基於子帶特徵融合的活體指紋滑移缺陷檢測方法

2023-06-05 00:46:31 2

專利名稱：基於子帶特徵融合的活體指紋滑移缺陷檢測方法
技術領域：
本發明屬於模式識別和圖像處理領域。涉及的是一種檢測因手指在採集傳感器上 瞬間滑動所產生「滑移」缺陷區域的方法。
背景技術：
指紋識別作為目前應用最為廣泛的生物識別技術之一，在刑事和民事領域有著廣 泛應用，如犯罪調查，物理訪問(如門禁)控制，信息安全，海關和移民系統中的背景調查、 身份鑑別和確認等[1] [2] [3] [4]。近年來，活體指紋掃描系統的產生為指紋採集提供了一 種能夠生成高解析度數字指紋圖像的電子採集方法[5]。由於活體指紋實時掃描過程採用 了先進的電子設備來確保圖像的準確採集，能夠獲取比傳統方法質量更好的指紋圖像，其 更重要的優勢在於，一次指紋採集可以產生多個記錄並隨即直接傳送到自動指紋識別系統 或遠程身份認證機關進行更快捷的處理[6] [7]。獲得優質的指紋細節圖像是一項十分複雜而重要的工作。目前市場上應用的主要 指紋採集技術有光學採集、半導體採集技術和超聲波採集技術。基於光的全反射原理的光 學指紋採集技術是最古老也是目前應用最廣泛的指紋採集技術，光線照到壓有指紋的玻璃 表面，由CCD獲得反射光線，反射光的量依賴於壓在玻璃表面指紋的脊和谷的深度以及皮 膚與玻璃間的油脂和水分。理想情況下，由此得到的指紋圖像則是清晰、真實的。但實際應 用中，由於手指表面溼度、汙漬、設備採集面的不清潔等多種因素影響，經常會從產生指紋 圖像的失真、模糊等現象，導致對後期的指紋匹配識別率造成嚴重的影響。因此指紋圖像採 集過程中，需要一種質量評估算法來實時確定每個圖像的質量。一個好的圖像質量控制算 法應該在不減慢指紋登陸過程的同時，及時地為操作人員提供視覺和聽覺反饋，以便重新 掃描不符合標準的指紋圖像或以特殊方式對其進行標註[8]。在指紋識別系統中，指紋採集圖像的質量對最終指紋匹配準確度影響非常明顯 [9] [10] [11] [12]。目前國際市場上主流的活體指紋採集系統，尤其是光學傳感器採集系統 中，存在著一種嚴重影響指紋圖像質量但卻又非常容易被操作者忽略的缺陷。該缺陷的成 因是，掃描指紋時，手指的瞬間滑動產生了一些異常的具有虛構脊的重疊紋理組織模式，也 可稱為「滑移」缺陷，如圖2所示。更嚴重的是，這類缺陷很難用常規的指紋圖像評估算法 檢測出來。雖然手指無意間的滑動是不可避免的，但如果因為沒有檢測到指紋圖像中的滑移 缺陷而造成錯誤匹配和錯誤拒絕，會嚴重影響實時掃描系統的性能。由於滑移缺陷區域的 紋理分布形態難以預測，而且它與正常的指紋區域之間存在著某些脊線特徵相似性，滑移 缺陷很難被傳統的指紋質量評價算法檢測到。為了確保所採集活體指紋圖像的質量，系統 我們不僅需要自動檢測到指紋圖像含有缺陷的領域，還需要在這些圖像上準確地識別和標 記特定滑移缺陷的區域，從而使操作者能及時了解有缺陷的圖像並且根據需要重新登錄指 紋。指紋滑移缺陷區域檢測的主要困難在於
1.真正的滑移缺陷區域和質量相對較差的指紋區域在某些方面非常相似。如圖3 所示，(a)和(b)因為不具備非常清晰可分的脊線被認為是質量較差或噪聲幹擾較大的指 紋圖像區域，這些區域雖不理想但仍屬於系統可接受的範圍之內。而(e)和(f)則屬於嚴 重影響指紋匹配精度的滑移缺陷區域。2.滑移缺陷自動識別的另一個重要挑戰在於，一些滑移缺陷區域如(g)及(h) 也具備整齊可分、對比度鮮明的脊線，它們在某些方向上的脊線特徵與正常指紋組織區域 (如(c)和(d))沒有很明顯的區別。3.由於在指紋掃描中產生滑移缺陷區域的諸多不可預測的因素及指紋圖像所固 有的紋理特徵多樣性，滑移缺陷區域識別陷入了一個非常困難的圖像紋理分類問題。在眾 多圖像處理技術中，紋理分析被頻繁的應用於圖像分類、檢測或基於某些內在屬性的圖像 分割，如粗糙度，顆粒和規則[13]。在圖像紋理分析中經常使用一些的固定變換如傅立葉、 哈爾、餘弦、正弦以及共協矩陣[14]。近幾年，小波變換在信號和圖像處理方面的應用得到 了越來越廣泛的關注[15] [16] [17]。Smith和Chang比較了從以下典型圖像分解提取的子 帶能量特徵集小波子帶，均勻子帶，離散餘弦變換，空間劃分[18]。Sebe和Lew研究了綜 合考慮紋理模型，噪聲分布及相互依存等紋理特徵的紋理分類問題[19]。Livens等闡述了 基於離散和連續小波分解的紋理分析與圖像分類問題[20]。對於許多自然信號，特別是某 些代表特定紋理特徵的信號，小波變換可以通過使用一系列可變的分析函數[16]為信號 提供了一種多解析度表示，小波變換被證明是一個比傅立葉變換更為有效的工具。以上的每種頻域變換算法、濾波器組或紋理特徵的選擇都只是針對某種特定的輸 入信類別號才能達到最優的效果。但由於包含不同滑移缺陷的指紋組織區域可能產生的輸 入圖像特徵範圍極廣，加之指紋圖像中固有的較小類間差異和較大類內差異，以及某些指 紋區域所包含的大量噪聲和失真，使用某一頻域變換所提取的特徵參數在檢測那些具有頻 率較高的紋理結構模式的滑移缺陷時並非總是足夠靈敏，特別是某些指紋圖像中的高頻噪 聲區域，使得指紋滑移缺陷區域與正常區域更難以準確區分，因此，單一的頻域變換或基於 濾波器的檢測算法無法為滑移缺陷的識別提供令人滿意的解決方案，滑移缺陷區域的自動 檢測已經成為一個亟待解決並極具挑戰的指紋圖像特殊區域識別難題。開發能夠有效檢測 具有不規則紋理特徵的滑移缺陷的指紋質量評價算法，能降低由於指紋滑移缺陷造成的誤 識率和拒識率，促進活體指紋識別技術在更多的領域實現真正的大規模市場應用，在指紋 採集和識別系統的實際應用中具有重要的意義和實用價值。與本發明相關的參考文獻包括[1]A. K. Jain,L. Hong,S. Pankanti and R. Bolle,「 An Identity Authentication System UsingFingerprints" ，Proc. IEEE, Vol. 85, No. 9,pp.1365-1388,1997 ；[2]A. K. Jain,L. Hong and R. Bolle, 「 On-line Fingerprint Verification"， IEEE TransactionsPAMI，Vol. 19，No. 4，pp.302-314，1997；[3]L. Hong, A. K. Jain, R. Bolle and S. Pankanti, " Identity Authentication UsingFingerprints " , Proc. of First Int ' 1 Conf. On Audio and Video-Based Biometric PersonAuthentication, Switzerland, pp. 103-110, March 1997 ；[4]L. Hong and A. K. Jain, " Integrating Faces and Fingerprints for Personal Identification" , Proc. 3rd ACCV, Hong Kong, Jan. 1998 ；
[5]Higgins T. Peter.Standards for the Electronic Submission of Fingerprint Cards to the FBI. Journal of Forensic Identification. The Official Publication of the InternationalAssociation for Identification. Vol. 45，No. 4， July/August 1995，Pages 409-418;[6]L. O ' Gorman， 」 Practical Systems for Personal Fingerprint Authentication, 「 IEEEComputer 33, No. 2,58-60(2000)；[7]R. Germain.A.Califano，and S. Colvilie， 「 Fingerprint Matching Using TransformationParameter Clustering， 〃 IEEE Computational Science and Engineering 4, No. 4,42-49(1997)；[8]A. Jain, L. Hong, and S. Pankanti , 「 Biometrics Identification， 「 Communications of theACM 43，No.2，91-98(2000);[9]Charles Wilson，R. Austin Hicklin. Fingerprint Vendor Technology Evaluation 2003Analysis Report. DRAFT. 23 April 2004 ；[10]B.Schneier, 」 The Uses and Abuses of Biometrics， 」 Communications of the ACM 42，No.8，136 (1999)；[11]M. Yeung and S.Pankanti, 「 Verification Watermarks on Fingerprint Recognition andRetrieval， 「 Journal of Electronic Imaging 9，No. 4， 468-476(2000)；[12]T. Rowley, 」 Silicon Fingerprint Readers :A Solid State Approach to Biometrics, 「 Proceedings of the CardTech/SecureTech Conference, CardTech/ SecureTech, Bethesda，MD (1997)，pp. 152-159 ；[13] W. Y. Ma and B. S. Man junath. Texture Features and Learning Similarity. Proceedings ofthe 1996 Conference on Computer Vision and Pattern Recognition. 1996 ；[14]Rock Texture Retrieval using Gray Level Co-occurrence Matrix. M. Partio, B. Cramariuc, M. Gabbouj, and A. Visa, N0RSIG-2002,5th Nordic Signal Processing Symposium, OnBoard Hurtigruten M/S Trollfjord, Norway, October 4-7， 2002 ；[15] Smith J. R and Chang S. F. Transform Features for Texture Classification andDiscrimination in Large Image Databases. Proceedings of I. E. E. E. InternationalConference on Image Processing (ICIP-94)，Austin，Tx.， November,1994 ；[16]T. Chang and C. J. Kuo, 〃 Texture analysis and classification with tree-structured waνelettransform「，IEEE Trans. Image Proc. ,Vol. 2,No. 4,Oct. 1993， pp. 429-441 ；[17]M. Uner. Texture Classification and Segmentation Using Wavelet Frames. IEEE Trans. On Image Processing，4(11) : 1549 1560，nov 1995 ；[18]T. Chang and C. J. Kuo, 〃 Texture analysis and classification with tree-structured waν elettransform「，IEEE Trans. Image Proc. ,Vol. 2,No. 4,Oct. 1993，pp.429-441 ；[19]Nicu Sebe and Micheal S.Lew. Wavelet Based Texture Classification. IEEE Multimedia2000,2000, accepted and to be published ；[20]S. Livens, P. Scheunders, G.Van de ffouwer, and D. Van Dyck. Wavelets for textureanalysis, an overview. In Proc IPA, IEE Pub. No. 443, volume 1, pages 581—585,1997。

發明內容
本發明的目的在於提供一種能夠有效地判斷出存在滑移問題的指紋圖像並準確 定位缺陷區域，從而提高採集指紋圖像的質量以及指紋識別率的基於子帶特徵融合的活體 指紋滑移缺陷檢測方法。本發明的目的是這樣實現的主要包括紋理特徵提取和滑移區域檢測部分。在紋理特徵提取的過程中，利用對 稱小波分解的子帶係數與灰度共協矩陣相互融合，得到能夠區分正常指紋紋理和缺陷區域 紋理的特徵向量。在滑移區域檢測的過程中，使用遺傳神經網絡分類器對大面積滑移區域 進行檢測定位，使用離散餘弦變換分解技術對小面積滑移區域進行檢測定位。1、特徵提取由於滑移區域和質量相對較差的指紋區域非常相似，所以紋理特徵的有效選取是 區分缺陷指紋區域和正常指紋區域的關鍵步驟。首先，利用對稱小波將採集到的指紋圖像進行二維分解得到64個空間頻率子帶， 並將圖像劃分成尺寸為90x90的非重疊圖像子塊，通過對大量90x90圖像子塊進行分析與 實驗，選取子帶範圍在4-19的小波係數的能量E和均值M作為區分缺陷指紋區域和正常指 紋區域的一組低頻特徵。其次，將90x90大小的圖像子塊進一步劃分成9個30x30大小的圖像子塊，利用灰 度共協矩陣技術，計算每個30x30子塊的角二階矩、對比度、反差分矩，將其作為區分缺陷 指紋區域和正常指紋區域的一組高頻特徵。2、特徵融合根據上述提取得到的低頻特徵和高頻特徵，對於每一個90x90大小的圖像子塊， 用一個融合59個參數的向量F= (E，M，G)作為這個圖像子塊的特徵向量。其中，子向量E 表示子帶頻段在4-19間對稱小波係數的16個能量；子向量M表示子帶頻段在4-19間對稱 小波係數的16個均值；子向量G表示由灰度共協矩陣得到的27個附加特徵參數。3、大面積滑移區域檢測在得到特徵向量F後，本發明採用增強遺傳神經網絡進行分類器訓練，訓練樣本 是通過離線狀態下手工標註的90x90大小正常指紋圖像子塊和有滑移問題的圖像子塊。通 過訓練得到的分類器，能夠對大面積的滑移區域進行準確檢測並定位。4、小面積滑移區域檢測本發明將圖像進一步劃分成尺寸為30x30的非重疊圖像子塊，採用離散餘弦變換 對每一個子塊進行處理，利用變換後的高頻分量對30x30子塊進行缺陷區域判別，能夠有 效地實施小面積滑移檢測，可以彌補大面積滑移檢測中的不足，從而準確定位出指紋圖像中的缺陷部分。5、聯合大、小面積滑移區域檢測大面積缺陷檢測技術和小面積缺陷檢測技術都有各自的優勢和不足，兩者之間可 以形成有效互補，本發明將這兩種方法相結合應用於指紋滑移區域的檢測。如果經過檢測 沒有發現滑移缺陷區域，則進行後續處理。如果經過檢測發現採集到的指紋圖像中存在滑 移缺陷區域，那麼對缺陷區域進行標註和顯示，需要對指紋重新採集。為了解決現有指紋採集系統中在圖像質量檢測方面存在的問題，本發明提出了一 種基於子帶特徵融合的指紋滑移檢測方法，能夠有效地判斷出存在滑移問題的指紋圖像並 準確定位缺陷區域，從而提高採集指紋圖像的質量以及指紋識別率。本發明結合了對稱小波、灰度共協矩陣、離散餘弦變換等技術，使得本方法能夠準 確、有效地解決當前指紋圖像採集過程中存在的不可避免的滑移難題。對於大面積的滑移 缺陷，分別引入了對稱小波子帶特徵和灰度共協矩陣紋理特徵，通過增強遺傳神經網絡分 類器對其進行了準確的識別。並進一步引入離散餘弦變換高頻分量特徵，完善了對小面積 滑移缺陷區域的檢測。本發明在實際應用中具有重要意義和適用價值。


圖1為本發明方法流程圖。圖2(a)-圖2(b)為具有滑移缺陷的指紋圖像。圖3(a)-圖3(h)為正常指紋圖像區域和滑移缺陷圖像區域的對比圖。其中，圖 3(a)-圖3(d)為正常指紋圖像區域，圖3(e)-圖3(h)為滑移缺陷圖像區域。圖4為利用對稱小波對圖像進行二維分解的示意圖。圖5為遺傳神經網絡中權值映射的示意圖。其中W代表從輸入層到隱藏層的權值 矩陣，V代表從隱藏層到輸出層的權值矩陣。圖6(a)-圖6(f)為大面積滑移區域檢測結果示意圖。其中，圖6 (a)-圖6 (c)為 具有滑移缺陷的原始指紋圖像，圖6(d) -圖6(f)為用實心方塊標註了大面積滑移缺陷後的 指紋圖像。圖7(a)-圖7(f)為小面積滑移區域檢測結果示意圖。其中，圖7 (a)-圖7 (c)為 具有滑移缺陷的原始指紋圖像，圖7(d)-圖7(f)為用實心方塊標註了小面積滑移缺陷後的 指紋圖像。圖8(a)-圖8(f)為聯合大、小面積滑移區域檢測結果示意圖。其中，圖8(a)-圖 8(c)為原始具有滑移缺陷的指紋圖像，圖8(d)-圖8(f)為用實心方塊分別標註了大、小面 積滑移缺陷後的指紋圖像。
具體實施例方式下面結合附圖舉例對本發明做更詳細地描述圖1為本發明方法流程圖。通過指紋採集設備得到一幅指紋圖像，首先進行特徵 提取，包括基於對稱小波變換的低頻特徵和基於灰度共協矩陣的高頻特徵，然後對所提取 的特徵子向量進行融合，通過增強型遺傳神經網絡分類器對指紋圖像進行大面積滑移缺陷 區域檢測。同時對輸入指紋圖像進行離散餘弦變換，提取相應的高頻分量進行小面積滑移缺陷區域檢測。如果在結合大、小面積滑移區域檢測後沒有發現滑移缺陷區域，說明採集到 的指紋圖像不存在滑移現象，可繼續進行採集；如果檢測到指紋圖像中的滑移缺陷區域，則 對缺陷區域進行標註和顯示，根據需要重新採集指紋。各部分具體實施細節如下1、特徵提取紋理特徵的有效選取是區分缺陷指紋區域和正常指紋區域的關鍵步驟，對後面的 滑移區域檢測影響很大。本發明分別利用對稱小波方法和灰度共協矩陣技術得到區分缺陷 指紋區域和正常指紋區域的一組低頻特徵參數和一組高頻特徵參數。1. 1基於對稱小波變換的低頻子向量特徵提取首先，利用對稱小波將指紋圖像進行二維分解，如圖4所示，得到64個空間頻率子 帶，並將圖像劃分成尺寸為90x90的非重疊圖像子塊，並按式(1) (2)分別計算小波係數的 子帶能量ei和均值IV他們能夠準確反映指紋紋線沿著頻率方向的能量分布。
通過對大量90x90子塊進行分析與實驗，選取子帶範圍在4-19的小波係數的能量 E和均值M作為區分缺陷指紋區域和正常指紋區域的一組低頻特徵。1. 2基於灰度共協矩陣的高頻子向量特徵提取上一步中選取的低頻參數能夠準確描述滑移區域的在4 19波段的特定頻率和 紋理特徵，但在區別某些質量較差的指紋圖像區域時不夠靈敏，特別在指紋圖像中的高頻 噪聲區域更為明顯。為了進一步提高識別模糊區域靈敏度，本發明利用基於灰度共協矩陣 所抽取的特徵參數來彌補對稱小波變換在提取高頻特徵向量時的不足。位移矢量為d = (dx, dy)的GxG灰度級共協矩陣Pd中元素的定義為Pd(i, j) = I {((r, s), (t, ν)) :I(r, s) = i, I(t, ν) = j}(3)其中，I(·，·)表示一幅大小為NxN灰度級為G的圖像，(r，s)，(t，ν) e NxN, (t, ν) = (r+dx，s+dy)，I. I是一組基數。由灰度共協矩陣能夠衍生出多項紋理結構特徵，本發 明為了降低計算的複雜程度，選取以下3種在檢測高頻指紋模糊區域方面具有較強辨別能 力的特徵。1)對比度 對比度特徵能夠衡量一幅圖像局部變化的總量。2)角二階矩 角二階矩能夠衡量一幅圖像紋理的均勻程度。3)反差分矩
在式(4)-(6)中，p(i，j)是共協矩陣歸一化後係數，ρ(i，j) =Pd(i，j)/R，其中R 是像素對(i，j)的數目總和。對於位移矢量為d= (dx，dy)、大小為NxM的圖像，R可以表 示為(N-dx) (M-dy)。本發明將90x90大小的圖像子塊進一步劃分成9個30x30大小互不重疊的圖像子 塊，計算每個圖像子塊的角二階矩、對比度、反差分矩，那麼對於每個90x90大小圖像塊就 產生了 27個附加特徵，將其作為區分缺陷指紋區域和正常指紋區域的一組高頻特徵子向量。2、特徵融合本發明採用了一種子帶特徵融合的方法提高識別滑移區域的靈敏度。為了有效區 分具有低頻紋理特徵的正常和缺陷區域，通過採用計算子帶方差和小波係數均值的方法， 提取低頻特徵子向量；為了有效區分具有高頻紋理特徵的正常和缺陷區域，由灰度共協矩 陣技術計算角二階矩、對比度和反差分矩，提取高頻特徵子向量。對於每一個90x90大小的圖像子塊，用一個融合59個參數的向量F = (E，M，G)作 為這個圖像子塊的特徵向量。其中，子向量E(e1; e16)表示子帶頻段在4-19間對稱小 波係數的16個能量；子向量MOii1, m16)表示子帶頻段在4-19間對稱小波係數的16個 均值；子向量G(gl，g27)表示由灰度共協矩陣得到的27個附加特徵參數。3、大面積滑移區域檢測利用上述特徵向量融合和分類器可以精確區分缺陷指紋區域和正常指紋區域。3. 1基於增強型遺傳神經網絡的分類器本發明使用增強型遺傳神經網絡構建識別滑移區域的分類器。如圖5所示，在增 強型遺傳神經網絡框架中，將神經網絡的連接權值描繪成由一組基因組成的染色體，其中 基因代表了權值矩陣中的元素，用均方誤差來約束遺傳算法的迭代。本發明在權值進化過程中使用了變種群交叉增強技術，解決傳統遺傳算法收斂過 早的問題，並能夠提高神經網絡的訓練質量和效率。假設有N個人的種群P1-Pn,每個染色 體的長度為1，於是P1 ^ [p^. …(7)那麼這個種群的平均個體為 整個種群的變異可以由下式表徵 在增強型遺傳神經網絡進化的起始階段，原始種群變異設置為Dtl，初始交叉率P。 設置為40%。Di表示第i代種群變異，那麼P。按下式進行動態調整

(10)本發明採用了一個3層(59 18 2)增強型遺傳神經網絡分類器，輸入層是融 合後含有59個參數的混合特徵向量，輸出層存儲是分類結果。3. 2分類器訓練為了對遺傳神經網絡分類器進行有效訓練，在離線狀態下對90x90大小的圖像子 塊進行手工標註，包括所有正常指紋圖像子塊和有滑移問題的圖像子塊。本發明採用一個含有985幅指紋圖像的非均衡數據集，此數據集中有76幅滑移指 紋圖像和909幅正常指紋圖像。在樣本選擇過程中，選取27幅滑移圖像和28幅正常圖像， 再從這55幅指紋圖像選取84個正常圖像子塊和84個滑移圖像子塊，共計168個圖像子塊 用於分類器訓練。除訓練所用的55幅圖像外，剩餘的930幅指紋圖像用於大面積滑移區域 的檢測。由於選取的增強型遺傳神經網絡分類器具有良好的全局搜索能力，非常適合處理 大型數據集和高維特徵向量的圖像和像素分類問題，使得整體數據集的訓練誤差始終低於 0.1%。3. 3大面積滑移區域檢測結果本發明將基於對稱小波變換的低頻特徵子向量和基於灰度共協矩陣的高頻特徵 子向量相融合，得到一個含有59參數的混合特徵向量，並將其輸入到3層(59 18 2)增 強型遺傳神經網絡分類器中。檢測結果如圖6所示，其中被檢測到的滑移區域用90x90的 實心塊標記。如果大部分的滑移區域被標記出來，則表明分類正確；如果被標記出來的區域屬 於正常指紋區域，那麼說明分類器誤報。通過對930幅測試圖像進行的檢測，圖像滑移區域 的正檢率是90. 7%，誤報率為0. 092%，圖像子塊滑移區域的正檢率是72. 37%，誤報率為 0. 13%。基於對稱小波變換的大面積滑移區域檢測一個重要特點是能夠準確地標註出絕 大部分的缺陷區域，然而此方法是以90x90大小的圖像塊為基本檢測單位的，粒度相對較 大。一方面標記為滑移區域的圖像子塊可能包含正常像素，另一方面圖像邊界區域的一些 相對較小的滑移區域可能被誤分類為正常區域。尤其難以檢測一些脊線間只有一個急劇變 化的滑移指紋圖像，神經網絡中並沒有明確的紋理學習模式來鑑定這種缺陷區域。4、小面積滑移區域檢測為了進一步精確、全面地定位缺陷區域，本發明使用傳統的離散餘弦變換在頻域 對指紋圖像進行分解，並分析判別。離散餘弦變換係數能夠形成一個圖像紋理的自然表示， 按照視覺形式上的敏感程度不同將圖像分解成不同的頻率子帶，在區分目標物體和一般背 景上具有明顯的優勢。本發明將圖像劃分成尺寸為30x30的非重疊圖像子塊，採用離散餘弦變換對每一 個圖像子塊進行處理，由於指紋紋理特徵集中在變換後的高頻分量，所以利用離散餘弦變 換高頻係數對30x30子塊進行缺陷區域判別。檢測結果如圖7所示，其中被檢測到的滑移 區域用30x30的實心塊標記。基於離散餘弦變換的小面積滑移區域檢測的一個重要優勢是，處理指紋脊線中小的滑移區域和急劇變化區域具有很好的效果，特別是對於前述小波變換方法不能檢測到的 圖像邊緣缺陷區域作用更為顯著。但是基於離散餘弦變換的方法不能檢測大量集中的滑移 區域，特別是對於縱向重複圖案和不規則形狀。5、聯合大、小面積滑移區域檢測基於對稱小波變換的大面積缺陷檢測技術和基於離散餘弦變換的小面積缺陷檢 測技術都有各自的優勢和不足，本發明將這兩種方法相結合應用於指紋滑移區域的檢測。本發明採用一個含有985幅指紋圖像的非均衡數據集，此數據集中有76幅滑移指 紋圖像和909幅正常指紋圖像。其中55幅圖像用於遺傳神經網絡分類器的訓練，剩餘的 930幅指紋圖像用於滑移區域的檢測。通過測試，大、小面積相結合的缺陷檢測技術的正檢 率為97. 4%，誤報率為0. 12%。圖8為使用這種聯合方法後的滑移區域檢測結果示意圖， 其中被檢測到的滑移區域用實心塊進行標記。實驗結果表明，大、小面積相結合的缺陷檢測 方法可以獲得比任一單獨方法更精確、更全面地滑移檢測效果。採集到的指紋圖像經過聯合大、小面積滑移區域檢測，如果沒有發現滑移缺陷區 域，則進行後續處理。如果經過發現了圖像中存在滑移缺陷區域，那麼對缺陷區域進行標註 和顯示，對指紋重新採集。
權利要求
一種基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是對採集得到的活體指紋圖像，首先進行特徵提取，包括基於對稱小波變換提取的低頻特徵子向量和基於灰度共協矩陣提取的高頻特徵子向量，然後對所提取的特徵子向量進行特徵融合，通過增強型遺傳神經網絡分類器對指紋圖像進行大面積滑移缺陷區域檢測，同時對輸入指紋圖像進行離散餘弦變換，提取相應的高頻分量進行小面積滑移缺陷區域檢測，如果在結合大、小面積滑移區域檢測後均未發現滑移缺陷區域，則繼續指紋採集過程；如果發現指紋圖像中存在滑移缺陷區域，則對缺陷區域的像素點進行標註和顯示，提醒系統重新採集指紋。
2.根據權利要求1所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是 所述的特徵提取的步驟如下(1)基於對稱小波變換的低頻波段子向量特徵提取(a)利用對稱小波將指紋圖像進行多重二維分解，直到獲取64個空間頻率子帶；(b)將指紋圖像劃分成尺寸為90x90的非重疊圖像子塊；(c)對於劃分得到的每一個90x90的圖像子塊，計算子帶波段範圍在4-19的小波係數 的能量和均值，分別記為向量E和M ；(d)將E和M作為90x90的圖像子塊所對應的一組低頻特徵子向量；(2)基於灰度共協矩陣的高頻子向量特徵提取(e)將步驟(1)中劃分得到的每一個90x90大小的圖像子塊進一步劃分成9個30x30 大小互不重疊的圖像子塊；(f)對於劃分得到的每一個30x30的圖像子塊，計算灰度共協矩陣所衍生出的3個特徵 值，包括角二階矩、對比度、反差分矩；(g)重複步驟(f)，直到得出同一個90x90圖像子塊中9個30x30的圖像子塊的所有27 個特徵值，記為向量G ；(h)將G作為90x90的圖像子塊所對應的一組高頻特徵子向量。
3.根據權利要求1或2所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特 徵是所述的特徵融合算法為對於每一個90x90大小的圖像子塊，用一個融合59個參數的 向量F = (E，M, G)作為這個圖像子塊的特徵向量，其中，子向量E Ce1, e16)表示子帶 頻段在4-19間對稱小波係數的16個能量；子向量MOii1, ... , m16)表示子帶頻段在4_19間 對稱小波係數的16個均值；子向量G(gl，. . .，g27)表示由灰度共協矩陣得到的27個附加特 徵參數。
4.根據權利要求1或2所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特 徵是大面積滑移區域檢測的步驟如下(1)構建一個3層59 18 2的增強型遺傳神經網絡分類器；(2)在離線狀態下對90x90大小的圖像子塊進行手工標註，作為訓練樣本對分類器進 行訓練；(3)使用分類器對指紋圖像中的大面積滑移區域進行檢測。
5.根據權利要求3所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是 大面積滑移區域檢測的步驟如下(1)構建一個3層59 18 2的增強型遺傳神經網絡分類器；(2)在離線狀態下對90x90大小的圖像子塊進行手工標註，作為訓練樣本對分類器進行訓練；(3)使用分類器對指紋圖像中的大面積滑移區域進行檢測。
6.根據權利要求1或2所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特 徵是小面積滑移區域檢測的步驟如下(1)將圖像劃分成尺寸為30x30的非重疊圖像子塊；(2)對於劃分得到的每一個30x30的圖像子塊，進行離散餘弦變換；(3)選取離散餘弦變換後的高頻分量對指紋圖像中的不規則小面積滑移缺陷區域進行 精確檢測。
7.根據權利要求3所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是 小面積滑移區域檢測的步驟如下(1)將圖像劃分成尺寸為30x30的非重疊圖像子塊；(2)對於劃分得到的每一個30x30的圖像子塊，進行離散餘弦變換；(3)選取離散餘弦變換後的高頻分量對指紋圖像中的不規則小面積滑移缺陷區域進行 精確檢測。
8.根據權利要求4所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是 小面積滑移區域檢測的步驟如下(1)將圖像劃分成尺寸為30x30的非重疊圖像子塊；(2)對於劃分得到的每一個30x30的圖像子塊，進行離散餘弦變換；(3)選取離散餘弦變換後的高頻分量對指紋圖像中的不規則小面積滑移缺陷區域進行 精確檢測。
9.根據權利要求5所述的基於子帶特徵融合的活體指紋滑移缺陷檢測方法，其特徵是 小面積滑移區域檢測的步驟如下(1)將圖像劃分成尺寸為30x30的非重疊圖像子塊；(2)對於劃分得到的每一個30x30的圖像子塊，進行離散餘弦變換；(3)選取離散餘弦變換後的高頻分量對指紋圖像中的不規則小面積滑移缺陷區域進行 精確檢測。
全文摘要
本發明提供的是一種基於子帶特徵融合的活體指紋滑移缺陷檢測方法。主要包括紋理特徵提取和滑移區域檢測部分。在紋理特徵提取的過程中，利用對稱小波分解的子帶係數與灰度共協矩陣相互融合，得到能夠區分正常指紋紋理和缺陷區域紋理的特徵向量。在滑移區域檢測的過程中，使用遺傳神經網絡分類器對大面積滑移區域進行檢測定位，使用離散餘弦變換分解技術對小面積滑移區域進行檢測定位。本發明能夠準確、有效地解決當前指紋圖像採集過程中存在的不可避免的滑移難題。本發明在實際應用中具有重要意義和適用價值。
文檔編號G06K9/20GK101908143SQ201010247908
公開日2010年12月8日 申請日期2010年8月9日 優先權日2010年8月9日
發明者楊秀坤 申請人:哈爾濱工程大學