CN101299238A - 一种基于协同训练的快速指纹图像分割方法 - Google Patents

一种基于协同训练的快速指纹图像分割方法 Download PDF

Info

Publication number
CN101299238A
CN101299238A CNA2008101381185A CN200810138118A CN101299238A CN 101299238 A CN101299238 A CN 101299238A CN A2008101381185 A CNA2008101381185 A CN A2008101381185A CN 200810138118 A CN200810138118 A CN 200810138118A CN 101299238 A CN101299238 A CN 101299238A
Authority
CN
China
Prior art keywords
fingerprint image
method based
dividing method
image dividing
learner
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2008101381185A
Other languages
English (en)
Other versions
CN101299238B (zh
Inventor
任春晓
尹义龙
周广通
郭文鹃
杨公平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN2008101381185A priority Critical patent/CN101299238B/zh
Publication of CN101299238A publication Critical patent/CN101299238A/zh
Application granted granted Critical
Publication of CN101299238B publication Critical patent/CN101299238B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于协同训练的快速指纹图像分割方法,适于快速指纹图像分割,方法为:(1)对指纹图像有类别标记的指纹像素集FL和无类别标记的指纹像素集FU,提取各像素点特征(c,m,v),随机抽取样本,建立空间分布模型;其中c,m,v分别表示像素点的方向一致性coherence、灰度均值mean、灰度方差variance三个特征;(2)针空间分布模型,用标记盒学习器Labe/Box与支持向量机学习器SVM作为底层学习器,分别对无类别指纹像素集FU进行分类决策,并从所获得的结果集中分别选择置信度最高的样本集,加入对方的有类别标记指纹像素集FL中;(3)令步骤(2)循环k次,构建统一模型Fco(X),用于指纹图像分割;其中Fco(X)是学习器LabelBox和学习器SVM集成的结果,k为参数,取值为1~10。

Description

一种基于协同训练的快速指纹图像分割方法
技术领域
发明涉及一种指纹图像分割方法,尤其涉及一种基于协同训练的快速指纹图像分割方法。
背景技术
目前在自动指纹识别领域,指纹图像分割是指纹图像预处理一个重要步骤。有效的分割不仅能够减少后续处理的时间,而且可以显著地改进特征提取的可信度。在现有的基于像素的指纹图像分割方法中,通常是通过手工标记大量的指纹像素点,建立足够充足的监督训练样本集进行训练。这种处理方法速度慢、耗费大量人力、依赖于具体的指纹图像质量,不适于工程应用。工程中非常需要一种高速、有效的指纹分割方法。
发明内容
本发明的目的就是为了解决现有的基于像素的指纹图像分割方法速度慢、耗费大量人力、依赖于具体的指纹图像质量,不适于工程应用的问题,提供一种基于协同训练的快速指纹图像分割方法。它是一种采用双分类器协同训练结构、利用少量监督样本和大量非监督样本信息进行指纹图像分割的方法,具有运行速度快、人力耗费少,算法有效性强、工程应用价值大,适合于快速指纹图像分割等优点。
为实现上述目的,本发明采用如下技术方案:
一种基于协同训练的快速指纹图像分割方法,它的步骤为:
(1)对于指纹图像的有类别标记的指纹像素集FL和无类别标记的指纹像素集Fu,提取每个像素点特征(c,m,v),通过随机抽取样本,建立空间分布模型;其中c,m,v分别表示像素点的方向一致性coherence、灰度均值mean、灰度方差variance三个特征;
(2)针对步骤(1)建立的空间分布模型,采用标记盒学习器LabelBox与支持向量机学习器SVM作为底层学习器,分别对无类别的指纹像素集Fu进行分类决策,并从所获得的结果集中分别选择置信度最高的样本集,加入对方的有类别标记的指纹像素集FL中;
(3)令步骤(2)循环k次,即可构建统一模型Fco(X),用于指纹图像分割;其中Fco(X)是学习器LabelBox和学习器SVM集成的结果,k为参数,取值为1~10。
所述步骤(1)中,方向一致性coherence、灰度均值mean、灰度方差variance三个特征反映了前景像素点和背景像素点在特征空间分布的差异性,取值需要进行归一化,最终取值均在[0,1]之间。
所述步骤(1)中,有类别标记的指纹像素集FL采用bootstrap随机抽样方法抽样获得,从少量几幅指纹中部分易于标记的像素区域随机抽取像素,重新组成像素点集合。
所述步骤(2)中,两个学习器工作在相同的方向一致性coherence、灰度均值mean、灰度方差variance特征体系下。
所述步骤(2)中,本方法所选取的两个学习器采用的是交叉训练方式,即每个分类器选择出样本后,将其加入对方分类器的已标记的指纹像素集。
所述步骤(2)中,每个样本的置信度为这个样本被分为“前景”或者被分为“背景”的后验概率,其计算公式为 P ( ω i | x ) = p ( x | ω i ) P ( ω i ) Σ j = 1 2 p ( x | ω j ) P ( ω j ) , 其中后验概率P(ωi|x),i=1,2;先验概率P(ωi),i=1,2;类条件概率密度p(x|ωi),i=1,2;累加变量j,j=1,2;决策阈值为0.5;当后验概率大于等于0.5分为正类,其他分为负类。
所述步骤(2)中,每个学习器决策一次,选择2000个前景点和1000个背景点。
所述步骤(3)中,根据未标记的指纹像素集大小,以及需要算法运行的时间长短,确定参数k的取值,k为正整数,取值为[1,10]。
所述步骤(3)中,最终决策模型Fco(X)通过加权计算集成,其计算公式为
Fco(X)=0.5Flabelbox(X)+0.5Fsvm(X),其中Flabelbox(X)和Fsvm(X)代表最终训练好的两个底层学习器单独进行决策的结果。
本发明方法包括提出一个运用协同训练进行指纹图像分割的具体工程算法,两种指纹分割学习器的选择和集成原则,随机抽样方法构建标记样本集的方法,可调控指纹分割时间的迭代训练方法等。
两种指纹分割学习器的选择和集成原则:本发明方法的最终分类器Fco(X)通过加权计算集成,其计算公式为Fco(X)=0.5Flabelbox(X)+0.5Fsvm((X),其中Flabelbox((X)和Fsvm(X)代表最终训练好标记盒学习器和支持向量机学习器单独进行决策的结果。最终分类器的决策以两个训练好的底层分类器为基础,每个底层分类器的加权系数为0.5。
随机抽样方法构建标记样本集的方法:本发明方法构建有类别标记的指纹像素集FL采用bootstrap随机抽样方法随机抽样,从少量几幅指纹中部分易于标记的像素区域随机抽取像素,重新组成像素点集合。
可调控指纹分割时间的迭代训练方法:本发明方法设定一个参数k,表示算法的协同训练结构需要循环的次数。根据未标记的指纹像素集大小,以及需要算法运行的时间长短,确定参数k的取值,取值一般为1~10。另外在每次循环中,每个底层分类器分别选择2000个前景点(正类)和1000个背景点(负类)。
本发明的有益效果:由于采用了上述的运算方法,指纹图像得到了快速有效的分割处理;标记指纹像素采用了随机抽样的方法,免去了大量人工劳动,使算法的智能性得到提高;双分类器协同训练的结构,能够实现两个分类器优势互补,降低了对具体的指纹图像质量的依赖;利用少量监督样本和大量非监督样本信息,有很强的实用性,满足了工业中高效、高质的要求。
附图说明
图1为本发明的算法工作流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
图1中,一种基于协同训练的快速指纹图像分割方法,它的步骤为:
(1)对于指纹图像的有类别标记的指纹像素集FL和无类别标记的指纹像素集FU,提取每个像素点特征(c,m,v),通过随机抽取样本,建立空间分布模型;其中c,m,v分别表示像素点的方向一致性coherence、灰度均值mean、灰度方差variance三个特征;
方向一致性coherence、灰度均值mean、灰度方差variance三个特征反映了前景像素点和背景像素点在特征空间分布的差异性,取值需要进行归一化,最终取值均在[0,1]之间
有类别标记的指纹像素集FL采用bootstrap随机抽样方法抽样获得,从少量几幅指纹中部分易于标记的像素区域随机抽取像素,重新组成像素点集合
(2)针对步骤(1)建立的空间分布模型,采用标记盒学习器LabelBox与支持向量机学习器SVM作为底层学习器,分别对无类别的指纹像素集Fu进行分类决策,并从所获得的结果集中分别选择置信度最高的样本集,加入对方的有类别标记的指纹像素集FL中;
所述两个学习器工作在相同的方向一致性coherence、灰度均值mean、灰度方差variance特征体系下。
本方法所选取的两个学习器采用的是交叉训练方式,即每个分类器选择出样本后,将其加入对方分类器的已标记的指纹像素集;
每个样本的置信度为这个样本被分为“前景”或者被分为“背景”的后验概率,其计算公式为 P ( ω i | x ) = p ( x | ω i ) P ( ω i ) Σ j = 1 2 p ( x | ω j ) P ( ω j ) , 其中后验概率P(ωi|x),i=1,2;先验概率P(ωi),i=1,2;类条件概率密度p(x|ωi),i=1,2;累加变量j,j=1,2;决策阈值为0.5;当后验概率大于等于0.5分为正类,其他分为负类;
每个学习器决策一次,选择2000个前景点和1000个背景点;
(3)令步骤(2)循环k次,即可构建统一模型Fco(X),用于指纹图像分割;其中Fco(X)是学习器LabelBox和学习器SVM集成的结果,k为参数,取值为1~10。
根据未标记的指纹像素集大小,以及需要算法运行的时间长短,确定参数k的取值,k为正整数,取值为[1,10]。
模型Fco(X)通过加权计算集成,其计算公式为
Fco(X)=0.5Flabelbox(X)+0.5Fsvm(X),其中Flabelbox(X)和Fsvm(X)代表最终训练好的两个底层学习器单独进行决策的结果。

Claims (9)

1.一种基于协同训练的快速指纹图像分割方法,它的步骤为:
(1)对于指纹图像的有类别标记的指纹像素集FL和无类别标记的指纹像素集FU,提取每个像素点特征(c,m,v),通过随机抽取样本,建立空间分布模型;其中c,m,v分别表示像素点的方向一致性coherence、灰度均值mean、灰度方差variance三个特征;
(2)针对步骤(1)建立的空间分布模型,采用标记盒学习器LabelBox与支持向量机学习器SVM作为底层学习器,分别对无类别的指纹像素集FU进行分类决策,并从所获得的结果集中分别选择置信度最高的样本集,加入对方的有类别标记的指纹像素集FL中;
(3)令步骤(2)循环k次,即可构建统一模型Fco(X),用于指纹图像分割;其中Fco(X)是学习器LabelBox和学习器SVM集成的结果,k为参数,取值为1~10。
2.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(1)中,方向一致性coherence、灰度均值mean、灰度方差variance三个特征反映了前景像素点和背景像素点在特征空间分布的差异性,取值需要进行归一化,最终取值均在[0,1]之间。
3.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(1)中,有类别标记的指纹像素集FL采用bootstrap随机抽样方法抽样获得,从少量几幅指纹中部分易于标记的像素区域随机抽取像素,重新组成像素点集合。
4.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(2)中,两个学习器工作在相同的方向一致性coherence、灰度均值mean、灰度方差variance特征体系下。
5.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(2)中,本方法所选取的两个学习器采用的是交叉训练方式,即每个分类器选择出样本后,将其加入对方分类器的已标记的指纹像素集。
6.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(2)中,每个样本的置信度为这个样本被分为“前景”或者被分为“背景”的后验概率,其计算公式为 P ( ω i | x ) = p ( x | ω i ) P ( ω i ) Σ j = 1 2 p ( x | ω j ) P ( ω j ) , 其中后验概率P(ωi|x),i=1,2;先验概率P(ωi),i=1,2;类条件概率密度p(x|ωi),i=1,2;累加变量j,j=1,2;决策阈值为0.5;当后验概率大于等于0.5分为正类,其他分为负类。
7.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(2)中,每个学习器决策一次,选择2000个前景点和1000个背景点。
8.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(3)中,根据未标记的指纹像素集大小,以及需要算法运行的时间长短,确定参数k的取值,k为正整数,取值为[1,10]。
9.如权利要求1所述的基于协同训练的快速指纹图像分割方法,所述步骤(3)中,最终决策模型Fco(X)通过加权计算集成,其计算公式为
Fco(X)=0.5Flabelbox(X)+0.5Fsvm(X),其中Flabelbox(X)和Fsvm(X)代表最终训练好的两个底层学习器单独进行决策的结果。
CN2008101381185A 2008-07-01 2008-07-01 一种基于协同训练的快速指纹图像分割方法 Expired - Fee Related CN101299238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2008101381185A CN101299238B (zh) 2008-07-01 2008-07-01 一种基于协同训练的快速指纹图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2008101381185A CN101299238B (zh) 2008-07-01 2008-07-01 一种基于协同训练的快速指纹图像分割方法

Publications (2)

Publication Number Publication Date
CN101299238A true CN101299238A (zh) 2008-11-05
CN101299238B CN101299238B (zh) 2010-08-25

Family

ID=40079062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008101381185A Expired - Fee Related CN101299238B (zh) 2008-07-01 2008-07-01 一种基于协同训练的快速指纹图像分割方法

Country Status (1)

Country Link
CN (1) CN101299238B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866416A (zh) * 2010-06-18 2010-10-20 山东大学 一种基于直推式学习的指纹图像分割方法
CN102136072A (zh) * 2010-01-21 2011-07-27 索尼公司 学习设备、学习方法和程序
CN102629318A (zh) * 2012-03-22 2012-08-08 中国电子科技集团公司第五十八研究所 一种基于支持向量机的指纹图像分割方法
CN102999516A (zh) * 2011-09-15 2013-03-27 北京百度网讯科技有限公司 一种文本分类的方法及装置
CN104346620A (zh) * 2013-07-25 2015-02-11 佳能株式会社 对输入图像中的像素分类的方法和装置及图像处理系统
CN104616005A (zh) * 2015-03-10 2015-05-13 南京宜开数据分析技术有限公司 一种领域自适应的人脸表情分析方法
CN102999516B (zh) * 2011-09-15 2016-12-14 北京百度网讯科技有限公司 一种文本分类的方法及装置
CN106778796A (zh) * 2016-10-20 2017-05-31 江苏大学 基于混合式协同训练的人体动作识别方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136072A (zh) * 2010-01-21 2011-07-27 索尼公司 学习设备、学习方法和程序
CN101866416A (zh) * 2010-06-18 2010-10-20 山东大学 一种基于直推式学习的指纹图像分割方法
CN102999516A (zh) * 2011-09-15 2013-03-27 北京百度网讯科技有限公司 一种文本分类的方法及装置
CN102999516B (zh) * 2011-09-15 2016-12-14 北京百度网讯科技有限公司 一种文本分类的方法及装置
CN102629318A (zh) * 2012-03-22 2012-08-08 中国电子科技集团公司第五十八研究所 一种基于支持向量机的指纹图像分割方法
CN102629318B (zh) * 2012-03-22 2013-07-17 中国电子科技集团公司第五十八研究所 一种基于支持向量机的指纹图像分割方法
CN104346620A (zh) * 2013-07-25 2015-02-11 佳能株式会社 对输入图像中的像素分类的方法和装置及图像处理系统
CN104346620B (zh) * 2013-07-25 2017-12-29 佳能株式会社 对输入图像中的像素分类的方法和装置及图像处理系统
CN104616005A (zh) * 2015-03-10 2015-05-13 南京宜开数据分析技术有限公司 一种领域自适应的人脸表情分析方法
CN106778796A (zh) * 2016-10-20 2017-05-31 江苏大学 基于混合式协同训练的人体动作识别方法及系统
CN106778796B (zh) * 2016-10-20 2020-04-21 江苏大学 基于混合式协同训练的人体动作识别方法及系统

Also Published As

Publication number Publication date
CN101299238B (zh) 2010-08-25

Similar Documents

Publication Publication Date Title
CN105184309B (zh) 基于cnn和svm的极化sar图像分类
CN101299238B (zh) 一种基于协同训练的快速指纹图像分割方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN105957066A (zh) 基于自动上下文模型的ct图像肝脏分割方法及系统
CN105930846B (zh) 基于邻域信息和svgdl的极化sar图像分类方法
CN103984959A (zh) 一种基于数据与任务驱动的图像分类方法
CN106096627A (zh) 顾及特征优化的极化sar图像半监督分类方法
CN107492103A (zh) 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法
CN102054170B (zh) 基于极小化上界误差的视觉跟踪方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN110097075A (zh) 基于深度学习的海洋中尺度涡分类识别方法
CN104732215A (zh) 一种基于信息向量机的遥感影像海岸线提取方法
CN101251896B (zh) 一种基于多分类器的物体检测系统及方法
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
CN103295032B (zh) 基于空间Fisher向量的图像分类方法
CN106203444B (zh) 基于条带波与卷积神经网络的极化sar图像分类方法
CN107729312A (zh) 基于序列标注建模的多粒度分词方法及系统
CN105279519A (zh) 基于协同训练半监督学习的遥感影像水体提取方法及系统
CN106326938B (zh) 基于弱监督学习的sar图像目标鉴别方法
CN107330365A (zh) 基于最大稳定极值区域和svm的交通标志识别方法
CN104751175A (zh) 基于增量支持向量机的sar图像多类标场景分类方法
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN102542293A (zh) 一种针对高分辨率sar图像场景解译的一类提取分类方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN110084245A (zh) 基于视觉注意机制强化学习弱监督图像检测方法、系统

Legal Events

Date Code Title Description
C57 Notification of unclear or unknown address
DD01 Delivery of document by public notice

Addressee: Zhang Yong

Document name: Notification of Passing Preliminary Examination of the Application for Invention

C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20100825

Termination date: 20130701