專(zhuān)利名稱(chēng)：基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別和圖像處理領(lǐng)域。涉及的是一種檢測(cè)因手指在采集傳感器上 瞬間滑動(dòng)所產(chǎn)生“滑移”缺陷區(qū)域的方法。
背景技術(shù)：
指紋識(shí)別作為目前應(yīng)用最為廣泛的生物識(shí)別技術(shù)之一，在刑事和民事領(lǐng)域有著廣 泛應(yīng)用，如犯罪調(diào)查，物理訪問(wèn)(如門(mén)禁)控制，信息安全，海關(guān)和移民系統(tǒng)中的背景調(diào)查、 身份鑒別和確認(rèn)等[1] [2] [3] [4]。近年來(lái)，活體指紋掃描系統(tǒng)的產(chǎn)生為指紋采集提供了一 種能夠生成高分辨率數(shù)字指紋圖像的電子采集方法[5]。由于活體指紋實(shí)時(shí)掃描過(guò)程采用 了先進(jìn)的電子設(shè)備來(lái)確保圖像的準(zhǔn)確采集，能夠獲取比傳統(tǒng)方法質(zhì)量更好的指紋圖像，其 更重要的優(yōu)勢(shì)在于，一次指紋采集可以產(chǎn)生多個(gè)記錄并隨即直接傳送到自動(dòng)指紋識(shí)別系統(tǒng) 或遠(yuǎn)程身份認(rèn)證機(jī)關(guān)進(jìn)行更快捷的處理[6] [7]。獲得優(yōu)質(zhì)的指紋細(xì)節(jié)圖像是一項(xiàng)十分復(fù)雜而重要的工作。目前市場(chǎng)上應(yīng)用的主要 指紋采集技術(shù)有光學(xué)采集、半導(dǎo)體采集技術(shù)和超聲波采集技術(shù)。基于光的全反射原理的光 學(xué)指紋采集技術(shù)是最古老也是目前應(yīng)用最廣泛的指紋采集技術(shù)，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(lài)于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(shí)的。但實(shí)際應(yīng) 用中，由于手指表面濕度、污漬、設(shè)備采集面的不清潔等多種因素影響，經(jīng)常會(huì)從產(chǎn)生指紋 圖像的失真、模糊等現(xiàn)象，導(dǎo)致對(duì)后期的指紋匹配識(shí)別率造成嚴(yán)重的影響。因此指紋圖像采 集過(guò)程中，需要一種質(zhì)量評(píng)估算法來(lái)實(shí)時(shí)確定每個(gè)圖像的質(zhì)量。一個(gè)好的圖像質(zhì)量控制算 法應(yīng)該在不減慢指紋登陸過(guò)程的同時(shí)，及時(shí)地為操作人員提供視覺(jué)和聽(tīng)覺(jué)反饋，以便重新 掃描不符合標(biāo)準(zhǔn)的指紋圖像或以特殊方式對(duì)其進(jìn)行標(biāo)注[8]。在指紋識(shí)別系統(tǒng)中，指紋采集圖像的質(zhì)量對(duì)最終指紋匹配準(zhǔn)確度影響非常明顯 [9] [10] [11] [12]。目前國(guó)際市場(chǎng)上主流的活體指紋采集系統(tǒng)，尤其是光學(xué)傳感器采集系統(tǒng) 中，存在著一種嚴(yán)重影響指紋圖像質(zhì)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(shí)，手指的瞬間滑動(dòng)產(chǎn)生了一些異常的具有虛構(gòu)脊的重疊紋理組織模式，也 可稱(chēng)為“滑移”缺陷，如圖2所示。更嚴(yán)重的是，這類(lèi)缺陷很難用常規(guī)的指紋圖像評(píng)估算法 檢測(cè)出來(lái)。雖然手指無(wú)意間的滑動(dòng)是不可避免的，但如果因?yàn)闆](méi)有檢測(cè)到指紋圖像中的滑移 缺陷而造成錯(cuò)誤匹配和錯(cuò)誤拒絕，會(huì)嚴(yán)重影響實(shí)時(shí)掃描系統(tǒng)的性能。由于滑移缺陷區(qū)域的 紋理分布形態(tài)難以預(yù)測(cè)，而且它與正常的指紋區(qū)域之間存在著某些脊線特征相似性，滑移 缺陷很難被傳統(tǒng)的指紋質(zhì)量評(píng)價(jià)算法檢測(cè)到。為了確保所采集活體指紋圖像的質(zhì)量，系統(tǒng) 我們不僅需要自動(dòng)檢測(cè)到指紋圖像含有缺陷的領(lǐng)域，還需要在這些圖像上準(zhǔn)確地識(shí)別和標(biāo) 記特定滑移缺陷的區(qū)域，從而使操作者能及時(shí)了解有缺陷的圖像并且根據(jù)需要重新登錄指 紋。指紋滑移缺陷區(qū)域檢測(cè)的主要困難在于
1.真正的滑移缺陷區(qū)域和質(zhì)量相對(duì)較差的指紋區(qū)域在某些方面非常相似。如圖3 所示，(a)和(b)因?yàn)椴痪邆浞浅Ｇ逦煞值募咕€被認(rèn)為是質(zhì)量較差或噪聲干擾較大的指 紋圖像區(qū)域，這些區(qū)域雖不理想但仍屬于系統(tǒng)可接受的范圍之內(nèi)。而(e)和(f)則屬于嚴(yán) 重影響指紋匹配精度的滑移缺陷區(qū)域。2.滑移缺陷自動(dòng)識(shí)別的另一個(gè)重要挑戰(zhàn)在于，一些滑移缺陷區(qū)域如(g)及(h) 也具備整齊可分、對(duì)比度鮮明的脊線，它們?cè)谀承┓较蛏系募咕€特征與正常指紋組織區(qū)域 (如(c)和(d))沒(méi)有很明顯的區(qū)別。3.由于在指紋掃描中產(chǎn)生滑移缺陷區(qū)域的諸多不可預(yù)測(cè)的因素及指紋圖像所固 有的紋理特征多樣性，滑移缺陷區(qū)域識(shí)別陷入了一個(gè)非常困難的圖像紋理分類(lèi)問(wèn)題。在眾 多圖像處理技術(shù)中，紋理分析被頻繁的應(yīng)用于圖像分類(lèi)、檢測(cè)或基于某些內(nèi)在屬性的圖像 分割，如粗糙度，顆粒和規(guī)則[13]。在圖像紋理分析中經(jīng)常使用一些的固定變換如傅立葉、 哈爾、余弦、正弦以及共協(xié)矩陣[14]。近幾年，小波變換在信號(hào)和圖像處理方面的應(yīng)用得到 了越來(lái)越廣泛的關(guān)注[15] [16] [17]。Smith和Chang比較了從以下典型圖像分解提取的子 帶能量特征集小波子帶，均勻子帶，離散余弦變換，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征的紋理分類(lèi)問(wèn)題[19]。Livens等闡述了 基于離散和連續(xù)小波分解的紋理分析與圖像分類(lèi)問(wèn)題[20]。對(duì)于許多自然信號(hào)，特別是某 些代表特定紋理特征的信號(hào)，小波變換可以通過(guò)使用一系列可變的分析函數(shù)[16]為信號(hào) 提供了一種多分辨率表示，小波變換被證明是一個(gè)比傅立葉變換更為有效的工具。以上的每種頻域變換算法、濾波器組或紋理特征的選擇都只是針對(duì)某種特定的輸 入信類(lèi)別號(hào)才能達(dá)到最優(yōu)的效果。但由于包含不同滑移缺陷的指紋組織區(qū)域可能產(chǎn)生的輸 入圖像特征范圍極廣，加之指紋圖像中固有的較小類(lèi)間差異和較大類(lèi)內(nèi)差異，以及某些指 紋區(qū)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征參數(shù)在檢測(cè)那些具有頻 率較高的紋理結(jié)構(gòu)模式的滑移缺陷時(shí)并非總是足夠靈敏，特別是某些指紋圖像中的高頻噪 聲區(qū)域，使得指紋滑移缺陷區(qū)域與正常區(qū)域更難以準(zhǔn)確區(qū)分，因此，單一的頻域變換或基于 濾波器的檢測(cè)算法無(wú)法為滑移缺陷的識(shí)別提供令人滿(mǎn)意的解決方案，滑移缺陷區(qū)域的自動(dòng) 檢測(cè)已經(jīng)成為一個(gè)亟待解決并極具挑戰(zhàn)的指紋圖像特殊區(qū)域識(shí)別難題。開(kāi)發(fā)能夠有效檢測(cè) 具有不規(guī)則紋理特征的滑移缺陷的指紋質(zhì)量評(píng)價(jià)算法，能降低由于指紋滑移缺陷造成的誤 識(shí)率和拒識(shí)率，促進(jìn)活體指紋識(shí)別技術(shù)在更多的領(lǐng)域?qū)崿F(xiàn)真正的大規(guī)模市場(chǎng)應(yīng)用，在指紋 采集和識(shí)別系統(tǒng)的實(shí)際應(yīng)用中具有重要的意義和實(shí)用價(jià)值。與本發(fā)明相關(guān)的參考文獻(xiàn)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(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能夠有效地判斷出存在滑移問(wèn)題的指紋圖像并準(zhǔn)確 定位缺陷區(qū)域，從而提高采集指紋圖像的質(zhì)量以及指紋識(shí)別率的基于子帶特征融合的活體 指紋滑移缺陷檢測(cè)方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的主要包括紋理特征提取和滑移區(qū)域檢測(cè)部分。在紋理特征提取的過(guò)程中，利用對(duì) 稱(chēng)小波分解的子帶系數(shù)與灰度共協(xié)矩陣相互融合，得到能夠區(qū)分正常指紋紋理和缺陷區(qū)域 紋理的特征向量。在滑移區(qū)域檢測(cè)的過(guò)程中，使用遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)大面積滑移區(qū)域 進(jìn)行檢測(cè)定位，使用離散余弦變換分解技術(shù)對(duì)小面積滑移區(qū)域進(jìn)行檢測(cè)定位。1、特征提取由于滑移區(qū)域和質(zhì)量相對(duì)較差的指紋區(qū)域非常相似，所以紋理特征的有效選取是 區(qū)分缺陷指紋區(qū)域和正常指紋區(qū)域的關(guān)鍵步驟。首先，利用對(duì)稱(chēng)小波將采集到的指紋圖像進(jìn)行二維分解得到64個(gè)空間頻率子帶， 并將圖像劃分成尺寸為90x90的非重疊圖像子塊，通過(guò)對(duì)大量90x90圖像子塊進(jìn)行分析與 實(shí)驗(yàn)，選取子帶范圍在4-19的小波系數(shù)的能量E和均值M作為區(qū)分缺陷指紋區(qū)域和正常指 紋區(qū)域的一組低頻特征。其次，將90x90大小的圖像子塊進(jìn)一步劃分成9個(gè)30x30大小的圖像子塊，利用灰 度共協(xié)矩陣技術(shù)，計(jì)算每個(gè)30x30子塊的角二階矩、對(duì)比度、反差分矩，將其作為區(qū)分缺陷 指紋區(qū)域和正常指紋區(qū)域的一組高頻特征。2、特征融合根據(jù)上述提取得到的低頻特征和高頻特征，對(duì)于每一個(gè)90x90大小的圖像子塊， 用一個(gè)融合59個(gè)參數(shù)的向量F= (E，M，G)作為這個(gè)圖像子塊的特征向量。其中，子向量E 表示子帶頻段在4-19間對(duì)稱(chēng)小波系數(shù)的16個(gè)能量；子向量M表示子帶頻段在4-19間對(duì)稱(chēng) 小波系數(shù)的16個(gè)均值；子向量G表示由灰度共協(xié)矩陣得到的27個(gè)附加特征參數(shù)。3、大面積滑移區(qū)域檢測(cè)在得到特征向量F后，本發(fā)明采用增強(qiáng)遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)器訓(xùn)練，訓(xùn)練樣本 是通過(guò)離線狀態(tài)下手工標(biāo)注的90x90大小正常指紋圖像子塊和有滑移問(wèn)題的圖像子塊。通 過(guò)訓(xùn)練得到的分類(lèi)器，能夠?qū)Υ竺娣e的滑移區(qū)域進(jìn)行準(zhǔn)確檢測(cè)并定位。4、小面積滑移區(qū)域檢測(cè)本發(fā)明將圖像進(jìn)一步劃分成尺寸為30x30的非重疊圖像子塊，采用離散余弦變換 對(duì)每一個(gè)子塊進(jìn)行處理，利用變換后的高頻分量對(duì)30x30子塊進(jìn)行缺陷區(qū)域判別，能夠有 效地實(shí)施小面積滑移檢測(cè)，可以彌補(bǔ)大面積滑移檢測(cè)中的不足，從而準(zhǔn)確定位出指紋圖像中的缺陷部分。5、聯(lián)合大、小面積滑移區(qū)域檢測(cè)大面積缺陷檢測(cè)技術(shù)和小面積缺陷檢測(cè)技術(shù)都有各自的優(yōu)勢(shì)和不足，兩者之間可 以形成有效互補(bǔ)，本發(fā)明將這兩種方法相結(jié)合應(yīng)用于指紋滑移區(qū)域的檢測(cè)。如果經(jīng)過(guò)檢測(cè) 沒(méi)有發(fā)現(xiàn)滑移缺陷區(qū)域，則進(jìn)行后續(xù)處理。如果經(jīng)過(guò)檢測(cè)發(fā)現(xiàn)采集到的指紋圖像中存在滑 移缺陷區(qū)域，那么對(duì)缺陷區(qū)域進(jìn)行標(biāo)注和顯示，需要對(duì)指紋重新采集。為了解決現(xiàn)有指紋采集系統(tǒng)中在圖像質(zhì)量檢測(cè)方面存在的問(wèn)題，本發(fā)明提出了一 種基于子帶特征融合的指紋滑移檢測(cè)方法，能夠有效地判斷出存在滑移問(wèn)題的指紋圖像并 準(zhǔn)確定位缺陷區(qū)域，從而提高采集指紋圖像的質(zhì)量以及指紋識(shí)別率。本發(fā)明結(jié)合了對(duì)稱(chēng)小波、灰度共協(xié)矩陣、離散余弦變換等技術(shù)，使得本方法能夠準(zhǔn) 確、有效地解決當(dāng)前指紋圖像采集過(guò)程中存在的不可避免的滑移難題。對(duì)于大面積的滑移 缺陷，分別引入了對(duì)稱(chēng)小波子帶特征和灰度共協(xié)矩陣紋理特征，通過(guò)增強(qiáng)遺傳神經(jīng)網(wǎng)絡(luò)分 類(lèi)器對(duì)其進(jìn)行了準(zhǔn)確的識(shí)別。并進(jìn)一步引入離散余弦變換高頻分量特征，完善了對(duì)小面積 滑移缺陷區(qū)域的檢測(cè)。本發(fā)明在實(shí)際應(yīng)用中具有重要意義和適用價(jià)值。


圖1為本發(fā)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(qū)域和滑移缺陷圖像區(qū)域的對(duì)比圖。其中，圖 3(a)-圖3(d)為正常指紋圖像區(qū)域，圖3(e)-圖3(h)為滑移缺陷圖像區(qū)域。圖4為利用對(duì)稱(chēng)小波對(duì)圖像進(jìn)行二維分解的示意圖。圖5為遺傳神經(jīng)網(wǎng)絡(luò)中權(quán)值映射的示意圖。其中W代表從輸入層到隱藏層的權(quán)值 矩陣，V代表從隱藏層到輸出層的權(quán)值矩陣。圖6(a)-圖6(f)為大面積滑移區(qū)域檢測(cè)結(jié)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(shí)心方塊標(biāo)注了大面積滑移缺陷后的 指紋圖像。圖7(a)-圖7(f)為小面積滑移區(qū)域檢測(cè)結(jié)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(shí)心方塊標(biāo)注了小面積滑移缺陷后的 指紋圖像。圖8(a)-圖8(f)為聯(lián)合大、小面積滑移區(qū)域檢測(cè)結(jié)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(shí)心方塊分別標(biāo)注了大、小面 積滑移缺陷后的指紋圖像。
具體實(shí)施例方式下面結(jié)合附圖舉例對(duì)本發(fā)明做更詳細(xì)地描述圖1為本發(fā)明方法流程圖。通過(guò)指紋采集設(shè)備得到一幅指紋圖像，首先進(jìn)行特征 提取，包括基于對(duì)稱(chēng)小波變換的低頻特征和基于灰度共協(xié)矩陣的高頻特征，然后對(duì)所提取 的特征子向量進(jìn)行融合，通過(guò)增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)指紋圖像進(jìn)行大面積滑移缺陷 區(qū)域檢測(cè)。同時(shí)對(duì)輸入指紋圖像進(jìn)行離散余弦變換，提取相應(yīng)的高頻分量進(jìn)行小面積滑移缺陷區(qū)域檢測(cè)。如果在結(jié)合大、小面積滑移區(qū)域檢測(cè)后沒(méi)有發(fā)現(xiàn)滑移缺陷區(qū)域，說(shuō)明采集到 的指紋圖像不存在滑移現(xiàn)象，可繼續(xù)進(jìn)行采集；如果檢測(cè)到指紋圖像中的滑移缺陷區(qū)域，則 對(duì)缺陷區(qū)域進(jìn)行標(biāo)注和顯示，根據(jù)需要重新采集指紋。各部分具體實(shí)施細(xì)節(jié)如下1、特征提取紋理特征的有效選取是區(qū)分缺陷指紋區(qū)域和正常指紋區(qū)域的關(guān)鍵步驟，對(duì)后面的 滑移區(qū)域檢測(cè)影響很大。本發(fā)明分別利用對(duì)稱(chēng)小波方法和灰度共協(xié)矩陣技術(shù)得到區(qū)分缺陷 指紋區(qū)域和正常指紋區(qū)域的一組低頻特征參數(shù)和一組高頻特征參數(shù)。1. 1基于對(duì)稱(chēng)小波變換的低頻子向量特征提取首先，利用對(duì)稱(chēng)小波將指紋圖像進(jìn)行二維分解，如圖4所示，得到64個(gè)空間頻率子 帶，并將圖像劃分成尺寸為90x90的非重疊圖像子塊，并按式(1) (2)分別計(jì)算小波系數(shù)的 子帶能量ei和均值IV他們能夠準(zhǔn)確反映指紋紋線沿著頻率方向的能量分布。
通過(guò)對(duì)大量90x90子塊進(jìn)行分析與實(shí)驗(yàn)，選取子帶范圍在4-19的小波系數(shù)的能量 E和均值M作為區(qū)分缺陷指紋區(qū)域和正常指紋區(qū)域的一組低頻特征。1. 2基于灰度共協(xié)矩陣的高頻子向量特征提取上一步中選取的低頻參數(shù)能夠準(zhǔn)確描述滑移區(qū)域的在4 19波段的特定頻率和 紋理特征，但在區(qū)別某些質(zhì)量較差的指紋圖像區(qū)域時(shí)不夠靈敏，特別在指紋圖像中的高頻 噪聲區(qū)域更為明顯。為了進(jìn)一步提高識(shí)別模糊區(qū)域靈敏度，本發(fā)明利用基于灰度共協(xié)矩陣 所抽取的特征參數(shù)來(lái)彌補(bǔ)對(duì)稱(chēng)小波變換在提取高頻特征向量時(shí)的不足。位移矢量為d = (dx, dy)的GxG灰度級(jí)共協(xié)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(jí)為G的圖像，(r，s)，(t，ν) e NxN, (t, ν) = (r+dx，s+dy)，I. I是一組基數(shù)。由灰度共協(xié)矩陣能夠衍生出多項(xiàng)紋理結(jié)構(gòu)特征，本發(fā) 明為了降低計(jì)算的復(fù)雜程度，選取以下3種在檢測(cè)高頻指紋模糊區(qū)域方面具有較強(qiáng)辨別能 力的特征。1)對(duì)比度 對(duì)比度特征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(xié)矩陣歸一化后系數(shù)，ρ(i，j) =Pd(i，j)/R，其中R 是像素對(duì)(i，j)的數(shù)目總和。對(duì)于位移矢量為d= (dx，dy)、大小為NxM的圖像，R可以表 示為(N-dx) (M-dy)。本發(fā)明將90x90大小的圖像子塊進(jìn)一步劃分成9個(gè)30x30大小互不重疊的圖像子 塊，計(jì)算每個(gè)圖像子塊的角二階矩、對(duì)比度、反差分矩，那么對(duì)于每個(gè)90x90大小圖像塊就 產(chǎn)生了 27個(gè)附加特征，將其作為區(qū)分缺陷指紋區(qū)域和正常指紋區(qū)域的一組高頻特征子向量。2、特征融合本發(fā)明采用了一種子帶特征融合的方法提高識(shí)別滑移區(qū)域的靈敏度。為了有效區(qū) 分具有低頻紋理特征的正常和缺陷區(qū)域，通過(guò)采用計(jì)算子帶方差和小波系數(shù)均值的方法， 提取低頻特征子向量；為了有效區(qū)分具有高頻紋理特征的正常和缺陷區(qū)域，由灰度共協(xié)矩 陣技術(shù)計(jì)算角二階矩、對(duì)比度和反差分矩，提取高頻特征子向量。對(duì)于每一個(gè)90x90大小的圖像子塊，用一個(gè)融合59個(gè)參數(shù)的向量F = (E，M，G)作 為這個(gè)圖像子塊的特征向量。其中，子向量E(e1; e16)表示子帶頻段在4-19間對(duì)稱(chēng)小 波系數(shù)的16個(gè)能量；子向量MOii1, m16)表示子帶頻段在4-19間對(duì)稱(chēng)小波系數(shù)的16個(gè) 均值；子向量G(gl，g27)表示由灰度共協(xié)矩陣得到的27個(gè)附加特征參數(shù)。3、大面積滑移區(qū)域檢測(cè)利用上述特征向量融合和分類(lèi)器可以精確區(qū)分缺陷指紋區(qū)域和正常指紋區(qū)域。3. 1基于增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)的分類(lèi)器本發(fā)明使用增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)構(gòu)建識(shí)別滑移區(qū)域的分類(lèi)器。如圖5所示，在增 強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)框架中，將神經(jīng)網(wǎng)絡(luò)的連接權(quán)值描繪成由一組基因組成的染色體，其中 基因代表了權(quán)值矩陣中的元素，用均方誤差來(lái)約束遺傳算法的迭代。本發(fā)明在權(quán)值進(jìn)化過(guò)程中使用了變種群交叉增強(qiáng)技術(shù)，解決傳統(tǒng)遺傳算法收斂過(guò) 早的問(wèn)題，并能夠提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練質(zhì)量和效率。假設(shè)有N個(gè)人的種群P1-Pn,每個(gè)染色 體的長(zhǎng)度為1，于是P1 ^ [p^. …(7)那么這個(gè)種群的平均個(gè)體為 整個(gè)種群的變異可以由下式表征 在增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)化的起始階段，原始種群變異設(shè)置為Dtl，初始交叉率P。 設(shè)置為40%。Di表示第i代種群變異，那么P。按下式進(jìn)行動(dòng)態(tài)調(diào)整

(10)本發(fā)明采用了一個(gè)3層(59 18 2)增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器，輸入層是融 合后含有59個(gè)參數(shù)的混合特征向量，輸出層存儲(chǔ)是分類(lèi)結(jié)果。3. 2分類(lèi)器訓(xùn)練為了對(duì)遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行有效訓(xùn)練，在離線狀態(tài)下對(duì)90x90大小的圖像子 塊進(jìn)行手工標(biāo)注，包括所有正常指紋圖像子塊和有滑移問(wèn)題的圖像子塊。本發(fā)明采用一個(gè)含有985幅指紋圖像的非均衡數(shù)據(jù)集，此數(shù)據(jù)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(guò)程中，選取27幅滑移圖像和28幅正常圖像， 再?gòu)倪@55幅指紋圖像選取84個(gè)正常圖像子塊和84個(gè)滑移圖像子塊，共計(jì)168個(gè)圖像子塊 用于分類(lèi)器訓(xùn)練。除訓(xùn)練所用的55幅圖像外，剩余的930幅指紋圖像用于大面積滑移區(qū)域 的檢測(cè)。由于選取的增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器具有良好的全局搜索能力，非常適合處理 大型數(shù)據(jù)集和高維特征向量的圖像和像素分類(lèi)問(wèn)題，使得整體數(shù)據(jù)集的訓(xùn)練誤差始終低于 0.1%。3. 3大面積滑移區(qū)域檢測(cè)結(jié)果本發(fā)明將基于對(duì)稱(chēng)小波變換的低頻特征子向量和基于灰度共協(xié)矩陣的高頻特征 子向量相融合，得到一個(gè)含有59參數(shù)的混合特征向量，并將其輸入到3層(59 18 2)增 強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器中。檢測(cè)結(jié)果如圖6所示，其中被檢測(cè)到的滑移區(qū)域用90x90的 實(shí)心塊標(biāo)記。如果大部分的滑移區(qū)域被標(biāo)記出來(lái)，則表明分類(lèi)正確；如果被標(biāo)記出來(lái)的區(qū)域?qū)?于正常指紋區(qū)域，那么說(shuō)明分類(lèi)器誤報(bào)。通過(guò)對(duì)930幅測(cè)試圖像進(jìn)行的檢測(cè)，圖像滑移區(qū)域 的正檢率是90. 7%，誤報(bào)率為0. 092%，圖像子塊滑移區(qū)域的正檢率是72. 37%，誤報(bào)率為 0. 13%?；趯?duì)稱(chēng)小波變換的大面積滑移區(qū)域檢測(cè)一個(gè)重要特點(diǎn)是能夠準(zhǔn)確地標(biāo)注出絕 大部分的缺陷區(qū)域，然而此方法是以90x90大小的圖像塊為基本檢測(cè)單位的，粒度相對(duì)較 大。一方面標(biāo)記為滑移區(qū)域的圖像子塊可能包含正常像素，另一方面圖像邊界區(qū)域的一些 相對(duì)較小的滑移區(qū)域可能被誤分類(lèi)為正常區(qū)域。尤其難以檢測(cè)一些脊線間只有一個(gè)急劇變 化的滑移指紋圖像，神經(jīng)網(wǎng)絡(luò)中并沒(méi)有明確的紋理學(xué)習(xí)模式來(lái)鑒定這種缺陷區(qū)域。4、小面積滑移區(qū)域檢測(cè)為了進(jìn)一步精確、全面地定位缺陷區(qū)域，本發(fā)明使用傳統(tǒng)的離散余弦變換在頻域 對(duì)指紋圖像進(jìn)行分解，并分析判別。離散余弦變換系數(shù)能夠形成一個(gè)圖像紋理的自然表示， 按照視覺(jué)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(qū)分目標(biāo)物體和一般背 景上具有明顯的優(yōu)勢(shì)。本發(fā)明將圖像劃分成尺寸為30x30的非重疊圖像子塊，采用離散余弦變換對(duì)每一 個(gè)圖像子塊進(jìn)行處理，由于指紋紋理特征集中在變換后的高頻分量，所以利用離散余弦變 換高頻系數(shù)對(duì)30x30子塊進(jìn)行缺陷區(qū)域判別。檢測(cè)結(jié)果如圖7所示，其中被檢測(cè)到的滑移 區(qū)域用30x30的實(shí)心塊標(biāo)記?；陔x散余弦變換的小面積滑移區(qū)域檢測(cè)的一個(gè)重要優(yōu)勢(shì)是，處理指紋脊線中小的滑移區(qū)域和急劇變化區(qū)域具有很好的效果，特別是對(duì)于前述小波變換方法不能檢測(cè)到的 圖像邊緣缺陷區(qū)域作用更為顯著。但是基于離散余弦變換的方法不能檢測(cè)大量集中的滑移 區(qū)域，特別是對(duì)于縱向重復(fù)圖案和不規(guī)則形狀。5、聯(lián)合大、小面積滑移區(qū)域檢測(cè)基于對(duì)稱(chēng)小波變換的大面積缺陷檢測(cè)技術(shù)和基于離散余弦變換的小面積缺陷檢 測(cè)技術(shù)都有各自的優(yōu)勢(shì)和不足，本發(fā)明將這兩種方法相結(jié)合應(yīng)用于指紋滑移區(qū)域的檢測(cè)。本發(fā)明采用一個(gè)含有985幅指紋圖像的非均衡數(shù)據(jù)集，此數(shù)據(jù)集中有76幅滑移指 紋圖像和909幅正常指紋圖像。其中55幅圖像用于遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器的訓(xùn)練，剩余的 930幅指紋圖像用于滑移區(qū)域的檢測(cè)。通過(guò)測(cè)試，大、小面積相結(jié)合的缺陷檢測(cè)技術(shù)的正檢 率為97. 4%，誤報(bào)率為0. 12%。圖8為使用這種聯(lián)合方法后的滑移區(qū)域檢測(cè)結(jié)果示意圖， 其中被檢測(cè)到的滑移區(qū)域用實(shí)心塊進(jìn)行標(biāo)記。實(shí)驗(yàn)結(jié)果表明，大、小面積相結(jié)合的缺陷檢測(cè) 方法可以獲得比任一單獨(dú)方法更精確、更全面地滑移檢測(cè)效果。采集到的指紋圖像經(jīng)過(guò)聯(lián)合大、小面積滑移區(qū)域檢測(cè)，如果沒(méi)有發(fā)現(xiàn)滑移缺陷區(qū) 域，則進(jìn)行后續(xù)處理。如果經(jīng)過(guò)發(fā)現(xiàn)了圖像中存在滑移缺陷區(qū)域，那么對(duì)缺陷區(qū)域進(jìn)行標(biāo)注 和顯示，對(duì)指紋重新采集。
權(quán)利要求
一種基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是對(duì)采集得到的活體指紋圖像，首先進(jìn)行特征提取，包括基于對(duì)稱(chēng)小波變換提取的低頻特征子向量和基于灰度共協(xié)矩陣提取的高頻特征子向量，然后對(duì)所提取的特征子向量進(jìn)行特征融合，通過(guò)增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)指紋圖像進(jìn)行大面積滑移缺陷區(qū)域檢測(cè)，同時(shí)對(duì)輸入指紋圖像進(jìn)行離散余弦變換，提取相應(yīng)的高頻分量進(jìn)行小面積滑移缺陷區(qū)域檢測(cè)，如果在結(jié)合大、小面積滑移區(qū)域檢測(cè)后均未發(fā)現(xiàn)滑移缺陷區(qū)域，則繼續(xù)指紋采集過(guò)程；如果發(fā)現(xiàn)指紋圖像中存在滑移缺陷區(qū)域，則對(duì)缺陷區(qū)域的像素點(diǎn)進(jìn)行標(biāo)注和顯示，提醒系統(tǒng)重新采集指紋。
2.根據(jù)權(quán)利要求1所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是 所述的特征提取的步驟如下(1)基于對(duì)稱(chēng)小波變換的低頻波段子向量特征提取(a)利用對(duì)稱(chēng)小波將指紋圖像進(jìn)行多重二維分解，直到獲取64個(gè)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(duì)于劃分得到的每一個(gè)90x90的圖像子塊，計(jì)算子帶波段范圍在4-19的小波系數(shù) 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(duì)應(yīng)的一組低頻特征子向量；(2)基于灰度共協(xié)矩陣的高頻子向量特征提取(e)將步驟(1)中劃分得到的每一個(gè)90x90大小的圖像子塊進(jìn)一步劃分成9個(gè)30x30 大小互不重疊的圖像子塊；(f)對(duì)于劃分得到的每一個(gè)30x30的圖像子塊，計(jì)算灰度共協(xié)矩陣所衍生出的3個(gè)特征 值，包括角二階矩、對(duì)比度、反差分矩；(g)重復(fù)步驟(f)，直到得出同一個(gè)90x90圖像子塊中9個(gè)30x30的圖像子塊的所有27 個(gè)特征值，記為向量G ；(h)將G作為90x90的圖像子塊所對(duì)應(yīng)的一組高頻特征子向量。
3.根據(jù)權(quán)利要求1或2所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特 征是所述的特征融合算法為對(duì)于每一個(gè)90x90大小的圖像子塊，用一個(gè)融合59個(gè)參數(shù)的 向量F = (E，M, G)作為這個(gè)圖像子塊的特征向量，其中，子向量E Ce1, e16)表示子帶 頻段在4-19間對(duì)稱(chēng)小波系數(shù)的16個(gè)能量；子向量MOii1, ... , m16)表示子帶頻段在4_19間 對(duì)稱(chēng)小波系數(shù)的16個(gè)均值；子向量G(gl，. . .，g27)表示由灰度共協(xié)矩陣得到的27個(gè)附加特 征參數(shù)。
4.根據(jù)權(quán)利要求1或2所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特 征是大面積滑移區(qū)域檢測(cè)的步驟如下(1)構(gòu)建一個(gè)3層59 18 2的增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器；(2)在離線狀態(tài)下對(duì)90x90大小的圖像子塊進(jìn)行手工標(biāo)注，作為訓(xùn)練樣本對(duì)分類(lèi)器進(jìn) 行訓(xùn)練；(3)使用分類(lèi)器對(duì)指紋圖像中的大面積滑移區(qū)域進(jìn)行檢測(cè)。
5.根據(jù)權(quán)利要求3所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是 大面積滑移區(qū)域檢測(cè)的步驟如下(1)構(gòu)建一個(gè)3層59 18 2的增強(qiáng)型遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器；(2)在離線狀態(tài)下對(duì)90x90大小的圖像子塊進(jìn)行手工標(biāo)注，作為訓(xùn)練樣本對(duì)分類(lèi)器進(jìn)行訓(xùn)練；(3)使用分類(lèi)器對(duì)指紋圖像中的大面積滑移區(qū)域進(jìn)行檢測(cè)。
6.根據(jù)權(quán)利要求1或2所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特 征是小面積滑移區(qū)域檢測(cè)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(duì)于劃分得到的每一個(gè)30x30的圖像子塊，進(jìn)行離散余弦變換；(3)選取離散余弦變換后的高頻分量對(duì)指紋圖像中的不規(guī)則小面積滑移缺陷區(qū)域進(jìn)行 精確檢測(cè)。
7.根據(jù)權(quán)利要求3所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是 小面積滑移區(qū)域檢測(cè)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(duì)于劃分得到的每一個(gè)30x30的圖像子塊，進(jìn)行離散余弦變換；(3)選取離散余弦變換后的高頻分量對(duì)指紋圖像中的不規(guī)則小面積滑移缺陷區(qū)域進(jìn)行 精確檢測(cè)。
8.根據(jù)權(quán)利要求4所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是 小面積滑移區(qū)域檢測(cè)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(duì)于劃分得到的每一個(gè)30x30的圖像子塊，進(jìn)行離散余弦變換；(3)選取離散余弦變換后的高頻分量對(duì)指紋圖像中的不規(guī)則小面積滑移缺陷區(qū)域進(jìn)行 精確檢測(cè)。
9.根據(jù)權(quán)利要求5所述的基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法，其特征是 小面積滑移區(qū)域檢測(cè)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(duì)于劃分得到的每一個(gè)30x30的圖像子塊，進(jìn)行離散余弦變換；(3)選取離散余弦變換后的高頻分量對(duì)指紋圖像中的不規(guī)則小面積滑移缺陷區(qū)域進(jìn)行 精確檢測(cè)。
全文摘要
本發(fā)明提供的是一種基于子帶特征融合的活體指紋滑移缺陷檢測(cè)方法。主要包括紋理特征提取和滑移區(qū)域檢測(cè)部分。在紋理特征提取的過(guò)程中，利用對(duì)稱(chēng)小波分解的子帶系數(shù)與灰度共協(xié)矩陣相互融合，得到能夠區(qū)分正常指紋紋理和缺陷區(qū)域紋理的特征向量。在滑移區(qū)域檢測(cè)的過(guò)程中，使用遺傳神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)大面積滑移區(qū)域進(jìn)行檢測(cè)定位，使用離散余弦變換分解技術(shù)對(duì)小面積滑移區(qū)域進(jìn)行檢測(cè)定位。本發(fā)明能夠準(zhǔn)確、有效地解決當(dāng)前指紋圖像采集過(guò)程中存在的不可避免的滑移難題。本發(fā)明在實(shí)際應(yīng)用中具有重要意義和適用價(jià)值。
文檔編號(hào)G06K9/20GK101908143SQ201010247908
公開(kāi)日2010年12月8日 申請(qǐng)日期2010年8月9日 優(yōu)先權(quán)日2010年8月9日
發(fā)明者楊秀坤 申請(qǐng)人:哈爾濱工程大學(xué)