3．1 輸入層的設計
在圖像經(jīng)過二維小波處理后，每一幅圖像就可以用一個向量來表示，提取每一幅圖像的低頻部分作為神經(jīng)網(wǎng)絡的輸入。這樣可以減少神經(jīng)網(wǎng)絡的輸入維數(shù)，降低神經(jīng)網(wǎng)絡的數(shù)據(jù)處理量。
3．2 隱層的選擇
隱層的神經(jīng)元數(shù)目與問題的要求、輸入／輸出單元的數(shù)目都有直接關系，數(shù)目太多會導致學習時間太長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱單元數(shù)。參照以往實驗，本次采用了公式n1=n+m+a(m為輸出神經(jīng)元數(shù)，n為輸入單元數(shù)，a為[1，10]之間的常數(shù))來確定隱層的神經(jīng)元數(shù)目，取得了較好的效果。
3．3 輸出層的設計
輸出層的維數(shù)可根據(jù)使用者的要求確定。如果將BP網(wǎng)絡用做分類器，類別模式一共有m個，那么輸出層神經(jīng)元個數(shù)為m或log2m。在實驗時采用了20個人的掌紋圖像，因此類別總共有20個，即m=20，所以應取輸出層神經(jīng)元個數(shù)為20或log220，本次選取的輸出層神經(jīng)元個數(shù)為20。

4 實驗結果和分析
本文實驗是借助香港理工大學的Poly-U掌紋圖像庫進行的。Poly-U掌紋圖像庫中包含40人的掌紋圖像，每人10幅圖像，共400幅，每幅原始圖像256個灰度級，分辨率為129×129。本次試驗隨機挑選20人，每人10幅的圖像中，選擇5幅用來作為樣本數(shù)據(jù)進行訓練，另外5幅作為測試樣本用來進行檢驗。掌紋圖像首先經(jīng)過圖像預處理，再經(jīng)過小波變換來4為未經(jīng)過小波變換處理的神經(jīng)網(wǎng)絡訓練圖，圖5為經(jīng)過小波變換處理的神經(jīng)網(wǎng)絡訓練圖。圖6為兩種方法下的不同掌紋檢測樣本的識別效果圖。

由圖4和圖5的實驗結果可知，未經(jīng)過小波變換處理的圖像直接送到神經(jīng)網(wǎng)絡，其網(wǎng)絡訓練步數(shù)為500，經(jīng)過小波變換處理后的圖像送到神經(jīng)網(wǎng)絡，其訓練步數(shù)為210，發(fā)現(xiàn)收斂步數(shù)明顯降低；收斂用時明顯減少；識別率明顯提高。同時由圖6可知，這種將小波變換與BP神經(jīng)網(wǎng)絡相結合進行掌紋識別方法不僅可以大大縮短神經(jīng)網(wǎng)絡的訓練時間，同時也能提高人臉圖像的識別率。

5 結束語
針對以往直接采用BP神經(jīng)網(wǎng)絡對掌紋進行識別時收斂速度慢、識別率不高等問題，本文采用小波變換與BP神經(jīng)網(wǎng)絡相結合的方法來對掌紋進行識別。通過實驗證明，這種方法與單一的BP神經(jīng)網(wǎng)絡的方法相比較，具有訓練時間短、識別率高等優(yōu)點。如何克服BP神經(jīng)網(wǎng)絡容易陷于局部極小值問題將是今后研究的一個方向。