CN101908143A - 基于子带特征融合的活体指纹滑移缺陷检测方法 - Google Patents

Abstract

本发明提供的是一种基于子带特征融合的活体指纹滑移缺陷检测方法。主要包括纹理特征提取和滑移区域检测部分。在纹理特征提取的过程中，利用对称小波分解的子带系数与灰度共协矩阵相互融合，得到能够区分正常指纹纹理和缺陷区域纹理的特征向量。在滑移区域检测的过程中，使用遗传神经网络分类器对大面积滑移区域进行检测定位，使用离散余弦变换分解技术对小面积滑移区域进行检测定位。本发明能够准确、有效地解决当前指纹图像采集过程中存在的不可避免的滑移难题。本发明在实际应用中具有重要意义和适用价值。

Description

基于子带特征融合的活体指纹滑移缺陷检测方法

技术领域

本发明属于模式识别和图像处理领域。涉及的是一种检测因手指在采集传感器上瞬间滑动所产生“滑移”缺陷区域的方法。

背景技术

指纹识别作为目前应用最为广泛的生物识别技术之一，在刑事和民事领域有着广泛应用，如犯罪调查，物理访问(如门禁)控制，信息安全，海关和移民系统中的背景调查、身份鉴别和确认等[1][2][3][4]。近年来，活体指纹扫描系统的产生为指纹采集提供了一种能够生成高分辨率数字指纹图像的电子采集方法[5]。由于活体指纹实时扫描过程采用了先进的电子设备来确保图像的准确采集，能够获取比传统方法质量更好的指纹图像，其更重要的优势在于，一次指纹采集可以产生多个记录并随即直接传送到自动指纹识别系统或远程身份认证机关进行更快捷的处理[6][7]。

获得优质的指纹细节图像是一项十分复杂而重要的工作。目前市场上应用的主要指纹采集技术有光学采集、半导体采集技术和超声波采集技术。基于光的全反射原理的光学指纹采集技术是最古老也是目前应用最广泛的指纹采集技术，光线照到压有指纹的玻璃表面，由CCD获得反射光线，反射光的量依赖于压在玻璃表面指纹的脊和谷的深度以及皮肤与玻璃间的油脂和水分。理想情况下，由此得到的指纹图像则是清晰、真实的。但实际应用中，由于手指表面湿度、污渍、设备采集面的不清洁等多种因素影响，经常会从产生指纹图像的失真、模糊等现象，导致对后期的指纹匹配识别率造成严重的影响。因此指纹图像采集过程中，需要一种质量评估算法来实时确定每个图像的质量。一个好的图像质量控制算法应该在不减慢指纹登陆过程的同时，及时地为操作人员提供视觉和听觉反馈，以便重新扫描不符合标准的指纹图像或以特殊方式对其进行标注[8]。

在指纹识别系统中，指纹采集图像的质量对最终指纹匹配准确度影响非常明显[9][10][11][12]。目前国际市场上主流的活体指纹采集系统，尤其是光学传感器采集系统中，存在着一种严重影响指纹图像质量但却又非常容易被操作者忽略的缺陷。该缺陷的成因是，扫描指纹时，手指的瞬间滑动产生了一些异常的具有虚构脊的重叠纹理组织模式，也可称为“滑移”缺陷，如图2所示。更严重的是，这类缺陷很难用常规的指纹图像评估算法检测出来。

虽然手指无意间的滑动是不可避免的，但如果因为没有检测到指纹图像中的滑移缺陷而造成错误匹配和错误拒绝，会严重影响实时扫描系统的性能。由于滑移缺陷区域的纹理分布形态难以预测，而且它与正常的指纹区域之间存在着某些脊线特征相似性，滑移缺陷很难被传统的指纹质量评价算法检测到。为了确保所采集活体指纹图像的质量，系统我们不仅需要自动检测到指纹图像含有缺陷的领域，还需要在这些图像上准确地识别和标记特定滑移缺陷的区域，从而使操作者能及时了解有缺陷的图像并且根据需要重新登录指纹。

指纹滑移缺陷区域检测的主要困难在于：

1.真正的滑移缺陷区域和质量相对较差的指纹区域在某些方面非常相似。如图3所示，(a)和(b)因为不具备非常清晰可分的脊线被认为是质量较差或噪声干扰较大的指纹图像区域，这些区域虽不理想但仍属于系统可接受的范围之内。而(e)和(f)则属于严重影响指纹匹配精度的滑移缺陷区域。

2.滑移缺陷自动识别的另一个重要挑战在于，一些滑移缺陷区域如(g)及(h)也具备整齐可分、对比度鲜明的脊线，它们在某些方向上的脊线特征与正常指纹组织区域(如(c)和(d))没有很明显的区别。

3.由于在指纹扫描中产生滑移缺陷区域的诸多不可预测的因素及指纹图像所固有的纹理特征多样性，滑移缺陷区域识别陷入了一个非常困难的图像纹理分类问题。在众多图像处理技术中，纹理分析被频繁的应用于图像分类、检测或基于某些内在属性的图像分割，如粗糙度，颗粒和规则[13]。在图像纹理分析中经常使用一些的固定变换如傅立叶、哈尔、余弦、正弦以及共协矩阵[14]。近几年，小波变换在信号和图像处理方面的应用得到了越来越广泛的关注[15][16][17]。Smith和Chang比较了从以下典型图像分解提取的子带能量特征集：小波子带，均匀子带，离散余弦变换，空间划分[18]。Sebe和Lew研究了综合考虑纹理模型，噪声分布及相互依存等纹理特征的纹理分类问题[19]。Livens等阐述了基于离散和连续小波分解的纹理分析与图像分类问题[20]。对于许多自然信号，特别是某些代表特定纹理特征的信号，小波变换可以通过使用一系列可变的分析函数[16]为信号提供了一种多分辨率表示，小波变换被证明是一个比傅立叶变换更为有效的工具。

以上的每种频域变换算法、滤波器组或纹理特征的选择都只是针对某种特定的输入信类别号才能达到最优的效果。但由于包含不同滑移缺陷的指纹组织区域可能产生的输入图像特征范围极广，加之指纹图像中固有的较小类间差异和较大类内差异，以及某些指纹区域所包含的大量噪声和失真，使用某一频域变换所提取的特征参数在检测那些具有频率较高的纹理结构模式的滑移缺陷时并非总是足够灵敏，特别是某些指纹图像中的高频噪声区域，使得指纹滑移缺陷区域与正常区域更难以准确区分，因此，单一的频域变换或基于滤波器的检测算法无法为滑移缺陷的识别提供令人满意的解决方案，滑移缺陷区域的自动检测已经成为一个亟待解决并极具挑战的指纹图像特殊区域识别难题。开发能够有效检测具有不规则纹理特征的滑移缺陷的指纹质量评价算法，能降低由于指纹滑移缺陷造成的误识率和拒识率，促进活体指纹识别技术在更多的领域实现真正的大规模市场应用，在指纹采集和识别系统的实际应用中具有重要的意义和实用价值。

与本发明相关的参考文献包括：

[1]A.K.Jain，L.Hong，S.Pankanti and R.Bolle，″An Identity Authentication System UsingFingerprints″，Proc.IEEE，Vol.85，No.9，pp.1365-1388，1997；

[2]A.K.Jain，L.Hong and R.Bolle，″On-line Fingerprint Verification″，IEEE TransactionsPAMI，Vol.19，No.4，pp.302-314，1997；

[3]L.Hong，A.K.Jain，R.Bolle and S.Pankanti，″Identity Authentication UsingFingerprints″，Proc.of First Int′l Conf.On Audio and Video-Based Biometric PersonAuthentication，Switzerland，pp.103-110，March 1997；

[4]L.Hong and A.K.Jain，″Integrating Faces and Fingerprints for Personal Identification″，Proc.3rd ACCV，Hong Kong，Jan.1998；

[5]Higgins T.Peter.Standards for the Electronic Submission of Fingerprint Cards to the FBI.Journal of Forensic Identification.The Official Publication of the InternationalAssociation for Identification.Vol.45，No.4，July/August 1995，Pages 409-418；

[6]L.O′Gorman，″Practical Systems for Personal Fingerprint Authentication，″IEEEComputer 33，No.2，58-60(2000)；

[7]R.Germain.A.Califano，and S.Colville，″Fingerprint Matching Using TransformationParameter Clustering，″IEEE Computational Science and Engineering 4，No.4，42-49(1997)；

[8]A.Jain，L.Hong，and S.Pankanti，″Biometrics Identification，″Communications of theACM 43，No.2，91-98(2000)；

[9]Charles Wilson，R.Austin Hicklin.Fingerprint Vendor Technology Evaluation 2003Analysis Report.DRAFT.23 April 2004；

[10]B.Schneier，″The Uses and Abuses of Biometrics，″Communications of the ACM 42，No.8，136(1999)；

[11]M.Yeung and S.Pankanti，″Verification Watermarks on Fingerprint Recognition andRetrieval，″Journal of Electronic Imaging 9，No.4，468-476(2000)；

[12]T.Rowley，″Silicon Fingerprint Readers：A Solid State Approach to Biometrics，″Proceedings of the CardTech/SecureTech Conference，CardTech/SecureTech，Bethesda，MD(1997)，pp.152-159；

[13]W.Y.Ma and B.S.Manjunath.Texture Features and Learning Similarity.Proceedings ofthe 1996 Conference on Computer Vision and Pattern Recognition.1996；

[14]Rock Texture Retrieval using Gray Level Co-occurrence Matrix.M.Partio，B.Cramariuc，M.Gabbouj，and A.Visa，NORSIG-2002，5th Nordic Signal Processing Symposium，OnBoard Hurtigruten M/S Trollfjord，Norway，October 4-7，2002；

[15]Smith J.R and Chang S.F.Transform Features for Texture Classification andDiscrimination in Large Image Databases.Proceedings of I.E.E.E.InternationalConference on Image Processing(ICIP-94)，Austin，Tx.，November，1994；

[16]T.Chang and C.J.Kuo，″Texture analysis and classification with tree-structured wavelettransform″，IEEE Trans.Image Proc.，Vol.2，No.4，Oct.1993，pp.429-441；

[17]M.Uner.Texture Classification and Segmentation Using Wavelet Frames.IEEE Trans.On Image Processing，4(11)：1549～1560，nov 1995；

[18]T.Chang and C.J.Kuo，″Texture analysis and classification with tree-structured wavelettransform″，IEEE Trans.Image Proc.，Vol.2，No.4，Oct.1993，pp.429-441；

[19]Nicu Sebe and Micheal S.Lew.Wavelet Based Texture Classification.IEEE Multimedia2000，2000，accepted and to be published；

[20]S.Livens，P.Scheunders，G.Van de Wouwer，and D.Van Dyck.Wavelets for textureanalysis，an overview.In Proc IPA，IEE Pub.No.443，volume 1，pages 581--585，1997。

发明内容

本发明的目的在于提供一种能够有效地判断出存在滑移问题的指纹图像并准确定位缺陷区域，从而提高采集指纹图像的质量以及指纹识别率的基于子带特征融合的活体指纹滑移缺陷检测方法。

本发明的目的是这样实现的：

主要包括纹理特征提取和滑移区域检测部分。在纹理特征提取的过程中，利用对称小波分解的子带系数与灰度共协矩阵相互融合，得到能够区分正常指纹纹理和缺陷区域纹理的特征向量。在滑移区域检测的过程中，使用遗传神经网络分类器对大面积滑移区域进行检测定位，使用离散余弦变换分解技术对小面积滑移区域进行检测定位。

1、特征提取

由于滑移区域和质量相对较差的指纹区域非常相似，所以纹理特征的有效选取是区分缺陷指纹区域和正常指纹区域的关键步骤。

首先，利用对称小波将采集到的指纹图像进行二维分解得到64个空间频率子带，并将图像划分成尺寸为90x90的非重叠图像子块，通过对大量90x90图像子块进行分析与实验，选取子带范围在4-19的小波系数的能量E和均值M作为区分缺陷指纹区域和正常指纹区域的一组低频特征。

其次，将90x90大小的图像子块进一步划分成9个30x30大小的图像子块，利用灰度共协矩阵技术，计算每个30x30子块的角二阶矩、对比度、反差分矩，将其作为区分缺陷指纹区域和正常指纹区域的一组高频特征。

2、特征融合

根据上述提取得到的低频特征和高频特征，对于每一个90x90大小的图像子块，用一个融合59个参数的向量F＝(E，M，G)作为这个图像子块的特征向量。其中，子向量E表示子带频段在4-19间对称小波系数的16个能量；子向量M表示子带频段在4-19间对称小波系数的16个均值；子向量G表示由灰度共协矩阵得到的27个附加特征参数。

3、大面积滑移区域检测

在得到特征向量F后，本发明采用增强遗传神经网络进行分类器训练，训练样本是通过离线状态下手工标注的90x90大小正常指纹图像子块和有滑移问题的图像子块。通过训练得到的分类器，能够对大面积的滑移区域进行准确检测并定位。

4、小面积滑移区域检测

本发明将图像进一步划分成尺寸为30x30的非重叠图像子块，采用离散余弦变换对每一个子块进行处理，利用变换后的高频分量对30x30子块进行缺陷区域判别，能够有效地实施小面积滑移检测，可以弥补大面积滑移检测中的不足，从而准确定位出指纹图像中的缺陷部分。

5、联合大、小面积滑移区域检测

大面积缺陷检测技术和小面积缺陷检测技术都有各自的优势和不足，两者之间可以形成有效互补，本发明将这两种方法相结合应用于指纹滑移区域的检测。如果经过检测没有发现滑移缺陷区域，则进行后续处理。如果经过检测发现采集到的指纹图像中存在滑移缺陷区域，那么对缺陷区域进行标注和显示，需要对指纹重新采集。

为了解决现有指纹采集系统中在图像质量检测方面存在的问题，本发明提出了一种基于子带特征融合的指纹滑移检测方法，能够有效地判断出存在滑移问题的指纹图像并准确定位缺陷区域，从而提高采集指纹图像的质量以及指纹识别率。

本发明结合了对称小波、灰度共协矩阵、离散余弦变换等技术，使得本方法能够准确、有效地解决当前指纹图像采集过程中存在的不可避免的滑移难题。对于大面积的滑移缺陷，分别引入了对称小波子带特征和灰度共协矩阵纹理特征，通过增强遗传神经网络分类器对其进行了准确的识别。并进一步引入离散余弦变换高频分量特征，完善了对小面积滑移缺陷区域的检测。本发明在实际应用中具有重要意义和适用价值。

附图说明

图1为本发明方法流程图。

图2(a)-图2(b)为具有滑移缺陷的指纹图像。

图3(a)-图3(h)为正常指纹图像区域和滑移缺陷图像区域的对比图。其中，图3(a)-图3(d)为正常指纹图像区域，图3(e)-图3(h)为滑移缺陷图像区域。

图4为利用对称小波对图像进行二维分解的示意图。

图5为遗传神经网络中权值映射的示意图。其中W代表从输入层到隐藏层的权值矩阵，V代表从隐藏层到输出层的权值矩阵。

图6(a)-图6(f)为大面积滑移区域检测结果示意图。其中，图6(a)-图6(c)为具有滑移缺陷的原始指纹图像，图6(d)-图6(f)为用实心方块标注了大面积滑移缺陷后的指纹图像。

图7(a)-图7(f)为小面积滑移区域检测结果示意图。其中，图7(a)-图7(c)为具有滑移缺陷的原始指纹图像，图7(d)-图7(f)为用实心方块标注了小面积滑移缺陷后的指纹图像。

图8(a)-图8(f)为联合大、小面积滑移区域检测结果示意图。其中，图8(a)-图8(c)为原始具有滑移缺陷的指纹图像，图8(d)-图8(f)为用实心方块分别标注了大、小面积滑移缺陷后的指纹图像。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

图1为本发明方法流程图。通过指纹采集设备得到一幅指纹图像，首先进行特征提取，包括基于对称小波变换的低频特征和基于灰度共协矩阵的高频特征，然后对所提取的特征子向量进行融合，通过增强型遗传神经网络分类器对指纹图像进行大面积滑移缺陷区域检测。同时对输入指纹图像进行离散余弦变换，提取相应的高频分量进行小面积滑移缺陷区域检测。如果在结合大、小面积滑移区域检测后没有发现滑移缺陷区域，说明采集到的指纹图像不存在滑移现象，可继续进行采集；如果检测到指纹图像中的滑移缺陷区域，则对缺陷区域进行标注和显示，根据需要重新采集指纹。

各部分具体实施细节如下：

1、特征提取

纹理特征的有效选取是区分缺陷指纹区域和正常指纹区域的关键步骤，对后面的滑移区域检测影响很大。本发明分别利用对称小波方法和灰度共协矩阵技术得到区分缺陷指纹区域和正常指纹区域的一组低频特征参数和一组高频特征参数。

1.1基于对称小波变换的低频子向量特征提取

首先，利用对称小波将指纹图像进行二维分解，如图4所示，得到64个空间频率子带，并将图像划分成尺寸为90x90的非重叠图像子块，并按式(1)(2)分别计算小波系数的子带能量e_i和均值m_i，他们能够准确反映指纹纹线沿着频率方向的能量分布。

$e_i=\frac{(E_{\mathrm{sum}}-{\mathrm{energy}}_i)}{E_{\mathrm{sum}}},$ 其中 $E_{\mathrm{sum}}=\underset{i=4}{\overset{19}{\mathrm{\Σ}}}{\mathrm{energy}}_i---\left(1\right)$

$m_i=\frac{(M_{\mathrm{sum}}-{\mathrm{mean}}_i)}{{\mathrm{mean}}_i},$ 其中 $M_{\mathrm{sum}}=\underset{i=4}{\overset{19}{\mathrm{\Σ}}}{\mathrm{mean}}_i---\left(2\right)$

通过对大量90x90子块进行分析与实验，选取子带范围在4-19的小波系数的能量E和均值M作为区分缺陷指纹区域和正常指纹区域的一组低频特征。

1.2基于灰度共协矩阵的高频子向量特征提取

上一步中选取的低频参数能够准确描述滑移区域的在4～19波段的特定频率和纹理特征，但在区别某些质量较差的指纹图像区域时不够灵敏，特别在指纹图像中的高频噪声区域更为明显。为了进一步提高识别模糊区域灵敏度，本发明利用基于灰度共协矩阵所抽取的特征参数来弥补对称小波变换在提取高频特征向量时的不足。

位移矢量为d＝(dx，dy)的GxG灰度级共协矩阵P_d中元素的定义为：

P_d(i，j)＝|{((r，s)，(t，v))：I(r，s)＝i，I(t，v)＝j}|              (3)

其中，I(·，·)表示一幅大小为NxN灰度级为G的图像，(r，s)，(t，v)∈NxN，(t，v)＝(r+dx，s+dy)，|.|是一组基数。由灰度共协矩阵能够衍生出多项纹理结构特征，本发明为了降低计算的复杂程度，选取以下3种在检测高频指纹模糊区域方面具有较强辨别能力的特征。

1)对比度

$\mathrm{CON}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-j)}^{2}p(i,j)---\left(4\right)$

对比度特征能够衡量一幅图像局部变化的总量。

2)角二阶矩

$\mathrm{ASM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2---\left(5\right)$

角二阶矩能够衡量一幅图像纹理的均匀程度。

3)反差分矩

$\mathrm{IDM}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}p(i,j)---\left(6\right)$

在式(4)-(6)中，p(i，j)是共协矩阵归一化后系数，p(i，j)＝P_d(i，j)/R，其中R是像素对(i，j)的数目总和。对于位移矢量为d＝(dx，dy)、大小为NxM的图像，R可以表示为(N-dx)(M-dy)。

本发明将90x90大小的图像子块进一步划分成9个30x30大小互不重叠的图像子块，计算每个图像子块的角二阶矩、对比度、反差分矩，那么对于每个90x90大小图像块就产生了27个附加特征，将其作为区分缺陷指纹区域和正常指纹区域的一组高频特征子向量。

2、特征融合

本发明采用了一种子带特征融合的方法提高识别滑移区域的灵敏度。为了有效区分具有低频纹理特征的正常和缺陷区域，通过采用计算子带方差和小波系数均值的方法，提取低频特征子向量；为了有效区分具有高频纹理特征的正常和缺陷区域，由灰度共协矩阵技术计算角二阶矩、对比度和反差分矩，提取高频特征子向量。

对于每一个90x90大小的图像子块，用一个融合59个参数的向量F＝(E，M，G)作为这个图像子块的特征向量。其中，子向量E(e₁，...，e₁₆)表示子带频段在4-19间对称小波系数的16个能量；子向量M(m₁，...，m₁₆)表示子带频段在4-19间对称小波系数的16个均值；子向量G(g₁，...，g₂₇)表示由灰度共协矩阵得到的27个附加特征参数。

3、大面积滑移区域检测

利用上述特征向量融合和分类器可以精确区分缺陷指纹区域和正常指纹区域。

3.1基于增强型遗传神经网络的分类器

本发明使用增强型遗传神经网络构建识别滑移区域的分类器。如图5所示，在增强型遗传神经网络框架中，将神经网络的连接权值描绘成由一组基因组成的染色体，其中基因代表了权值矩阵中的元素，用均方误差来约束遗传算法的迭代。

本发明在权值进化过程中使用了变种群交叉增强技术，解决传统遗传算法收敛过早的问题，并能够提高神经网络的训练质量和效率。假设有N个人的种群P₁-P_N，每个染色体的长度为l，于是

$P_i=\{P_i^1.....P_i^l\}---\left(7\right)$

那么这个种群的平均个体为

$\stackrel{\‾}{P}=\frac{1}{N\×L}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{P}_i^j---\left(8\right)$

整个种群的变异可以由下式表征

$D_p=\frac{1}{N\×L}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{[P_i^j-{\stackrel{\‾}{P}}^j]}^2---\left(9\right)$

在增强型遗传神经网络进化的起始阶段，原始种群变异设置为D₀，初始交叉率P_c设置为40％。D_i表示第i代种群变异，那么P_c按下式进行动态调整

$P_c=P_c+[\frac{D_{i-1}-D_i}{D_0}\×0.4]---\left(10\right)$

本发明采用了一个3层(59∶18∶2)增强型遗传神经网络分类器，输入层是融合后含有59个参数的混合特征向量，输出层存储是分类结果。

3.2分类器训练

为了对遗传神经网络分类器进行有效训练，在离线状态下对90x90大小的图像子块进行手工标注，包括所有正常指纹图像子块和有滑移问题的图像子块。

本发明采用一个含有985幅指纹图像的非均衡数据集，此数据集中有76幅滑移指纹图像和909幅正常指纹图像。在样本选择过程中，选取27幅滑移图像和28幅正常图像，再从这55幅指纹图像选取84个正常图像子块和84个滑移图像子块，共计168个图像子块用于分类器训练。除训练所用的55幅图像外，剩余的930幅指纹图像用于大面积滑移区域的检测。由于选取的增强型遗传神经网络分类器具有良好的全局搜索能力，非常适合处理大型数据集和高维特征向量的图像和像素分类问题，使得整体数据集的训练误差始终低于0.1％。

3.3大面积滑移区域检测结果

本发明将基于对称小波变换的低频特征子向量和基于灰度共协矩阵的高频特征子向量相融合，得到一个含有59参数的混合特征向量，并将其输入到3层(59∶18∶2)增强型遗传神经网络分类器中。检测结果如图6所示，其中被检测到的滑移区域用90x90的实心块标记。

如果大部分的滑移区域被标记出来，则表明分类正确；如果被标记出来的区域属于正常指纹区域，那么说明分类器误报。通过对930幅测试图像进行的检测，图像滑移区域的正检率是90.7％，误报率为0.092％，图像子块滑移区域的正检率是72.37％，误报率为0.13％。

基于对称小波变换的大面积滑移区域检测一个重要特点是能够准确地标注出绝大部分的缺陷区域，然而此方法是以90x90大小的图像块为基本检测单位的，粒度相对较大。一方面标记为滑移区域的图像子块可能包含正常像素，另一方面图像边界区域的一些相对较小的滑移区域可能被误分类为正常区域。尤其难以检测一些脊线间只有一个急剧变化的滑移指纹图像，神经网络中并没有明确的纹理学习模式来鉴定这种缺陷区域。

4、小面积滑移区域检测

为了进一步精确、全面地定位缺陷区域，本发明使用传统的离散余弦变换在频域对指纹图像进行分解，并分析判别。离散余弦变换系数能够形成一个图像纹理的自然表示，按照视觉形式上的敏感程度不同将图像分解成不同的频率子带，在区分目标物体和一般背景上具有明显的优势。

本发明将图像划分成尺寸为30x30的非重叠图像子块，采用离散余弦变换对每一个图像子块进行处理，由于指纹纹理特征集中在变换后的高频分量，所以利用离散余弦变换高频系数对30x30子块进行缺陷区域判别。检测结果如图7所示，其中被检测到的滑移区域用30x30的实心块标记。

基于离散余弦变换的小面积滑移区域检测的一个重要优势是，处理指纹脊线中小的滑移区域和急剧变化区域具有很好的效果，特别是对于前述小波变换方法不能检测到的图像边缘缺陷区域作用更为显著。但是基于离散余弦变换的方法不能检测大量集中的滑移区域，特别是对于纵向重复图案和不规则形状。

5、联合大、小面积滑移区域检测

基于对称小波变换的大面积缺陷检测技术和基于离散余弦变换的小面积缺陷检测技术都有各自的优势和不足，本发明将这两种方法相结合应用于指纹滑移区域的检测。

本发明采用一个含有985幅指纹图像的非均衡数据集，此数据集中有76幅滑移指纹图像和909幅正常指纹图像。其中55幅图像用于遗传神经网络分类器的训练，剩余的930幅指纹图像用于滑移区域的检测。通过测试，大、小面积相结合的缺陷检测技术的正检率为97.4％，误报率为0.12％。图8为使用这种联合方法后的滑移区域检测结果示意图，其中被检测到的滑移区域用实心块进行标记。实验结果表明，大、小面积相结合的缺陷检测方法可以获得比任一单独方法更精确、更全面地滑移检测效果。

采集到的指纹图像经过联合大、小面积滑移区域检测，如果没有发现滑移缺陷区域，则进行后续处理。如果经过发现了图像中存在滑移缺陷区域，那么对缺陷区域进行标注和显示，对指纹重新采集。

Claims (9)

1.一种基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是：对采集得到的活体指纹图像，首先进行特征提取，包括基于对称小波变换提取的低频特征子向量和基于灰度共协矩阵提取的高频特征子向量，然后对所提取的特征子向量进行特征融合，通过增强型遗传神经网络分类器对指纹图像进行大面积滑移缺陷区域检测，同时对输入指纹图像进行离散余弦变换，提取相应的高频分量进行小面积滑移缺陷区域检测，如果在结合大、小面积滑移区域检测后均未发现滑移缺陷区域，则继续指纹采集过程；如果发现指纹图像中存在滑移缺陷区域，则对缺陷区域的像素点进行标注和显示，提醒系统重新采集指纹。

2.根据权利要求1所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是所述的特征提取的步骤如下：

(1)基于对称小波变换的低频波段子向量特征提取

(a)利用对称小波将指纹图像进行多重二维分解，直到获取64个空间频率子带；

(b)将指纹图像划分成尺寸为90x90的非重叠图像子块；

(c)对于划分得到的每一个90x90的图像子块，计算子带波段范围在4-19的小波系数的能量和均值，分别记为向量E和M；

(d)将E和M作为90x90的图像子块所对应的一组低频特征子向量；

(2)基于灰度共协矩阵的高频子向量特征提取

(e)将步骤(1)中划分得到的每一个90x90大小的图像子块进一步划分成9个30x30大小互不重叠的图像子块；

(f)对于划分得到的每一个30x30的图像子块，计算灰度共协矩阵所衍生出的3个特征值，包括角二阶矩、对比度、反差分矩；

(g)重复步骤(f)，直到得出同一个90x90图像子块中9个30x30的图像子块的所有27个特征值，记为向量G；

(h)将G作为90x90的图像子块所对应的一组高频特征子向量。

3.根据权利要求1或2所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是所述的特征融合算法为：对于每一个90x90大小的图像子块，用一个融合59个参数的向量F＝(E，M，G)作为这个图像子块的特征向量，其中，子向量E（e₁，...，e₁₆)表示子带频段在4-19间对称小波系数的16个能量；子向量M(m₁，...，m₁₆)表示子带频段在4-19间对称小波系数的16个均值；子向量G(g₁，...，g₂₇)表示由灰度共协矩阵得到的27个附加特征参数。

4.根据权利要求1或2所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是大面积滑移区域检测的步骤如下：

(1)构建一个3层59∶18∶2的增强型遗传神经网络分类器；

(2)在离线状态下对90x90大小的图像子块进行手工标注，作为训练样本对分类器进行训练；

(3)使用分类器对指纹图像中的大面积滑移区域进行检测。

5.根据权利要求3所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是大面积滑移区域检测的步骤如下：

(1)构建一个3层59∶18∶2的增强型遗传神经网络分类器；

(2)在离线状态下对90x90大小的图像子块进行手工标注，作为训练样本对分类器进行训练；

(3)使用分类器对指纹图像中的大面积滑移区域进行检测。

6.根据权利要求1或2所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是小面积滑移区域检测的步骤如下：

(1)将图像划分成尺寸为30x30的非重叠图像子块；

(2)对于划分得到的每一个30x30的图像子块，进行离散余弦变换；

(3)选取离散余弦变换后的高频分量对指纹图像中的不规则小面积滑移缺陷区域进行精确检测。

7.根据权利要求3所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是小面积滑移区域检测的步骤如下：

(1)将图像划分成尺寸为30x30的非重叠图像子块；

(2)对于划分得到的每一个30x30的图像子块，进行离散余弦变换；

(3)选取离散余弦变换后的高频分量对指纹图像中的不规则小面积滑移缺陷区域进行精确检测。

8.根据权利要求4所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是小面积滑移区域检测的步骤如下：

(1)将图像划分成尺寸为30x30的非重叠图像子块；

(2)对于划分得到的每一个30x30的图像子块，进行离散余弦变换；

(3)选取离散余弦变换后的高频分量对指纹图像中的不规则小面积滑移缺陷区域进行精确检测。

9.根据权利要求5所述的基于子带特征融合的活体指纹滑移缺陷检测方法，其特征是小面积滑移区域检测的步骤如下：

(1)将图像划分成尺寸为30x30的非重叠图像子块；

(2)对于划分得到的每一个30x30的图像子块，进行离散余弦变换；

(3)选取离散余弦变换后的高频分量对指纹图像中的不规则小面积滑移缺陷区域进行精确检测。

Images