基於薄板樣條形變模型的活體指紋檢測方法

2023-12-02 21:26:46 1

專利名稱：基於薄板樣條形變模型的活體指紋檢測方法
技術領域：
本發明屬於生物特徵識別領域，涉及圖像處理、模式識別、計算機技術等前沿知識，特別涉及到利用薄板樣條(TPS)模型描述指紋形變 及形變能量向量的模糊分類。
背景技術：
由於指紋具有唯一性和穩定性的優點，而且採集方便，成本低廉， 所以非常適合取代傳統的口令作為可靠的身份認證手段。將待匹配的指 紋圖像輸入計算機，通過可靠有效的指紋識別算法，可以在短時間內完 成任何人的身份識別。指紋識別技術主要包括指紋圖像採集、指紋圖像 增強、指紋圖像特徵提取、數據儲存、指紋特徵的比對與匹配等步驟。 隨著計算機技術的進步和模式識別方法的發展，自動指紋識別系統的性 能日益完善，已達到了實用化的要求，其應用領域也日益廣闊。自動指 紋識別的應用不再僅局限於法律、公安領域。它可作為計算機確認用戶 的手段，可作為訪問網絡資源的信息安全技術，還可用於銀行ATM卡和 信用卡使用的確認、各類智能IC卡的雙重確認、僱員證明和家用電子門 鎖等許多方面。然而人造假指紋的出現，使自動指紋識別系統自身的安全可靠性受 到了極大的挑戰和威脅。指紋傳感器的安全性令人擔憂，前人的研究工 作表明指紋傳感器很容易被假指紋(例如矽膠指紋)所欺騙。至今已有 不少用假指紋成功入侵指紋識別系統的案例。假指紋的製作方法有兩種: 利用真實手指按壓的模具複製和採用物體表面殘留的指紋痕跡復原，制 作材料有橡膠、明膠、矽膠等。2000年Putte等採用簡易的材料製成假指 紋，並在六種不同的指紋採集儀上進行測試。實驗結果表明其中的五種 採集儀都將假指紋誤認為真正的指紋。2002年T.Matsumoto等人的實驗表明，對於ll中不同類型的指紋釆集儀，釆用真實手指按壓模具製成的假 指紋通過系統認證的概率大於70%，而釆用殘留指紋復原製成的假指紋 通過系統認證的概率大於60%。後來針對不同類型指紋採集儀的大量攻 擊性實驗都證明了假指紋對現有的自動指紋識別系統安全性的嚴重挑 戰。假指紋己經成為制約指紋識別技術發展的瓶頸之一。只有解決了活 體指紋的實時檢測問題，指紋識別技術才能在需要高安全和高可靠識別 的領域真正得到廣泛應用。活體指紋檢測確保只有"真"的指紋能夠通過採集系統的檢測，從而 用來進行註冊、比對和認證。目前已有些研究人員從事這方面的工作， 提出的活體指紋檢測方法可分為兩類基於輔助硬體的和基於手指(指紋)本身特性的。在基於輔助硬體的活體指紋檢測方法中，Putte等利用真實指紋與人造指紋之間的溫度差異，通過硬體檢測手指溫度實現活體指紋檢測，但容易受外界溫度的影響；D.Maltoni等利用指紋採集時真假 皮膚對光吸收、反射、折射情況的參數差異，檢測手指表面的光學特徵 來辨認指紋，但存在光學特徵參數與皮膚相似的假指紋的幹擾；P. D. Lapsley等測量待測手指內的血壓數值，判斷指紋是否來自真實手指，但 容易被覆有足夠薄的假指紋膜的手指攻擊；Denis Baldisserra等利用電子 嗅覺裝置採集待測手指的氣味特徵，通過區分真實皮膚和製作假指紋材 料的氣味進行活體指紋檢測，但無法適應氣味仿真假指紋的攻擊。基於 手指(指紋)本身特性的活體指紋檢測方法不需要特殊硬體的支持， Antonelli利用真假手指的彈性差異，採集待測手指的在按壓旋轉過程中 一系列指紋圖像，計算指紋各部分的位置偏移特徵矢量並進行分類，可 有效的進行活體指紋檢測，但需要對指紋偏移進行跟蹤，計算複雜度高; Matsumoto等採用高解析度的指紋採集儀，通過觀察指紋圖像上汗孔分 布的情況，判斷其是否來自於真實手指，但選取合適的材料，可製造出 粗略複製汗孔的假指紋。R. Derakhshani等觀察採集過程中汗液分泌導致 的指紋圖像灰度變化，實現活體指紋檢測，但對特別幹或特別溼的指紋 效果不佳。綜合以上分析研究我們發現，目前國際上已有活體指紋檢測技術還 未能實際解決指紋的辨偽安全問題。採用硬體檢測人體手指的溫度、氣味、電阻等靜態物理特徵以區分假指紋的方法，無法避免製作更仿真的 假指紋進行識別攻擊。而且需要特殊硬體的支持，提高了指紋識別系統 的成本，不易推廣。而基於指紋本身特性的檢測方法，可能不適應特殊 皮膚狀況的指紋或者不具有實時性。活體指紋檢測成為指紋識別領域亟 待解決的難點之一。發明內容針對假指紋造成的自動指紋識別系統的安全性挑戰問題，本發明的 目的是有效和實時的對輸入指紋進行真實性判斷，為此，本發明提出一 種基於指紋本身彈性形變特徵的活體指紋檢測方法。為了實現所述的目的，本發明提供的基於薄板樣條形變模型的活體 指紋檢測方法包括步驟步驟1:採集待測手指的指紋序列並進行預處理，包括一幅正常採 集指紋和多個方向上的形變指紋；步驟2:對形變前後的指紋圖像進行配準，選取對應的細節特徵點 對作為估算薄板樣條模型的基準點對；步驟3:採用改進的薄板樣條模型描述指紋的形變；基於模型參數 計算待測指紋在各個方向上的形變能量，構成整體彎曲能量向量；步驟4:分別在真假指紋形變庫上訓練，得到彎曲能量向量空間分 布；分別計算待測的彎曲能量向量到真假彎曲能量模糊特徵集的相似度； 選取合適的閾值得到檢測結果。優選地，所述的形變指紋圖像序列採集包括步驟被採集人員手指放鬆並放在採集儀器上，提取為正常情況下的指紋；從多個方向對手指施加壓力，使手指得到最大程度的形變，採集得 到手指的形變指紋序列。優選地，所述的指紋圖像配準步驟包括採取針對彈性形變的三角匹配算法，從兩幅指紋圖像中選取對應的細節特徵點對，作為計算薄板樣條模型參數的基準點；細節點均勻分布的前提下，計算細節點在形變前後的位置偏移量， 用於反映指紋的形變信息。優選地，由於指紋形變時不存在尺度變換，得到改進薄板樣條模型 的約束條件如下1) 基於多參考點的整體配準方法，計算指紋圖像間的旋轉平移向量， 獲得薄板樣條模型中的剛性變換參數矩陣；2) 針對指紋預處理和特徵提取中存在誤差而導致的細節點坐標的偏 移，採取鬆弛的薄板樣條模型，得到較平滑的剛性變換矩陣函數，計算 鬆弛薄板樣條模型的變換參數，其中鬆弛參數的取值與變換的平滑程度 成正比。優選地，待測指紋序列整體彎曲能量向量的計算包括分別計算待測手指在多個方向上形變前後指紋圖像的形變能量；構成整體彎曲能量向量，用特徵矢量計算衡量待測手指的彈性形變 彎曲能量值的大小。優選地，形變前後指紋圖像的形變能量的計算包括 用薄板樣條模型的整體形變能量來衡量形變前後指紋圖像間的形變程度，定義為薄板樣條模型在x， y方向上的最小彎曲能量之和；當薄板樣條模型參數為零矩陣時，彎曲能量為o，薄板樣條模型退化為剛性變換。優選地，採取模糊相似度分類方法進行活體指紋判別，包括步驟 計算待測手指的整體彎曲能量相對於真、假指紋形變特徵序列的隸 屬程度；分別在採集的真、假指紋形變庫上進行訓練，得到真、假指紋形變模式的參數空間，其中的全部元素組成了模糊特徵集；採用柯西形式的隸屬度函數，並調整輸入指紋到真、假特徵空間隸 屬度的權重，將待測手指和真、假手指的相似度映射成歸一化的標量；觀察形變指紋特徵參數空間內訓練樣本點的分布，找到合適的閾值， 進行活體指紋判別。本發明的算法基於手指本身的彈性特徵進行活體指紋檢測。已有的 基於其它手指特徵(如汗孔和排汗情況)的檢測方法很容易受到環境和 釆集手指狀況的影響，對外界條件的適應性不夠。根據真實手指的特殊 結構很難被仿製的特點，釆集待測手指在規定用力下的形變圖像，選取合適的彈性形變特徵進行分類，保證了活體指紋檢測的準確性。在指紋 圖像形變過程中，各部分的細節點根據施加壓力方向、大小及手指結構 出現不同程度的位置偏移。利用針對彈性形變的三角匹配算法可較好地 從形變前後指紋圖像上提取相應的細節特徵點對，作為計算薄板樣條模 型參數時的基準點。針對指紋形變的特點改進傳統的TPS模型。對四個 方向上的形變指紋圖像，分別根據提取的基準點對的坐標，計算其和正常採集指紋間的旋轉平移參數，由此確定TPS模型中的剛性形變參數。 由於指紋預處理和細節點提取存在誤差，採取鬆弛TPS模型以調節變換 函數的平滑度。基於模型參數計算指紋在各個方向上的形變能量，構成 整體彎曲能量向量並進行真假指紋分類。考慮到不同的指紋圖像提取的 細節點數目不同以及模型參數選取過程的模糊性，可考慮將模糊理論運 用到相似度計算中。通過對算法性能的評估，我們發現在細節點分布較均勻的情況下， 從形變前後的指紋圖像中選取的細節點對能夠很好反映指紋的整體形 變。選取的薄板樣條模型有效地描述了指紋圖像的形變，計算過程簡單， 保證了活體指紋的實時檢測。整個檢測算法基於常用的指紋識別步驟(細 節點提取，形變指紋匹配等)進行，而且不需要在現有的自動指紋識別 系統上增加額外的硬體，易於實現和推廣。


圖1兩幅形變前後的指紋圖像及相應的特徵點對，包括圖la、圖lb、圖lc; 圖2用TPS形變模型模擬指紋圖像形變，包括圖2a、圖2b、圖2c; 圖3活體指紋檢測流程；圖4實驗中的假指紋模具、其相應的假手指及其假指紋圖像，包括圖4a、圖4b、圖4c; 圖5在指紋庫上的實驗結果具體實施方式
下面將結合附圖對本發明加以詳細說明，應指出的是，所描述的實 施例僅旨在便於對本發明的理解，而對其不起任何限定作用。本發明的核心思想是基於薄板樣條彈性形變模型進行活體指紋檢 測。由於人類皮膚的特殊結構，活體指紋通常比假指紋具有更大的形變，本發明採用薄板樣條模型一TPS模型(Thin Plate Splines)對二維指紋圖 像的形變進行建模和估計。首先採集待檢測手指在四個方向上的形變指 紋圖像，計算它的TPS模型的形變能量向量，然後計算這個向量到彎曲 能量模糊特徵集的相似度。相似度的值位於[O， l]區間，它表示當前的 指紋對於真指紋的相似程度(l為真指紋，0為假指紋)。在指紋採集過程中，手指按在採集儀器的表面，產生手指皮膚由三 維到二維的映射，由於施力的原因，指紋產生形變。例如，平行與採集 儀器表面的力會引起指紋一定程度的聚攏或分離。旋轉按壓手指會引起 指紋沿接觸中心切線方向的形變。對於活體指紋，形變的特殊方式與人 類皮膚彈性以及指骨的位置和形狀有關。根據先前的研究顯示人類皮 膚由表皮，真皮和皮下組織三層由外向裡構成。正是由於存在這些特徵， 要非常逼真的構造與活體指紋一樣彈性的假指紋是非常困難的。通常真 手指比假手指更有彈性形變較大。即使假指紋由高彈性的材料製作，也 很難仿效活體指紋的特殊結構。因此，當按壓採集儀器的表面時，真手 指和偽手指以各自的方式產生形變。形變是指紋識別中的一個主要問題， 但是在這裡可以被用來區分真偽手指。描述手指如何形變的理想方法是 將指紋恢復成三維模型並與細節點三維坐標進行比對。但是，求二維到 三維的逆映射是十分困難的。因此我們對二維指紋圖像的形變進行建模 和估計，選擇適當的模型來描述指紋的形變。基於上述的思路和目的，將活體指紋的檢測過程劃分為若干個步驟， 簡要介紹執行每個步驟時需要注意的關鍵問題。建立利用指紋彈性特徵 檢測活體指紋的理論框架，並進行性能測試。將研究成果融入現有的自 動識別系統後得到的本發明的實現流程如下形變指紋圖像採集和預處理要求被採集人員首先放鬆的將手指放在採集儀器上(正常情況下的指紋)，然後分別從四個方向上施加壓力，得到最大程度的形變0°， 90°， 180°， 270°。從而得到這一手指的形變圖像序列(F0， Fl， F2， F3， F4}。預處理後得到細化指紋圖像。提取對應細節特徵點對利用針對彈性形變的三角匹配算法可較好 地從形變前後兩幅指紋圖像中提取相對應的細節特徵點對，作為計算薄 板樣條模型參數時的基準點。在指紋圖像序列釆集過程中，形變前後指 紋圖像各部分的細節點根據施加壓力方向、大小及手指結構出現不同程 度的位置偏移；在細節點均勻分布的前提下，用細節點形變前後的位置 偏移量反映指紋的形變情況。TPS形變模型和彎曲能量向量針對指紋形變時無尺度變換的特點 改進傳統的TPS模型。分別在四個方向上配準形變前後的指紋圖像，計 算鬆弛TPS模型參數，模型中的剛性形變參數由已求的配準參數確定。 基於模型參數計算指紋在各個方向上的形變能量，構成整體彎曲能量向模糊相似度分類分別在真假指紋形變庫上進行訓練，得到相應的 彎曲能量向量空間分布。對輸入的指紋，計算其TPS模型的彎曲能量向 量，然後分別計算這個向量到真假彎曲能量特徵集的相似度。相似度是 一個介於[O， l]之間的值(l表示真指紋，0表示假指紋)。選取合適的 閾值得到檢測結果。下面對本發明提出的基於薄板樣條模型的假指紋檢測方法包含的各 個步驟，尤其是TPS形變模型和彎曲能量向量和模糊相似度分類兩部分 進行介紹。首先我們引進一些假定，在此基礎上進行識別算法的研究和 分析不區分末梢點和分叉點，把它們都看作細節點特徵;點特徵在指紋 中分布較均勻；細節點對的相關性是獨立，各個相關是同等重要的；不 考慮形變指紋圖像匹配性能對檢測結果的影響。詳細步驟如下1)形變指紋圖像採集和預處理要求被採集人員首先放鬆的將手指放在採集儀器上(正常情況下的 指紋)，然後分別從四個方向上施加壓力，得到最大程度的形變0°， 90°， 180°， 270°。從而得到這一手指的形變圖像序列(FO， Fl， F2， F3， F4}。預處理操作包括1. 計算出圖像的邊界，進行圖像的裁剪。2. 方向場的估計，計算出指紋圖像每個像素的方向。3. 基於各象素的方向釆取方向濾波算子進行濾波。4. 二值化，根據濾波後的象素灰度值將指紋圖像處理為只有黑白二 種像素的圖像。5. 細化及後處理，把二值化指紋圖像的脊線寬度細化至只有一個像素，清除細化圖像中的不良脊線結構。2) 提取對應細節特徵點對從預處理後的形變指紋骨架中，跟蹤提取細節特徵點並進行去偽處 理。位於圖像邊緣的細節點及分布過於密集的細節點集被判定為偽細節 特徵點，不參與後面的匹配過程。採用基於三角局部特徵的算法將採集 序列中正常採集的指紋圖像F0和四個方向的形變指紋圖像(Fl， F2， F3， F4)匹配。記錄F0中的細節點在形變前後的位置，得到相應的細 節點對。實驗證明三角匹配算法可以較好地處理形變較大的指紋圖像， 保證提取細節點對的數目和準確性。圖1顯示了兩幅形變前後的指紋圖像及對應的細節點對。其中圖la 為正常採集指紋FO;圖lb為90。方向形變指紋F2;圖lc中用連線標 記對應細節點對；3) TPS形變模型和彎曲能量向量薄板樣條模型(Thin Plate Splines),作為一種解決插值問題的方法，被 Bookstein提出用來模擬彎曲形變，而Bazen和Ross採用TPS模型來模擬指 紋圖像中的形變。從前面的分析中我們知道，活體指紋與假指紋由於材 質不同，彈性也就不同，若在相同的方向施加相同的壓力的條件下，兩 者的形變模型是不一樣的，因此它們的TPS形變特徵也存在一定程度的 差異。TPS模型能夠用來實現二維插值，計算基於任意相關點集的二維 到二維的映射。給出對應點的坐標和位置變化，TPS模型就能對這些點 進行擬合，並且同時能保持最大的平滑度。設原來的坐標點為(x,y)， 變換後對應的坐標點為(x',y')，貝UTPS模型的變換公式為(r,y)—義(x,力,A(xj)) 變換函數f(x，y)的定義如下式中，U(r)為根函數，U(r) = -r2* 1og(r2)， " = (^^2,"3)為仿射變換 向量。w表示非線性形變參數。P表示TPS模型要插值的基準點，n表示 基準點的數目。通過解下列的線性方程組可以求得TPS模型的參數formula see original document page 12代表點i到點j之間的距離(歐氏距離)；formula see original document page 12表 示原圖像中的第i個基準點；q=g,(o)表示形變圖像中對應的點坐標，n是基準點的個數。結合二維指紋圖像形變時的特點，我們對傳統的TPS模型加以約束 和改進。TPS模型中的剛性變換由一個2x3的矩陣a決定，允許圖像平移，旋 轉及尺寸放縮。然而實驗中指紋圖像由統一的指紋採集儀獲得，不存在 尺寸放縮。上一步驟中，從形變前後的指紋圖像提取了細節點對，採用 基於多參考點的整體配準方法，計算指紋間的旋轉平移向量 △r = [Ax,Ay,M]，其中A^表示旋轉角度，Ax,A^分別表示x， y軸方向的位移。則模型中的剛性變換參數矩陣"為formula see original document page 13由於指紋圖像預處理和特徵提取中存在誤差，細節點坐標可能出現一定的偏移。採取鬆弛的TPS模型使變換函數更平滑，具有一定的容錯 性。通過如下公式計算鬆弛TPS模型參數W:其中，I為nxn的單位矩陣，A取值和變換的平滑程度成正比。當義取 極大值時，TPS模型退化為剛性變換。指紋圖像的形變程度可以用TPS模型的整體形變能量E來衡量詞M,￡T， A,分別表示TPS模型在x， y方向上的形變能量，由坐標變換函 數在整個曲面表面上的二階偏導的積分給出，通過解一組線性方程組可 以求出最小彎曲能量。計算如下紅formula see original document page 13
其中，1 =込-屍/a,，O(x)表示和x值成正比。當W為零矩陣時， 彎曲能量為0， TPS模型退化為剛性變換。圖2顯示了用TPS形變模型模擬指紋圖像形變的過程，包括圖2a、 圖2b、圖2c;圖2a為正常採集指紋圖2b為180。方向上的形變指紋， 圖2c為圖2a按TPS模型插值所得的形變指紋。比較可見，圖2b和圖 2c具有一定的相似性，按TPS模型插值所得的形變指紋，較好的模擬了 指紋形變情況。利用TPS模型對原圖像插值得到的形變指紋及計算出的彎曲能量值。計算指紋在四個方向上的形變能量，構成整體彎曲能量向量 formula see original document page 13，圖3給出了活體指紋檢測的整個流程，第一行 顯示了採集的正常指紋和四個方向的形變指紋序列記為(FO， Fl， F2，F3， F4};第二行為預處理得到的細化圖像，並在其上標記了細節點；分別把正常指紋和其餘四幅形變指紋進行匹配，得到對應細節點對。由此可計算每幅形變圖像的形變能量。第三行為按TPS模型對正常圖像插 值得到的形變指紋。指紋上覆蓋網格以便於更好的觀察其形變模式；最 終由四個方向的形變能量構成了待測手指的整體彎曲能量向量。4)模糊相似度分類分別計算輸入指紋彎曲能量i相對於真、假指紋形變特徵序列的隸 屬程度。分別在採集的真、假指紋形變庫上進行訓練，得到真、假指紋 形變模式的參數空間，其中的全部元素組成了模糊特徵集；採用柯西形 式的隸屬度函數，並調整輸入指紋到真、假特徵空間隸屬度的權重，將 待測手指和真、假手指的相似度映射成歸一化的標量；觀察形變指紋特 徵參數空間內訓練樣本點的分布，找到合適的閾值，進行活體指紋判別， 構造或選擇一個合適的隸屬函數取決於其應用的領域。最常用的隸屬函 數的類型有錐型，指數型和Cauchy型。我們採用了Cauchy函數的改進形 式，它具有很好的表達形式且計算效率較高。在採集的真指紋形變庫上進行訓練，得到真指紋形變模式的參數空 間，其中的全部元素組成了模糊特徵集》。定義隸屬度函數C,:54
如下formula see original document page 14其中z—f為集合乃中各元素的均值。特徵集中的全部元素的平均能增加模糊特徵的魯棒性，同時，有用信息的丟失也被隱藏在連續的過程當 中，因為一個特徵向量集被繪製成單一的特徵向量。當卩中的每個元素大於S,中相應的元素時，h(^f》=7>we; m禾口aeR， m〉0, a〉0， m與函 數的寬度成正比。"決定函數的平滑程度。對於確定的m，模糊度隨《值 的減少而增加。對固定的a，模糊度隨m值的增加而增大。很明顯，特徵矢量距離矢量串的中心越遠，模糊特徵的相關程度就越低。同理，在採集的假指紋形變庫上進行訓練，得到假指紋形變模式的 參數空間f7。定義隸屬度函數C,:(7 —[O，l]如下if 1(^,5,) 二 7Vwe其中5,為集合f7中各元素的均值，當i中的每個元素小於^中相應 的元素時，l(5,^.) = 7>we;對於輸入的形變指紋序列，計算其彎曲能量向量i，然後分別測量 矢量^相對於模糊特徵序列D， G的隸屬程度。最後，將輸入手指和真手 指的相似度映射成一個
區間內的標量。崎)=(1-p).C(1-，)其中，pe[O,l]，調整了輸入指紋到真、假特徵空間隸屬度的比重。 觀察形變指紋特徵參數空間內的樣本點，找到合適的閾值，進行判別。 實施例為了評價本發明的活體指紋檢測方法，製作了120個假指紋，材料 為矽樹脂AL20;同時，也採集了對應手指的真指紋。建立了包括120個 真指紋，120個假指紋的測試庫。圖4顯示了假指紋的製作過程，圖4a為 假指紋模具(材料為石膏)，圖4b為相應的假手指，圖4c為採集的假指紋圖像。實驗中分別選取20個真手指和假手指進行訓練，得到相應的形變特 徵向量空間。測試過程包括1000次真指紋測試(IOO個真手指，每個手指按規則採集10個形變指 紋圖像序列)；formula see original document page 15iooo次假指紋測試(ioo個假手指，每個手指按規則採集io個形變指紋圖像序列)。設F力A表示活體指紋檢測中的誤識率(假指紋被識別成真指紋)； F/ / 表示活體指紋檢測中的據識率(真指紋被識別成假指紋)。則我們 可以用五五i (曲線上/^^ = /^/ 時的值)來作為活體指紋檢測方法的性能指標。圖5給出了我們的活體指紋檢測方法的性能圖，圖5a顯示匹配 分數分布,圖5b顯示FMR(t)和FNMR(t)曲線圖，圖5c顯示ROC曲線圖， 從圖中可以看出，算法的EER是4.5y。。在採集的形變指紋庫上的試驗結果顯示，本算法有效的處理了活體 指紋檢測問題。對待檢測手指，採集其在四個方向上的形變圖像，提取 形變特徵矢量，利用模糊相似度分類方法進行判別，是簡單、快捷和有 效的。以上所述，僅為本發明中的具體實施方式
，但本發明的保護範圍並 不局限於此，任何熟悉該技術的人在本發明所揭露的技術範圍內，可理 解想到的變換或替換，都應涵蓋在本發明的包含範圍之內，因此，本發 明的保護範圍應該以權利要求書的保護範圍為準。
權利要求
1. 一種基於薄板樣條形變模型的活體指紋檢測方法，其特徵在於，包括步驟步驟1採集待測手指的指紋序列並進行預處理，包括一幅正常採集指紋和多個方向上的形變指紋；步驟2對形變前後的指紋圖像進行配準，選取對應的細節特徵點對作為估算薄板樣條模型的基準點對；步驟3針對指紋圖像形變時無尺度變換的特點，採用改進的薄板樣條模型描述指紋形變；基於模型參數計算待測指紋在各個方向上的形變能量，構成整體彎曲能量向量；步驟4分別在真假指紋形變庫上訓練，得到彎曲能量向量空間分布；分別計算待測的彎曲能量向量到真假彎曲能量模糊特徵集的相似度；選取合適的閾值得到檢測結果。
5. 按照權利要求1所述的活體指紋檢測方法，其特徵在於待測指 紋序列整體彎曲能量向量的計算包括分別計算待測手指在多個方向上形變前後指紋圖像的形變能量； 構成整體彎曲能量向量，用特徵矢量計算衡量待測手指的彈性形變 彎曲能量值的大小。
6. 按照權利要求l所述的的活體指紋檢測方法，其特徵在於形變 前後指紋圖像的形變能量的計算包括用薄板樣條模型的整體形變能量來衡量形變前後指紋圖像間的形變 程度，定義為薄板樣條模型在x， y方向上的最小彎曲能量之和；當薄板樣條模型參數為零矩陣時，彎曲能量為0，薄板樣條模型退化 為剛性變換。
7. 按照權利要求l所述的活體指紋檢測方法，其特徵在於，採取模糊相似度分類方法進行活體指紋判別，包括步驟計算待測手指的整體彎曲能量相對於真、假指紋形變特徵序列的隸 屬程度；分別在採集的真、假指紋形變庫上進行訓練，得到真、假指紋形變模式的參數空間，其中的全部元素組成了模糊特徵集；採用柯西形式的隸屬度函數，並調整輸入指紋到真、假特徵空間隸屬度的權重，將待測手指和真、假手指的相似度映射成歸一化的標量； 觀察形變指紋特徵參數空間內訓練樣本點的分布，找到合適的閾值，進行活體指紋判別。
全文摘要
本發明公開一種基於薄板樣條形變模型的活體指紋檢測方法，採集待測手指的指紋序列並預處理；對形變前後的指紋圖像進行配準，選取對應的細節特徵點對作為估算薄板樣條模型的基準點對；採用改進的薄板樣條模型描述指紋的形變；基於模型參數計算待測指紋在各個方向上的形變能量，構成整體彎曲能量向量；分別在真假指紋形變庫上訓練，得到彎曲能量向量空間分布；分別計算待測的彎曲能量向量到真假彎曲能量模糊特徵集的相似度；選取合適的閾值得到檢測結果。本發明能將假指紋從活體指紋中檢測出來，實時和有效的實現活體指紋檢測，提高了自動指紋識別系統的安全性，拓寬了其應用範圍，在生物特徵識別領域具有重要的應用價值。
文檔編號G06K9/00GK101226589SQ200710062828
公開日2008年7月23日 申請日期2007年1月18日 優先權日2007年1月18日
發明者張陽陽, 鑫 楊, 捷 田, 陳新建 申請人:中國科學院自動化研究所