本發(fā)明涉及到手機(jī)指紋識(shí)別領(lǐng)域。

背景技術(shù)：

目前，手機(jī)指紋解鎖指紋支付應(yīng)用越來越廣泛，使用也越來越方便。然而，目前市場(chǎng)上的大部分手機(jī)指紋識(shí)別系統(tǒng)，利用電容液制作的電容指紋，即可輕松破解，這樣，對(duì)手機(jī)指紋識(shí)別系統(tǒng)構(gòu)成了極大的安全隱患，甚至可能對(duì)用戶造成極大的財(cái)產(chǎn)損失。

為了解決上述技術(shù)問題，現(xiàn)有技術(shù)通過增加硬件模塊如心電血液等采集方案進(jìn)行活體檢測(cè)，需要連續(xù)持久的采集，以及額外的硬件裝置，或者針對(duì)考勤設(shè)備等大指紋進(jìn)行，

技術(shù)實(shí)現(xiàn)要素：

綜上所述，本發(fā)明的目的在于解決現(xiàn)有的指紋識(shí)別與活體檢測(cè)相結(jié)合方案存在的使用不便，需增加硬件成本，方案安裝受限的技術(shù)不足，而提出一種活體指紋圖像的檢測(cè)方法。

為解決本發(fā)明所提出的技術(shù)問題，采用的技術(shù)方案為：

一種活體指紋圖像的檢測(cè)方法，其特征在于所述檢測(cè)方法采用如下步驟：

1)、根據(jù)指紋采集系統(tǒng)獲取的指紋圖像提取指紋圖像的m維紋理特征；

2)、對(duì)于每一個(gè)指紋圖像訓(xùn)練樣本求出其m維紋理特征，對(duì)N個(gè)樣本的所有特征進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到一個(gè)神經(jīng)網(wǎng)絡(luò)模型；所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層和隱含層，總層數(shù)為X，X為大于等于3的整數(shù)，其中，所述輸入層和所述輸出層的層數(shù)各為1，所述隱含層層數(shù)為X-2；

3)、對(duì)每個(gè)待測(cè)試指紋求出其m維紋理特征后，輸入由步驟2)得到的神經(jīng)網(wǎng)絡(luò)進(jìn)行模型預(yù)測(cè)，可以判斷其是真指紋還是假指紋；如果是真指紋則進(jìn)入指紋識(shí)別系統(tǒng)，如果是假指紋，則進(jìn)行重新采集；如果連續(xù)多次檢測(cè)均為假指紋，則暫停使用指紋識(shí)別系統(tǒng)，需要重新輸入密碼才能繼續(xù)使用指紋識(shí)別系統(tǒng)。

作為對(duì)本發(fā)明進(jìn)一步限定的技術(shù)方案包括有：

第1)步提取的指紋圖像紋理特征包括有：灰度直方圖的特征、指紋圖像的LBP特征、灰度共生矩陣紋理GLCM特征和馬爾科夫隨機(jī)場(chǎng)MRF特征。

第1)步中提取指紋圖像的灰度直方圖的特征包括有均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度圖像的塊均值方差var共7維特征。

求指紋圖像的LBP特征的方法包括如下步驟；

2.1、LBP用全局旋轉(zhuǎn)不變LBP模式，首先求256維LBP和旋轉(zhuǎn)不變36維LBP的轉(zhuǎn)換表；

2.2、掃描指紋圖像，求出每個(gè)像素點(diǎn)的LBP值，并根據(jù)轉(zhuǎn)換表轉(zhuǎn)換為旋轉(zhuǎn)不變LBP，求出圖像的LBP分布圖，得到36維的LBP直方圖特征，并進(jìn)行歸一化；

2.3、利用2.2步提供的方法和訓(xùn)練樣本，對(duì)36維LBP特征進(jìn)行主成分分析，得到PCA矩陣，對(duì)36維LBP特征進(jìn)行PCA降維，取前3個(gè)主成分，可保留原來90％以上的信息；

2.4、利用2.2步計(jì)算得到的原始LBP特征和2.3步訓(xùn)練得到的PCA矩陣對(duì)LBP特征進(jìn)行降維，得到最終的3維LBP特征。

求指紋圖像灰度共生矩陣紋理GLCM特征的方法為：

通過計(jì)算兩灰度值在圖像中的預(yù)設(shè)方向相鄰像素對(duì)出現(xiàn)的次數(shù)得到的GLCM中的每一個(gè)元素(i,j)代表灰度i與灰度j在圖像中水平相鄰的次數(shù)，把灰度圖像(0～255)將轉(zhuǎn)換到16級(jí)(0～15)，灰度的級(jí)數(shù)決定了GLCM矩陣的大小尺寸；

3.1、提取步長(zhǎng)為1，方向分別為0度，45度，90度，135度的灰度共生矩陣，并進(jìn)行歸一化得到矩陣GLCM(i,j)；

3.2、分別計(jì)算3.1步計(jì)算得到4個(gè)灰度共生矩陣的能量、信息熵、對(duì)比度、一致性4個(gè)特征，總共得到16維特征；

3.3、利用3.2步提供的方法和訓(xùn)練樣本，對(duì)16維GLCM特征進(jìn)行主成分分析，得到PCA矩陣，可對(duì)16維GLCM特征進(jìn)行PCA降維，取前6個(gè)主成分，可保留原來90％以上的信息；

3.4、利用3.2步計(jì)算得到的16維原始GLCM特征特征和3.3步訓(xùn)練得到的PCA矩陣對(duì)GLCM特征進(jìn)行降維，得到最終的6維GLCM特征。

提取馬爾科夫隨機(jī)場(chǎng)MRF特征的方法為：

鄰域結(jié)構(gòu)WinData可以表示為：

采用4階鄰域馬爾科夫矩陣；a點(diǎn)的像素值僅與其距離以內(nèi)的點(diǎn)相關(guān)，設(shè)

這些點(diǎn)的集合為G，是1行N列的向量；

G＝[WinData(cr,cr-1)+WinData(cr,cr+1),

WinData(cr-1,cr)+WinData(cr+1,cr),

WinData(cr-1,cr+1)+WinData(cr+1,cr-1),

WinData(cr-1,cr-1)+WinData(cr+1,cr+1),

WinData(cr,cr-2)+WinData(cr,cr+2),

WinData(cr-2,cr)+WinData(cr,cr+2),

WinData(cr+2,cr-1)+WinData(cr-2,cr+1),

WinData(cr+1,cr-2)+WinData(cr-1,cr+2),

WinData(cr-1,cr-2)+WinData(cr+1,cr+2),

WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；

馬爾可夫特征矩陣為Esita，a點(diǎn)像素值為X，則G*Esita＝X；

其中G和X是已知，Esita是要求的特征向量，用最小二乘法解此方程；

G*Esita＝X

(G'*G)*Esita＝G'*X

Esita＝inv(G'*G)*G'*X；inv為矩陣求逆；可求得每個(gè)指紋圖像的10維

馬爾科夫特征值。

指紋圖像的灰度直方圖分布為h(i)，歸一化直方圖分布公式，i為灰度值，i在0～255之間，則均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度圖像的塊均值方差var計(jì)算公式如下：

塊均值方差var：將指紋圖像按中心均分為4個(gè)塊，分別求每個(gè)塊的均值，然后求這4個(gè)均值的方差。

第3.2)步中4個(gè)灰度共生矩陣的能量、信息熵、對(duì)比度、一致性4個(gè)特征計(jì)算公式如下：

本發(fā)明的有益效果為：本發(fā)明采用神經(jīng)網(wǎng)絡(luò)對(duì)活體圖像紋理特征進(jìn)行學(xué)習(xí)，在檢測(cè)指紋信息的同時(shí)檢測(cè)被檢體特有的活體特征信息，通過神經(jīng)網(wǎng)絡(luò)提供一種小尺寸手機(jī)指紋圖像活體檢測(cè)的判斷方法，在不增加其它硬件設(shè)施的情況下，使得通過指紋檢測(cè)進(jìn)行身份驗(yàn)證更安全、更可靠。

附圖說明

圖1為本發(fā)明方案實(shí)施所需系統(tǒng)框圖；

圖2為神經(jīng)網(wǎng)絡(luò)模擬圖；

圖3為一種活動(dòng)指紋圖像；

圖4為一種電容指紋圖像。

具體實(shí)施例

以下結(jié)合附圖對(duì)本發(fā)明的方法作進(jìn)一步地說明。

參照?qǐng)D1中所示，本發(fā)明一種活體指紋圖像的檢測(cè)方法，包括如下步驟：

1)、根據(jù)指紋采集系統(tǒng)獲取的指紋圖像提取指紋圖像的m維紋理特征；其中m可以為大于1的任意整數(shù)，紋理特征越多，識(shí)別的準(zhǔn)確越高，但識(shí)別速度也就相應(yīng)越慢；

2)、對(duì)于每一個(gè)指紋圖像訓(xùn)練樣本求出其m維紋理特征，對(duì)N個(gè)樣本的所有特征進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到一個(gè)神經(jīng)網(wǎng)絡(luò)模型；所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、輸出層和隱含層，總層數(shù)為X，X為大于等于3的整數(shù)，其中，所述輸入層和所述輸出層的層數(shù)各為1，所述隱含層層數(shù)為X-2；

3)、對(duì)每個(gè)待測(cè)試指紋求出其m維紋理特征后，輸入由步驟2)得到的神經(jīng)網(wǎng)絡(luò)進(jìn)行模型預(yù)測(cè)，可以判斷其是真指紋還是假指紋；如果是真指紋則進(jìn)入指紋識(shí)別系統(tǒng)，如果是假指紋，則進(jìn)行重新采集；如果連續(xù)多次檢測(cè)均為假指紋，則暫停使用指紋識(shí)別系統(tǒng)，需要重新輸入密碼才能繼續(xù)使用指紋識(shí)別系統(tǒng)。

本發(fā)明具體的檢測(cè)方法可以采用如下步驟：

1)根據(jù)指紋采集系統(tǒng)獲取的指紋圖像提取指紋圖像的灰度直方圖的特征；提取灰度直方圖的以下特征、均值、方差、能量、熵、偏度、峰度還有灰度圖像的塊均值方差共7維特征。指紋灰度直訪圖分布為h(i)(歸一化分布公式，i為灰度值，在0～255之間)則

塊均值方差var：將指紋圖像按中心均分為4個(gè)塊，分別求每個(gè)塊的均值，然后求這4個(gè)均值的方差。

2)求指紋圖像的LBP特征。

I、LBP用全局旋轉(zhuǎn)不變LBP模式，首先求LBP(256維)和旋轉(zhuǎn)不變LBP(36維)的轉(zhuǎn)換表。

II、掃描指紋圖像，求出每個(gè)像素點(diǎn)的LBP值，并根據(jù)轉(zhuǎn)換表轉(zhuǎn)換為旋轉(zhuǎn)不變LBP，求出圖像的LBP分布圖。得到hist[36]的LBP直方圖特征，并進(jìn)行歸一化。

III、利用II提供的方法，和訓(xùn)練樣本，對(duì)36維LBP特征進(jìn)行主成分分析，得到PCA矩陣，可對(duì)36維LBP特征進(jìn)行PCA降維，取前3個(gè)主成分，可保留原來90％以上的信息。

IV、利用II計(jì)算得到的原始LBP特征和III訓(xùn)練得到的PCA矩陣對(duì)LBP特征進(jìn)行降維，得到最終的3維LBP特征。

3)求指紋圖像灰度共生矩陣紋理(GLCM)特征。它是通過計(jì)算兩灰度值在圖像I中水平相鄰的次數(shù)而得到的(也不必是水平相鄰的次數(shù)，這一參數(shù)是可調(diào)的，可能通過步長(zhǎng)來進(jìn)行調(diào)整，比如[0 D]代表是水平方向，[-D D]代表是右上角45度方向，[-D 0]代表是豎直方向，即90度方向，而[-D -D]則代表是左上角，即135度方向)，GLCM中的每一個(gè)元素(i,j)代表灰度i與灰度j在圖像中水平相鄰的次數(shù)。把灰度圖像(0～255)將轉(zhuǎn)換到16級(jí)(0～15)?；叶鹊募?jí)數(shù)決定了GLCM矩陣的大小尺寸。

I、提取步長(zhǎng)為1，方向分別為0度，45度，90度，135度的灰度共生矩陣，并進(jìn)行歸一化得到矩陣GLCM(i,j)。

II、分別計(jì)算I計(jì)算得到4個(gè)矩陣能量、熵、對(duì)比度、一致性4個(gè)特征，總共得到16維特征。其中

III、利用II提供的方法，和訓(xùn)練樣本，對(duì)16維GLCM特征進(jìn)行主成分分析，得到PCA矩陣，可對(duì)16維GLCM特征進(jìn)行PCA降維，取前6個(gè)主成分，可保留原來90％以上的信息。

IV、利用II計(jì)算得到的16維原始GLCM特征特征和III訓(xùn)練得到的PCA矩陣對(duì)GLCM特征進(jìn)行降維，得到最終的6維GLCM特征。

4)提取馬爾科夫隨機(jī)場(chǎng)(MRF)特征，是隨機(jī)過程的一種。其主要特征是：在已知目前狀態(tài)(現(xiàn)在)的條件下，它未來的變化(將來)不依賴于以往的變化，而僅僅跟目前所處的狀態(tài)有關(guān)。在圖像領(lǐng)域，，MRF是一個(gè)二維點(diǎn)陣，可以用概率模型來描述每個(gè)點(diǎn)，MRF的假設(shè)前提是點(diǎn)陣中的每個(gè)點(diǎn)的像元值僅僅依賴于其鄰域中像元的像元值。

鄰域結(jié)構(gòu)WinData可以表示為：

本方案采用的是4階鄰域馬爾科夫矩陣。a點(diǎn)的像素值僅與其距離以內(nèi)的點(diǎn)相關(guān)，設(shè)這些點(diǎn)的集合為G，是1行N列的向量。

G＝[

WinData(cr,cr-1)+WinData(cr,cr+1),

WinData(cr-1,cr)+WinData(cr+1,cr),

WinData(cr-1,cr+1)+WinData(cr+1,cr-1),

WinData(cr-1,cr-1)+WinData(cr+1,cr+1),

WinData(cr,cr-2)+WinData(cr,cr+2),

WinData(cr-2,cr)+WinData(cr,cr+2),

WinData(cr+2,cr-1)+WinData(cr-2,cr+1),

WinData(cr+1,cr-2)+WinData(cr-1,cr+2),

WinData(cr-1,cr-2)+WinData(cr+1,cr+2),

WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；

馬爾可夫特征矩陣為Esita，a點(diǎn)像素值為X，則G*Esita＝X。

其中G和X是已知，Esita是要求的特征向量，可用最小二乘法解此方程。

G*Esita＝X

(G'*G)*Esita＝G'*X

Esita＝inv(G'*G)*G'*X；inv為矩陣求逆?？汕蟮妹總€(gè)指紋圖像的10維馬爾科夫特征值。

5)根據(jù)以上1)、2)、3)、4)、可以求得指紋圖像的總共26維紋理特征。將上面輸入的特征值記為X(n)＝(x₁,x₂,x₃,…,x_m),其m特征值的個(gè)數(shù)。對(duì)于每一個(gè)指紋圖像訓(xùn)練樣本求出其26維紋理特征X(n),對(duì)N個(gè)樣本的所有特征進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以得到一個(gè)神經(jīng)網(wǎng)絡(luò)模型。采用三層神經(jīng)網(wǎng)絡(luò)，輸入層為26維(紋理特征)，隱含層10維，輸出層2維(真、假指紋)。

參照?qǐng)D2中所示，

$a_1^{\left(2\right)}=f(W_{11}^{\left(1\right)}{x}_1+W_{12}^{\left(1\right)}{x}_2+W_{13}^{\left(1\right)}{x}_3+b_1^{\left(1\right)})$

$a_2^{\left(2\right)}=f(W_{21}^{\left(1\right)}{x}_1+W_{22}^{\left(1\right)}{x}_2+W_{23}^{\left(1\right)}{x}_3+b_2^{\left(1\right)})$

$a_3^{\left(2\right)}=f(W_{31}^{\left(1\right)}{x}_1+W_{32}^{\left(1\right)}{x}_2+W_{33}^{\left(1\right)}{x}_3+b_3^{\left(1\right)})$

$h_{W,b}\left(x\right)=a_1^{\left(3\right)}=f(W_{11}^{\left(2\right)}{a}_2^{\left(2\right)}+W_{12}^{\left(2\right)}{a}_2^{\left(2\right)}+W_{13}^{\left(2\right)}{a}_3^{\left(2\right)}+b_1^{\left(2\right)})$

上面式中的Wij就是相鄰兩層神經(jīng)元之間的權(quán)值，它們就是神經(jīng)網(wǎng)絡(luò)訓(xùn)練后得到的參數(shù)模型。

6)根據(jù)5)訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)，對(duì)每個(gè)待測(cè)試指紋求出該26維紋理特征后，輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行模型預(yù)測(cè)，可以判斷其是真指紋還是假指紋。如果是真指紋則進(jìn)入指紋識(shí)別系統(tǒng)，如果是假指紋，則進(jìn)行重新采集，如果連續(xù)多次檢測(cè)均為假指紋，則暫停使用指紋識(shí)別系統(tǒng)，需要重新輸入密碼才能繼續(xù)使用指紋識(shí)別系統(tǒng)。

以下以具體案例對(duì)針對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，分別用活體指紋通過手機(jī)指紋采集系統(tǒng)采集到的圖像，還有電容指紋通過手機(jī)指紋采集系統(tǒng)采集得到的圖像進(jìn)行測(cè)試：

1)、參照?qǐng)D3中所示，當(dāng)圖像為活體指紋(分辨率為112*88)時(shí)：

利用本案提供的方法對(duì)指紋圖像提取26維特征，得到其特征為

X＝

(0.394737,0.607047,0.096286,0.801900,0.559718,0.154207,0.201650,0.561217,0.463403,0.576326,0.333301,0.640804,0.372510,0.220009,0.147064,0.674719,0.615205,0.587382,0.417957,0.561027,0.659861,0.414177,0.557244,0.312057,0.375597,0.536282)；

把求得的特征輸入神經(jīng)網(wǎng)絡(luò)，可得輸出結(jié)果為，Output[1]＝0.979,Output[0]＝0.021,其中Output[1]在訓(xùn)練時(shí)設(shè)為活體指紋，Output[0]在訓(xùn)練時(shí)設(shè)為假指紋，所以得到的模型輸出結(jié)果為活體指紋為正確的。

2)、參照?qǐng)D4中所示，當(dāng)圖像為電容指紋(分辨率為112*88)時(shí)：

利用本案提供的方法對(duì)指紋圖像提取26維特征，得到其特征為

X＝

(0.508772,0.633261,0.070132,0.811862,0.395685,0.034048,0.106250,0.720895,0.555093,0.741732,0.429902,0.620232,0.636518,0.124528,0.080239,0.707089,0.592086,0.595376,0.423983,0.476026,0.727395,0.460702,0.502245,0.351722,0.425579,0.521517)；

把求得的特征輸入神經(jīng)網(wǎng)絡(luò)，可得輸出結(jié)果為，Output[1]＝0.033,Output[0]＝0.966,其中Output[1]在訓(xùn)練時(shí)設(shè)為活體指紋，Output[0]在訓(xùn)練時(shí)設(shè)為假指紋，所以得到的模型輸出為假指紋結(jié)果為正確的。

本發(fā)明提出的指紋圖像活體檢測(cè)的方法，根據(jù)圖像的紋理特征，而且綜合使用了多種特征，如灰度直方圖，灰度共生矩陣，馬爾科夫隨機(jī)場(chǎng)等特征，使用了神經(jīng)網(wǎng)絡(luò)，現(xiàn)實(shí)小尺寸手機(jī)指紋圖像活體檢測(cè)的判斷，在不增加其它硬件設(shè)施的情況下，保障用戶對(duì)手機(jī)指紋識(shí)別系統(tǒng)的使用安全。