指紋圖像質(zhì)量的判斷方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種指紋圖像質(zhì)量的判斷方法和裝置，所述判斷方法包括步驟：獲取指紋圖像樣本；利用SVM分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)，獲得最優(yōu)分類面；獲取待判斷的指紋圖像，并計(jì)算所述指紋圖像的HOG特征；根據(jù)所述HOG特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量。從而實(shí)現(xiàn)了在小尺寸指紋采集設(shè)備中對(duì)指紋圖像質(zhì)量的準(zhǔn)確判斷，不僅省去人工確定判斷閾值的工作，而且具有很好的擴(kuò)展能力，即這種判斷方式可以判定多種類型噪聲帶來的影響，只需輸入需要的樣本類型即可完成判斷，在大量實(shí)驗(yàn)中表現(xiàn)出極佳的效果，為提高指紋識(shí)別率、降低認(rèn)假率打下了良好的基礎(chǔ)。
【專利說明】指紋圖像質(zhì)量的判斷方法和裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信【技術(shù)領(lǐng)域】，尤其是涉及一種指紋圖像質(zhì)量的判斷方法和裝置。

【背景技術(shù)】
[0002] 指紋識(shí)別技術(shù)已開始廣泛應(yīng)用于移動(dòng)終端，針對(duì)移動(dòng)終端的指紋識(shí)別，識(shí)別算法 則是核心技術(shù)。由于指紋采集傳感器的限制，當(dāng)手指帶有汗?jié)n、泥漬等情況下，識(shí)別率會(huì)大 大降低，特別是移動(dòng)終端這種小尺寸指紋采集設(shè)備，識(shí)別算法更是依賴輸入的指紋圖像質(zhì) 量，質(zhì)量越高則識(shí)別率越高，認(rèn)假率越低，因此在識(shí)別之前對(duì)指紋圖像質(zhì)量的判斷尤為重 要。
[0003] 傳統(tǒng)的判斷方法，首先統(tǒng)計(jì)指紋圖像的均值、方差、信息熵、環(huán)形譜結(jié)構(gòu)等特征指 標(biāo)，然后綜合這些指標(biāo)計(jì)算質(zhì)量分值。但這類方法只適用于全采集指紋識(shí)別系統(tǒng)，而針對(duì)小 尺寸指紋采集系統(tǒng)并不適用；再者這些特征指標(biāo)也并沒有充分考慮指紋是具有特定紋理結(jié) 構(gòu)的圖像。因此，現(xiàn)有技術(shù)中的指紋圖像質(zhì)量的判斷方法，還不能對(duì)小尺寸指紋采集設(shè)備 (或系統(tǒng)）中指紋圖像質(zhì)量進(jìn)行準(zhǔn)確的判斷。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的主要目的在于提供一種指紋圖像質(zhì)量的判斷方法和裝置，旨在自動(dòng)判斷 指紋圖像質(zhì)量，為提高指紋識(shí)別率、降低認(rèn)假率打下良好的基礎(chǔ)。
[0005] 為達(dá)以上目的，本發(fā)明提出一種指紋圖像質(zhì)量的判斷方法，包括步驟：
[0006] 獲取指紋圖像樣本；
[0007] 利用SVM支持向量機(jī)分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)，獲得最優(yōu)分類面；
[0008] 獲取待判斷的指紋圖像，并計(jì)算所述指紋圖像的H0G梯度方向直方圖特征；
[0009] 根據(jù)所述H0G特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量。
[0010] 優(yōu)選地，所述利用SVM支持向量機(jī)分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)獲得最 優(yōu)分類面包括：
[0011] 計(jì)算所述指紋圖像樣本的H0G特征；
[0012] 將所述指紋圖像樣本的H0G特征輸入所述SVM分類器中進(jìn)行訓(xùn)練學(xué)習(xí)，獲得最優(yōu) 分類面。
[0013] 優(yōu)選地，所述計(jì)算所述指紋圖像的H0G梯度方向直方圖特征包括：
[0014] 計(jì)算所述指紋圖像中每一像素位置的梯度方向值；
[0015] 將所述指紋圖像分成多個(gè)單元格，根據(jù)所述梯度方向值為每個(gè)單元格構(gòu)建梯度方 向直方圖；
[0016] 將所述單元格組合成塊，在所述塊內(nèi)歸一化所述梯度方向直方圖，將所述指紋圖 像中所有塊的梯度方向直方圖結(jié)合起來形成H0G特征。
[0017] 優(yōu)選地，所述根據(jù)所述H0G特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量包括：
[0018] 將所述指紋圖像的H0G特征輸入所述最優(yōu)分類面的函數(shù)f(x) = w*x-b中進(jìn)行計(jì) 算，其中W為最優(yōu)分類面的支持向量，b為常數(shù)項(xiàng)，X為指紋圖像的HOG特征；
[0019] 若計(jì)算結(jié)果為f(x) > 0,則判定所述指紋圖像的質(zhì)量好；
[0020] 若計(jì)算結(jié)果為f(x) < 0,則判定所述指紋圖像的質(zhì)量差。
[0021] 本發(fā)明同時(shí)提出一種指紋圖像質(zhì)量的判斷裝置，包括學(xué)習(xí)模塊和判斷模塊，其 中：
[0022] 學(xué)習(xí)模塊，用于獲取指紋圖像樣本，利用SVM分類器根據(jù)所述指紋圖像樣本進(jìn)行 學(xué)習(xí)，獲得最優(yōu)分類面；
[0023] 判斷模塊，用于獲取待判斷的指紋圖像，并計(jì)算所述指紋圖像的H0G梯度方向直 方圖特征，根據(jù)所述H0G特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量。
[0024] 優(yōu)選地，所述學(xué)習(xí)模塊用于：計(jì)算所述指紋圖像樣本的H0G特征，將所述指紋圖像 樣本的H0G特征輸入所述SVM分類器中進(jìn)行訓(xùn)練學(xué)習(xí)，獲得最優(yōu)分類面。
[0025] 優(yōu)選地，所述判斷模塊包括處理單元，所述處理單元用于：計(jì)算所述指紋圖像中每 一像素位置的梯度方向值；將所述指紋圖像分成多個(gè)單元格，根據(jù)所述梯度方向值為每個(gè) 單元格構(gòu)建梯度方向直方圖；將所述單元格組合成塊，在所述塊內(nèi)歸一化所述梯度方向直 方圖，將所述指紋圖像中所有塊的梯度方向直方圖結(jié)合起來形成H0G特征。
[0026] 優(yōu)選地，所述判斷模塊包括處理單元和判別單元，其中：
[0027] 處理單元，用于將所述指紋圖像的H0G特征輸入所述最優(yōu)分類面的函數(shù)f(x)= w*x-b中進(jìn)行計(jì)算，其中w為最優(yōu)分類面的支持向量，b為常數(shù)項(xiàng)，X為指紋圖像的HOG特 征；
[0028] 判別單元，用于根據(jù)處理單元的計(jì)算結(jié)果進(jìn)行判別，若計(jì)算結(jié)果為f(x) > 0,則判 定所述指紋圖像的質(zhì)量好；若計(jì)算結(jié)果為f(x) < 〇,則判定所述指紋圖像的質(zhì)量差。
[0029] 本發(fā)明所提供的一種指紋圖像質(zhì)量的判斷方法，通過SVM分類器對(duì)指紋圖像樣本 進(jìn)行學(xué)習(xí)獲得最優(yōu)分類面，并將H0G特征引入到指紋圖像質(zhì)量判斷中，根據(jù)H0G特征和最優(yōu) 分類面自動(dòng)判斷指紋圖像的質(zhì)量。不僅省去了人工確定判斷閾值的工作，而且具有很好的 擴(kuò)展能力，即這種判斷方式可以判定多種類型噪聲帶來的影響，只需輸入需要的樣本類型 即可完成判斷，在大量實(shí)驗(yàn)中表現(xiàn)出極佳的效果。本發(fā)明的判斷方法主要適用于小尺寸指 紋采集設(shè)備對(duì)采集的指紋圖像質(zhì)量好壞的判斷，尤其針對(duì)汗?jié)n、泥漬、噪聲等造成指紋圖像 模糊的情形，可以在指紋識(shí)別前對(duì)指紋圖像的質(zhì)量進(jìn)行準(zhǔn)確的判斷，為提高指紋識(shí)別率、降 低認(rèn)假率打下了良好的基礎(chǔ)。

【專利附圖】

【附圖說明】
[0030] 圖1是本發(fā)明指紋圖像質(zhì)量的判斷方法一實(shí)施例的流程圖；
[0031] 圖2是本發(fā)明實(shí)施例中計(jì)算指紋圖像樣本的H0G特征的流程圖；
[0032] 圖3是本發(fā)明實(shí)施例中最優(yōu)分類面的示意圖；
[0033] 圖4是本發(fā)明實(shí)施例中計(jì)算指紋圖像的H0G特征的流程圖；
[0034] 圖5是本發(fā)明指紋圖像質(zhì)量的判斷裝置一實(shí)施例的結(jié)構(gòu)框圖；
[0035] 圖6是本發(fā)明實(shí)施例中判斷模塊的結(jié)構(gòu)框圖。
[0036] 本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)點(diǎn)將結(jié)合實(shí)施例，參照附圖做進(jìn)一步說明。

【具體實(shí)施方式】
[0037] 應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0038] 本發(fā)明的指紋圖像質(zhì)量的判斷方法，考慮到HOG (Histogram of Oriented Gradient，梯度方向直方圖）特征描述了圖像梯度方向分布，是有效的紋理統(tǒng)計(jì)特征，因此 通過引入H0G特征并采用SVM監(jiān)督學(xué)習(xí)模式來成功的區(qū)分出指紋圖像質(zhì)量，實(shí)現(xiàn)了對(duì)小尺 寸指紋采集設(shè)備中指紋圖像質(zhì)量進(jìn)行準(zhǔn)確的判斷。
[0039] 參見圖1，提出本發(fā)明的指紋圖像質(zhì)量的判斷方法一實(shí)施例，所述判斷方法包括以 下步驟：
[0040] 步驟S101 :獲取指紋圖像樣本
[0041] 指紋圖像樣本包括正負(fù)樣本，即質(zhì)量好的樣本和質(zhì)量差的樣本，正負(fù)樣本至少各 一個(gè)，優(yōu)選多個(gè)。指紋圖像樣本由人工選擇，可以是現(xiàn)場人工采集獲取的指紋圖像，也可以 是從外部獲取的現(xiàn)成的指紋圖像。
[0042] 步驟S102 :利用SVM分類器根據(jù)指紋圖像樣本進(jìn)行學(xué)習(xí)，獲得最優(yōu)分類面
[0043] 具體的，首先計(jì)算指紋圖像樣本的H0G特征，然后將指紋圖像樣本的H0G特征輸入 SVM(Support Vector Machine,支持向量機(jī)）分類器中進(jìn)行訓(xùn)練學(xué)習(xí)，從而獲得最優(yōu)分類 面。
[0044] H0G特征是一種物體檢測的特征描述子，它通過統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直 方圖來構(gòu)成特征。梯度方向直方圖描述了圖像梯度方向分布，是有效的紋理統(tǒng)計(jì)特性。指 紋圖像樣本的H0G特征的計(jì)算方法如圖2所示，包括以下步驟：
[0045] 步驟S121 :計(jì)算指紋圖像樣本中每一像素位置的梯度方向值
[0046] 具體的，計(jì)算指紋圖像樣本中橫縱坐標(biāo)方向的梯度，并根此計(jì)算每個(gè)像素位置的 梯度方向值。指紋圖像樣本中像素點(diǎn)（X，y)處的梯度為：
[0047] Gx (x, y) = I (x+1, y) -I (x~l, y)
[0048] Gy (x, y) = I (x, y+1) -I (x, y-1)
[0049] 其中Gx(x, y)、Gy(x, y)和I (x, y)分別表示指紋圖像樣本中像素點(diǎn)（x, y)處的水 平方向梯度、垂直方向梯度和圖像灰度值。像素點(diǎn)（x，y)處的梯度幅值G(x，y)和梯度方向 Θ (X，y)分別為：
[0050]

【權(quán)利要求】
1. 一種指紋圖像質(zhì)量的判斷方法，其特征在于，包括步驟： 獲取指紋圖像樣本； 利用SVM支持向量機(jī)分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)，獲得最優(yōu)分類面； 獲取待判斷的指紋圖像，并計(jì)算所述指紋圖像的HOG梯度方向直方圖特征； 根據(jù)所述HOG特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量。
2. 根據(jù)權(quán)利要求1所述的指紋圖像質(zhì)量的判斷方法，其特征在于，所述利用SVM支持向 量機(jī)分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)獲得最優(yōu)分類面包括： 計(jì)算所述指紋圖像樣本的HOG特征； 將所述指紋圖像樣本的HOG特征輸入所述SVM分類器中進(jìn)行訓(xùn)練學(xué)習(xí)，獲得最優(yōu)分類 面。
3. 根據(jù)權(quán)利要求1所述的指紋圖像質(zhì)量的判斷方法，其特征在于，所述計(jì)算所述指紋 圖像的HOG梯度方向直方圖特征包括： 計(jì)算所述指紋圖像中每一像素位置的梯度方向值； 將所述指紋圖像分成多個(gè)單元格，根據(jù)所述梯度方向值為每個(gè)單元格構(gòu)建梯度方向直 方圖； 將所述單元格組合成塊，在所述塊內(nèi)歸一化所述梯度方向直方圖，將所述指紋圖像中 所有塊的梯度方向直方圖結(jié)合起來形成HOG特征。
4. 根據(jù)權(quán)利要求1所述的指紋圖像質(zhì)量的判斷方法，其特征在于，所述根據(jù)所述HOG特 征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量包括： 將所述指紋圖像的HOG特征輸入所述最優(yōu)分類面的函數(shù)f(x) =w*x-b中進(jìn)行計(jì)算，其 中w為最優(yōu)分類面的支持向量，b為常數(shù)項(xiàng)，X為指紋圖像的HOG特征； 若計(jì)算結(jié)果為f(x) > 〇,則判定所述指紋圖像的質(zhì)量好； 若計(jì)算結(jié)果為f(x) < 〇,則判定所述指紋圖像的質(zhì)量差。
5. -種指紋圖像質(zhì)量的判斷裝置，其特征在于，包括學(xué)習(xí)模塊和判斷模塊，其中： 學(xué)習(xí)模塊，用于獲取指紋圖像樣本，利用SVM分類器根據(jù)所述指紋圖像樣本進(jìn)行學(xué)習(xí)， 獲得最優(yōu)分類面； 判斷模塊，用于獲取待判斷的指紋圖像，并計(jì)算所述指紋圖像的HOG梯度方向直方圖 特征，根據(jù)所述HOG特征和最優(yōu)分類面判斷所述指紋圖像的質(zhì)量。
6. 根據(jù)權(quán)利要求5所述的指紋圖像質(zhì)量的判斷裝置，其特征在于，所述學(xué)習(xí)模塊用于： 計(jì)算所述指紋圖像樣本的HOG特征，將所述指紋圖像樣本的HOG特征輸入所述SVM分類器 中進(jìn)行訓(xùn)練學(xué)習(xí)，獲得最優(yōu)分類面。
7. 根據(jù)權(quán)利要求5所述的指紋圖像質(zhì)量的判斷裝置，其特征在于，所述判斷模塊包括 處理單元，所述處理單元用于：計(jì)算所述指紋圖像中每一像素位置的梯度方向值；將所述 指紋圖像分成多個(gè)單元格，根據(jù)所述梯度方向值為每個(gè)單元格構(gòu)建梯度方向直方圖；將所 述單元格組合成塊，在所述塊內(nèi)歸一化所述梯度方向直方圖，將所述指紋圖像中所有塊的 梯度方向直方圖結(jié)合起來形成HOG特征。
8. 根據(jù)權(quán)利要求5所述的指紋圖像質(zhì)量的判斷裝置，其特征在于，所述判斷模塊包括 處理單元和判別單元，其中： 處理單元，用于將所述指紋圖像的HOG特征輸入所述最優(yōu)分類面的函數(shù)f(x) = w*x-b 中進(jìn)行計(jì)算，其中W為最優(yōu)分類面的支持向量，b為常數(shù)項(xiàng)，X為指紋圖像的HOG特征； 判別單元，用于根據(jù)處理單元的計(jì)算結(jié)果進(jìn)行判別，若計(jì)算結(jié)果為f(x) > 0,則判定所 述指紋圖像的質(zhì)量好；若計(jì)算結(jié)果為f(x) < 〇,則判定所述指紋圖像的質(zhì)量差。
【文檔編號(hào)】G06K9/62GK104268529SQ201410510227
【公開日】2015年1月7日 申請(qǐng)日期:2014年9月28日 優(yōu)先權(quán)日:2014年9月28日
【發(fā)明者】姜洪霖, 王兵 申請(qǐng)人:深圳市匯頂科技股份有限公司