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

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F_L和无类别标记的指纹像素集F_U，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F_U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F_L中；(3)令步骤(2)循环k次，构建统一模型F_co(X)，用于指纹图像分割；其中F_co(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F_L和无类别标记的指纹像素集F_u，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F_u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F_L中；

(3)令步骤(2)循环k次，即可构建统一模型F_co(X)，用于指纹图像分割；其中F_co(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F_L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 $P\left({\mathrm{\ω}}_i\right|x)=\frac{p\left(x\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}p\left(x\right|{\mathrm{\ω}}_j)P\left({\mathrm{\ω}}_j\right)},$ 其中后验概率P(ω_i|x)，i＝1，2；先验概率P(ω_i)，i＝1，2；类条件概率密度p(x|ω_i)，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F_co(X)通过加权计算集成，其计算公式为

F_co(X)＝0.5F_labelbox(X)+0.5F_svm(X)，其中F_labelbox(X)和F_svm(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F_co(X)通过加权计算集成，其计算公式为F_co(X)＝0.5F_labelbox(X)+0.5F_svm((X)，其中F_labelbox((X)和F_svm(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F_L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F_L和无类别标记的指纹像素集F_U，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F_L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F_u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F_L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 $P\left({\mathrm{\ω}}_i\right|x)=\frac{p\left(x\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}p\left(x\right|{\mathrm{\ω}}_j)P\left({\mathrm{\ω}}_j\right)},$ 其中后验概率P(ω_i|x)，i＝1，2；先验概率P(ω_i)，i＝1，2；类条件概率密度p(x|ω_i)，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F_co(X)，用于指纹图像分割；其中F_co(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F_co(X)通过加权计算集成，其计算公式为

F_co(X)＝0.5F_labelbox(X)+0.5F_svm(X)，其中F_labelbox(X)和F_svm(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F_L和无类别标记的指纹像素集F_U，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F_U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F_L中；

(3)令步骤(2)循环k次，即可构建统一模型F_co(X)，用于指纹图像分割；其中F_co(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F_L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 $P\left({\mathrm{\ω}}_i\right|x)=\frac{p\left(x\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{\underset{j=1}{\overset{2}{\mathrm{\Σ}}}p\left(x\right|{\mathrm{\ω}}_j)P\left({\mathrm{\ω}}_j\right)},$ 其中后验概率P(ω_i|x)，i＝1，2；先验概率P(ω_i)，i＝1，2；类条件概率密度p(x|ω_i)，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F_co(X)通过加权计算集成，其计算公式为

F_co(X)＝0.5F_labelbox(X)+0.5F_svm(X)，其中F_labelbox(X)和F_svm(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。