協同指紋識別方法
2023-06-19 17:53:11
專利名稱：協同指紋識別方法
技術領域：
本發明涉及生物特徵識別技術，特別是指紋識別技術。
背景技術：
隨著計算機與網絡技術的發展，信息的安全性便顯得極為重要，生物特徵識別技術，尤其是指紋識別技術在這一領域中越來越受到關注。
在自動指紋識別中，指紋分類和匹配是重點。傳統的指紋分類算法主要是基於方向場的計算，而傳統的指紋匹配算法普遍依賴於指紋圖像中心，基於指紋的細節特徵來進行識別。基於此的現有指紋識別方法存在如下問題1、計算機複雜度高、識別速度慢。大多方法以對圖像像素點逐一計算以分析特徵點的空間特性為主流，以像素方式完成搜索，整個過程需要作多次整幅圖像的遍歷操作，系統耗時和計算代價相當高，預處理和特徵提取複雜。
2、對於殘缺、汙損指紋識別率不高，魯棒性不強。在實際圖像採集過程中，由於每次手指按壓的方位、力度不完全一樣，會造成指紋圖像存在不同程度的旋轉和變形，加之其他因素造成的模糊、殘缺，傳統的預處理和特徵提取方法會有一定的困難，識別效果不好。
3、以單一像素點為基本運算單元，圖像的整體信息被忽略，自下而上的尋找圖像特徵點，計算過程中較多的依賴於先驗知識，造成分類和匹配的自適應能力不強。
發明內容
本發明所要解決的技術問題是避免上述現有技術中所存在的不足之處，提供一種計算複雜度低、識別速度高、算法魯棒性較強的協同指紋識別方法。
本發明解決技術問題所採用的技術方案是本發明方法的特點是以整幅指紋圖像作為運算單元，採用分級群體檢索方式，即首先進行協同指紋分類，再在協同指紋分類的基礎上，進行協同指紋匹配，具體步驟為a、存儲採集有進入權限個體的原始指紋，按拱、左旋、右旋、尖拱及漩渦五大類存入指紋資料庫；
b、聚類以每一類別中的原始指紋作為學習樣本，採用K-均值聚類方法產生聚類中心，作為該類別的原型向量；c、分類輸入待識別指紋，按協同指紋分類法將其劃分到相應的類別中待匹配；d、匹配以該類別中存儲的原始指紋作為第二級原型向量，按協同指紋匹配法進行指紋匹配，給出識別結果。
20世紀80年代末，Haken教授提出將協同學原理運用於模式識別的新概念。協同模式識別過程可以理解為若干序參量競爭的過程，對待識別模式q可以構造一個動力學過程，使q經過一個中間狀態q(t)進入到諸原型模式中的一個模式vk，即這個原型模式與q(0)最為靠近。滿足模式識別的方程為 式中λk為注意參數，只有當它為正時，模式才能被識別；q為待識別模式；vk為原型模式；vk+為vk的正交伴隨向量；F(t)為漲落力。序參量的引入可使協同模式識別過程的表達簡化，定義序參量k=vk+q-------(2)]]>並且服從方程 在Haken圖像識別模型中，數字圖像矩陣首先被轉換為兩維的圖像灰度值矩陣，平鋪後，進行歸一化、零均值處理，然後轉置為一維列向量作為輸入向量。不考慮空間信息，故狀態向量僅與時間坐標t有關。
協同指紋分類法可分為兩個過程一是求取聚類中心獲得五個類別的原型向量，二是指紋分類過程。而協同指紋匹配法也分為兩個過程一是訓練過程，二是具體匹配過程。
協同指紋分類和匹配都是以協同神經網絡為運算單元，它們遵循的是同樣的動力學過程和工作原理，協同指紋識別即是建立於此基礎之上。利用分級網絡來使自動指紋識別得以實現。
上述模型體現了等級化的原則，將全局競爭轉換為若干個子域之中的局部競爭，每次參與的原型向量數目只約為經典Haken網絡的五分之一(指紋劃分為五大類型)，克服了原有網絡處理海量模式識別時伴隨向量求取的困難。
為了克服Haken網絡中WTA(Winner Take A11)策略中可能出現的認偽情況，可以採用序參量選擇機制，防止非法指紋的入侵設定一個序參量初始模值最低門限，若在指紋匹配過程中，序參量中最大初始模值低於這個閾值，則給出拒絕識別信息，相似度太低的指紋圖像識別是不安全的，是非法的。
本發明中基於協同模式識別提取的協同指紋特徵具有兩個整體性求取整體性和對比整體性。這樣的運算方式無需傳統特徵提取中像素逐個遍歷過程，算法複雜度和運算代價隨之降低。同時，也保存了圖像的整體信息，有利於殘缺、汙損等像素域結構信息丟失的指紋識別。它不僅提取出單個圖像的自有特徵，而且考慮到該圖像與其他圖像的不同之處。協同的方法直接針對整體圖像像素灰度，不需要對資料庫中每個圖像的形狀、紋理、特徵點單獨進行分析，是一種獨立於應用領域之外的索引方法。協同神經網絡是自上而下的神經網絡，協同方法是群體檢索方式。因此，與已有技術相比，本發明有益效果體現在1、本發明方法中運用的算法計算代價小、複雜度低、識別速度快，無須對指紋圖像作大量預處理和複雜的特徵提取工作。
2、本發明方法對殘缺、汙損樣本識別率高、算法魯棒性較強，對輸入圖像的質量要求不高。
3、本發明方法分級完成識別，是自上而下的，沒有偽狀態的出現，且利用了圖像的整體信息，不過多依賴先驗知識，識別自適應性強，更接近人腦認知機理的機制。
4、本發明方法可適用於網絡密碼認證、門禁系統等，作為嵌入式系統用於需要進行安全性防範的場合。在包括金融證券、IT產業、安防、公安、醫療、福利等領域具有廣闊的應用前景。
圖面說明
圖1為實施本發明方法的系統框圖。
圖2為本發明協同指紋分類法框圖。
圖3為本發明協同指紋匹配法框圖。
具體實施例方式
以整幅指紋圖像作為運算單元，採用分級群體檢索方式，即首先採用協同指紋分類器，按指紋的五大類拱、左旋、右旋、尖拱及漩渦五大類進行分類，即快速的粗糙級識別；然後，在協同指紋分類的結果上，在某一協同指紋匹配器中進行匹配，即精細級的識別。具體步驟為a、存儲採集有進入權限個體的原始指紋，按拱、左旋、右旋、尖拱及漩渦五大類存入指紋資料庫；b、聚類以每一類別中的原始指紋作為學習樣本，採用K-均值聚類方法產生聚類中心，作為第一級類別原型向量；c、分類輸入待識別指紋，按協同指紋分類法將其分入相應類別中待匹配；d、匹配以該類別中存儲的原始指紋作為第二級原型向量，按協同指紋匹配法進行指紋匹配，給出識別結果。
參見圖1，實施本發明方法的系統主要由兩部分組成協同指紋分類器與協同指紋匹配器。其中，協同指紋分類器由預存儲系統和分類系統組成，協同指紋分類法框圖如圖2所示。協同指紋匹配器由預存儲系統和匹配系統組成，協同指紋匹配法框圖如圖3所示。
參見圖2，協同指紋分類法的具體實現為a、每一類別中選取一定量代表性樣本，採用K-均值聚類算法得到該類別聚類中心；b、將五類別聚類中心圖像向量化後，在經過歸一化和零均值處理，作為原型向量vk存入預存儲矩陣；c、求出原型向量vk的伴隨向量vk+，完成網絡學習；d、待識別指紋圖像向量化，計算出滿足歸一化和零均值條件的輸入模式向量q(0)；e、由輸入模式向量q(0)和伴隨向量vk+，求出序參量的初始值ξk(0)；f、各序參量競爭演化，直到系統穩定於某原型模式，待識別指紋歸入該原型模式所代表的類別。在協同指紋分類中，所使用的序參量競爭方程為 D=(B+C)kk2(t)-----(5)]]>其中γ是迭代步長。
參見圖3，協同指紋匹配法的具體實施為a、訓練圖像向量化，計算出滿足歸一化和零均值的原型模式向量vk；b、求出原型向量vk的伴隨向量vk+；c、待識別圖像向量化，計算出滿足歸一化和零均值條件的輸入模式向量q(0)；d、由輸入模式向量q(0)和伴隨向量vk+，求出序參量的初始值；檢查輸入樣本合法性計算各模式序參量的初值，判斷輸入指紋是否合法若是合法的，則轉步驟e；否則，則進入步驟f；e、將序參量進行演化，直到系統穩定於某個模式而識別出指紋模式；f、給出非法輸入信息，拒絕識別，結束。
應用舉例假設某區域網系統，有進入權限的個體N個，而每個個體只能進入各自相應的子系統。以指紋識別作為身份認證手段，採用協同指紋識別系統，可以如下實現。
首先，系統分別採集N個個體的訓練指紋樣本a1、a2、…、aN個，共M個訓練樣本。這M個訓練樣本被劃分為5類，每個類別的聚類中心向量作為協同指紋分類器的原型向量，而每個類別的原始指紋樣本，向量化後，作為相應的指紋匹配器的原型向量。系統完成訓練後，就可以進行識別。
系統識別時，對採集的某待識別個體的樣本，首先在指紋分類器中進行分類，按協同指紋分類算法將其劃分為某一類別，進入相應的指紋匹配器，再按照協同指紋匹配算法進行指紋匹配，給出識別結果，個體可進入相應的子系統。若待識別個體不是有進入權限的N個個體中的某一個，系統將給出非法輸入信息，拒絕識別。
權利要求
1.協同指紋識別方法，其特徵是以整幅指紋圖像作為運算單元，採用分級群體檢索方式，即首先進行協同指紋分類，再在協同指紋分類的基礎上，進行協同指紋匹配，具體步驟為(a)、存儲採集有進入權限個體的原始指紋，按拱、左旋、右旋、尖拱及漩渦五大類存入指紋資料庫；(b)、聚類以每一類別中的原始指紋作為學習樣本，採用K-均值聚類方法產生聚類中心，作為第一級類別原型向量；(c)、分類輸入待識別指紋，按協同指紋分類法將其分入相應類別中待匹配；(d)、匹配以該類別中存儲的原始指紋作為第二級原型向量，按協同指紋匹配法進行指紋匹配，給出識別結果。
2.根據權利要求1所述的協同指紋識別方法，其特徵是所述協同指紋分類法為(a)、每一類別中選取一定量代表性樣本，採用K-均值聚類算法得到該類別聚類中心；(b)、將五類別聚類中心圖像向量化後，在經過歸一化和零均值處理，作為原型向量vk存入預存儲矩陣；(c)、求出原型向量vk的伴隨向量vk+，完成網絡學習；(d)、待識別指紋圖像向量化，計算出滿足歸一化和零均值條件的輸入模式向量q(0)；(e)、由輸入模式向量q(0)和伴隨向量vk+，求出序參量的初始值ξk(0)；(f)、各序參量競爭演化，直到系統穩定於某原型模式，待識別指紋歸入該原型模式所代表的類別。
3.根據權利要求1所述的協同指紋識別方法，其特徵是所述協同指紋匹配法為(a)、訓練圖像向量化，計算出滿足歸一化和零均值的原型模式向量vk；(b)、求出原型向量vk的伴隨向量vk+；(c)、待識別圖像向量化，計算出滿足歸一化和零均值條件的輸入模式向量q(0)；(d)、由輸入模式向量q(0)和伴隨向量vk+，求出序參量的初始值；檢查輸入樣本合法性計算各模式序參量的初值，判斷輸入指紋是否合法若是合法的，則轉步驟e；否則，則進入步驟f；(e)、將序參量進行演化，直到系統穩定於某個模式而識別出指紋模式；(f)、給出非法輸入信息，拒絕識別，結束。
全文摘要
協同指紋識別方法，其特徵是以整幅指紋圖像作為運算單元，採用分級群體檢索方式，即首先進行協同指紋分類，再在協同指紋分類的基礎上，進行協同指紋匹配，具體為採集原始指紋，按類存入指紋資料庫；以每一類別中的原始指紋作為學習樣本，採用K－均值聚類方法產生聚類中心；輸入待識別指紋，按協同指紋分類法將其分入相應類別中；按協同指紋匹配法進行指紋匹配，給出識別結果。該方法計算代價小、複雜度低、識別速度快、魯棒性較強，對加噪、微量旋轉、汙損、劃痕等指紋樣本具有較高的識別率，可以廣泛的應用於金融證券、IT產業、安防、公安、醫療、福利等行業中的身份認證領域。
文檔編號G06K9/00GK1521684SQ03112840
公開日2004年8月18日 申請日期2003年2月13日 優先權日2003年2月13日
發明者高雋, 董火明, 陳定國, 高 雋 申請人:合肥工業大學