專利名稱：基于分級(jí)分類器的指紋圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，涉及指紋圖像分類，具體是ー種基于分級(jí)分類器的指紋圖像分類方法。
背景技術(shù)：
自動(dòng)化指紋識(shí)別系統(tǒng)對(duì)目標(biāo)用戶進(jìn)行識(shí)別需要目標(biāo)用戶的指紋圖像與指紋庫(kù)中的指紋圖像進(jìn)行一一比較。很多法院和民用產(chǎn)品中的指紋庫(kù)可能很大會(huì)導(dǎo)致處理時(shí)間的大大增加和精確度的降低。解決這種問(wèn)題的通用方法就是對(duì)具有相似特征的指紋圖像進(jìn)行分類。大部分的分類算法都是基于E. Henry在文章Classification and Uses ofFinger Prints, Rouledge, 1900中提出的Galton-Henry分類原則。通常的指紋被分為5類，分別為拱型A、帳篷弧型T、左旋型L、右旋型R和螺紋型W。對(duì)指紋進(jìn)行分類最簡(jiǎn)單的ー種方法是基于奇異點(diǎn)的方法，指紋中經(jīng)常存在兩類奇異點(diǎn)，分別為核心點(diǎn)和三角點(diǎn)。M. Liu在文章Fingerprint classification basedon adaboost learning from singu-iarity features, Pattern Recognition 43 い)(2010) 1062 - 1070中提出ー種自適應(yīng)增強(qiáng)學(xué)習(xí)算法，通過(guò)檢測(cè)在多種縮放下的奇異點(diǎn)組建特征向量，然后將自適應(yīng)增強(qiáng)學(xué)習(xí)算法用在決策樹(shù)中設(shè)計(jì)分類器。這種方法操作簡(jiǎn)單，只需通過(guò)奇異點(diǎn)的數(shù)量、類型和相關(guān)位置可以很容易的對(duì)指紋進(jìn)行分類。但是，奇異點(diǎn)對(duì)噪聲非常敏感以至于提取的奇異點(diǎn)本身的可信度就不高，會(huì)出現(xiàn)漏提取和誤提取的情況，另外一個(gè)問(wèn)題是奇異點(diǎn)，尤其是三角點(diǎn)在指紋圖像中可能不會(huì)出現(xiàn)，種種問(wèn)題導(dǎo)致這種方法不能正常工作。當(dāng)基于奇異點(diǎn)的方法無(wú)法進(jìn)行準(zhǔn)確分類時(shí)，可以通過(guò)跟蹤脊線流向來(lái)進(jìn)行彌補(bǔ)，根據(jù)局部方向場(chǎng)的曲率可以跟蹤出脊線流向。J.-H. Chang和K.-C. Fan,在A new model foriingerprint classification by ridge distribution sequences, Pattern Recognition35(6) (2002) 1209 - 1223中定義了 10種基本的脊線樣式作為特征，通過(guò)分析脊線的形狀和分布來(lái)組建分類器。S. C. Dass 和 A. K. Jain 在文章 fingerprint classification usingorientation field flow curves,in:InProceedings of ICVGIP, 2004，pp. 650 - 655 中依照一個(gè)點(diǎn)從一個(gè)終點(diǎn)橫穿到另ー個(gè)終點(diǎn)的方法分析了等高線圖像中的位面切線。脊線流向法的缺點(diǎn)是不能區(qū)分拱形和帳篷弧型，當(dāng)三角點(diǎn)和核心點(diǎn)鄰近時(shí)，這種方法又不能把左旋和右旋型從帳篷弧型中區(qū)分出來(lái)。因此，脊線流向法經(jīng)常用來(lái)彌補(bǔ)基于奇異點(diǎn)的指紋分類方法的不足或者和其他特征聯(lián)合起來(lái)以訓(xùn)練分類器。方向場(chǎng)圖像是最常用來(lái)與脊線流向聯(lián)合起來(lái)訓(xùn)練分類器的一類特征，大多數(shù)現(xiàn)存的指紋分類算法都用到了方向場(chǎng)圖像，事實(shí)上，奇異點(diǎn)和脊線流向圖都可以從方向場(chǎng)圖像中提取出來(lái)。很多方法直接使用方向場(chǎng)圖像作為特征，通過(guò)對(duì)方向場(chǎng)圖像進(jìn)行簡(jiǎn)單的網(wǎng)格化提取特征，這種方法導(dǎo)致非常高維的特征向量。為減少內(nèi)存占用和計(jì)算時(shí)間，很多降維技術(shù)被用來(lái)減少特征維數(shù)。Karhunen-Loeve變換經(jīng)常被用來(lái)進(jìn)行降維操作,Karhunen-Loeve變換的一種改進(jìn)方法MKL則不僅可以用來(lái)進(jìn)行降維操作還可以進(jìn)行分類。使用非線性判別分析也可以對(duì)方向場(chǎng)向量進(jìn)行降維和分類。但是由于指紋圖像中細(xì)小差別的存在，使得基于方向場(chǎng)圖像的分類方法也是ー個(gè)巨大的 挑戰(zhàn)。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的日漸成熟，很多機(jī)器學(xué)習(xí)方法被提出來(lái)用于固定大小的指紋特征分類，神經(jīng)網(wǎng)絡(luò)的方法也已經(jīng)在指紋分類中得到廣泛應(yīng)用并取得比較好的效果，這些方法包括多層級(jí)人造神經(jīng)網(wǎng)絡(luò)、概率性神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)。Jain等在 A multicnanne丄 approach to iingerprmtclassification, IEEE Transactions onPattern Analysis and Machine Intel-Iigence 21 (4) (1999) 348 - 359 中提出使用 K最近鄰分類器來(lái)找出指紋碼特征向量中最相似的兩類，然后訓(xùn)練ー個(gè)專門的神經(jīng)網(wǎng)絡(luò)方法對(duì)其進(jìn)行區(qū)分。但是在低質(zhì)量指紋圖像中，上述方法的精確度都會(huì)大受影響。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于分級(jí)分類器的指紋圖像分類方法，以提高指紋圖像分類的精確度。為實(shí)現(xiàn)上述目的，本發(fā)明的指紋分類方法包括如下步驟(I)使用快速傅里葉變換對(duì)指紋圖像進(jìn)行增強(qiáng)，將增強(qiáng)后的指紋圖像I分成wXw的塊，并用梯度法提取指紋圖像I的塊方向場(chǎng)Θ (x，y)，其中x，y分別表示圖像塊的橫坐標(biāo)和縱坐標(biāo)；(2)根據(jù)塊方向場(chǎng)計(jì)算每ー塊指紋圖像的質(zhì)量q(x，y)；(3)將步驟(I)提取的指紋圖像的塊方向場(chǎng)轉(zhuǎn)化為ー個(gè)連續(xù)的向量場(chǎng)v(x,y) = (v1(x,y), v2(x,y)),其中，b1(x’y)= cos (2 θ (χ, y))，v2(x；y) = sin (2 θ (χ, y))；(4)利用步驟(3)提取的連續(xù)向量場(chǎng)和步驟(2)計(jì)算的圖像質(zhì)量建立聯(lián)合能量函數(shù)J(u(x,y)) = D(u(xjy)) + U ε (u(x,y))，其中，u(x,y) = (u1(x,y)，u2(x,y))為待求的歸ー化后的方向場(chǎng)，u1(x,y)表示待求塊方向場(chǎng)的余弦值，u2(x,y)表示待求塊方向場(chǎng)的正弦值，=II ll\x,y) _V(x.v) I卜 ^χ γ，為源向量場(chǎng) V(x,y)和歸ー化后的向量場(chǎng) U(x,y)之間的差別項(xiàng)，- ]~ηΥ 丨^uHr vi 11 dvdv，為懲罰項(xiàng)，Ω表不指紋圖像的有效區(qū)域，μ為決定
差別項(xiàng)和懲罰項(xiàng)關(guān)系的歸ー化參數(shù)，II... 112表示I范數(shù)的平方；(5)求解使得聯(lián)合能量函數(shù)J(u(x,y))取得最小值的u(x,y)，得出歸ー化后的方向場(chǎng)
W(XJ) =デ唭中atan_i表示反正切，得出指紋圖像的方向場(chǎng)圖像B ；(6)用歸ー化后的方向場(chǎng)對(duì)指紋圖像I進(jìn)行復(fù)數(shù)濾波，并判定指紋的類型(6a)將復(fù)數(shù)濾波后指紋圖像中每一點(diǎn)的響應(yīng)與其最大響應(yīng)閾值E進(jìn)行比較，如果某一點(diǎn)的響應(yīng)大于最大響應(yīng)閾值E，則判定該點(diǎn)為核心點(diǎn)，反之該點(diǎn)不是核心點(diǎn)，其中O.4〈Ε〈0· 8 ；(6b)將復(fù)數(shù)濾波的最大響應(yīng)與其最小響應(yīng)閾值F進(jìn)行比較，如果復(fù)數(shù)濾波的最大響應(yīng)小于最小響應(yīng)閾值F，并且指紋圖像中沒(méi)有核心點(diǎn)，則判定指紋為拱型A，反之，執(zhí)行步驟(6c)，其中 O. 3〈F〈0. 7，并且 F〈E ；(6c)通過(guò)對(duì)塊方向場(chǎng)圖像B進(jìn)行雙線性插值運(yùn)算提取指紋圖像I的點(diǎn)方向場(chǎng)，根據(jù)點(diǎn)方向場(chǎng)提取指紋脊線上的采樣點(diǎn)，求每對(duì)相鄰采樣點(diǎn)連線方向上的単位向量；(6d)設(shè)定第一個(gè)采樣點(diǎn)與第二個(gè)采樣點(diǎn)連線方向上的単位向量為初始向量，以每個(gè)單位向量與初始單位向量的內(nèi)積為縱坐標(biāo)，采樣點(diǎn)序列為橫坐標(biāo)，作出脊線等高圖，如果在脊線等高圖中有兩個(gè)局部極大值在O. 8到I之間，兩個(gè)局部極小值在-O. 8到-I之間，則判定指紋為螺紋型W，反之，執(zhí)行步驟(6e)； (6e)根據(jù)方向場(chǎng)圖像B和復(fù)數(shù)濾波每一點(diǎn)的響應(yīng)組建特征向量，用主成分分析法對(duì)特征向量進(jìn)行降維，使用K最近鄰分類算法對(duì)降維后的特征向量進(jìn)行粗分類，找出跟真實(shí)指紋圖像最接近的K個(gè)鄰域，其中包含樣本數(shù)量最多的兩個(gè)鄰域所代表的類型為與真實(shí)指紋類型最接近的兩種類型，如果這兩種類型中包含左旋型L或右旋型R，不包含螺紋型W，脊線等高圖中局部極大值在O. 8到I之間，局部極小值在-O. 8到-I之間，且指紋脊線上采樣點(diǎn)的終點(diǎn)都在初始點(diǎn)的左側(cè)，則判定指紋為左旋型L，若采樣點(diǎn)的終點(diǎn)都在初始點(diǎn)的右偵牝則判定指紋為右旋型R，反之，執(zhí)行步驟(6f)；(6f)使用支持向量機(jī)對(duì)K最近鄰分類算法輸出的兩種類型進(jìn)行進(jìn)一步分類，輸入K最近鄰分類算法粗分類出來(lái)的兩種類型，輸入的粗分類類型對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，訓(xùn)練后的支持向量機(jī)輸出的分類結(jié)果為最終的指紋類型。本發(fā)明由于提出了一種歸ー化方向場(chǎng)模型使得提取的方向場(chǎng)更為精確；同時(shí)由于本發(fā)明用方向場(chǎng)和復(fù)數(shù)濾波響應(yīng)的融合表達(dá)指紋特征，即用方向場(chǎng)代表脊線的方向信息，用復(fù)數(shù)濾波響應(yīng)表達(dá)奇異點(diǎn)的特征，使二者能互相彌補(bǔ)對(duì)方的不足，提高了指紋各類之間的區(qū)分性；此外由于本發(fā)明提出ー個(gè)分級(jí)分類器來(lái)對(duì)指紋進(jìn)行分類，這種分類器對(duì)指紋各類之間的大差別和小差別都具備很好的魯棒性。實(shí)驗(yàn)結(jié)果表明，用本發(fā)明的方法對(duì)指紋分類具備更好的精確度。


圖I是本發(fā)明的整體流程圖；圖2為本發(fā)明中的脊線流向和脊線等高圖；圖3為本發(fā)明與現(xiàn)有梯度法在低質(zhì)量指紋圖像中的效果對(duì)比圖。
具體實(shí)施例方式參照?qǐng)DI，本發(fā)明的指紋分類方法包括如下步驟步驟1，提取指紋圖像的方向場(chǎng)。(I. I)用快速傅里葉變換對(duì)指紋圖像進(jìn)行增強(qiáng)，將增強(qiáng)后的指紋圖像I分成wX w的塊，用梯度法提取指紋圖像I的塊方向場(chǎng)Θ (x，y)，其中x，y分別表示圖像塊的橫坐標(biāo)和縱坐標(biāo)，w=32 ；(I. 2)計(jì)算每一塊指紋圖像內(nèi)像素的梯度平均值M(x,y)和一致性coh(x,y)
權(quán)利要求
1.一種通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，包括以下步驟 (1)使用快速傅里葉變換對(duì)指紋圖像進(jìn)行增強(qiáng)，將增強(qiáng)后的指紋圖像I分成WXW的塊，并用梯度法提取指紋圖像I的塊方向場(chǎng)Θ (x, y)，其中X，y分別表示圖像塊的橫坐標(biāo)和縱坐標(biāo)； (2)根據(jù)塊方向場(chǎng)計(jì)算每ー塊指紋圖像的質(zhì)量q(x,y); (3)將步驟(I)提取的指紋圖像的塊方向場(chǎng)轉(zhuǎn)化為ー個(gè)連續(xù)的向量場(chǎng) V(x, y) = (Vl(X,y)，v2(x,y))， 其中，Vi(x,y) = cos (2 θ (χ, y)), v2(x；y) = sin (2 θ (χ, y))； (4)利用步驟(3)提取的連續(xù)向量場(chǎng)和步驟(2)計(jì)算的圖像質(zhì)量建立聯(lián)合能量函數(shù) J(u(x,y)) = D(u(xjy)) + y ε (u(x,y))， 其中，u(x,y) = (u1(x,y)，u2(x,y))為待求的歸ー化后的方向場(chǎng)，u1(x,y)表示待求塊方向場(chǎng)的余弦值，u2(x,y)表示待求塊方向場(chǎng)的正弦值，^(U(x,y)) = ^ Jn^(Α·,ν) Il U(x,y) ^V(x,y) Il dxdy，為源向量場(chǎng) V(x,y)和歸一化后的向量場(chǎng) U(x,y) 之間的差別項(xiàng)， 咖^) = 1[丨1%(が1|2 ，為懲罰項(xiàng)，Ω表示指紋圖像的有效區(qū)域，μ為決定差別 一 =1項(xiàng)和懲罰項(xiàng)關(guān)系的歸ー化參數(shù)，II... 112表示I范數(shù)的平方； (5)求解使得聯(lián)合能量函數(shù)J(u(x,y))取得最小值的u(x,y)，得出歸ー化后的方向場(chǎng) IΘ\χ,γ) = -α1αη1^-唭中atan_i表示反正切，得出指紋圖像的方向場(chǎng)圖像B ； ZwI(U) (6)用歸ー化后的方向場(chǎng)對(duì)指紋圖像I進(jìn)行復(fù)數(shù)濾波，并判定指紋的類型 (6a)將復(fù)數(shù)濾波后指紋圖像中每一點(diǎn)的響應(yīng)與其最大響應(yīng)閾值E進(jìn)行比較，如果某一點(diǎn)的響應(yīng)大于最大響應(yīng)閾值E，則判定該點(diǎn)為核心點(diǎn)，反之該點(diǎn)不是核心點(diǎn)，其中O. 4〈Ε〈0· 8 ； (6b)將復(fù)數(shù)濾波的最大響應(yīng)與其最小響應(yīng)閾值F進(jìn)行比較，如果復(fù)數(shù)濾波的最大響應(yīng)小于最小響應(yīng)閾值F，并且指紋圖像中沒(méi)有核心點(diǎn)，則判定指紋為拱型A，反之，執(zhí)行步驟(6c)，其中 O. 3〈F〈0. 7，并且 F〈E ； (6c)通過(guò)對(duì)塊方向場(chǎng)圖像B進(jìn)行雙線性插值運(yùn)算提取指紋圖像I的點(diǎn)方向場(chǎng)，根據(jù)點(diǎn)方向場(chǎng)提取指紋脊線上的采樣點(diǎn)，求每對(duì)相鄰采樣點(diǎn)連線方向上的単位向量； (6d)設(shè)定第一個(gè)采樣點(diǎn)與第二個(gè)采樣點(diǎn)連線方向上的単位向量為初始向量，以每個(gè)單位向量與初始單位向量的內(nèi)積為縱坐標(biāo)，采樣點(diǎn)序列為橫坐標(biāo)，作出脊線等高圖，如果在脊線等高圖中有兩個(gè)局部極大值在O. 8到I之間，兩個(gè)局部極小值在-O. 8到-I之間，則判定指紋為螺紋型W，反之，執(zhí)行步驟(6e)； (6e)根據(jù)方向場(chǎng)圖像B和復(fù)數(shù)濾波每一點(diǎn)的響應(yīng)組建特征向量，用主成分分析法對(duì)特征向量進(jìn)行降維，使用K最近鄰分類算法對(duì)降維后的特征向量進(jìn)行粗分類，找出最接近真實(shí)指紋類型的兩類，如果此兩類中包含左旋型L或右旋型R，不包含螺紋型W，脊線等高圖中局部極大值在O. 8到I之間，局部極小值在-O. 8到-I之間，且指紋脊線上采樣點(diǎn)的終點(diǎn)都在初始點(diǎn)的左側(cè)，則判定指紋為左旋型L，若采樣點(diǎn)的終點(diǎn)都在初始點(diǎn)的右側(cè)，則判定指紋為右旋型R，反之，執(zhí)行步驟(6f)； (6f)使用支持向量機(jī)對(duì)K最近鄰分類算法輸出的兩種類型進(jìn)行進(jìn)一步分類，其支持向量機(jī)輸出的分類結(jié)果為最終的指紋類型。
2.根據(jù)權(quán)利要求I所述的通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，其中步驟(2)所述根據(jù)塊方向場(chǎng)計(jì)算每ー塊指紋圖像的質(zhì)量q(x，y)，按如下公式計(jì)算 Q(x,y) = f(M(x,y)J MljM2) · , C1, C2), 式中，M1為塊內(nèi)方向場(chǎng)均值的下限，M2為塊內(nèi)方向場(chǎng)均值的上限，C1為塊內(nèi)方向場(chǎng)一致性的下限，C2為塊內(nèi)方向場(chǎng)一致性的上限，M(x,y)表不塊內(nèi)方向場(chǎng)的均值，coh(x, y)表不塊內(nèi)方向場(chǎng)的一致性， O = < 1ゲA，為塊方向場(chǎng)均值歸ー化函數(shù)， ~—---otherwiseM2-M' Oif Cohix^ < C1 f(coho^A，Ci) = < Iザcoh(xy) > C2，為塊方向場(chǎng)一致性歸ー化函數(shù)。
mh^-cKotherwise I〔W'丨
3.根據(jù)權(quán)利要求I所述的通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，其中步驟^c)所述的求姆對(duì)相鄰釆樣點(diǎn)a，b連線方向上的單位向量Μ ,按如下公式計(jì)算α - -.， 其中こ表示采樣點(diǎn)a到采樣點(diǎn)b連線方向的向量，I... I表示對(duì)向量取摸。
4.根據(jù)權(quán)利要求I所述的通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，其中步驟^e)所述的用主成分分析法對(duì)特征向量進(jìn)行降維，按如下步驟進(jìn)行 (6el)對(duì)步驟^e)中組建的特征向量中的多個(gè)變量進(jìn)行線性變換，組建兩兩不相關(guān)的重要變量； (6e2)用數(shù)量較少的重要變量重新組建特征向量。
5.根據(jù)權(quán)利要求I所述的通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，其中步驟^e)所述的使用K最近鄰分類算法對(duì)降維后的特征向量進(jìn)行粗分類，找出跟真實(shí)指紋圖像最接近的K個(gè)鄰域，其中包含樣本數(shù)量最多的兩個(gè)鄰域所代表的類型為與真實(shí)指紋類型最接近的兩種類型。
6.根據(jù)權(quán)利要求I所述的通過(guò)分級(jí)分類器實(shí)現(xiàn)指紋分類的方法，其中步驟^f)所述的使用支持向量機(jī)對(duì)K最近鄰分類算法輸出的兩種類型進(jìn)行進(jìn)一歩分類，按如下步驟進(jìn)行 (6fl)輸入K最近鄰分類算法粗分類出來(lái)的兩種類型； (6f2)用輸入的粗分類類型對(duì)支持向量機(jī)進(jìn)行訓(xùn)練； (6f3)將訓(xùn)練后的支持向量機(jī)的輸出作為最終的指紋類型。
全文摘要
本發(fā)明公開(kāi)了一種基于多級(jí)分類器的指紋分類算法。主要解決現(xiàn)有技術(shù)的分類準(zhǔn)確度低和分類器魯棒性差的問(wèn)題。其實(shí)現(xiàn)步驟為(1)用梯度法提取指紋圖像的塊方向場(chǎng)，計(jì)算每一塊方向場(chǎng)的質(zhì)量，并建立歸一化的方向場(chǎng)擴(kuò)散模型，計(jì)算歸一化后的指紋圖像方向場(chǎng)；(2)根據(jù)歸一化后的指紋圖像方向場(chǎng)對(duì)指紋圖像進(jìn)行復(fù)數(shù)濾波；(3)提取指紋圖像的脊線流向，以指紋圖像方向場(chǎng)，復(fù)數(shù)濾波的響應(yīng)和脊線流向?yàn)樘卣?，設(shè)計(jì)一個(gè)分級(jí)分類器對(duì)指紋進(jìn)行分類。本發(fā)明具有提取的方向場(chǎng)精確度高，提取的指紋特征區(qū)分性強(qiáng)，分類器魯棒性好，分類精確度高的優(yōu)點(diǎn)，可用于在自動(dòng)化指紋識(shí)別系統(tǒng)中對(duì)指紋進(jìn)行分類。
文檔編號(hào)G06K9/62GK102708364SQ201210176570
公開(kāi)日2012年10月3日 申請(qǐng)日期2012年5月31日 優(yōu)先權(quán)日2012年5月31日
發(fā)明者龐遼軍, 曹凱, 李亞磊, 梁繼民, 田捷 申請(qǐng)人:西安電子科技大學(xué)