基于分级分类器的指纹图像分类方法.docx

基于分级分类器的指纹图像分类方法专利名称：基于分级分类器的指纹图像分类方法技术领域：本发明属于数字图像处理技术领域，涉及指纹图像分类，具体是ー种基于分级分类器的指纹图像分类方法背景技术：自动化指纹识别系统对目标用户进行识别需要目标用户的指纹图像与指纹库中的指纹图像进行一一比较很多法院和民用产品中的指纹库可能很大会导致处理时间的大大增加和精确度的降低解决这种问题的通用方法就是对具有相似特征的指纹图像进行分类大部分的分类算法都是基于E. Henry在文章Classification and Uses ofFinger Prints, Rouledge, 1900中提出的Galton-Henry分类原则通常的指纹被分为5类，分别为拱型A、帐篷弧型T、左旋型L、右旋型R和螺纹型W对指纹进行分类最简单的ー种方法是基于奇异点的方法，指纹中经常存在两类奇异点，分别为核心点和三角点M. Liu在文章Fingerprint classification basedon adaboost learning from singu-iarity features, Pattern Recognition 43 い)(2010) 1062 - 1070中提出ー种自适应增强学习算法，通过检测在多种缩放下的奇异点组建特征向量，然后将自适应增强学习算法用在决策树中设计分类器。

这种方法操作简单，只需通过奇异点的数量、类型和相关位置可以很容易的对指纹进行分类但是，奇异点对噪声非常敏感以至于提取的奇异点本身的可信度就不高，会出现漏提取和误提取的情况，另外一个问题是奇异点，尤其是三角点在指纹图像中可能不会出现，种种问题导致这种方法不能正常工作当基于奇异点的方法无法进行准确分类时，可以通过跟踪脊线流向来进行弥补，根据局部方向场的曲率可以跟踪出脊线流向J.-H. Chang和K.-C. Fan,在A new model foriingerprint classification by ridge distribution sequences, Pattern Recognition35(6) (2002) 1209 - 1223中定义了 10种基本的脊线样式作为特征，通过分析脊线的形状和分布来组建分类器S. C. Dass 和 A. K. Jain 在文章 fingerprint classification usingorientation field flow curves,in:InProceedings of ICVGIP, 2004，pp. 650 - 655 中依照一个点从一个终点横穿到另ー个終点的方法分析了等高线图像中的位面切线。

脊线流向法的缺点是不能区分拱形和帐篷弧型，当三角点和核心点邻近时，这种方法又不能把左旋和右旋型从帐篷弧型中区分出来因此，脊线流向法经常用来弥补基于奇异点的指纹分类方法的不足或者和其他特征联合起来以训练分类器方向场图像是最常用来与脊线流向联合起来训练分类器的一类特征，大多数现存的指纹分类算法都用到了方向场图像，事实上，奇异点和脊线流向图都可以从方向场图像中提取出来很多方法直接使用方向场图像作为特征，通过对方向场图像进行简单的网格化提取特征，这种方法导致非常高维的特征向量为减少内存占用和计算时间，很多降维技术被用来减少特征维数Karhunen-Loeve变换经常被用来进行降维操作,Karhunen-Loeve变换的一种改进方法MKL则不仅可以用来进行降维操作还可以进行分类使用非线性判别分析也可以对方向场向量进行降維和分类但是由于指纹图像中细小差别的存在，使得基于方向场图像的分类方法也是ー个巨大的 挑战随着神经网络技术的日渐成熟，很多机器学习方法被提出来用于固定大小的指纹特征分类，神经网络的方法也已经在指纹分类中得到广泛应用并取得比较好的效果，这些方法包括多层级人造神经网络、概率性神经网络和自组织神经网络。

Jain等在 A multicnanne丄 approach to iingerprmtclassification, IEEE Transactions onPattern Analysis and Machine Intel-Iigence 21 (4) (1999) 348 - 359 中提出使用 K最近邻分类器来找出指纹码特征向量中最相似的两类，然后训练ー个专门的神经网络方法对其进行区分但是在低质量指纹图像中，上述方法的精确度都会大受影响发明内容本发明的目的在于针对上述现有技术的不足，提出一种基于分级分类器的指纹图像分类方法，以提高指纹图像分类的精确度为实现上述目的，本发明的指纹分类方法包括如下步骤(I)使用快速傅里叶变换对指纹图像进行增強，将增强后的指纹图像I分成wXw的块，并用梯度法提取指纹图像I的块方向场Θ (x，y)，其中x，y分别表示图像块的横坐标和纵坐标；(2)根据块方向场计算每ー块指纹图像的质量q(x，y)；(3)将步骤(I)提取的指纹图像的块方向场转化为ー个连续的向量场v(x,y) = (v1(x,y), v2(x,y)),其中，b1(x’y)= cos (2 θ (χ, y))，v2(x；y) = sin (2 θ (χ, y))；(4)利用步骤(3)提取的连续向量场和步骤(2)计算的图像质量建立联合能量函数J(u(x,y)) = D(u(xjy)) + U ε (u(x,y))，其中，u(x,y) = (u1(x,y)，u2(x,y))为待求的归ー化后的方向场，u1(x,y)表示待求块方向场的余弦值，u2(x,y)表示待求块方向场的正弦值，=II ll\x,y) _V(x.v) I卜 ^χ γ，为源向量场 V(x,y)和归ー化后的向量场 U(x,y)之间的差别项，- ]~ηΥ 丨^uHr vi 11 dvdv，为惩罚项，Ω表不指纹图像的有效区域，μ为决定差别项和惩罚项关系的归ー化參数，II... 112表示I范数的平方；(5)求解使得联合能量函数J(u(x,y))取得最小值的u(x,y)，得出归ー化后的方向场W(XJ) =デ唭中atan_i表示反正切，得出指纹图像的方向场图像B ；(6)用归ー化后的方向场对指纹图像I进行复数滤波，并判定指纹的类型(6a)将复数滤波后指纹图像中每一点的响应与其最大响应阈值E进行比较，如果某一点的响应大于最大响应阈值E，则判定该点为核心点，反之该点不是核心点，其中O.4〈Ε〈0· 8 ；(6b)将复数滤波的最大响应与其最小响应阈值F进行比较，如果复数滤波的最大响应小于最小响应阈值F，并且指纹图像中没有核心点，则判定指纹为拱型A，反之，执行步骤(6c)，其中 O. 3〈F〈0. 7，并且 F〈E ；(6c)通过对块方向场图像B进行双线性插值运算提取指纹图像I的点方向场，根据点方向场提取指纹脊线上的采样点，求每对相邻采样点连线方向上的単位向量；(6d)设定第一个采样点与第二个采样点连线方向上的単位向量为初始向量，以每个单位向量与初始单位向量的内积为纵坐标，采样点序列为横坐标，作出脊线等高图，如果在脊线等高图中有两个局部极大值在O. 8到I之间，两个局部极小值在-O. 8到-I之间，则判定指纹为螺纹型W，反之，执行步骤(6e)； (6e)根据方向场图像B和复数滤波每一点的响应组建特征向量，用主成分分析法对特征向量进行降维，使用K最近邻分类算法对降维后的特征向量进行粗分类，找出跟真实指纹图像最接近的K个邻域，其中包含样本数量最多的两个邻域所代表的类型为与真实指纹类型最接近的两种类型，如果这两种类型中包含左旋型L或右旋型R，不包含螺纹型W，脊线等高图中局部极大值在O. 8到I之间，局部极小值在-O. 8到-I之间，且指纹脊线上采样点的終点都在初始点的左侧，则判定指纹为左旋型L，若采样点的終点都在初始点的右侦牝则判定指纹为右旋型R，反之，执行步骤(6f)；(6f)使用支持向量机对K最近邻分类算法输出的两种类型进行进一步分类，输入K最近邻分类算法粗分类出来的两种类型，输入的粗分类类型对支持向量机进行训练，训练后的支持向量机输出的分类结果为最終的指纹类型。

本发明由于提出了一种归ー化方向场模型使得提取的方向场更为精确；同时由于本发明用方向场和复数滤波响应的融合表达指纹特征，即用方向场代表脊线的方向信息，用复数滤波响应表达奇异点的特征，使二者能互相弥补对方的不足，提高了指纹各类之间的区分性；此外由于本发明提出ー个分级分类器来对指纹进行分类，这种分类器对指纹各类之间的大差别和小差别都具备很好的鲁棒性实验结果表明，用本发明的方法对指纹分类具备更好的精确度图I是本发明的整体流程图；图2为本发明中的脊线流向和脊线等高图；图3为本发明与现有梯度法在低质量指纹图像中的效果对比图具体实施例方式參照图I，本发明的指纹分类方法包括如下步骤步骤1，提取指纹图像的方向场I. I)用快速傅里叶变换对指纹图像进行增强，将增强后的指纹图像I分成wX w的块，用梯度法提取指纹图像I的块方向场Θ (x，y)，其中x，y分别表示图像块的横坐标和纵坐标，w=32 ；(I. 2)计算每一块指纹图像内像素的梯度平均值M(x,y)和一致性coh(x,y)权利要求1.一种通过分级分类器实现指纹分类的方法，包括以下步骤 (1)使用快速傅里叶变换对指纹图像进行增強，将增强后的指纹图像I分成WXW的块，并用梯度法提取指纹图像I的块方向场Θ (x, y)，其中X，y分别表示图像块的横坐标和纵坐标； (2)根据块方向场计算每ー块指纹图像的质量q(x,y); (3)将步骤(I)提取的指纹图像的块方向场转化为ー个连续的向量场 V(x, y) = (Vl(X,y)，v2(x,y))， 其中，Vi(x,y) = cos (2 θ (χ, y)), v2(x；y) = sin (2 θ (χ, y))； (4)利用步骤(3)提取的连续向量场和步骤(2)计算的图像质量建立联合能量函数 J(u(x,y)) = D(u(xjy)) + y ε (u(x,y))， 其中，u(x,y) = (u1(x,y)，u2(x,y))为待求的归ー化后的方向场，u1(x,y)表示待求块方向场的余弦值，u2(x,y)表示待求块方向场的正弦值，^(U(x,y)) = ^ Jn^(Α·,ν) Il U(x,y) ^V(x,y) Il dxdy，为源向量场 V(x,y)和归一化后的向量场 U(x,y) 之间的差别项， 咖^) = 1[丨1%(が1|2 ，为惩罚项，Ω表示指纹图像的有效区域，μ为决定差别 一 =1项和惩罚项关系的归ー化參数，II... 112表示I范数的平方； (5)求解使得联合能量函数J(u(x,y))取得最小值的u(x,y)，得出归ー化后的方向场 IΘ\χ,γ) = -α1αη1^-唭中atan_i表示反正切，得出指纹图像的方向场图像B ； ZwI(U) (6)用归ー化后的方向场对指纹图像I进行复数滤波，并判定指纹的类型 (6a)将复数滤波后指纹图像中每一点的响应与其最大响应阈值E进行比较，如果某一点的响应大于最大响应阈值E，则判定该点为核心点，反之该点不是核心点，其中O. 4〈Ε〈0· 8 ； (6b)将复数滤波的最大响应与其最小响应阈值F进行比较，如果复数滤波的最大响应小于最小响应阈值F，并且指纹图像中没有核心点，则判定指纹为拱型A，反之，执行步骤(6c)，其中 O. 3〈F〈0. 7，并且 F〈E ； (6c)通过对块方向场图像B进行双线性插值运算提取指纹图像I的点方向场，根据点方向场提取指纹脊线上的采样点，求每对相邻采样点连线方向上的単位向量； (6d)设定第一个采样点与第二个采样点连线方向上的単位向量为初始向量，以每个单位向量与初始单位向量的内积为纵坐标，采样点序列为横坐标，作出脊线等高图，如果在脊线等高图中有两个局部极大值在O. 8到I之间，两个局部极小值在-O. 8到-I之间，则判定指纹为螺纹型W，。