Artificial intelligence 神经网络指纹图谱

我们有一个开发自动指纹识别系统（AFIS）的项目。我们已经阅读了很多有关该领域的论文，还在阅读指纹识别手册。我们无法理解的是；我们到底要在哪里使用神经网络

---

到目前为止，我们得到了；1） 应用直方图等式+DFT（如有必要）以获得对比度并去除噪声。2） 图像二值化+3）图像细化（形态学细化）这些都可以。然后进行特征提取。在3x3窗口中，我们搜索细节点，寻找像中间的-1这样的模式，并且只有一个其他1个邻居，所以它是终止-。然后我们得到细节点，并使用庞加莱指数法得到奇异点。但在那之后，当我们有细节和奇点时，我们将在哪里使用神经网络呢？如果要分类，如何分类？既然我们用庞加莱指数提取奇异点，为什么我们需要人工神经网络来分类？如果要提取细节点，我们不是用特征提取吗？您可能想指出哪些资源？谢谢。

我相信你说的神经网络是指多层感知器（MLP）。对于你的情况，它打算对指纹进行分类。但是如果你的算法已经识别了它们，那么你就不需要MLP。否则，包含细节点的新特性（比如

X

）就是网络的输入（图1）。和

y

是指纹标签。MLP将学习一个函数，该函数将特征作为参数，并返回其可能属于的概率（由softmax函数计算）。这在scikit中很容易实现。为了演示，我对下面的代码片段使用逻辑回归，但所有有监督的神经网络算法都遵循相同的过程

from sklearn import linear_model

# Initialize Logistic Regression

lr = linear_model.LogisticRegression(C=10)

# Let X be the training data (Fingerprint Features)
X = [[0,1],[2,3],[1,5]]
# Let y be their labels
y = [0, 1, 2]

# Train Logistic Regression through X and y
lr.fit(X,y)
Out[284]: 
LogisticRegression(C=10, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, penalty='l2', random_state=None, tol=0.0001)
# Return their probabilities
lr.predict_proba(X)
Out[285]: 
array([[ 0.64974581,  0.144104  ,  0.20615019],
       [ 0.04442027,  0.81437946,  0.14120027],
       [ 0.04096602,  0.0840223 ,  0.87501168]])

第一个值

0.64974581

是

X

中样本

[0,1]

分配给类

0

的概率。因为它是该行向量中的最高值，它将返回值

0

，第二行和第三行向量将分别返回

1

和

2

                          (Figure 1 : Multi-layer Perceptron)

---

我相信你说的神经网络是指多层感知器（MLP）。对于你的情况，它打算对指纹进行分类。但是如果你的算法已经识别了它们，那么你就不需要MLP。否则，包含细节点的新特性（比如

X

）就是网络的输入（图1）。和

y

是指纹标签。MLP将学习一个函数，该函数将特征作为参数，并返回其可能属于的概率（由softmax函数计算）。这在scikit中很容易实现。为了演示，我对下面的代码片段使用逻辑回归，但所有有监督的神经网络算法都遵循相同的过程

from sklearn import linear_model

# Initialize Logistic Regression

lr = linear_model.LogisticRegression(C=10)

# Let X be the training data (Fingerprint Features)
X = [[0,1],[2,3],[1,5]]
# Let y be their labels
y = [0, 1, 2]

# Train Logistic Regression through X and y
lr.fit(X,y)
Out[284]: 
LogisticRegression(C=10, class_weight=None, dual=False, fit_intercept=True,
          intercept_scaling=1, penalty='l2', random_state=None, tol=0.0001)
# Return their probabilities
lr.predict_proba(X)
Out[285]: 
array([[ 0.64974581,  0.144104  ,  0.20615019],
       [ 0.04442027,  0.81437946,  0.14120027],
       [ 0.04096602,  0.0840223 ,  0.87501168]])

第一个值

0.64974581

是

X

中样本

[0,1]

分配给类

0

的概率。因为它是该行向量中的最高值，它将返回值

0

，第二行和第三行向量将分别返回

1

和

2

                          (Figure 1 : Multi-layer Perceptron)