摘要：利用SVM（Support Vector Machine）解決二類分類問題的優(yōu)勢(shì)，設(shè)計(jì)了一個(gè)粗細(xì)兩級(jí)指紋分類體器，提出了并實(shí)現(xiàn)了一種新型的指紋分類算法。測(cè)量結(jié)果表明，該分類器具有很好的泛化能力，對(duì)于新樣本分類的正確率達(dá)98.5%，具有一定的實(shí)用價(jià)值。

    關(guān)鍵詞：指紋分類 分類器 特征提取 支持向量機(jī)

指紋作為個(gè)人身份的標(biāo)志具有唯一性和終生不變性。隨著計(jì)算機(jī)技術(shù)的發(fā)展，指紋識(shí)別技術(shù)成為目前使用最廣泛的物生識(shí)別技術(shù)。一個(gè)典型的自動(dòng)指紋識(shí)別系統(tǒng)通常包括五部分：采樣、預(yù)處理、特征提取、分類和細(xì)節(jié)匹配。指紋分類環(huán)節(jié)對(duì)于分解整個(gè)復(fù)雜的識(shí)別任務(wù)、縮小細(xì)節(jié)匹配的范圍和提高提高識(shí)別的效率都具有非常重要的意義。分類算法取決于特征提取環(huán)節(jié)，大致發(fā)為以下五種：

·語法分析法（Syntactic Approach）;

·幾何法（Geometry Approach）

·隨機(jī)法（Stochastic Approach）;

·神經(jīng)網(wǎng)絡(luò)法（Neral Network Approach）;

·基于奇異點(diǎn)的分類法（Singularity-based Approach）。

    神經(jīng)網(wǎng)絡(luò)方法在指紋識(shí)別技術(shù)中應(yīng)用較為廣泛，但是由于理論本身存儲(chǔ)在缺陷，神經(jīng)網(wǎng)絡(luò)法容易陷入局部最優(yōu)和過學(xué)習(xí)。本文算法的理論基于——SVM方法擁有嚴(yán)密的數(shù)字解釋，因此，與神經(jīng)網(wǎng)絡(luò)方法相比推廣能力大大提高。

目前，SVM理論在指紋分類中的應(yīng)用并不多：王崇文等人提出了一種基于隱馬爾可夫模型和支持向量機(jī)的兩級(jí)分類方法；Shesha Shah等人利用五個(gè)SVM分類器將指紋分成了五類，其中分類的原則是反饋型線檢測(cè)器的特征提取。該算法中普通弓形和帳弓形的指紋對(duì)于新樣本的范化能力不理想，正確率只有79.10%。本文設(shè)計(jì)的基于支持向量機(jī)理論粗細(xì)二級(jí)分類，使用五個(gè)SVM分類器，充分利用它們進(jìn)行二類分類的優(yōu)勢(shì)，將指紋分為六類。本算法對(duì)于新樣本的范化能力有明顯提高，其中弓形分類的正確率可以達(dá)到96.7%。本文從四個(gè)方面闡述基于支持向量機(jī)理論的二級(jí)指紋分類算法。SVM這一新的理論不僅為將來指紋分類工作的研究提代了堅(jiān)實(shí)的理論基礎(chǔ)，而且給算法的簡(jiǎn)化和不斷完善開拓了嶄新的思路。

1 支持向量機(jī)理論

支持向量機(jī)是貝爾實(shí)驗(yàn)室研究人員V.Vapnik等人在對(duì)統(tǒng)計(jì)學(xué)習(xí)理論多年的研究基礎(chǔ)上發(fā)展起來的一種全新的機(jī)器學(xué)習(xí)算法。機(jī)器學(xué)習(xí)的實(shí)際風(fēng)險(xiǎn)由兩部分構(gòu)成：經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，其中后者與Vapnik提出的VC維的概念有關(guān)。傳統(tǒng)的使用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化ERM（Empirical Risk Minimization）的分類訓(xùn)練方法，雖然能取得小的經(jīng)驗(yàn)風(fēng)險(xiǎn)，但置信范圍很大，導(dǎo)致過學(xué)習(xí)，推廣能力下降。SVM方法建立在編譯學(xué)習(xí)的VC維（Vapnik Chervonenkis Dimension）理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理SRM（Structural Risk Minimization）基礎(chǔ)上，兼顧了兩部分風(fēng)險(xiǎn)構(gòu)成，把函數(shù)構(gòu)造為一個(gè)函數(shù)子集序列，在子集間折衷考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，可以使實(shí)際風(fēng)險(xiǎn)最小。

    本文設(shè)計(jì)的粗細(xì)二級(jí)分類使用五個(gè)SVM分類器，其中兩個(gè)將指紋粗分為三類，另外三個(gè)將指紋細(xì)分為六類，SVM分類器解決的都是二類分類問題。

2 算法實(shí)現(xiàn)步驟

2．1 特征提取

指紋圖像通過預(yù)處理后，已經(jīng)是二值化和細(xì)化后圖像，見圖1。

要分析指紋圖像，首先需進(jìn)行特征提取。本文采用基于奇異點(diǎn)的特征提取。指紋的特片分為兩 種：全局特征和局部細(xì)節(jié)特征。前者用于指紋分類，后者用于細(xì)節(jié)匹配。全局特片點(diǎn)即奇異點(diǎn)包括：三角點(diǎn)(delta)和核心點(diǎn)（core），見圖2。三角點(diǎn)位于從核心點(diǎn)兩個(gè)方向差別較大的紋路的匯聚處；核心點(diǎn)位于指紋紋路的漸進(jìn)中心，它是指紋中心脊線上曲率最大的點(diǎn)。

    2．2 根據(jù)特征提取設(shè)計(jì)分類器

指紋通�？梢苑殖晌孱悾憾沸�、右旋、左旋、拱形和帳篷形。為了更好地發(fā)揮SVM算法解決二類分類問題的優(yōu)勢(shì)，本文設(shè)計(jì)了一個(gè)兩級(jí)分類器，結(jié)構(gòu)框架見圖3。分類器包括粗分類和細(xì)分類兩級(jí)。第一級(jí)將指紋粗分為：斗形（Whor1）、旋形（Loop）和弓形（Arch）三類；第二級(jí)，弓形細(xì)分為普通弓形（Normal Arch）和帳弓形（Tented Arch），旋形細(xì)分為左旋（Left Loop）和右