[发明专利]一种基于方向场细节点描述子的指纹分类方法

说明书

技术领域

本发明涉及基于方向场细节点描述子的指纹分类方法，属于数字图像处理 技术领域。

背景技术

指纹作为一种存在于人类指尖的生物特征由于其唯一性、不变性和低成本 已经被广泛地用于司法和民间的身份认证场合。总体上基于指纹的识别系统在 两种模式下工作：确认和识别[1]。在确认模式下用户输入他的指纹并请求一 个认证，然后系统确认是否这个输入的指纹属于所请求的身份。在识别模式下， 用户输入他的指纹，然后系统在数据库中寻找这个指纹的并识别出该用户的身 份。因此自动指纹识别需要输入指纹和指纹库中所有指纹进行匹配，当我们获 得的更大的数据库识别过程势必更加复杂。尽管在指纹认证方面已经存在了令 人满意的结果，但是从1:1的认证过程扩展为1：N的识别过程时不管是时间 花费还是精确度都严重地恶化[1：D.Maltoni,D.Maio,A.K.Jain,A. Prabhakar,Handbook of Fingerprint Recognition,Springer, NewYork,2003]。普遍的策略是在分类之前把指纹库中指纹分成一系列具有共 同点的组[2：N.K.Ratha,S.Chen,K.Karu,A.Jain,Areal-time matching system for large fingerprint databases,IEEE Transactions on Pattern Analysis and Machine Intelligence 18(8)(1996)799–813.M.Liu,X.D. Jiang,A.C.Kot,Efficient fingerprint search based on database clustering,Pattern Recognition40(6)(2007)1793–1803.]输入的指纹先粗 略地与每个组进行匹配，然后再与一个或多个与该指纹在一定程度上相似的组 内的指纹进行匹配。所谓指纹分类就是通过一个精确并且稳定的方法把指纹分 在一个预定义的类中。建立索引表加快在大规模的识别系统中搜索指纹库的速 度是十分重要的。指纹识别已经研究了超过一个世纪。大多数指纹分类算法都 是根据高尔顿-亨利Galton-Henry分类表:[3、4：E.R.Henry,Classification and Uses of Fingerprints,Routledge,London,1900.]来把指纹分为5个常规 的类型：尖拱型、平拱型、左旋型、右旋型和涡型。稳定并且可靠的指纹分类 由于固有的种间模糊性仍然是一个具有挑战性的问题。指纹分类由于其重要性 和本质上的难度已经引起了巨大的研究兴趣，许多算法在文献中被提出[5:K. Karu,A.K.Jain,Fingerprint classification,Pattern Recognition29 (3)(1996)389–404.][6:A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach to fingerprint classification,IEEE Transactions on Pattern Analysis and Machine Intelligence 21 (4)(1999)348–359.][7:G.T.Candela,P.J.Grother,C.I.Watson,R.A.Wilkin son,C.L.Wilson,PCASYS—a pattern-level classification automation system for fingerprints,Technique Report:NISTTR5647,August1995.][8: R.Cappelli,D.Maio,D.Maltoni,Fingeprint classification based on multi-space KL,in:Proceedings of Workshop on Automatic Identification Advanced Technologies,1999,pp.117–120.][9:C.H.Park,H.Park, Fingerprint classification using fast Fourier transform and nonlinear discriminant analysis,Pattern Recognition38(4)(2005)495–503.][10:Y. Yao,P.Frasconi,M.Pontil,Fingerprint classification with combination of support vector machine,in:Proceedings of 3rd International Conference on Audio-and Video-based Biometric Person Authentication,2001,pp.253–258.][11:A.Senior,A combination fingerprint classification,IEEE Transactions on Pattern Analysis and Machine Intelligence 23(10)(2001)1165–1174.][12:G.L.Marcialis,F. Roli,P.Frasconi,Fingerprint classification by combination of flat and structural approaches,in:Proceedings of International Conference on Audio-and Video-based Biometric Person Authentication(3rd), 2001,pp.241–246.][13:X.Tan,B.Bhanu,Y.Lin,Fingerprint classification based on learned features,IEEE Transactions on System, Man and Cybernetics,PartC35(3)(2005)287–300(special issue on Biometrics).]。一个有效的指纹分类算法通常提取一组具有表现力的特征集 来获取每个指纹独特的并包含某些可以决定指纹类型的信息。指纹由交错的脊 谷线组成。总体上能表现指纹的有两种特征：描述全局脊谷线流向的模糊特征 还有精确描述脊线异常点的精确特征——细节点。奇异点也可以被认为是脊线 结构上的异常点。存在两种奇异点，core点和delta点。为了促进数据库搜 索指纹一般根据模糊特征进行分类，而精确特征被用来进行指纹的匹配。大部 分公布的指纹分类方法使用一个或多个下列的特征：奇异点、方向场、脊谷线 流向和Gabor滤波响应。在对基于Gabor滤波响应特征的指纹分类算法 FingerCode[6：A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach to fingerprint classification,IEEE Transactions on Pattern Analysis and Machine Intelligence 21(4)(1999)348–359.]的研究中发现Gabor滤波响应尽管在分类方 面有着显著的效果，但其对特征向量的提取方式相对复杂。所以本文在对 FingerCode[6：A.K.Jain,S.Prabhakar,L.Hong,A multi-channel approach to fingerprint classification,IEEE Transactions on Pattern Analysis and Machine Intelligence 21(4)(1999)348–359.]算法分析和总结的基础上，通过一个在指纹 core点周围进行构建的大范围方向场细节点描述子[14：Jianjiang Feng. Combining minutiae descriptors for fingerprint matching.Pattern Recognition,2008, 41(1):342～352.][15：M.Tico,P.Kuosmanen.Fingerprint matching using an orientation-based minutia descriptor.IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(8):1009-1014.]作为特征向量。大量实验证明： 相对于已有的分类方法，本发明提出的基于方向场细节点描述子的指纹分类方 法，不论是在时间花费还是精确度上都具有一定的优势。