[发明专利]基于断纹检测的指纹识别方法

摘要

基于断纹检测的指纹识别方法属于指纹识别领域，其特征在于：它对传统方法提取的细节点用12组最优滤波器进行断纹检测，各滤波器对应于断纹方向与x轴夹角的一个离散值；分别计算12组断纹方向下的滤波值并给定一个统一的下限，得出12组二值化图像，再用矩阵的主元分析法，把其中的带状区域用矩形表示，用矩形的长、宽及方向对该区域参数化；合并各二值化图像得到实际断纹图像，合并各参数化图像得到断纹模型以用于去除虚假细节点。对老龄人群，在相同的错误接受率下，错误拒绝率可以下降10％以上。

主权项

1、基于断纹检测的指纹识别方法其特征在于，它依次含有以下两个阶段：一、学习阶段，计算机在离线状态下对所有注册的指纹进行细节点的提取、存储，再依次对细节点进行断纹检测、去除伪细节点后，建立数据库；它依次含有以下步骤：(1)对计算机进行初始化设定下列各初始值：在指纹有效区域的检测步骤中，对于已经分割成大小为4×4像素的方格的原始指纹图像而言，当以点(i，j)为左上角的每一个方格的灰度均值I_avg(i，j)和方差Var(i，j)处于下述范围内时，该方格为有效，标记为1；否则为无效，标记为0；th1＜I_avg(i，j)＜th2且Var(i，j)＞th3，其中th表示为阈值：th1＝20；th2＝220；th3＝6；在断纹检测阶段进行多通道滤波时，设定高斯函数的方差σ＝30，滤波器的作用范围η＝1/4；(2)计算机通过取指器采集所有注册指纹的原始图像并存储；(3)计算机检测指纹的有效区域，它依次包含以下步骤：(3.1)把原始图像分割成大小为4×4像素的方格；(3.2)计算机按下式计算以点(i，j)为左上角的每一个方格的灰度均值I_avg(i，j)和方差Var(i，j)：Iavg(i,j)=116Σx=03Σy=03I(i+x,j+y),]]>Var(i,j)=116Σx=03Σy=03I(i+x,j+y)-Iavg(i,j))2,]]>其中，I(i+x，j+y)为(i+x，j+y)点的图像灰度值；(3.3)计算机按下式判断上述每一个方格是否有效：若th1＜I_avg(i，j)＜th2且Var(i，j)＞th3，则该方格有效标记为1；(3.4)去噪声处理(3.4.1)对上述图像进行3×3滤波，即检查以待测点为中心的3×3邻域内的9个点，如果只有该待测点是有效的，则认为该点为噪声，更改标记为0，表明以该点为左上角的方格无效；若只有该待测点是无效的，则认为该点为有效点，更改标记为1，表明以该点为左上角的方格有效；(3.4.2)去掉有效区域中间的“洞”，即逐行对上述图像扫描，填补最左边和最右边的有效点之间的所有无效点，将其标记为有效；逐列扫描，填补最上边和最下边的有效点之间的所有无效点，将其标记为有效，从而得到有效区域，长和宽分别为原图的1/4；(4)用基于梯度统计的金字塔形算法进行方向场估计，它依次包含以下步骤：(4.1)利用Soble算子的水平方向算子S_x和竖直方向算子S_y求取点(x，y)的灰度梯度：水平方向：Gx(x,y)=18Σj=y-1y+1Σi=x-1x+1Sx(x-i,y-j)I(i,j),]]>竖直方向：Gy(x,y)=18Σj=y-1y+1Σi=x-1x+1Sy(x-i,y-j)I(i,j),]]>其中I(i，j)为(i，j)点的灰度值，S_x(x-i，y-j)，S_y(x-i，y-j)分别表示水平和竖直方向的Soble算子，在(x-i，y-j)点的值，算子分别用一个大小为3×3的掩膜表示；(4.2)把指纹图划分成大小为W×W的方格，W＝7，再依次进行以下步骤：(4.2.1)用下式求取每一方格对应的局部方向θ：θ(i,j)=12tan-1(Σi=1W‾Σj=1W‾2Gx(i,j)Gy(i,j)Σi=1W‾Σj=1W‾(Gx2(i,j)-Gy2(i,j)));]]>(4.2.2)计算方向场一致性水平：E0=1NΣ(i′,j′)∈Ω|θ(i′,j′)-θ(i,j)|2;]]>其中，Ω是第(i，j)方格的邻域，取为5×5，N是Ω中所含方格的个数，N＝25；θ(i′，j′)和θ(i，j)分别为第(i′，j′)和第(i，j)方格的局部方向；若E₀＞T_c，则令W＝1.5W，重新估计Ω中各方格的方向，重复步骤(4.2.1)和(4.2.2)；直至E₀≤T_c，这里T_c＝1.5；(5)采用Gabor滤波方法进行图像增强，它依次包含以下步骤：(5.1)Gabor滤波器空域表达形式为：G(x,y,θ)=exp{-12[x′2δx′2+y′2δy′2]}cos(2πfx′),]]>其中θ∈[0，180)为当前点的方向场垂直方向，x，y为掩膜中各点相对于掩膜中心点的坐标，δ_x′＝δ_y′＝5.0，f＝0.6，空域掩膜大小为7×7像素；(5.2)自适应滤波：假设输入指纹灰度图像为I(x，y)，θ为(i，j)点方向场方向垂直的方向，则用上述滤波器滤波如下：F(i,j)=Σx=-wwΣy=-wwG(x,y,θ)I(i+x,j+y)Σx=-wwΣy=-wwG(x,y,θ);]]>其中W＝3；然后按下式求取一个数值：flag(i,j)=Σx=L2L2-D|F(i+xcosθ,j+xsinθ)-F(i+(x+D)cosθ,j+(x+D)sinθ)|Σx=-L2L2-D(|F(i+xcosθ,j+xsinθ)-F(i+(x+D)cosθ,j+(x+D)sinθ)|×F[i+(x+D2)cosθ,j+(x+D2)sinθ]),]]>其中L＝12为统计数据区域长度，D＝2为统计步长，进行脊线提取：如果F(i，j)＞flag(i，j)，则(i，j)点位于谷即背景，否则位于脊即前景；(6)脊线细化，它依次包含以下步骤：(6.1)在保持原图的骨架即不改变拓扑结构和不删除直线端点的前提下，根据以待测点为中心的8邻域的不同状态来决定待测点的“去”或“留”，“去”用“0”表示，“留”用“1”表示；(6.2)建立1维索引表table，标记索引为0～255，共256个元素，每个元素取1表示保留，0表示去掉；(6.3)遍历有效区域内所有点，考察其8邻域，对所有排列组合通过下面的公式映射到0～255之间：index＝A32×2⁰+A31×2¹+A21×2²+A11×2³       +A12×2⁴+A13×2⁵+A23×2⁶+A33×2⁷；其中，Aij代表8个邻域中的点的值，然后通过查询索引表中索引值为index的元素即table[index]，决定该待测点是否保留或者去掉；(6.4)重复(6.3)直到没有被去掉的点出现；(6.5)细化后处理：(6.5.1)，按照细化图，初步确定细节点中的端点，即本身为1且周围8个点中有且仅有一个点为1，和分岔点，即本身为1且周围8个点中有且仅有三个点为1；(6.5.2)，沿着细节点生长，对细节点进行后处理：(a)，对于端点，如果在其12×12的邻域内有另一个端点的方向与之接近，即角度差小于Tha＝30度，则将这两个端点都去掉；(b)，将形成环形的邻近分叉点连接起来，对于一个分叉点，如果在其12×12的邻域内有另一个分叉点的方向与之接近，即角度差小于Tha＝30度，则将两者都去掉；(c)，去除一些小短棒对应的两个端点，对于一个端点，如果沿着它所在脊线经过12个像素之内就碰到另一个端点，则将两个端点都去掉；(6.5.3)，筛除方向与该点方向场角度差大于30度的特征点；(7)断纹检测，它依次包含以下步骤：(7.1)对原指纹图像中的点(x，y)出的灰度值I(x，y)进行多通道滤波，它依次包含以下步骤：(7.1.1)把断纹方向与x轴的夹角γ离散化为12个方向，每相邻两个方向之间的夹角为15°，因而，γ取12个方向：γ＝0，π/12，π/6，…，11π/12；(7.1.2)对于每个γ，对应滤波器掩膜大小均为81×81，则经过方向为γ_i的最优滤波器滤波后的指纹图像中的点(x，y)处的取值用F_γi(x，y)表示：Fγi(x,y)=Σk=-4040Σl=-4040I(x+k,y+l)×F(γi,k,l|σ2,η),]]>其中，I(x+k，y+l)为在图像在点(x+k，y+l)的灰度值，F(γ，x，y|σ²，η)为滤波器表达式：F(γ,x,y|σ2,η)=G(γ,u(x,y),v(x,y)|σ2,η)]]>=exp{-u2+ηv22σ2}(σ2-u2),]]>其中，u＝xcosγ+ysinγ，v＝-xsinγ+ycosγ；(7.1.3)对通过滤波器得到的各图以200作为阈值进行二值化：(7.1.4)断纹参数化，对于不同方向上的每个带状断纹区域，用矩阵分析中的主元分析方法，即PCA来估计这个带状区域的方向，长度和宽度，进而用一个矩形来近似这个带状区域，它依次包含以下步骤：(7.1.4.1)在二值化的图像中，每个带状区域中的像素点可以用S=x1x2xM...y1y2yM]]>来表示，其中第一行是各点横坐标，第二行是各点纵坐标，M是带状区域中像素点的个数；(7.1.4.2)求出S的均值m和方差var：m‾=x‾y‾=1MΣl=1Mxlyl,]]>var=1MΣl1=1MΣl2=1M((xl1yl1-m‾)·(xl2yl2-m‾)T);]]>(7.1.4.3)求出方差矩阵var的所有特征值，选择最大的两个特征值λ₁，λ₂，要求λ₁≥λ₂，和它们对应的特征向量q₁，q₂；(7.1.4.4)由(7.1.4.3)可得到：矩形的中心(C_x，C_y)：即区域的均值m，即C_x＝x，C_y＝y；矩形的方向θ：对应长轴，它是大的特征值所对应的特征向量q₁；矩形的长l和宽ω可以分别通过计算沿两个特征轴的平均宽度得到，具体实现：在二值化的图像基础上，在带状区域内，沿垂直于方向θ的方向进行遍历，统计在方向θ上的该带状区域的平均长度作为矩形的长l；然后再沿矩形的方向θ的方向进行遍历，统计在垂直于θ方向上的该带状区域的平均长度作为矩形的宽ω；(7.1.4.5)合并：把对应于不同方向的所有二值化的图合并，得到整个指纹图像中的断纹；把对应于不同方向的所有参数化的图合并，得到整个指纹图像中的断纹的参数化表示；(8)基于断纹的虚假细节点去除：对于每一个细节点的小邻域，一般是7×7的小窗口，进行考察，如果邻域中的某一点落入到检测出的断纹中，就判断这个细节点为假点，将它去除；(9)把余下的全部细节点送入数据库，存储信息包括细节点总个数、细节点坐标及方向；二、识别阶段计算机对每个输入的指纹按照上述(2)-(7)进行细节点的在线提取，并和数据库中存储的指纹细节点进行比对找出匹配度最高的，比对和匹配依次含有以下步骤：(1)用基于Hough变换的方法进行细节点配准：计算补偿旋转和平移偏差，按照下面方法计算：把两个指纹各自的细节点分别构成各自含有M和N个细节点的点集，从两个点集中各选一个细节点分别表示为(x₁，y₁，θ₁)和(x₂，y₂，θ₂)，利用它们之间的坐标、方向求出一个平移量：Δt=ΔxΔy=x2-x1y2-y1,]]>一个旋转量：Δ_θ＝θ₂-θ₁，遍历所有M×N对细节点对，统计(Δ_x，Δ_y，Δ_θ)出现的次数，得票最高的平移旋转量就是最终使用的平移旋转量，同时记录得票数vote；下面用到的坐标变换都可以由下面的公式实现：x″＝x′×cos(Δ_θ)-y′×sin(Δ_θ)+Δ_x；y″＝x′×sin(Δ_θ)-y′×cos(Δ_θ)+Δ_y；其中(x′，y′)是旋转平移前的坐标，(x″，y″)是旋转平移后的坐标(2)公共有效区域提取：记两枚指纹r，t配准后的有效区域分别为R_r、R_t，根据上面求得的参数，对R_t进行旋转平移，则公共有效区域为R＝R_r∩R_t；(3)比对指纹r，t中所有的细节点，记录比对成功的细节点对数；(4)计算指纹r，t细节点集合的相似度M_rt，0＜M_rt＜1：Mrt=countmax(countt,countr)×min(voteTh,1);]]>其中count表示比对成功的细节点对数，count_r表示指纹r在两幅指纹公共有效区域内的细节点个数，count_t表示指纹t在两幅指纹公共有效区域内的细节点个数；Th为经验阈值，取为12；(5)根据我们对错误率要求的不同，给定一个阈值Th_M_n＝0.4，如果M_n＞Th_M_n，则认为两幅指纹来自同一个手指；否则，则认为两幅指纹不是来自同一个手指。