基于神经网络的指纹识别

西南交通大学本科毕业设计（论文）第页第1章绪论指纹识别技术简介传统的身份验证方式是看他是否持有相关的证件证明，并且还需要很多的验证和核对方可知道其真正身份，这种验证方式不但繁琐而且还很浪费。随着近年来生物识别技术的发展，当人们需要验证其身份的时候只需对其生物特征进行验证即可。战国时代曾经使用的验证身份的方式是照身制，经过数千年的发展，目前大部分都采用身份证、临时证明等来证明其身份。然而，这种方式的缺陷也是显而易见的：第一，如果持件人的证件丢失，很难证明其有效身份；第二，有不法分子伪造证件，利用其证件挣得不合法利益时容易给受害人造成一定的损失。因此如何能够找到一种人体携带的且最方便最容易识别的方法，成为了迫切需要解决的问题。进入21世纪以来，生物识别技术逐渐走进了人们的视野，它根据人自身所有的某些生物特征进行识别，常见的有：虹膜识别；基因识别；指纹识别。同虹膜识别和指纹识别相比，指纹识别具有很多优点：唯一性：指纹是世界上独一无二的，就像世界上没有相同的两片树叶一样，人与人之间的指纹是不一样的，甚至同一个人手上的指纹也是不一样的。不变性：随着年龄的增长，人的其他特征可能会发生很大的变化，但是人的指纹却不随着年龄的增长发生变化[1]。实用性：对于购买指纹识别的仪器，比较实惠，同时使用起来也比较方便。安全性：由于每个人的指纹是不相同的，所以利用指纹可以识别不同的人的身份，保证人们的身份信息的安全。因此，利用指纹识别可以高效的进行生产生活中的身份认证，而避免了各种繁冗流程，从而节约大量的时间。指纹识别的研究背景及现状在所有的生物识别技术中，指纹识别被认为是最方便、最快捷、最实惠的身份认证技术，也是当今社会普遍采用的身份识别手段，例如，指纹采集、指纹考勤、指纹识别等。由于指纹的唯一性和安全性等因素，指纹识别技术逐渐从传统的刑侦系统走向了民用市场，一些商业机构都在采用指纹考勤机来取代传统的打卡方式。过去的几十年里，人们在指纹识别技术领域表现出了浓厚的兴趣，最初主要是由司法和公安部门使用，目的是为了甄别犯罪分子，尤其是自动指纹识别系统（AFIS）。在经济社会发展和计算机技术发展的情况下，AFIS引起了人们的足够重视，这项技术也逐渐应用于机场、酒店管理、企业管理、驾照等领域。然而AFIS对指纹图像的质量要求很高，实际中采集的指纹图像会含有噪声、皮肤湿度、弹性等因素会导致识别系统识别的准确率降低甚至造成误判，这些因素极大的限制了AFIS的应用。指纹识别主要研究方向为：指纹图像的预处理；指纹特征提取；指纹图像识别；指纹图像匹配算法。因此，本文基于对模式识别理论的学习，利用神经网络技术构造了指纹识别系统，设计了两种神经网络的自动指纹识别系统方案，并对比分析了两种方案的特点。本文主要研究内容本文的主要工作分为：指纹预处理、特征提取和基于神经网络的指纹识别，从而实现指纹图像的计算机自动识别。主要目的是基于神经网络对指纹图像进行识别，并对比不同的神经网络对指纹识别的有效性。本章小结本章概述了指纹识别的优点、研究背景与现状，总结了指纹识别技术现如今的研究方向，提出了通过建立两种神经网络对指纹进行自动识别的方案，以分析对比两种方案的特点。第2章指纹的预处理指纹是人类从出生到死亡都不会变的特征之一。从19世纪80年代人们关注于指纹识别技术开始到20世纪60年代，随着计算机技术的高速发展，指纹识别技术也得到了空前绝后的发展，并因此成为了最广泛的生物识别技术[2]。由于计算机只识别二进制的代码，要利用计算机技术识别指纹，首先要做的就是要将生物的指纹转换为指纹图像，然后将获取的指纹图像转换为计算机能够处理的代码进行分析。指纹图像的优劣直接关系到计算机处理的结果，对指纹预处理的主要目的是为了节省识别的时间成本和提高识别准确率[3]。指纹图像预处理主要包含以下几个步骤，即对指纹图像进行归一化、将指纹图像增强、将获得的图像二值化和细化处理等。本小节将基于这几个方面对指纹的图像进行预处理。其流程图如图2.1所示：图2.1指纹图像预处理2.1维纳自适应滤波维纳滤波器是以最小方差为准则的线性滤波器，在图像处理中具有重要的意义，它可以剔除图像中的噪声，用来滤波[4]。维纳滤波器自身作为一个FIR滤波器，对于线性系统，若其冲击响应为，则当某个信号为时，(2.1)其中，，代表信号，代表噪声。若输出信号无限逼近于的时候，则表明正常信号跟消噪后的信号相等。它们之间的误差定义为：(2.2)可正可负，显然需要用它的均方值描述其误差程度。为了突出维纳滤波的优势，将维纳滤波与原始图像、均值滤波后的图像和中值滤波后的图像进行比对，四种指纹图像的比较如图2.2所示：图2.2四种图像对比2.2Sobel算子锐化在边缘检测中，Sobel是常用的一种算子，它是一种基于一阶导数的算子[4]。该算子中对像素位置进行了加权平均运算，对图像中含有的噪声有很好的平滑作用，能很大程度上消除噪声对图像造成的影响[5]。Sobel算子包括两组矩阵，此矩阵是3X3的形式，而且Sobel算子矩阵有横向和纵向之分，然后与图像之间做卷积运算，可以得到横向和纵向的差分值。利用Sobel算子锐化指纹图像，是因为Sobel算子不但可以检测出边缘点还具有抑制噪声的能力，至少可以检测出边缘宽度为二像素的指纹图像[6]。由于Sobel算子在计算时是先平均计算然后差分运算，在平均运算时会可能会导致一些细节性的信息丢失，造成边缘具有模糊性。因此本文预以Sobel算子对指纹图像进行锐化，锐化的结果如图2.3所示：图2.3利用Sobel算子锐化后的指纹图像从图中可以看出，经过维纳滤波后再利用Sobel算子进行锐化，可以去除指纹图像中含有的噪声干扰，而且与拉普拉斯算子锐化的图像相比，在纵向方向，Sobel算子处理的结果明显更优。2.3二值化算法指纹预处理过程中，将指纹图像二值化，对于后续的处理具有非常大的好处，这是因为图像的性质是由像素值来决定的，跟其他因素是无关的。这样处理就可以使指纹图像的预处理变得更加简单，有利于图像数据的压缩。图像二值化分为全局阈值法和局部阈值法[7]，本文采用局部阈值法bernsen方法，处理的结果如图2.4所示：图2.4Sobel锐化图像和Bernsen二值化的指纹图像对比2.4细化算法细化算法是指纹图像预处理的核心[8]。经二值化处理后，指纹图像纹线的清晰度基本可以了，然而其纹线宽度却可能不够均匀。虽然纹线的宽度大小并不影响指纹的特征信息，但却会影响指纹后期的特征提取，因此需要对其进行细化处理。在不影响指纹纹线连接的情况下，对二值化后的指纹图像进行细化处理，删除位于指纹纹线的边缘像素，最后使指纹图像只保留一个像素宽度[9]。目前图像细化方法有很多，但是一个优秀的细化算法应该是集连通性、中轴性、快速性和细化性等于一体的[10]。基于以上分析以及前人的经验，本文选择OPTA细化方法对指纹图像进行细化。细化的结果如图2.5所示：图2.5二值化与细化处理的指纹图像2.5本章小结本章论述了指纹预处理对于指纹识别的重要性，通过对指纹滤波、锐化、二值化和细化四个步骤的处理完成指纹预处理，从而得到适宜后续特征处理所需要的指纹预处理图像。第3章指纹的特征提取在指纹识别过程中，指纹的特征提取是必不可少的环节之一[11]。如果指纹特征不能够被精确的描述，那么后续的指纹识别，指纹分类根本无从谈起，严重的后果就是导致判别结果是错误的。由于指纹特征提取的重要性，国内外相关学者对特征提取的方法进行了一系列的研究。总的来说，对指纹图像的特征提取主要有两大块：一是又指纹的灰度图像直接进行特征提取，这样做的好处是速度快，但是缺点是识别结果取决于指纹图像的质量。二是提取经过预处理后的指纹图像的指纹特征，获取指纹的特征信息[12]。大量的实验表明，对指纹进行预处理后的指纹图像进行特征提取能够得到更高质量的指纹特征信息，而且得到的指纹特征信息也更加全面和健硕。3.1指纹分类特征很多专家和学者在指纹特征提取这方面都做了很多的工作，一般情况下将指纹特征提取分为两步：首先是对特征点的提取，第二是将伪特征点进行剔除。指纹具有和其他事物所不同的特性[13]，具体表现在：每个人的每个指纹是不相同的，指纹是终生都不会发生变化的。对指纹特征提取来说，主要是提取指纹的形态特征和细节特征[14]。对比不同的指纹图像其分辨率的高低，我们将指纹的特征分为全局特征和局部特征，以下是对指纹全局特征和局部特征的相关介绍。3.1.1全局特征指纹的全局特征主要是指在指纹的中心区域所形成的具有非同一般的结构形状的指纹，大部分都是指纹的全局纹路特征。全局特征主要包括：基本纹路图案、脊线、谷线、模式区、核心点、三角点等[15]。基本纹路图案：对指纹的纹路来说可将指纹分为斗形、箕形、弓形，基于指纹的识别都是根据这三种指纹形式来区分的；脊线：脊线是指在指纹图像里表现为灰度值小且是黑色的线条[16]；谷线：谷线是与脊线形状特征相反的指纹特征；模式区：主要是用来判别指纹是何种类型，模式区涵盖了指纹全局特征的区域；核心点：核心点在指纹纹路的末端，也是指纹纹路的渐进中心，可将它作为读取和对比指纹的参考点[17]；三角点：三角点是指从核心点出发后第一个开始分叉的点或者是末端的点[18]。3.1.2局部特征通常把指纹中的细节点(MinutiaPoints)当做指纹的局部特征，这是由于指纹的纹线并不是一直连续不断的，也不是平滑的，而是在指纹的纹线上经常有中断或者是分叉的[19]。而这些分叉或者中断的点就可以称之为指纹纹路的“细节点”，一般情况下，我们对指纹的坚定就是通过这些“细节点”进行识别的，尤其是打个现场的指纹图像质量比较差的时候，使用指纹的细节特征点信息就可以很好的对指纹的身份进行鉴定。一般来说，指纹识别系统只识别两种主要的细节特征就可以判别出来指纹的身份，即指纹的端点和它的分叉点。3.2分类特征提取对指纹纹路进行区分后，还要对同一类型的指纹进行识别，有的指纹虽然纹路相同但是其指纹的很多细节是不同的，这就要求对指纹图像中的细小差别进行识别，由3.1节的介绍可以知道如果要相对同一类型指纹进行识别，则需要提取指纹的细节特征。对指纹的细节特征而言，高质量的指纹图像，提取其细节特征是比较方便和快捷的[20]，只需要在提取指纹细节特征的时候找到其目标点，即指纹的端点和分叉点，而且对指纹图像质量较高的其提取的指纹特征还具有较高的识别度。然而，这只是针对具有较高质量的指纹图像，如果对于低质量的指纹图像，常规的指纹细节特征提取方法就没有那么顺利了，想全面而无遗漏的提取指纹的细节特征，同时在提取指纹细节特征的过程中不会引入伪特征点，这就需要将指纹图像进行细化，使细化后的指纹图像纹路完全细化，中间没有毛刺、间断等情况[21]。3.2.1细节特征点提取通常而言，提取的指纹细节特征主要包括以下几点：特征点的类型特征点的坐标；纹线方向；离散采样。本文只利用前3部分内容对指纹进行细节特征的提取。对指纹特征点进行提取是指纹细节特征提取的重点[22]，一般情况下都是采用8邻域方法提取特征。8邻域方法的核心为：将脊线上的点标记为“1”，将图像背景标记为“0”，将待测点（x，y）的8邻域循环进行比较，如果说“0”，“1”一共变化6次，则说明该点是分叉点的情况；若“0”，“1”变化了2次，则说明该点为端点。提取指纹细节特征点时，首先给其定义两个特征向量n和t，我们规定对指纹细节特征的提取算法有如下几个部分：提取两类目标特征点，即纹线的分叉点和纹线端点，然后对所有的目标特征点的t值进行运算，当t=2的时候，则说明该点为端点；如果t=6，则说明该点为分叉点；（3.1）其中，（3.2）删除边缘处的特征点：若指纹区域的分块图像周围有背景块，则就说明这个图像块是位于边缘处的[23]，然后将其标记下来，对在此块内的所有的特征点都予以删除；删除伪特征点：伪特征点是由短线和纹线间断形成的，搜索纹线端点的邻域，如果能够在其邻域内发现区别与此的纹线断点，则将该断点删除；将具有小毛刺和长毛刺的特征点进行删除；对于距离十分近的分叉点要删除；记录指纹特征信息：经过前5步处理以后，剩下的特征点就作为指纹图像真正的特征点。将这些特征点进行标记和记录，特别是其类型、方向和坐标信息，保存在预定的格式和文件中。3.2.2极坐标特征转换在指纹特征提取过程中，一般都是要提取出能够表征指纹最本质的特征，而且通常这些特征还能不会受图像变形等的影响。然而，指纹模式识别过程中，即使其输入的指纹图像和数据库中的指纹图像采集自同一个手指，得到的指纹图像仍然会受到这样那样的干扰，比如指纹图像的旋转、偏移等变化。因此为了能够克服指纹图像出现的这种问题，必须将这些采集得到的指纹图像通过一些变化提取出能够表征指纹图像的细节特征。指纹图像的特征大部分都表现为非线性的特征，如果某区域变化较大，然后该区域是呈放射状的向外扩散[24]，那么这样的非线性特征就能够在极坐标里得到比较优秀的表现。因此，本文预将细化处理的指纹特征利用极坐标变换的方法进行特征变换，以消除指纹图像因旋转、平移、压力变化等造成的影响。3.3本章小结在本章中，先阐述了特征提取效果的好坏直接影响到指纹识别的成败，然后介绍了指纹特征的分类，详细的对所选用的指纹特征进行特征的提取方法进行研究以及伪特征去除的方法，最后对极坐标特征进行转换以消除指纹图像因旋转、平移、压力变化等造成的影响。第4章基于神经网络的方案设计4.1神经网络简介神经网络是模仿人的思维方式而建立的一种非线性动力学系统，其特色在于对信息进行分布式处理和将非线性处理单元互联，对人类的大脑具有简单的模拟能力[25]。人工神经网络是20世纪40年代以后才出现的，它是由大量的非线性可调处理单元组成，即网络权值，人工神经网络具有大规模并行处理的能力。人工神经网路具有自适应与自组织性，泛化能力强非线性映射能力强等特点。基于本课题的任务书以及对神经网络知识的学习，本文拟选用BP神经网络及RBF神经网络实现对指纹的自动识别。4.2基于BP神经网络的指纹识别BP神经网络是按照误差逆传播的方式来训练的多层前馈神经网络，而且BP神经网络可以将问题的输入输出转变为非线性的优化问题[26]。BP神经网络使用以下学习规则，比如最速下降算法，用迭代运算不断调整网络权值和阈值，使网络输出与期望输出的均方根误差值达到最小。在前向计算过程中，输入信息由输入层经隐层传向输出层，若在输出层没有得到期望输出则进行反向传播[27]。4.2.1BP神经网络结构对于如下图4.1所示的神经网络模型，网络输入矢量,输出矢量，从输入层到输出层的权矩阵分别为。其中n为输入数，m为输出数，L表示第L层，即输出层。为第层至第层的权矩阵，。图4.1BP神经网络模型4.2.2BP神经网络的训练BP算法属于算法，是一种监督式的学习算法[28]。BP算法的本质是把样本的输入与输出这两个问题都转化为非线性优化的问题，然后利用梯度算法通过迭代运算求出权值问题的一种学习算法[29]。该算法的主要思想是：对于给定e个学习样本,其对应的输出样本为。学习的目的也就是利用网络的实际输出与目标矢量这两者之间的误差来修正权值，使得与期望的值尽可能的接近，从而使得网络输出层的误差的平方和达到最小值。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的[30]。每一次权值和偏差的变化都与网络的误差成正比，并以反向传播的方式传递到每一层[31]。BP神经网络的学习过程分为两部分：一是信号的正向传递；二是误差的反向传播[32]。当信号传播时，输入信息从输入层进入，经过隐层处理后,再传向输出层，每一层神经元的状态不会影响其它层的神经元，只会对下一层的神经元造成影响。假如输出层没有达到期望的输出，就会转移到误差反向传播过程，误差信号沿着原来的神经元通路返回。返回的过程中，逐一修改每一层神经元连接的权值[33]。这是一个重复不断迭代的过程，最后使得信号误差达到一个理想的范围之内。对照着指纹样本类型将指纹样本库的类别分类为4类，即左旋、右旋、漩涡、拱形4种，形成4个不同类别的样本库，然后对使用的BP神经网络利用样本库中的指纹特征子集进行网络权重训练，对于每个指纹来说其方向图特征为40个，因此把神经网络的输入节点设为40，然后假设BP神经网络的隐层节点为20个，由于指纹类别为4类，因此可以把输出节点设为4个。将BP神经网络训练完以后要记得保存网络权值，因为这个对后续的测试集验证有很重要的影响。BP神经网络训练的流程图如图4.2所示。图4.2训练BP神经网络流程图4.2.3实验结果及结论本文将指纹纹路的走向分为8方向（如图4.3所示），遍历预处理后的指纹图像的每一个纹线点并记录，然后进行统计，计算在8方向上比值最大的方向，并将该方向定义为主方向。利用8维向量记录从主方向开始计算的其他方向的比重，那么这个向量就可以表示出该指纹图像的整体特点。经过验证可知，该向量的值是有效的。P4P3P2P5PP1P6P7P8图4.2.1指纹图像的8方向图4.2.2P点的8邻域计算指纹的8维向量步骤:寻找指纹图像的每一个脊线点，然后将该点P的8个邻域按图4.2.2所示进行标记。根据该点8邻域的其余两点位置判别P点方向。判断是否有没有将脊线点都找到，否则返回步骤(1)。统计从方向1到方向8上的纹线点的数量，并将其设为；计算每个方向在总方向中所占的比重，假设第i个方向的比重为，其计算表达式为：（4.1）比较的大小，将最大的T设为主方向。从主方向开始按照逆时针方向将其比重赋值给8维向量，例如，主方向为方向4，则的赋值为。本文是基于FVC2004的指纹库所做的，其中共有指纹40枚，经过旋转，平移等操作后每个指纹图像都有8副图像，共有320个图像。本文就是基于这320个图形进行的验证，其中拱型共有：9枚指纹共72幅图像，左环共有：10枚指纹共80幅图像；右环共有：12枚指纹共96幅图像；漩涡型共有：9枚指纹共72幅图像。本节预利用BP神经网络对实验的指纹对象进行验证，利用BP神经网络的简单实用等方面的优点，识别指纹相对来说就会简单。对于实验对象来说，把实验对象进行分组，把一半指纹图像作为测试集，一半图像作为测试集进行验证。即拱型36幅，左环40幅，右环48幅，漩涡型36幅，进行验证。实验的结果如表4.1所示：表4.1BP神经网络分类识别率类别分布分类结果识别率训练测试拱型左环右环漩涡型拱型36363411094.4%左环40400381195%右环48480146195.8%漩涡型36360013597.2%由上表可以看出，利用BP神经网络进行网络训练，在训练完神经网络后进行测试集的测试，准确率也达到了很高的精度。而且该方法简单易行，可以利用Matlab本身自带的BP神经网络模型进行训练，分类速度还比较快，神经网络在指纹识别方面具有强大的兼容性和优越性，因此，本节的基于BP神经网络指纹识别是有效的。4.3基于RBF神经网络的指纹识别RBF神经网络是利用径向基函数构成的神经网络，径向基函数是在多维空间中进行插值，RBF神经网络是前向反馈神经网络，其结构和多层前馈神经网络是相似的，它是一种三层前向神经网络[34]。第一层作为输入层，第二层为隐藏层，隐层节点视问题而定，而在隐藏层中的变换函数就是径向基函数。RBF神经网络的思路是：将RBF作为隐层单元的“基”构成神经网络的隐层空间，然后隐含层再对输入矢量进行变换，将向量进行变换，使得在低维不可分的问题转换到高维空间可以变得线性可分[35]。因此，本文选用RBF神经网络作为指纹识别的工具，且用于和BP神经网络的识别结果进行对比。4.3.1实验结果及结论为了实验结果与BP神经网络的结果具有对比性，本实验采用BP神经网络使用的指纹特征进行验证，验证结果如表4.2所示：表4.2RBF神经网络分类识别率类别分布分类结果识别率训练测试拱型左环右环漩涡型拱型363635301097.2%左环40400390197.5%右环484800480100%漩涡型36360013597.2%由上表可以看出RBF神经网络对指纹的识别精度还是很高的，这是由于RBF神经网络采用高斯径向基函数作为非线性激活函数，高斯径向基函数具有关于中心对称的性质，而RBF网络的准确性不在于其选择何种径向基函数，关键因素如何选择基函数中心[36]。4.4BP神经网络与RBF神经网络对比由4.3和4.4的实验结果可知，本文里采用RBF神经网络的结果要略优于BP神经网络，这里对这种结果进行简要分析。在网络结构上，BP神经网络采用的是权连接，即层与层之间是靠权值进行传递的，而RBF神经网络是输入层与隐藏层之间直接连接，隐层到输出层之间才采用权连接。BP神经网络隐层函数一般选用非线性函数，而RBF神经网络隐层函数一般选用具有中心对称性质的径向基函数。另外，BP神经网络的网络节点不好确定，RBF神经网络的网络节点比较容易确定，这也就使得其网络性能略好于BP神经网络。在训练算法上，BP神经网络需要确定连接权值和阈值，很容易限于局部最小值，导致其收敛速度降低，而且其训练结果的准确与否与其输入对象有直接的关系。RBF神经网络却在这方面表现出了良好的性能，它可以动态的确定网络的数据中心，收敛速度也快。在资源利用方面，BP神经网络的权值确定由每个输出层的输出节点均方差值来确定，训练的结果只能是所有任务的折中，对某个任务来说，可能不是其最好的结果。而对于RBF神经网络来说，其隐含层单元只靠训练样本的容量，类型和分布来决定，与所要执行的什么任务无关，因此它能将各个任务之间的影响降到最低，达到更加优良的效果。4.5本章小结本章先是对神经网络作了简要介绍，然后分别建立BP神经网络和RBF神经网络，对两个神经网络进行训练，通过仿真实验得出的结果将二者进行对比，分析得出了RBF神经网络相较于BP神经网络在指纹识别的应用中在网络结构上、训练算法上和资源利用方面上的优点。结论指纹识别在现在工程中有很高的应用价值，本文在对指纹库中的指纹图像进行预处理，特征提取的基础上，提取了指纹的方向特征和细节特征，将这些特征作为神经网络的输入矢量预测其准确率。本文分别针对BP神经网络和RBF神经网络做了对比，结果显示，利用RBF神经网络识别网络的准确率要比BP神经网络稍微好一些，这是因为RBF神经网络以具有对称中心的径向基函数作为其非线性函数，而且RBF神经网络在进行识别的过程中，不依赖于任务量的大小，而是只需要确定网络数据的参数中心即可准确的定位其隐层中心，因此表现出了非常好的性能。然而，本文只是在前人的基础上对这两种神经网络做了一个仿真实验，而且由于所选择的的指纹的质量都比较高，所以神经网络识别的结果可能都稍微好些，下一步将继续深入开展对这两种神经网络的学习，以期能够达到对图像采集质量不高的指纹做到准确识别。致谢经过查阅资料、开题、仿真以及论文的撰写和修改，至此，我的论文定稿终于完成了。在完成论文相关工作的整个过程期间，得到了各方各面的帮助。我要感谢我的论文指导老师刁晨老师，在刁老师的悉心指点下，我才能如期完成本文的定稿。在前期查阅相关资料和论文撰写阶段，前人的资料和研究成果对我有很大的帮助，在这里我要感谢在本文中引用到的参考文献的诸位作者。最后，感谢在我完成论文期间关心我、帮助过我的老师、同学和朋友，他们或多或少都对我有所帮助。

参考文献杨帆.数字图像处理与分析[M].北京航空航天大学出版社,2007:38-40李俊山，李旭.数字图像处理[M].清华大学出版社,2007.4:73-76赵建明.指纹识别研究初探[M].电子工业出版社,2000:12-25马小妹.指纹图像的分类和识别[D].大连理工大学,2002.23-26家锋，唐降龙，赵泉.一个基于特征点匹配的联机指纹鉴别系统[J].哈尔滨工业大学学报.2002,34(1):132-136玛国进,顾国华,张保民.指纹图像预处理与特征提取[M].计算机应用研究，2004:183-186.韩涛.指纹图像预处理与特征提取算法研究[D].华中科技大学.2005:36-40杨静.基于神经网络的指纹识别[D].北京工业大学.2003王敏,杨永跃,洪占勇.基于MATLAB指纹图像处理与识别的研究[J].电脑知识与技术.2014,(4):2359-2362.张彤,肖南峰.基于BP网络的指纹识别系统[J].重庆理工大学学报.2010,(1):47-50.余正红.基于遗传神经网络的指纹分类与识别的研究与实现[D].武汉理工大学,2007:42-44NagalyKA.Fingerpeintclassificationusingartificialneuralnetworks:acombinedstruclaralandstatisticalapproach[J].NeuralNetworks.2001,18(3):49-53刘卫国.MATLAB程序设计与应用[M].高等教育出版社,2006.闫敬文.数字图像处理[M].国防工业出版社,2007:130-131K.M.Hornik,M.StinchcombeandH.White.Multilayerfeedfouwardnetworksareuniversalapproxima[J].NeuralNetworks.2005,2(5):359-366王建永.指纹图像的特征提取与匹配[D].大连理工大学.2003:12-16MartinT.Hagan,HowardB.Demuth