CN102609690A - 活体采集下半掌纹质量评估方法 - Google Patents

Abstract

本发明公开了一种活体采集下半掌纹质量评估方法，包括以下步骤：S1：对下半掌纹原始图像进行有效区域提取，确定掌纹捺印的实际有效区域；S2：对所述有效区域的图像进行计算，得到所述有效区域参数值；S3：将所述有效区域的图像进行分析，将有效区域划分为四种子块，包括：正常块、过干块、过湿块和模糊块；S4：根据步骤S2中得到的所述有效区域的参数值和步骤S3中得到的各子块大小，提取下半掌纹图像的特征值；S5：根据提取的特征值，对下半掌纹图像进行质量评估；S6：根据下半掌纹图像的掌纹大鱼际位置，判断所述下半掌纹图像为左手掌纹还是右手掌纹。本发明的方法为人们选取高质量的下半掌纹进行进一步的生物识别提供了方便。

Description

活体采集下半掌纹质量评估方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种活体采集下半掌纹质量评估方法。

背景技术

掌纹是人体生物特征的一种，尤其是下半掌纹能够十分准确地用于进行人员身份的识别。作案人员在案发现场遗留的下半掌纹信息在刑嫌人员信息采集过程中属于必采项目，对公安刑侦人员进行案件侦破具有重要的作用和意义。但是作案人员现场遗留的下半掌纹有好有坏，并且采集人员在采集时的操作水平不一，就导致采集到的下半掌纹质量有高有低。而高质量的下半掌纹图像数据采集是将其运用于刑侦技术的基础，因此需要对采集到的下半掌纹质量进行评估，选取高质量的下半掌纹进行进一步的生物识别。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：提供一种活体采集下半掌纹质量评估方法，以便人们选取高质量的下半掌纹进行进一步的生物识别。

(二)技术方案

为解决上述问题，本发明提供了一种活体采集下半掌纹质量评估方法，包括以下步骤：

S1：对下半掌纹原始图像进行有效区域提取，确定掌纹捺印的实际有效区域；

S2：对所述有效区域的图像进行计算，得到所述有效区域参数值；

S3：将所述有效区域的图像进行分析，将有效区域划分为四种子块，包括：正常块、过干块、过湿块和模糊块；

S4：根据步骤S2中得到的所述有效区域的参数值和步骤S3中得到的各子块大小，提取下半掌纹图像的特征值；

S5：根据提取的特征值，对下半掌纹图像进行质量评估；

S6：根据下半掌纹图像的掌纹大鱼际位置，判断所述下半掌纹图像为左手掌纹还是右手掌纹。

优选地，所述步骤S1具体包括：

S11：将所述下半掌纹原始图像分割为预定大小的模块；

S12：分别计算每个模块区域内所有像素灰度值的均值与方差；

S13：当模块中所有像素灰度值的均值与方差均满足设定条件时，标记该模块属于有效区域。

优选地，步骤S2中所述有效区域的参数值包括：有效区域的面积、有效区域的外接矩形面积、有效区域的周长、以及有效区域的重心坐标。

优选地，步骤S3中所述四种子块的划分方法分别为：

1)将同时满足下面两个条件的子块划分为过干块：

1a)子块中像素的灰度均值大于第一灰度均值阈值t_g1；

1b)子块中灰度值小于第一灰度阈值t_h1的像素点的个数小于第一个数阈值t_v1；

2)将同时满足下面两个条件的子块划分为过湿块：

2a)子块中像素的灰度均值小于第二灰度均值阈值t_g2；

2b)子块中灰度值大于第二灰度阈值t_h2的像素点的个数小于第二个数阈值t_v2；

3)将满足下面条件的子块划分为模糊块：

子块中与横向或纵向相隔3个像素的像素点之间的灰度值差小于第三灰度阈值t_h3的像素点的数量大于第三个数阈值t_v3；

4)将有效区域中除了上述三种子块以外的其它子块划分为正常块。

优选地，步骤S4中提取的下半掌纹图像的特征值包括下面的一种或多种的组合：

1)有效区域的面积与下半掌纹原始图像面积的比值；

2)有效区域的面积与有效区域的外接矩形面积的比值；

3)有效区域的面积与周长的比值；

4)有效区域的重心的在下半掌纹原始图像中的居中度；

5)过干块面积与有效区域面积的比值；

6)过湿块面积与有效区域面积的比值；

7)模糊块面积与有效区域面积的比值。

优选地，所述步骤S5具体包括：

S51：根据下半掌纹图像的特征值构成特征向量；

S52：采用支持向量机将所述下半掌纹图像的特征向量代入预设的分类模型中进行质量评估，得到该下半掌纹图像的质量等级。

优选地，所述分类模型通过下面的方法得到：

S521：用人工挑选的方式对选取的若干下半掌纹图像样本进行质量等级分级；分别提取每张掌纹图像样本的特征向量，构造出分类训练集与验证集；

S522：通过支持向量机对所述分类训练集进行训练，得到训练参数模型；

S523：用交叉验证的方式测试验证集的分类结构，调整所述支持向量机的训练算法参数，得到交叉验证分类效果最好的训练参数模型作为最终采用的分类模型。

优选地，所述步骤S6具体为：

S61：对有效区域进行垂直投影，得到一条一维的投影曲线；

S62：首先遍历投影曲线，确定投影曲线从左向右方向的起点坐标与终点坐标，以及投影曲线函数的最大值M；

S63：从起点开始向右搜索，找到第一个投影函数值超过左限阈值t_l的第一点；

S64：从终点开始向左搜索，找到第一个投影函数值超过右限阈值t_r的第二点；

S65：通过下面的判决规则进行左右手掌纹的判决：

其中，x_b、x_e、x_l和x_r分别为所述起点、终点、第一点和第二点的横坐标，t_c为置信区间阈值。

优选地，所述步骤S62中，投影曲线的起点的判定规则为从左向右第一个投影函数值超过设定的起点阈值tb的点，终点的判定规则为从右向左第一个投影函数值超过设定的终点阈值t_e的点。

(三)有益效果

本发明的方法可以准确快速的对下半掌纹图像的质量进行评估，方便掌纹鉴定人员选取高质量的下半掌纹图像进行生物识别；此外，本发明的方法可以检测掌纹图像中过干区域、过湿区域以及模糊区域，计算图像中掌纹的完整性，并判断掌纹来自左手或右手等，为后续的生物识别提供了方便。

附图说明

图1为根据本发明实施例评估方法的步骤流程示意图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明如下。

如图1所示，本实施例记载了一种活体采集下半掌纹质量评估方法，包括以下步骤：

S1：对下半掌纹原始图像进行有效区域提取，确定掌纹捺印的实际有效区域；

由于下半掌纹原始图像中除了含有掌纹信息的有效区域外，还含有对评估无关的灰白色背景和一些干扰区域，因此需要进行有效区域的提取，作为后续对掌纹图像进行进一步分析的基础。

所述步骤S1具体包括以下步骤：

S11：将所述下半掌纹原始图像分割为预定大小的模块；在本实施例中，所述模块预定为大小为(16×16)的方格；

S12：分别计算每个模块区域内所有像素灰度值的均值与方差；

所述均值和方差通过下面的公式计算：

$\mathrm{Avg}(i,j)=\frac{1}{16\×16}\underset{x=0}{\overset{15}{\mathrm{\Σ}}}\underset{y=0}{\overset{15}{\mathrm{\Σ}}}I(i+x,j+y);$

$\mathrm{Var}(i,j)=\frac{1}{16\×16}\underset{x=0}{\overset{15}{\mathrm{\Σ}}}\underset{y=0}{\overset{15}{\mathrm{\Σ}}}{(I(i+x,j+y)-\mathrm{Avg}(i,j))}^2;$

其中，Avg(i，j)和Var(i，j)分别表示以点(i，j)为左上角点的模块的灰度均值和方差，16×16为本实施例模块的大小，I(i+x，j+y)为(i+x，j+y)点的图像灰度值。

S13：当模块中所有像素灰度值的均值与方差均满足设定条件时，标记该模块属于有效区域。

其中，模块中所有像素灰度值的均值满足：th1＜Avg(i，j)＜th2；

模块中所有像素灰度值的方差满足：Var(i，j)＞th3

其中th1、th2和th3分别为预先设定的参考阈值。在本实施例中，上述参考阈值的取值分别为：th1＝20；th2＝220；th3＝6。

在本实施例中，当模块属于有效区域时，给模块中的点(x，y)赋值，用V(x，y)＝1表示；模块不属于有效区域时，用V(x，y)＝0表示。

S2：对所述有效区域的图像进行计算，得到所述有效区域参数值；

所述有效区域的参数值包括：

1)有效区域的面积：

由于本实施例中，当模块属于有效区域时，给模块中的点(x，y)赋值，用V(x，y)＝1表示；模块不属于有效区域时，用V(x，y)＝0表示。因此统计有效区域中像素点的数量，可以得到有效区域的面积S。

$S=\underset{y=0}{\overset{h-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{w-1}{\mathrm{\Σ}}}V(x,y).$

其中h为有效区域掌纹图像高度，w为有效区域掌纹图像宽度。

2)有效区域的外接矩形面积S_r：

S_r＝(r-l)×(b-t)

其中

r＝max(x∈{x|V(x，y)＝1})

l＝min(x∈{x|V(x，y)＝1})

t＝min(y∈{y|V(x，y)＝1})

b＝max(y∈{y|V(x，y)＝1})

3)有效区域的周长L：

$L=\underset{x=0}{\overset{w-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{h-1}{\mathrm{\Σ}}}E(x,y);$

其中E(x，y)表示有效区域的边缘图，计算方法为：

4)有效区域的重心坐标(X，Y)：

$X=\frac{\underset{y=0}{\overset{h-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{w-1}{\mathrm{\Σ}}}x\×V(x,y)}{S}$

$Y=\frac{\underset{y=0}{\overset{h-1}{\mathrm{\Σ}}}\underset{x=0}{\overset{w-1}{\mathrm{\Σ}}}y\×V(x,y)}{S}.$

S3：将所述有效区域的图像进行分析，将有效区域划分为四种子块，包括：正常块、过干块、过湿块和模糊块；

所述四种子块的划分方法分别为：

1)将同时满足下面两个条件的子块划分为过干块：

1a)子块中像素的灰度均值大于第一灰度均值阈值t_g1；

1b)子块中灰度值小于第一灰度阈值t_h1的像素点的个数小于第一个数阈值t_v1；

本实施例中采用的参数值分别为t_g1＝180、t_h1＝50、t_v1＝10。

2)将同时满足下面两个条件的子块划分为过湿块：

2a)子块中像素的灰度均值小于第二灰度均值阈值t_g2；

2b)子块中灰度值大于第二灰度阈值t_h2的像素点的个数小于第二个数阈值t_v2；

本实施例中采用的参数值分别为t_g2＝40、t_h2＝150、t_v2＝10。

3)将满足下面条件的子块划分为模糊块：

子块中与横向或纵向相隔3个像素的像素点之间的灰度值差小于第三灰度阈值t_h3的像素点的数量大于第三个数阈值t_v3；

本实施例中采用的参数值分别为t_v3＝184、t_h3＝16。

4)将有效区域中除了上述三种子块以外的其它子块划分为正常块。

S4：根据步骤S2中得到的所述有效区域的参数值和步骤S3中得到的各子块大小，提取下半掌纹图像的特征值；

所述特征值包括下面的一种或多种的组合：

1)有效区域的面积与下半掌纹原始图像面积的比值f₁，该比值越大，则掌纹的充实度较高；其计算方法如下：

$f_1=\frac{S}{W\×H}.$

其中W为下半掌纹原始图像的宽度，H为下半掌纹原始图像的高度。

2)有效区域的面积与有效区域的外接矩形面积的比值f₂，该比值越大，则掌纹完整度较高；其计算方法如下：

$f_2=\frac{S}{S_r}.$

3)有效区域的面积与周长的比值f₃，该比值可以衡量图像的规则度，比值越大，则代表有效区域的规则度越高；其计算方法如下：

$f_3=\frac{S}{L}.$

4)有效区域的重心的在下半掌纹原始图像中的居中度f₄；本实施例中居中度较高时，可以适当提高质量评价的分值；其计算方法如下：

$f_4=\frac{\sqrt{{(X-W/2)}^2+{(Y-H/2)}^2}}{\sqrt{W^2+H^2}}.$

5)过干块面积S_d与有效区域面积的比值f₅；该比值越大，则质量评价的分值适当降的越低；其计算方法如下：

$f_5=\frac{S_d}{S}.$

6)过湿块面积与有效区域面积的比值f₆；该比值越大，则质量评价的分值适当降的越低；其计算方法如下：

$f_6=\frac{S_w}{S}.$

7)模糊块面积与有效区域面积的比值f₇；该比值越大，则质量评价的分值适当降的越低；其计算方法如下：

$f_7=\frac{S_b}{S}.$

S5：根据提取的特征值，对下半掌纹图像进行质量评估；

所述步骤S5具体包括：

S51：根据下半掌纹图像的特征值构成特征向量；在本实施例中构成7维的特征向量F＝(f₁，f₂，f₃，f₄，f₅，f₆，f₇)。

S52：采用支持向量机将所述下半掌纹图像的特征向量代入预设的分类模型中进行质量评估，得到该下半掌纹图像的质量等级。

所述分类模型通过下面的方法得到：

S521：用人工挑选的方式对选取的若干下半掌纹图像样本进行质量等级分级，例如，分为0、1、2、3、4共5个等级；分别提取每张掌纹图像样本的特征向量，构造出分类训练集与验证集；

S522：通过支持向量机对所述分类训练集进行训练，得到训练参数模型；

S523：用交叉验证的方式测试验证集的分类结构，调整所述支持向量机的训练算法参数，得到交叉验证分类效果最好的训练参数模型作为最终采用的分类模型。

S6：根据下半掌纹图像的掌纹大鱼际位置，判断所述下半掌纹图像为左手掌纹还是右手掌纹；

在本实施例中，左右手掌纹判断的前提是掌纹捺印方向基本朝上，倾斜角度在±45°之内。判断的依据是，当掌纹大鱼际位于图像的左侧时则图像为右手掌纹，位于图像右侧时则图像为左手掌纹。

所述步骤S6具体为：

S61：对有效区域进行垂直投影，得到一条一维的投影曲线

完整掌纹大鱼际的投影曲线应比外侧的投影更为平滑。

S62：首先遍历投影曲线，确定投影曲线从左向右方向的起点坐标与终点坐标，以及投影曲线函数的最大值M；其中投影曲线的起点的判定规则为从左向右第一个投影函数值超过设定的起点阈值t_b的点，终点的判定规则为从右向左第一个投影函数值超过设定的终点阈值t_e的点；本实施例中采用的参数值分别为t_b＝3，t_e＝3。

S63：从起点开始向右搜索，找到第一个投影函数值超过左限阈值t_l的第一点；本实施例中t_l取值为0.6M。

S64：从终点开始向左搜索，找到第一个投影函数值超过右限阈值t_r的第二点；本实施例中t_r取值为0.6M。

S65：通过下面的判决规则进行左右手掌纹的判决：

其中，x_b、x_e、x_l和x_r分别为所述起点、终点、第一点和第二点的横坐标，t_c为置信区间阈值，本实施例中t_c＝8。

本发明的方法为人们选取高质量的下半掌纹进行进一步的生物识别提供了方便。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (9)

1.一种活体采集下半掌纹质量评估方法，其特征在于，包括以下步骤：

S1：对下半掌纹原始图像进行有效区域提取，确定掌纹捺印的实际有效区域；

S2：对所述有效区域的图像进行计算，得到所述有效区域参数值；

S3：将所述有效区域的图像进行分析，将有效区域划分为四种子块，包括：正常块、过干块、过湿块和模糊块；

S4：根据步骤S2中得到的所述有效区域的参数值和步骤S3中得到的各子块大小，提取下半掌纹图像的特征值；

S5：根据提取的特征值，对下半掌纹图像进行质量评估；

S6：根据下半掌纹图像的掌纹大鱼际位置，判断所述下半掌纹图像为左手掌纹还是右手掌纹。

2.如权利要求1所述的评估方法，其特征在于，所述步骤S1具体包括：

S11：将所述下半掌纹原始图像分割为预定大小的模块；

S12：分别计算每个模块区域内所有像素灰度值的均值与方差；

S13：当模块中所有像素灰度值的均值与方差均满足设定条件时，标记该模块属于有效区域。

3.如权利要求1所述的评估方法，其特征在于，步骤S2中所述有效区域的参数值包括：有效区域的面积、有效区域的外接矩形面积、有效区域的周长、以及有效区域的重心坐标。

4.如权利要求3所述的评估方法，其特征在于，步骤S3中所述四种子块的划分方法分别为：

1)将同时满足下面两个条件的子块划分为过干块：

1a)子块中像素的灰度均值大于第一灰度均值阈值t_g1；

1b)子块中灰度值小于第一灰度阈值t_h1的像素点的个数小于第一个数阈值t_v1；

2)将同时满足下面两个条件的子块划分为过湿块：

2a)子块中像素的灰度均值小于第二灰度均值阈值t_g2；

2b)子块中灰度值大于第二灰度阈值t_h2的像素点的个数小于第二个数阈值t_v2；

3)将满足下面条件的子块划分为模糊块：

子块中与横向或纵向相隔3个像素的像素点之间的灰度值差小于第三灰度阈值t_h3的像素点的数量大于第三个数阈值t_v3；

4)将有效区域中除了上述三种子块以外的其它子块划分为正常块。

5.如权利要求4所述的评估方法，其特征在于，步骤S4中提取的下半掌纹图像的特征值包括下面的一种或多种的组合：

1)有效区域的面积与下半掌纹原始图像面积的比值；

2)有效区域的面积与有效区域的外接矩形面积的比值；

3)有效区域的面积与周长的比值；

4)有效区域的重心的在下半掌纹原始图像中的居中度；

5)过干块面积与有效区域面积的比值；

6)过湿块面积与有效区域面积的比值；

7)模糊块面积与有效区域面积的比值。

6.如权利要求4所述的评估方法，其特征在于，所述步骤S5具体包括：

S51：根据下半掌纹图像的特征值构成特征向量；

S52：采用支持向量机将所述下半掌纹图像的特征向量代入预设的分类模型中进行质量评估，得到该下半掌纹图像的质量等级。

7.如权利要求6所述的评估方法，其特征在于，所述分类模型通过下面的方法得到：

S521：用人工挑选的方式对选取的若干下半掌纹图像样本进行质量等级分级；分别提取每张掌纹图像样本的特征向量，构造出分类训练集与验证集；

S522：通过支持向量机对所述分类训练集进行训练，得到训练参数模型；

S523：用交叉验证的方式测试验证集的分类结构，调整所述支持向量机的训练算法参数，得到交叉验证分类效果最好的训练参数模型作为最终采用的分类模型。

8.如权利要求1所述的评估方法，其特征在于，所述步骤S6具体为：

S61：对有效区域进行垂直投影，得到一条一维的投影曲线；

S62：首先遍历投影曲线，确定投影曲线从左向右方向的起点坐标与终点坐标，以及投影曲线函数的最大值M；

S63：从起点开始向右搜索，找到第一个投影函数值超过左限阈值t_l的第一点；

S64：从终点开始向左搜索，找到第一个投影函数值超过右限阈值t_r的第二点；

S65：通过下面的判决规则进行左右手掌纹的判决：

其中，x_b、x_e、x_l和x_r分别为所述起点、终点、第一点和第二点的横坐标，t_c为置信区间阈值。

9.如权利要求8所述的评估方法，其特征在于，所述步骤S62中，投影曲线的起点的判定规则为从左向右第一个投影函数值超过设定的起点阈值t_b的点，终点的判定规则为从右向左第一个投影函数值超过设定的终点阈值t_e的点。

Images