摘要：目的目前的指紋分類模型存在操作繁瑣、參數(shù)較多、所需數(shù)據(jù)規(guī)模大、無(wú)法充分利用指紋特征信息等問(wèn)題,而進(jìn)行快速準(zhǔn)確的指紋分類在大型指紋識(shí)別系統(tǒng)中至關(guān)重要。方法傳統(tǒng)的機(jī)器學(xué)習(xí)方法大多假設(shè)已標(biāo)注數(shù)據(jù)與未標(biāo)注數(shù)據(jù)的分布是相同的,而遷移學(xué)習(xí)允許源空間、任務(wù)空間在測(cè)試集和訓(xùn)練集中的分布是不同的,并且遷移學(xué)習(xí)僅專注目標(biāo)任務(wù)的訓(xùn)練,使得網(wǎng)絡(luò)模型根據(jù)需求更具個(gè)性化。因此,本文提出一種基于遷移學(xué)習(xí)的輕量級(jí)指紋分類模型。該模型結(jié)合遷移學(xué)習(xí),首先采用梯度估計(jì)的方法求取指紋圖像的方向場(chǎng)圖并且做增強(qiáng)處理;然后將擴(kuò)展的指紋方向場(chǎng)圖數(shù)據(jù)集用于本文提出的輕量級(jí)Finger-SqueezeNet的預(yù)訓(xùn)練,使其達(dá)到一定的分類效果,從而初步實(shí)現(xiàn)網(wǎng)絡(luò)模型參數(shù)的調(diào)整;最后保留預(yù)訓(xùn)練模型部分的網(wǎng)絡(luò)參數(shù)不變,使用指紋圖像數(shù)據(jù)集NIST-DB4對(duì)Finger-SqueezeNet網(wǎng)絡(luò)進(jìn)行參數(shù)微調(diào)(finetuning)。結(jié)果在使用相同的指紋數(shù)據(jù)集在本文提出的純網(wǎng)絡(luò)模型進(jìn)行分類訓(xùn)練后發(fā)現(xiàn),未采用遷移學(xué)習(xí)方法對(duì)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練得到的平均分類結(jié)果為93%,而通過(guò)預(yù)訓(xùn)練后的網(wǎng)絡(luò)模型可以達(dá)到98.45%,最終采用單枚指紋測(cè)試的方法得到的測(cè)試結(jié)果達(dá)到95.73%。對(duì)比同種類型的方法以及驗(yàn)證標(biāo)準(zhǔn)后可知,本文的指紋分類模型在大幅度減少網(wǎng)絡(luò)參數(shù)的同時(shí)仍能達(dá)到較高的準(zhǔn)確率。結(jié)論采用指紋類內(nèi)遷移學(xué)習(xí)方法和輕量級(jí)神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行分類,適當(dāng)利用了指紋特征信息,而且有望使指紋分類模型拓展到移動(dòng)端。