專利名稱：面向圖像質(zhì)量的指紋識別方法
技術(shù)領(lǐng)域：
發(fā)明涉及一種指紋識別方法，尤其涉及一種面向圖像質(zhì)量的指紋識別方法。
背景技術(shù)：
目前在自動指紋識別技術(shù)中，圖像質(zhì)量的好壞是影響識別性能的一個重要因素。在現(xiàn)有 的指紋識別處理方法中，通常是通過獲取指紋圖像的細節(jié)點來進行匹配，但這種方法對于質(zhì) 量較差的圖像，性能下降明顯。而其它一些識別方法，如基于紋線的和基于紋理的識別方法 雖然對質(zhì)量較差的圖像有一定的效果，但對于質(zhì)量較好的圖像，不僅性能提高不大，而且占 用的資源和時間復雜度相對較大。因此，迫切需要一種區(qū)分圖像質(zhì)量的指紋識別方法，既保 證達到一定的識別準確率，又能夠較大限度的節(jié)省資源。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決現(xiàn)有指紋識別方法對理想和非理想指紋圖像兼顧性不好的缺點 而提出的一種面向圖像質(zhì)量的指紋識別方法。它是一種基于圖像質(zhì)量判斷的處理方法，將指 紋圖像分為質(zhì)量較好、質(zhì)量較差兩種類型，進而采用不同的識別算法進行指紋識別。
為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案-
(1) 讀取的采集的指紋圖像g (x, y),其中g(shù) (x， y)為像素點(x， y)的灰度值；
(2) 對指紋圖像進行質(zhì)量特征提取，分別提取梯度一致性2p頻譜特征0F、灰度標準 差&共三個特征；
(3) 采用SVM支持向量機分類器對指紋圖像的質(zhì)量進行學習和分類，將其確定為已定義 的兩種質(zhì)量類型；
(4) 對質(zhì)量較好、質(zhì)量較差兩種指紋，分別采用基于細節(jié)點的匹配算法和基于紋理的匹 配算法完成識別。
所述步驟(2)中，三個特征分別從不同的方面反映了質(zhì)量的好壞，具體計算如下，
"， r是前景塊的總數(shù)，A為分塊圖像中一個塊的梯度一致性，其計算公式為
f =(力,一 )22)2+4^2,其中,ju， jl2，jM為梯度向量協(xié)方差矩陣J中的元素。若圖像分塊大小為b*b，則塊中所有V個點的梯度向量協(xié)方差矩陣J = /ll 力2 721 力2,V為分塊圖像的大小，s為該塊中的點，B為該塊中所有像素點的集合，gs為點s的梯度向量，g 為梯度向量的轉(zhuǎn)置；最終整幅圖像的質(zhì)量特征為所有塊的梯度一致性的均值。1 ro+4^"S, ,4 S』ia^的計算公式為 W°-4 ，其中， ffC"",*C, 為能量強度函數(shù)，1為環(huán)(ro^《r《ro+4)內(nèi)像素點的數(shù)目，而iq^)l反映了傅里葉變換后的頻域圖像中點("，v)處的能量強度，IG(—I構(gòu)成了頻域的強度 譜。設(shè)g(Jc,力表示大小為WxiV的數(shù)字圖像中坐標為O，力像素點的灰度值，則g(;c，力的離散傅立葉變換(DFT) G("，V)定義為，AM AM<formula>formula see original document page 5</formula>仏通過對頻譜圖像中亮環(huán)帶的能量進行計算，并用其大小來表示質(zhì)量的好壞。込的計算公式為 ,其中，^-J^rl!!^":^)—g(")"為分塊圖像中第個k塊的標準差，gOc,力為像素點(^，>0的灰度值，g(A)是第個k塊灰度均值，W為分塊圖像的塊邊長。a通過對所有的分塊圖像的標準差求均值來表示整幅圖像的質(zhì)量。所述步驟(4)中，所采用的基于細節(jié)點的匹配算法和基于紋理的匹配算法都為經(jīng)典的算法。本發(fā)明處理方法中分塊圖像的塊大小為8X8。本發(fā)明的有益效果由于上述的處理方法綜合指紋圖像空間域、頻率域等多方面的特征，可以很好地區(qū)分指紋圖像質(zhì)量，從而使得基于細節(jié)點的匹配算法和基于紋理的匹配算法具有
更好的適應(yīng)性。


圖1為本發(fā)明的識別方法流程圖。
具體實施例方式
下面結(jié)合附圖與實施例對本發(fā)明做進一步說明。
圖l中， 一種面向圖像質(zhì)量的指紋識別方法，它的步驟為-
(1) 讀取的采集的指紋圖像g (x, y),其中g(shù) (x, y)為像素點(x， y)的灰度值；
(2) 對指紋圖像進行質(zhì)量特征提取，分別提取梯度一致性2^、頻譜特征0F、灰度標準
差j2i共三個特征；
(3) 步驟(2)中提取出的三個特征指標形成三維特征向量，作為支持向量機的輸入向 量；采用SVM支持向量機分類器對指紋圖像的質(zhì)量進行學習和分類，將其確定為已定義的兩 種質(zhì)量類型；
(4) 對質(zhì)量較好、質(zhì)量較差兩種指紋，分別采用基于細節(jié)點的匹配算法和基于紋理的匹 配算法完成識別。
所述步驟(2)中，三個特征分別從不同的方面反映了質(zhì)量的好壞，具體計算如下， 1 ;
r '=1, r是前景塊的總數(shù)(這里r=40) , it為分塊圖像中一個塊的梯度一致性，
其計算公式為"(力',一 A)2，，其中,j21,j22為梯度向量協(xié)方差矩陣J中的元
C/n+_/22)
素。塊中所有點的梯度向量協(xié)方差矩陣/ = g,gf s
圖像的大小，s為該塊中的點，B為該塊中所有像素點的集合，gs為點s的梯度向量，g為 梯度向量的轉(zhuǎn)置；最終整幅圖像的質(zhì)量特征為所有塊的梯度一致性的均值。
0F的計算公式為 r=/"°-4，其中， ffC>(".*Cr 為能量強度函數(shù)，
^~為環(huán)(r0-4 <= r <= r0+4)內(nèi)像素點的數(shù)目)，而
7ll 力2 力l 乂22
,這里b、64,即分塊JV-1W—i ^-I G("力1= !2^(g(w) co(2;r < "，力("v) > /+ sin(—2;r < "力("，v) > / A/))2 IG(u,v)l反映了傅里葉變換后的頻域圖像中點("，v)處的能量強度，IG(u,"l構(gòu)成了頻域的強度 譜。設(shè)g0c，力表示大小為ATxW的數(shù)字圖像中坐標為O;，力像素點的灰度值，則g(x，力的離散傅立葉變換(DFT) G(m，v)定義為， i w-i"("，v) 一乙乙g(f產(chǎn)jc=0 "0w)(cos62^〈(a力(^ v) > /AO+ysin^^^x^X^ v) > / iV)) gf通過對頻譜圖像中亮環(huán)帶的能量進行計算，并用其大小來表示質(zhì)量的好壞。1 wg,的計算公式為 4二7Di;(g"力-g(")2為分塊圖像中第個k塊的標準差，g(x，力為像素點(x，:V)的灰度值，g(A:)是第個k塊灰度均值，巧為分塊圖像的塊邊長(這里^=8)。 &通過對所有的分塊圖像的標準差求均值來表示整幅圖像的質(zhì)量。所述步驟(4)中，所采用的基于細節(jié)點的匹配算法和基于紋理的匹配算法都為經(jīng)典的算法。
權(quán)利要求
1.一種面向圖像質(zhì)量的指紋識別方法，其特征是，它的步驟為(1)讀取采集的指紋圖像g(x，y)，其中g(shù)(x，y)為像素點(x，y)的灰度值；(2)對指紋圖像進行質(zhì)量特征提取，分別提取梯度一致性QT、頻譜特征QF、灰度標準差Qs共三個特征；(3)采用SVM支持向量機分類器對指紋圖像的質(zhì)量進行學習和分類，將其確定為質(zhì)量較好或質(zhì)量較差兩種質(zhì)量類型；(4)對質(zhì)量較好、質(zhì)量較差兩種指紋，分別采用基于細節(jié)點的匹配算法和基于紋理的匹配算法完成識別。
2. 如權(quán)利要求1所述的面向圖像質(zhì)量的指紋識別方法，其特征是，所述步驟(2)中，三 個特征分別從不同的方面反映了質(zhì)量的好壞，具體計算如下，"'=1，r是前景塊的總數(shù)，A:為分塊圖像中一個塊的梯度一致性，其計算公式為 f =""2)2+，,其中，J; jl2, J21, J22為梯度向量協(xié)方差矩陣J中的元素；若圖像分塊大小為b*b,則塊中所有62個點的梯度向量協(xié)方差矩陣，其中b2為分塊圖像的大小，s為該塊中的點，B為該塊中所<formula>formula see original document page 2</formula>有像素點的集合，gs為點S的梯度向量，gj"為梯度向量的轉(zhuǎn)置；最終整幅圖像的質(zhì)量特征為 所有塊的梯度一致性的均值；<formula>formula see original document page 2</formula>仏的計算公式為 <formula>formula see original document page 2</formula>為能量強度函數(shù)，1為環(huán)(r<r4<=r<=r0+4)內(nèi)像素點的數(shù)目，而IG(一l反映了傅里葉變換后的頻域圖像中點("，v)處的能量強度，|G( ,V) l構(gòu)成了頻域的強度 譜；設(shè)g"力表示大小為ATxW的數(shù)字圖像中坐標為(:c,力像素點的灰度值，則g(:c,力的離散傅立葉變換v)定義為，<formula>formula see original document page 3</formula>2F通過對頻譜圖像中亮環(huán)帶的能量進行計算，并用其大小來表示質(zhì)量的好壞; 込的計算公式為 ，其中<formula>formula see original document page 3</formula>(A^為分塊圖像中第個k塊的標準差，g(;c，力為<formula>formula see original document page 3</formula>像素點(x，7)的灰度值，g(k)是第個k塊灰度均值，W為分塊圖像的塊邊長；a通過對所有的分塊圖像的標準差求均值來表示整幅圖像的質(zhì)量。
3.如權(quán)利要求1所述的面向圖像質(zhì)量的指紋識別方法，其特征是，所述步驟(4)中，所 采用的基于細節(jié)點的匹配算法和基于紋理的匹配算法都為經(jīng)典的算法。
全文摘要
本發(fā)明公開了一種面向圖像質(zhì)量的指紋識別方法。它解決現(xiàn)了有指紋識別方法對理想和非理想指紋圖像兼顧性不好的缺點，其方法為(1)讀取的采集的指紋圖像g(x，y)，其中g(shù)(x，y)為像素點(x，y)的灰度值；(2)對指紋圖像進行質(zhì)量特征提取，分別提取梯度一致性Q_T、頻譜特征Q_F、灰度標準差Q_s共三個特征；(3)采用SVM支持向量機分類器對指紋圖像的質(zhì)量進行學習和分類，將其確定為已定義的兩種質(zhì)量類型；(4)對質(zhì)量較好、質(zhì)量較差兩種指紋，分別采用基于細節(jié)點的匹配算法和基于紋理的匹配算法完成識別。
文檔編號G06K9/64GK101303728SQ20081013811
公開日2008年11月12日 申請日期2008年7月1日 優(yōu)先權(quán)日2008年7月1日
發(fā)明者任春曉, 尹義龍, 宇 張, 楊公平, 詹小四, 駱功慶 申請人:山東大學