[发明专利]全自动指纹细节特征提取方法及系统

说明书

本发明提供了一种全自动指纹细节特征提取方法及系统，包括：步骤S1：基于指纹先验知识和指纹细节点预测网络形成指纹细节提取网络D；步骤S2：对指纹图像进行预处理，得到预处理后的指纹图像；步骤S3：利用预处理后的指纹图像训练指纹细节提取网络D，得到训练后的指纹细节提取网络D；步骤S4：利用训练后的指纹细节提取网络D初步预测指纹细节点集；步骤S5：初步预测指纹细节点集应用基于普适交并比的非极大抑制对指纹冗余点进行剔除，得到最终准确的指纹细节点集。

技术领域

本发明涉及图像处理和模式识别技术领域，具体地，涉及全自动指纹细节特征点提取方法。

背景技术

近年来，随着网络计算与服务、GPU资源虚拟化、系统集成技术的巨大进步，为在线自动指纹识别技术在现实世界中广泛应用提供了可能，指纹识别技术尤其在刑侦、司法鉴定、金融和社保等领域发挥着重要作用。通常情况下，指纹识别技术包括注册和识别认证两个阶段。指纹注册阶段主要涉及指纹图像采集，前景图像分割，归一化，方向场/频率场估计，增强，二值化，细化等环节；而识别认证阶段通常包括特征点提取和匹配两个过程，即找出注册指纹中细节点与查询指纹细节点的对应关系。其中指纹细节点提取是指纹识别的基础性工作，准确的指纹细节点提取是后续匹配和认证的前提，该步骤可以抽象为一个经典的模式识别问题。然而，通常在采集指纹时，由于受到采集设备噪声和采集者用力不均而导致指纹图像退化，这些因素都增加了识别的复杂度，因此对退化指纹图像进行有效建模是一个至今尚未有效解决的问题。

在过去十年，深度神经网络在模式识别和计算机视觉任务中被广泛使用，尤其是在目标检测中表现出印象深刻的结果。指纹细节检测可以归纳为小目标检测任务的一种。另外，随着GPU资源虚拟化技术的成熟，使得深度学习模型的训练和推理在非实验室条件下得以推广。而在现实世界应用中，指纹细节特征推理过程相对训练而言，对于GPU的算力的要求并不太高，因此如何提升模型对于细节点检测的准确性和完整性对实际应用场景具有重要意义，也是目前亟待解决的问题之一。

专利文献CN103824060A(申请号：201410073986.5)公开了一种指纹细节点的提取方法，包括以下步骤：对所接收到的指纹进行多通道图像增强以得到N个增强图像；标定所述指纹的方向场，并根据所述方向场将所述指纹划分成N个指纹区域；分别从N个增强图像中提取增强图像的细节点；分别从N个增强图像获取与N个指纹区域相对应部分的细节点，并将N个指纹区域内的细节点进行组合，以获得指纹的候选细节点集合；以及对候选细节点集合中的重叠细节点进行剔除以得到最终的细节点集合。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种全自动指纹细节特征提取方法及系统。

根据本发明提供的一种全自动指纹细节特征提取方法，包括：

步骤S1：基于指纹先验知识和指纹细节点初步预测网络形成指纹细节提取网络D；

步骤S2：对指纹图像进行预处理，得到预处理后的指纹图像；

步骤S3：利用预处理后的指纹图像训练指纹细节提取网络D，得到训练后的指纹细节提取网络D；

步骤S4：利用训练后的指纹细节提取网络D初步预测指纹细节点集；

步骤S5：对初步预测指纹细节点集应用基于普适交并比的非极大值抑制算法对指纹冗余点进行剔除，得到最终准确的指纹细节点集；

所述指纹细节点初步预测网络是基于ResNet的方向预测和指纹分割以及细节点提取的卷积神经网络；

所述指纹细节提取网络D是基于FingerNet框架的细节点检测方法；包括残差网络预测指纹方向场进行指纹图像分割以及使用残差网络预测指纹细节点，最后基于提出的普适交并比非极大抑制算法删除冗余点。

优选地，所述步骤S2采用：

对指纹图像采用逐像素归一化方法，将每个像素调整至固定比例和区间；