CN102567993A - 基于主成分分析的指纹图像质量评价方法 - Google Patents

Abstract

本发明公开了一种基于主成分分析的指纹图像质量评价方法。该方法包括：对输入指纹图像进行分块；对图像块中的每一个像素点，获取其领域像素信息，组成块样本矩阵；采用主成分分析方法获取块样本矩阵的投影矩阵和特征值向量；从投影矩阵和特征值向量中计算用于图像块质量判断的特征；采用乘规则，得到图像块的局部块质量；结合块Harris强度，得到输入指纹图像的全局质量。本发明方法简单，结果直观，且能够准确定量反映输入指纹图像质量，保证了自动指纹识别技术的高性能。

Description

基于主成分分析的指纹图像质量评价方法

技术领域

本发明属于生物特征识别领域，尤其是一种基于主成分分析的指纹图像质量判断方法。

背景技术

指纹识别技术是通过取像设备读取指纹图像，然后用计算机识别软件提取指纹的特征数据，最后通过匹配识别算法得到识别结果，以确定指纹所有人身份的生物特征识别技术。它主要涉及指纹图像采集、指纹图像处理、特征提取、保存数据、特征值的比对与匹配等过程。伴随着计算机技术和信息处理与识别技术的不断进步，指纹识别技术得到了迅猛的发展，现已成为最成熟、最可接受的一种生物特征识别技术，是可以在公安、网络管理、银行、社保、雇员证明、海关身份鉴定、电子门禁等许多领域广泛深入应用的技术，具有重要的理论研究意义和市场应用价值。

指纹图像质量的自动评测在自动指纹识别系统中有着重要的实际价值。影响自动指纹识别系统水平的最重要的因素之一是在注册和辨识过程中对那些采集质量差的指纹的判别及处理能力。一个较好的指纹识别系统应要求用户在登记指纹时多次获取指纹，然后，把最好的指纹或每次获得的指纹的综合的结果作为注册的指纹。同时，为了得到较好的识别率，在匹配之前有必要对质量较差的指纹图像先进行特殊的图像预处理，然后再进行辨识。为实现这个目标，需要设计一个适合、有效的指纹图像质量自动评测方法。

指纹图像质量判断广义上可以被分为两类：基于全局特征的指纹质量判断方法和基于局部特征的指纹质量判断方法。基于全局特征的指纹质量判断方法把指纹看成一个整体，提取一个或多个全局特征，然后利用这些全局特征，得到输入指纹图像的全局质量。最经典和常用的基于全局特征的判断方法是NFIQ(NIST Fingerprint Image Quality)。NFIQ算法从输入指纹中提取了11类全局特征，然后使用人工神经网络预测指纹图像质量。基于局部特征的指纹质量判断方法通常把指纹进行分块，提取块特征，然后利用提取的图像块的特征获得图像块质量。该方法要优于基于全局特征的指纹质量判断方法。因为图像块的特征更具有区分行，不同的图像块都应该具有不同的特性。另外，任何时候都可以从块质量分数获得全局质量分数。但是如何获得具有可区分行的图像块的特征仍然是一个挑战性问题。

发明内容

为了解决上述技术问题，本发明提出一种基于主成分分析的指纹图像质量评价方法。不同于以前基于图像块的指纹图像质量评价方法，本方法提取块中每个像素的邻域信息组成块样本矩阵，然后采用主成分分析的方法获得块样本矩阵的内在特征，进而获得具有可区分行的图像块的特征。

为达成所述目的，本发明提出的一种基于主成分分析的指纹图像质量评价方法，包括以下步骤：

步骤A，对输入指纹图像进行分块，得到多个图像块；

步骤B，对每个图像块中的每一个像素点，获取其邻域像素信息，组成块样本矩阵；

步骤C，采用主成分分析方法(PCA)获取每个块样本矩阵的投影矩阵和特征值向量；

步骤D，从投影矩阵和特征值向量中计算用于图像块质量判断的特征：圆分布特征和主方向特征值残差特征；

步骤E，将步骤D得到的用于图像块质量判断的两个特征相乘，得到图像块的局部块质量；

步骤F，基于图像块的局部块质量，结合图像块Harris强度，得到输入指纹图像的全局质量。

本发明的有益效果是：本发明提出了一种基于主成分分析的指纹图像质量判断方法。不同于以前基于图像块的指纹图像判断方法，本方法提取了块中每个像素的领域信息组成块样本矩阵，然后采用主成分分析的方法分析块样本矩阵的内在特性，进而获得具有可区分行的图像块的特征。该方法简单，结果直观，且能够准确定量反映输入指纹图像质量，保证了自动指纹识别技术的高性能。

附图说明

图1是基于主成分分析的指纹图像质量评价方法流程图。

图2是不同指纹特征图像块的PCA投影图以及特征值分布图。

图3是原始指纹图像及其Harris强度图像。

图4是不同质量的指纹图像示例。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明所提出的基于主成分分析的指纹图像质量评价方法流程图。如图1所示，该方法包括以下步骤：

步骤A，对输入指纹图像进行分块，得到多个图像块；

对于一幅输入的指纹图像I，把输入指纹图像分成大小为W×W(W＝16)的图像块g_k(x，y)，其中x，y∈{0，...，W-1}，k＝1，...，N，N表示图像块的数目。对于一幅输入指纹图像，分块的规则是从左到右，从上到下，最后不足W×W的图像块，不足的部分使用0来补齐。

步骤B，对每个图像块中的每一个像素点，获取其邻域像素信息，组成块样本矩阵；

对于图像块g_i(x，y)中的每一个像素点(x，y)，以其为中心点，将其M×M(M＝7)邻域内的像素点组成一个向量。这样对于每一个图像块，可以得到具有256(W×W)个样本点，每个样本点49(M×M)维，即259×49的块样本矩阵。

步骤C，采用主成分分析方法获取每个块样本矩阵的投影矩阵和特征值向量；

采用主成分分析(PCA)方法对得到的第k(k＝1...N)个块样本矩阵进行降维，这里把M×M维降为2维，得到2维投影矩阵((W×W)*2维)记为{(x_ki，y_ki)i＝0...W×W-1}以及特征值向量{(d_kj)，j＝0...M×M-1}。以x_ki为横坐标，y_ki为纵坐标画图，得到第k块图像块的PCA投影图；以j为横坐标，d_kj为纵坐标画图，得到第k块图像块的特征值分布图。如图2所示，图2中第一列是指纹不同关键区域((a)前景，(b)背景，(c)分叉点，(d)端点，(e)三角点，(f)中心点)的原始块图像，第二列是第一列块图像对应的PCA投影图，第三列是第一列块图像对应的特征值分布图。

步骤D，从投影矩阵和特征值向量中计算用于图像块质量判断的特征：圆分布特征和主方向特征值残差特征；

从图2第二列图像块的PCA投影图，可以分析得出，前景图像块(图2(a))具有最清晰的脊线纹理走向，所以得到的PCA投影图形成了最好的圆拓扑结构，而背景图像由于没有脊线纹理，形成的结构最杂乱无章，没有拓扑结构而言。指纹其他的特征区域形成的拓扑结构的规则程度则介于前景和背景块图像之间。从图2第三列图像块的特征值分布图，可以分析得出，前景和其他指纹特征块图像，由于具有清晰的纹理图像，所以他们的特征值主要集中在前两个特征值上面，即具有两个主方向：沿着纹理方向以及垂直纹理方向。而背景块图像，由于没有纹理，所以不具有主方向，特征值分布图也没有规律可言。

根据上面的分析，本发明计算得出可区分第k块图像块质量的两个特征：圆分布特征f_k1以及主方向特征值残差特征f_k2。

其中，圆分布特征反映了PCA投影图上图像点的分布趋势，前面分析到，纹理越清晰，形成的拓扑结构越接近于圆。首先采用圆拟合算法来拟合投影矩阵{(x_ki，y_ki)i＝0...W×W-1}，得出拟合的圆的中心位置(x_kc，y_kc)和半径R_k。以圆的中心位置(x_kc，y_kc)和半径R_k在PCA投影图上面画一个圆周，如图2第二列图像所示。PCA投影图上面的点在圆周上面的分布情况，可以反映形成的拓扑结构的好坏。所以圆分布特征f_k1如公式(1)所示。f_k1的值介于0～1。f_k1的值越大，表示形成的拓扑结构越接近圆分布，图像质量越好。

$f_{k1}=\exp (-({\mathrm{\Σ}}_{i=1}^{W\×W}\frac{\sqrt{{|y_{\mathrm{ki}}-y_{\mathrm{kc}}|}^2+{|x_{\mathrm{ki}}-x_{\mathrm{ck}}|}^2}}{R_k}-1))---\left(1\right)$

主方向特征值残差特征f_k2反映了图像纹理走势的一致性，纹理走势越一致，前两个特征值越大，所以可以使用前两个特征值占总体特征值的比例来反映块图像质量。f_k2的值介于0～1。f_k2的值越大，表示块图像质量越好。f_k2的计算公式如公式(2)：

$f_{k2}=(d_{k1}+d_{k2})/{\mathrm{\Σ}}_{j=1}^{M\×M}{d}_{\mathrm{kj}}---\left(2\right).$

步骤E，将步骤D得到的用于图像块质量判断的两个特征相乘，得到图像块的局部块质量；

得出第k块图像块质量的两个特征f_k1和f_k2后，采用乘规则计算第k块图像块的块质量BQ_k，BQ_k的值介于0～1。BQ_k的值越大，表示图像块的质量越高。第k块图像块的块质量BQ_k由下式来计算：

BQ_k＝f_k1×f_k2(k＝1...N)(3)

步骤F，基于图像块的局部块质量，结合图像块Harris强度，得到输入指纹图像的全局质量。

基于图像块的局部块质量，使用Harris强度HCS作为权值，获得输入指纹图像的全局质量。

所述步骤F进一步包括以下步骤：

步骤F1，计算第k块图像块的块Harris强度HCS_k，计算公式如下：

${\mathrm{HCS}}_k=\frac{I_{\mathrm{kx}}^2+I_{\mathrm{ky}}^2-I_{\mathrm{kxy}}^2}{I_X^2+I_y^2}---\left(4\right)$

$I_{\mathrm{kx}}^2=\underset{x=1}{\overset{W}{\mathrm{\Σ}}}\underset{y=1}{\overset{W}{\mathrm{\Σ}}}{G}_{\mathrm{kx}}^2(x,y)---\left(5\right)$

$I_{\mathrm{ky}}^2=\underset{x=1}{\overset{W}{\mathrm{\Σ}}}\underset{y=1}{\overset{W}{\mathrm{\Σ}}}{G}_{\mathrm{ky}}^2(x,y)---\left(6\right)$

$I_{\mathrm{kxy}}^2={\mathrm{\Σ}}_{x=1}^W{\mathrm{\Σ}}_{y=1}^W{G}_{\mathrm{kx}}^2(x,y)G_{\mathrm{ky}}^2(x,y)---\left(7\right)$

这里G_kx(x，y)，G_ky(x，y)分别是第k块图像块像素点(x，y)的x方向和y方向的梯度，其中x，y∈{0，...，W-1}，使用Soble算子获得。图3(a)中示出一幅原始指纹图像，图3(b)为该原始指纹图像的分块Harris强度图像。

步骤F2，根据第k块图像块的块Harris强度HCS_k计算输入指纹图像的全局质量GB，计算公式如下：

$\mathrm{GB}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{BQ}}_k\×{\mathrm{HCS}}_k,(k=1...N)---\left(8\right)$

将本发明方法应用到发明人自行设计的指纹图像处理系统中。该指纹图像处理系统是基于Window XP，采用面向对象的设计方法和软件工程规范，用C++语言实现的、面向指纹识别领域的图像处理与分析系统。

将该方法在FVC2004DB1指纹库和自采的AES2501指纹库中进行测试。FVC2004DB1指纹库包含100个手指，每个手指采集8幅图像，共800幅指纹图像。AES2501指纹库包含720个手指，每个手指采集12幅图像，共8640幅指纹图像。实施例从视觉验证和匹配性能来检验本发明方法的有效性。

视觉验证：

图4给出了不同数据库的不同质量的指纹图像，以及采用本发明提出的方法得到的全局指纹图像质量，指纹图像(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)的全局质量分数分别为0.4256、0.4148、0.7178、0.7444、0.3541、0.3908、0.7471和0.7233，其中，图3(a)、(b)、(c)、(d)来自数据库FVC2004DB1，(e)、(f)、(g)、(h)来自数据库AES2501，可以看出了本发明方法给出的质量和视觉上指纹图像的质量保持一致，本发明的方法能够给出正确的质量判断。

匹配性能：

本实施例是为了验证本发明方法对指纹图像匹配性能的影响。匹配系统采用基于细节点匹配的VeriFinger6.1SDK。因为细节点的提取严重依赖于图像质量，所以匹配算法的性能能够反映本发明方法的准确性。如果发明方法有效，匹配性能会随着图像质量的改善而提高。首先使用本发明方法计算出两个数据库中指纹图像的质量。对于每一个数据库，按照指纹图像质量分成三类：高质量数据库，正常质量数据库以及低质量数据库。例如对于FVC20004DB1数据库，把每个手指的8幅图像按照质量分数从高到低排序，每个手指的前1～4幅指纹图像组成高质量数据库，3～6幅指纹图像组成正常质量数据库，5～8幅指纹图像组成低质量数据库。同理对于AES2501数据库，把每个手指的12幅图像按照质量分数从高到低排序，每个手指的前1～6幅指纹图像组成高质量数据库，4～9幅指纹图像组成正常质量数据库，7～12幅指纹图像组成低质量数据库。对于这6个数据库，匹配的结果如表1所示。可以看出，本发明方法能给出有效的指纹质量判断。

表1本发明的方法在不同质量指纹图像的匹配性能

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于主成分分析的指纹图像质量评价方法，其特征在于，包括以下步骤：

步骤A，对输入指纹图像进行分块，得到多个图像块；

步骤B，对每个图像块中的每一个像素点，获取其邻域像素信息，组成块样本矩阵；

步骤C，采用主成分分析方法(PCA)获取每个块样本矩阵的投影矩阵和特征值向量；

步骤D，从投影矩阵和特征值向量中计算用于图像块质量判断的特征：圆分布特征和主方向特征值残差特征；

步骤E，将步骤D得到的用于图像块质量判断的两个特征相乘，得到图像块的局部块质量；

步骤F，基于图像块的局部块质量，结合图像块Harris强度，得到输入指纹图像的全局质量。

2.根据权利要求1所述的方法，其特征在于，所述步骤A进一步为：将输入指纹图像分成N个大小为W×W，相互不交叠的图像块g_k(x，y)，其中，W为分块的块大小，W＝16，x，y∈{0，...，W-1}，k＝1，...，N，N为图像块的数目。

3.根据权利要求1所述的方法，其特征在于，所述步骤B进一步为：对于每一大小为W×W的图像块中的每一个像素点(x，y)，以其为中心点，将其M×M邻域内的像素点组成一个向量，得到图像块的(W×W)*(M×M)维的块样本矩阵，其中，W表示分块的块的大小，W*W表示图像块像素点的数目，M表示像素点邻域的大小，M×M表示特征维数。

4.根据权利要求1所述的方法，其特征在于，所述步骤C进一步为：采用主成分分析将每个块样本矩阵从M×M维降为2维，得到2维投影矩阵{(x_ki，y_ki)i＝0...W×W-1}以及特征值向量{(d_kj)，j＝0...M×M-1}，其中k＝1，...，N，N为图像块的数目，W为分块的块的大小，M为像素点邻域的大小；以x_ki为横坐标，y_ki为纵坐标画图，得到第k块图像块的PCA投影图；以j为横坐标，d_kj为纵坐标画图，得到第k块图像块的特征值分布图。

5.根据权利要求4所述的方法，其特征在于，所述圆分布特征反映了PCA投影图上图像点的分布趋势，所述主方向特征值残差特征f_k2反映了图像纹理走势的一致性。

6.根据权利要求5所述的方法，其特征在于，所述圆分布特征的计算包括：

首先，采用圆拟合算法来拟合投影矩阵{(x_ki，y_ki)i＝0...M×M-1}，得出拟合的圆的中心位置(x_kc，y_kc)和半径R_k；

然后利用下式来计算所述圆分布特征f_k1：

$f_{k1}=\exp (-({\mathrm{\Σ}}_{i=1}^{W\×W}\frac{\sqrt{{|y_{\mathrm{ki}}-y_{\mathrm{kc}}|}^2+{|x_{\mathrm{ki}}-x_{\mathrm{ck}}|}^2}}{R_k}-1)),$

其中，W为分块的块的大小，M为像素点邻域的大小。

7.根据权利要求5所述的方法，其特征在于，利用下式来计算所述主方向特征值残差特征f_k2：

$f_{k2}=(d_{k1}+d_{k2})/{\mathrm{\Σ}}_{j=1}^{M\×M}{d}_{\mathrm{kj}},$

其中，d_kj为第k个图像块的特征值向量，j＝0...M×M-1，M为......。

8.根据权利要求1所述的方法，其特征在于，所述步骤F进一步包括以下步骤：

步骤F1，计算第k块图像块的块Harris强度HCS_k；

步骤F2，根据HCS_k计算输入指纹图像的全局质量GB。

9.根据权利要求8所述的方法，其特征在于，利用下式来计算第k块图像块的块Harris强度HCS_k：

${\mathrm{HCS}}_k=\frac{I_{\mathrm{kx}}^2+I_{\mathrm{ky}}^2-I_{\mathrm{kxy}}^2}{I_X^2+I_y^2},$

$I_{\mathrm{kx}}^2={\mathrm{\Σ}}_{x=1}^W{\mathrm{\Σ}}_{y=1}^W{G}_{\mathrm{kx}}^2(x,y),$

$I_{\mathrm{ky}}^2={\mathrm{\Σ}}_{x=1}^W{\mathrm{\Σ}}_{y=1}^W{G}_{\mathrm{ky}}^2(x,y),$

$I_{\mathrm{kxy}}^2={\mathrm{\Σ}}_{x=1}^W{\mathrm{\Σ}}_{y=1}^W{G}_{\mathrm{kx}}^2(x,y)G_{\mathrm{ky}}^2(x,y),$

其中，G_kx(x，y)，G_ky(x，y)分别是第k块图像块像素点(x，y)的x方向和y方向的梯度，其中x，y∈{0，...，W}，W为分块的块的大小。

10.根据权利要求8所述的方法，其特征在于，所述根据HCS_k计算输入指纹图像的全局质量GB为：

$\mathrm{GB}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{BQ}}_k\×{\mathrm{HCS}}_k,k=1...N$

其中，BQ_k为第k块图像块的块质量，N为图像块的数目。

Images