向自适应跟踪指纹脊线,直至该条脊线终止或与其他脊线相交,得到一幅细化后的指纹骨架图和附在其上的细节点信息.跟踪过程中,在关键点处进行脊线方向估计和局部滤波,跳跃式地获得脊线骨架点.对于提取到的末端点和交叉点,根据指纹图像的结构特征和统计结果相结合进行去伪后处理.实验证明算法的有效性.     

基于矢量三角法的指纹特征匹配算法的研究

指纹匹配是自动指纹识别系统(Automatic Fingerprint Identification System，AHS)中最重要的问题之一。文中主要针对如何确定两幅指纹图(模板和输入图像)的参照点问题，提出了一种基于指纹脊线结构和矢量三角法相结合的算法，将脊线信息引入匹配过程中，并在极坐标下进行细节点匹配。仿真实验表明，该方法不依赖指纹图的中心区域，具有旋转平移不变性，不仅能很好地区分来自不同指纹的图像，而且有较好的匹配结果。     

椭球基函数神经网络的指纹识别方法

椭球基函数（Ellipsoidal Basis Function,EBF）使网络划分输入空间成为封闭有界的局部作用的空间,与径向基函数（Radial Basis Function,RBF）神经网络的高斯函数相比,它对空间的划分更明确。因此,它的模式识别能力将有所提高。提出了一种基于EBF神经网络的指纹识别方法。首先,利用小波变换（Wavelet Transform,WT）直接从二值化指纹图像中提取细节特征,简化了复杂的预处理步骤,极大地减少了计算量,提高了识别的速度。同时利用EBF神经网络进行分类识别,有效提高了识别精度。该算法在FVC2000（国际指纹竞赛数据库）上作了测试。并与文献[9]中的WT-RBF算法进行比较。实验结果表明,提出的算法获取了较高的识别率,并且缩短了识别时间。     

基于中心扫描的指纹识别算法

中心扫描细化算法是一种基于方向的细化算法,具有较快的速度;在细化后的指纹图像中,其特征点往往成为断点,提出了一种基于细化后形成的断点和纹线方向的特征提取算法,运用中心扫描细化算法成功提取细节特征的基础上,运用极坐标转换、图像的旋转和可变界限盒原理,完成了指纹特征匹配算法;证实了基于中心扫描的指纹特征提取算法的可行性,并取得了很好的效果。     

一种基于BiLSTM的低速率DDoS攻击检测方法

低速率分布式拒绝服务（Low-rate Distributed Denial of Service, LDDoS）攻击是一种新型的DDoS攻击方式,因其具有低速率、周期性和隐蔽性等特点,可躲避传统的DDoS攻击检测技术,更加难于检测和防御。本文提出一种基于特征选择和双向长短期记忆（Bidirectional Long Short Term Memory, BiLSTM）神经网络结合的LDDoS攻击检测方法。该方法使用分层交叉验证的递归特征消除（Recursive Feature Elimination CV, REFCV）特征选择算法挖掘双向流中最优的11个特征集合作为神经网络的输入,建立基于BiLSTM神经网络模型的LDDoS攻击检测分类器进行分类,达到LDDoS攻击检测的目的。实验结果表明该方法比卡尔曼滤波和NCAS算法有较高的检测率,误报率和漏报率都很低。     

深度卷积神经网络应用于人脸特征点检测研究

为解决在复杂环境下，如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题，在特征点检测理论知识以及研究现状的基础上，针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处，提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展“网络深度”优先的深层卷积神经网络模型，针对人脸特征点检测重新设计训练，提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题，并与其他多个经典算法进行对比分析，结果表明：基于小滤波器的深卷积神经网络在预测人脸5点特征点问题上有更好的准确性和鲁棒性。     

基于时空域信息融合的视频拷贝检测算法研究

为了有效利用视频独有的时空域特性来提高视频拷贝检测算法的鲁棒性和精度,提出一种基于时空域信息融合的快速拷贝检测算法。该算法包括基于时空域信息融合的指纹提取算法、基于倒排索引的匹配搜索算法和结合异步滑窗策略的基于匹配状态机的匹配搜索算法。指纹提取算法首先将视频分段形成时空域信息帧,然后对该信息帧进行分块,提取DCT系数后,利用其中值进行阈值化得到视频指纹。基于倒排索引的搜索算法根据指纹的二值性特点建立倒排索引表,然后通过索引表快速查询指纹。结合异步滑窗策略的基于匹配状态自动机的搜索算法,利用与最近邻之间的匹配状态来改变搜索范围和步长,而异步滑窗策略通过对在线和离线过程采用不同的提取策略,减少搜索量,加快搜索速度。实验结果表明,提取的指纹对噪声模糊、添加字幕、空间偏移、旋转、掉帧具有较好的鲁棒性,同时提出的搜索方案在时间效率上也有较大的提升。     

Fingerprint classification using a feedback-based line detector

We present a fingerprint classification algorithm in this paper. This algorithm classifies a fingerprint image into one of the five classes: Arch, Left loop, Right loop, Whorl, and Tented arch. We use a new low-dimensional feature vector obtained from the output of a novel oriented line detector presented here. Our line detector is a co-operative dynamical system that gives oriented lines and preserves multiple orientations at points where differently oriented lines meet. Our feature extraction process is based on characterizing the distribution of orientations around the fingerprint. We discuss three different classifiers: support vector machines, nearest-neighbor classifier, and neural network classifier. We present results obtained on a National Institute of Standards and Technology (NIST) fingerprint database and compare with other published results on NIST databases. All our classifiers perform equally well, and this suggests that our novel line detection and feature extraction process indeed captures all the crucial information needed for classification in this problem.     

模块化神经网络容差模拟电路故障检测

容差模拟电路故障检测对于电子设备的稳定运行而言至关重要,针对传统检测算法计算代价大、训练时间长及检测误差率高的不足,提出基于模块化神经网络的容差模拟电路故障检测算法研究。对神经网络检测模型的功能模块进行划分,并基于功能模块提取容差模拟电路的故障信号特征;基于样本中心到故障特征点的欧式距离,对比故障样本的特征向量,依据模块化神经网络决策分类函数,实现对容差模拟电路故障的准确定位和检测。仿真数据表明,在不同样本容量条件下提出检测算法均具有优势,最低误差值为0.382%.     

混沌粒子群优化神经网络的井下人员无线定位方法研究

针对井下人员定位系统定位精度较低,不能满足智慧煤矿的需求,提出一种基于混沌粒子群算法优化Elman神经网络的井下人员无线定位方法。该定位方法首先在井下巷道无线网络环境中,利用无线终端采集一定数量的样本点指纹数据库。其次初始化Elman神经网络,利用混沌粒子群优化算法对神经网络权值和自连接反馈增益因子寻优。再次用指纹数据库对优化过的Elman神经网络进行训练和测试,建立神经网络定位算法模型。最后通过无线终端采集定位点的指纹数据,由神经网络定位算法模型进行实时定位。经试验表明,该井下人员无线定位方法平均定位误差为1.35 m;而混沌粒子群算法优化Elman神经网络定位算法,其算法全局搜索能力更强,更适合井下时变环境中应用。     

针对深度神经网络模型指纹检测的逃避算法

随着深度神经网络在不同领域的成功应用,模型的知识产权保护成为了一个备受关注的问题.由于深度神经网络的训练需要大量计算资源、人力成本和时间成本,攻击者通过窃取目标模型参数,可低成本地构建本地替代模型.为保护模型所有者的知识产权,最近提出的模型指纹比对方法,利用模型决策边界附近的指纹样本及其指纹查验模型是否被窃取,具有不影响模型自身性能的优点.针对这类基于模型指纹的保护策略,提出了一种逃避算法,可以成功绕开这类保护策略,揭示了模型指纹保护的脆弱性.该逃避算法的核心是设计了一个指纹样本检测器——Fingerprint-GAN.利用生成对抗网络(generative adversarial network,GAN)原理,学习正常样本在隐空间的特征表示及其分布,根据指纹样本与正常样本在隐空间中特征表示的差异性,检测到指纹样本,并向目标模型所有者返回有别于预测的标签,使模型所有者的指纹比对方法失效.最后通过CIFAR-10,CIFAR-100数据集评估了逃避算法的性能,实验结果表明:算法对指纹样本的检测率分别可达95%和94%,而模型所有者的指纹比对成功率最高仅为19%,证明了模型指纹比对保护方法的不可靠性.