基于小波神经网络的掌纹识别方法的研究

3．1 输入层的设计
在图像经过二维小波处理后，每一幅图像就可以用一个向量来表示，提取每一幅图像的低频部分作为神经网络的输入。这样可以减少神经网络的输入维数，降低神经网络的数据处理量。
3．2 隐层的选择
隐层的神经元数目与问题的要求、输入／输出单元的数目都有直接关系，数目太多会导致学习时间太长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数。参照以往实验，本次采用了公式n1=n+m+a(m为输出神经元数，n为输入单元数，a为[1，10]之间的常数)来确定隐层的神经元数目，取得了较好的效果。
3．3 输出层的设计
输出层的维数可根据使用者的要求确定。如果将BP网络用做分类器，类别模式一共有m个，那么输出层神经元个数为m或log2m。在实验时采用了20个人的掌纹图像，因此类别总共有20个，即m=20，所以应取输出层神经元个数为20或log220，本次选取的输出层神经元个数为20。

4 实验结果和分析
本文实验是借助香港理工大学的Poly-U掌纹图像库进行的。Poly-U掌纹图像库中包含40人的掌纹图像，每人10幅图像，共400幅，每幅原始图像256个灰度级，分辨率为129×129。本次试验随机挑选20人，每人10幅的图像中，选择5幅用来作为样本数据进行训练，另外5幅作为测试样本用来进行检验。掌纹图像首先经过图像预处理，再经过小波变换来4为未经过小波变换处理的神经网络训练图，图5为经过小波变换处理的神经网络训练图。图6为两种方法下的不同掌纹检测样本的识别效果图。

由图4和图5的实验结果可知，未经过小波变换处理的图像直接送到神经网络，其网络训练步数为500，经过小波变换处理后的图像送到神经网络，其训练步数为210，发现收敛步数明显降低；收敛用时明显减少；识别率明显提高。同时由图6可知，这种将小波变换与BP神经网络相结合进行掌纹识别方法不仅可以大大缩短神经网络的训练时间，同时也能提高人脸图像的识别率。

5 结束语
针对以往直接采用BP神经网络对掌纹进行识别时收敛速度慢、识别率不高等问题，本文采用小波变换与BP神经网络相结合的方法来对掌纹进行识别。通过实验证明，这种方法与单一的BP神经网络的方法相比较，具有训练时间短、识别率高等优点。如何克服BP神经网络容易陷于局部极小值问题将是今后研究的一个方向。