CN102799866A - 基于细节点偶然匹配概率模型的指纹比对方法 - Google Patents

基于细节点偶然匹配概率模型的指纹比对方法 Download PDF

Info

Publication number
CN102799866A
CN102799866A CN201210232883XA CN201210232883A CN102799866A CN 102799866 A CN102799866 A CN 102799866A CN 201210232883X A CN201210232883X A CN 201210232883XA CN 201210232883 A CN201210232883 A CN 201210232883A CN 102799866 A CN102799866 A CN 102799866A
Authority
CN
China
Prior art keywords
fingerprint
minutiae point
probability
probability model
minutiae
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
CN201210232883XA
Other languages
English (en)
Other versions
CN102799866B (zh
Inventor
刘煜坤
汤炜
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201210232883.XA priority Critical patent/CN102799866B/zh
Publication of CN102799866A publication Critical patent/CN102799866A/zh
Application granted granted Critical
Publication of CN102799866B publication Critical patent/CN102799866B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Collating Specific Patterns (AREA)

Abstract

基于细节点偶然匹配概率模型的指纹比对方法。数量众多的指纹图像识别系统已被广泛应用于物理安全和逻辑安全领域，相关性比对技术直接在指纹灰度图像上进行比对，指纹表面的非线性形变使得同一手指的两枚图像在全局结构上出现显著差异，严重降低相应像素点的相关性。本发明 方法包括如下步骤： 在指纹特征信息独特性概率模型基础上进行指纹图像校准，建立偶然匹配概率模型，分别对每个细节点推导与之对应细节点存在的概率和与之没有对应细节点存在的概率，用递归方式算得概率相似度并进行归一化，选取决策阈值判断两幅图像是否来自于不同指纹。本 产品用于 指纹比对 。

Description

基于细节点偶然匹配概率模型的指纹比对方法
技术领域：
本发明涉及指纹图像识别技术、指纹特征信息独特性和指纹偶然匹配概率模型，具体涉及一种基于细节点偶然匹配概率模型的指纹比对方法。
背景技术：
数量众多的指纹图像识别系统已被广泛应用于物理安全(门禁、楼宇监控)和逻辑安全(计算机，网络)领域。其中，指纹特征信息比对技术提供两枚指纹图像特征信息之间的比对功能，其结果既可以表征为两枚指纹图像的相似程度（百分比），也可以表征为一个二值结论（匹配或不匹配）。由于对同一个手指采集的不同指纹图像样本之间通常存在较大的类内差异，就使得指纹特征信息比对成为一件非常有挑战性的工作。
指纹特征信息比对技术根据所使用特征信息的不同大致分为相关性比对技术、细节点比对技术和非细节点比对技术，三者各具优点。
相关性比对技术直接在指纹灰度图像上进行比对。对所有可能出现的校准参数，如平移量，旋转角度等，将两枚指纹图像相互叠加，并计算相应像素点的相关性。这类方法原理直观、易于实现，但通常要面临以下问题：1.指纹表面的非线性形变使得同一手指的两枚图像在全局结构上出现显著差异，严重降低相应像素点的相关性；2.皮肤状态、压力等使得同一指纹的不同图像之间在亮度、对比度、隆线粗细等方面存在明显不同，甚至同一图像的不同区域也会出现显著差异，使用归一化技术也无法消除这些差异对相关性的负面影响；3.灰度相关性计算量大，若 为图像尺寸，
Figure 201210232883X100002DEST_PATH_IMAGE004
为平移量参数样本空间大小，
Figure 201210232883X100002DEST_PATH_IMAGE006
为旋转量参数样本空间大小，则计算复杂度表示为
Figure 201210232883X100002DEST_PATH_IMAGE008
，通常计算两枚图像相关性所需时间需以分钟计。
细节点比对技术是目前应用最为广泛的指纹特征信息比对技术。这类方法分别将指纹模版图像和输入图像的细节点提取出来并保存为二维平面上的两个点集
Figure 201210232883X100002DEST_PATH_IMAGE010
和
Figure 201210232883X100002DEST_PATH_IMAGE012
。把指纹模版图像对应的细节点集
Figure 433453DEST_PATH_IMAGE010
看作一个马科夫随机场，匹配过程即是计算
Figure 748329DEST_PATH_IMAGE012
是
Figure 783193DEST_PATH_IMAGE010
的一个实例的概率，即 。如果这个概率大于经验阈值，则认为模版图像和输入图像源于同一指纹。在计算
Figure 160427DEST_PATH_IMAGE014
时，须预先假设两幅指纹图像来自同一枚指纹，并尽可能多的收集正面证据（忽略负面证据），使相互对应的细节点数量最大化。这样，提取细节点较多时，就更容易产生较高的
Figure 744773DEST_PATH_IMAGE014
，即使两幅图像源于不同指纹。目前所有已公布的马科夫随机场模型都把所有细节点当作完全相互独立的点。而实际上，无论在位置分布还是在方向上，细节点之间都不是相互独立的，因此，已公布模型的实际样本参数空间都要比所定义的小，从而使计算出来的
Figure 260244DEST_PATH_IMAGE014
增大。综上所述，现有的细节点比对技术在一定程度上都不能抑制他人误识率（系统把来自不同指纹的图像识别为来自同一指纹的概率），而必须提高本人拒否率（系统把来自同一指纹的图像识别为来自不同指纹的概率）来保证整个指纹识别系统的安全性。
发明内容：
本发明的目的是针对现有指纹识别系统中指纹特征信息比对技术不能很好的抑制他人误识率的问题，提供一种基于细节点偶然匹配概率模型的指纹比对方法，降低他人误识率，提高系统比对精度。
上述的目的通过以下的技术方案实现：
一种基于细节点偶然匹配概率模型的指纹比对方法，该方法包括如下步骤：在指纹特征信息独特性概率模型基础上进行指纹图像校准，建立偶然匹配概率模型，分别对每个细节点推导与之对应细节点存在的概率和与之没有对应细节点存在的概率，用递归方式算得概率相似度并进行归一化，选取决策阈值判断两幅图像是否来自于不同指纹。
所述的基于细节点偶然匹配概率模型的指纹比对方法，所述的指纹图像校准是在指纹特征信息独特性概率模型基础上，用霍夫变换得到两幅图像之间的平移量
Figure 838862DEST_PATH_IMAGE004
，旋转量 ，匹配上的细节点对数
Figure 201210232883X100002DEST_PATH_IMAGE016
以及前景重合面积
Figure 201210232883X100002DEST_PATH_IMAGE018
作为已知条件；
所述的基于细节点偶然匹配概率模型的指纹比对方法，所述的相似度归一化是用递归方式将算得概率推导至一般情况，计算得到两个细节点集合产生一定数量匹配上细节点的概率，并对此概率进行适当的归一化处理，所得结果即为两幅指纹图像的相似度；
所述的基于细节点偶然匹配概率模型的指纹比对方法，所述的选取决策阈值是指当相似度结果大于实验得出的经验阈值时，就认为两幅图像来自同一指纹，反之则认为两幅图像来自于不同指纹。
有益效果：
1. 本发明方法，由于建立的偶然匹配概率模型是基于指纹特征信息独特性思想，因此比对过程不受提取细节点多少的影响。同一指纹的不同图像即使细节点数量很少也能得到很高的相似度，不同指纹图像即使细节点很多也不会得到很高的相似度。比对结果更加稳定。
2. 本发明方法，计算相似度时既考虑正面证据（匹配上的细节点），又考虑负面证据（未匹配上的细节点），使计算结果更加全面的反映问题实质，基于这样的相似度结果所做出比对结论自然更加准确。
3. 本发明方法，在建立偶然匹配概率模型时考虑到不同细节点的位置和方向之间的关系，即不再认为细节点之间相互独立，从而使所定义的样本参数空间更加符合实际，降低了样本参数空间造成的偏差，使计算结果更加准确。
附图说明：
附图1是本发明提出方法与现有方法分别实现指纹识别系统的受试者工作特征曲线。
具体实施方式：
实施例1：
一种基于细节点偶然匹配概率模型的指纹比对方法，该方法包括如下步骤：在指纹特征信息独特性概率模型基础上进行指纹图像校准，建立偶然匹配概率模型，分别对每个细节点推导与之对应细节点存在的概率和与之没有对应细节点存在的概率，用递归方式算得概率相似度并进行归一化，选取决策阈值判断两幅图像是否来自于不同指纹。
实施例2：
上述的基于细节点偶然匹配概率模型的指纹比对方法，所述的指纹图像校准是在指纹特征信息独特性概率模型基础上，用霍夫变换得到两幅图像之间的平移量
Figure 927481DEST_PATH_IMAGE004
，旋转量 ，匹配上的细节点对数 以及前景重合面积
Figure 766846DEST_PATH_IMAGE018
作为已知条件；两个点集
Figure 244226DEST_PATH_IMAGE010
和 存在平移量 和旋转量
Figure 98809DEST_PATH_IMAGE006
，若细节点
Figure 201210232883X100002DEST_PATH_IMAGE020
与细节点
Figure 201210232883X100002DEST_PATH_IMAGE022
相对应，记作
Figure 201210232883X100002DEST_PATH_IMAGE024
，则有：
Figure 201210232883X100002DEST_PATH_IMAGE026
 （1）
Figure 201210232883X100002DEST_PATH_IMAGE028
                                （2）
进行指纹图像校准的目的是要找到最大数量的细节点对
Figure 201210232883X100002DEST_PATH_IMAGE030
以满足公式（1）和（2）。该过程可以通过通用霍夫转换完美解决，只需定义细节点匹配函数：
Figure 201210232883X100002DEST_PATH_IMAGE032
（3）
其中：
Figure 201210232883X100002DEST_PATH_IMAGE034
（4）
（5）
得到细节点匹配数量
Figure 992814DEST_PATH_IMAGE016
为三维霍夫累计矩阵
Figure 201210232883X100002DEST_PATH_IMAGE038
中最大值，即
Figure 201210232883X100002DEST_PATH_IMAGE040
。除以上提到的平移量
Figure 102547DEST_PATH_IMAGE004
和旋转量
Figure 48113DEST_PATH_IMAGE006
，同时得到的校准结果还有两幅图像中指纹前景重合面积
Figure 877660DEST_PATH_IMAGE018
。
实施例3：
上述的基于细节点偶然匹配概率模型的指纹比对方法，所述的建立偶然匹配概率模型是分别对每个细节点推导与之对应细节点存在的概率和与之没有对应细节点存在的概率。假设两幅指纹图像来自不同指纹，由这两幅图像提取的细节点集合
Figure 926037DEST_PATH_IMAGE010
和
Figure 182837DEST_PATH_IMAGE012
分别包含
Figure 201210232883X100002DEST_PATH_IMAGE042
和
Figure 201210232883X100002DEST_PATH_IMAGE044
个细节点。偶然匹配概率模型计算的是在指纹前景重合面积为
Figure 210441DEST_PATH_IMAGE018
的时，
Figure 312521DEST_PATH_IMAGE010
和
Figure 599758DEST_PATH_IMAGE012
中有
Figure 293038DEST_PATH_IMAGE016
个细节点对是相互对应的概率
Figure 201210232883X100002DEST_PATH_IMAGE046
，有：
Figure 201210232883X100002DEST_PATH_IMAGE048
（6）
其中概率
Figure 201210232883X100002DEST_PATH_IMAGE050
为
Figure 812531DEST_PATH_IMAGE016
对细节点中第
Figure DEST_PATH_IMAGE052
对能对应上的概率：
Figure DEST_PATH_IMAGE054
（7）
概率
Figure DEST_PATH_IMAGE056
为除
Figure 21097DEST_PATH_IMAGE016
对细节点外的细节点中，第
Figure DEST_PATH_IMAGE058
对未能对应上的概率：
（8）
为常数：
Figure DEST_PATH_IMAGE064
                            （9）。
实施例4：
上述的基于细节点偶然匹配概率模型的指纹比对方法，所述的相似度归一
化是用递归方式将算得概率推导至一般情况，计算得到两个细节点集合产生一定数量匹配上细节点的概率，并对此概率进行适当的归一化处理，所得结果即为两幅指纹图像的相似度；最终得到的相似度分值 与计算得到的概率
Figure 528472DEST_PATH_IMAGE046
有以下关系：
Figure DEST_PATH_IMAGE068
  。
实施例5：
上述的基于细节点偶然匹配概率模型的指纹比对方法，所述的选取决策阈值是指当相似度结果大于实验得出的经验阈值时，就认为两幅图像来自同一指纹，反之则认为两幅图像来自于不同指纹；决策阈值
Figure DEST_PATH_IMAGE070
的具体数值一般不固定，根据实际应用要求安全等级的不同，
Figure 346649DEST_PATH_IMAGE070
的数值也不尽相同。在安全级别要求较高的场合，即要求较低的他人误识率的情况下，则应采用较大的
Figure 22612DEST_PATH_IMAGE070
值，依照附图1所示，图中曲线1是本发明实现指纹识别系统的受试者工作特征曲线，曲线2是现有方法指纹识别系统的受试者工作特征曲线，要使他人误识率
Figure DEST_PATH_IMAGE072
，应选取
Figure DEST_PATH_IMAGE074
。

Claims (5)

1.一种基于细节点偶然匹配概率模型的指纹比对方法，其特征是：该方法包括如下步骤：在指纹特征信息独特性概率模型基础上进行指纹图像校准，建立偶然匹配概率模型，分别对每个细节点推导与之对应细节点存在的概率和与之没有对应细节点存在的概率，用递归方式算得概率相似度并进行归一化，选取决策阈值判断两幅图像是否来自于不同指纹。
2.根据权利要求1所述的基于细节点偶然匹配概率模型的指纹比对方法，其特征是：所述的指纹图像校准是在指纹特征信息独特性概率模型基础上，用霍夫变换得到两幅图像之间的平移量                                               
Figure 201210232883X100001DEST_PATH_IMAGE002
，旋转量
Figure 201210232883X100001DEST_PATH_IMAGE004
，匹配上的细节点对数以及前景重合面积
Figure 201210232883X100001DEST_PATH_IMAGE008
作为已知条件。
3.根据权利要求1或2所述的基于细节点偶然匹配概率模型的指纹比对方法，其特征是：所述的相似度归一化是用递归方式将算得概率推导至一般情况，计算得到两个细节点集合产生一定数量匹配上细节点的概率，并对此概率进行适当的归一化处理，所得结果即为两幅指纹图像的相似度。
4.根据权利要求1或2所述的基于细节点偶然匹配概率模型的指纹比对方法，其特征是：所述的选取决策阈值是指当相似度结果大于实验得出的经验阈值时，就认为两幅图像来自同一指纹，反之则认为两幅图像来自于不同指纹。
5.根据权利要求3所述的基于细节点偶然匹配概率模型的指纹比对方法，其特征是：所述的选取决策阈值是指当相似度结果大于实验得出的经验阈值时，就认为两幅图像来自同一指纹，反之则认为两幅图像来自于不同指纹。
CN201210232883.XA 2012-07-06 2012-07-06 基于细节点偶然匹配概率模型的指纹比对方法 Expired - Fee Related CN102799866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210232883.XA CN102799866B (zh) 2012-07-06 2012-07-06 基于细节点偶然匹配概率模型的指纹比对方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210232883.XA CN102799866B (zh) 2012-07-06 2012-07-06 基于细节点偶然匹配概率模型的指纹比对方法

Publications (2)

Publication Number Publication Date
CN102799866A true CN102799866A (zh) 2012-11-28
CN102799866B CN102799866B (zh) 2017-08-04

Family

ID=47198966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210232883.XA Expired - Fee Related CN102799866B (zh) 2012-07-06 2012-07-06 基于细节点偶然匹配概率模型的指纹比对方法

Country Status (1)

Country Link
CN (1) CN102799866B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008381A (zh) * 2014-06-16 2014-08-27 浙江维尔科技股份有限公司 一种身份识别方法及装置
CN107145862A (zh) * 2017-05-05 2017-09-08 山东大学 一种基于霍夫森林的多特征匹配多目标跟踪方法
CN107909532A (zh) * 2017-11-30 2018-04-13 公安部物证鉴定中心 一种基于模糊数学与概率论相结合的指纹特征评价方法
CN108805034A (zh) * 2018-05-22 2018-11-13 公安部物证鉴定中心 一种基于概率几何特征的指纹特征相似度评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭浩: "基于嵌入式隐Markov模型的指纹分类和匹配研究", 《中国博士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008381A (zh) * 2014-06-16 2014-08-27 浙江维尔科技股份有限公司 一种身份识别方法及装置
CN107145862A (zh) * 2017-05-05 2017-09-08 山东大学 一种基于霍夫森林的多特征匹配多目标跟踪方法
CN107909532A (zh) * 2017-11-30 2018-04-13 公安部物证鉴定中心 一种基于模糊数学与概率论相结合的指纹特征评价方法
CN107909532B (zh) * 2017-11-30 2021-07-09 公安部物证鉴定中心 一种基于模糊数学与概率论相结合的指纹特征评价方法
CN108805034A (zh) * 2018-05-22 2018-11-13 公安部物证鉴定中心 一种基于概率几何特征的指纹特征相似度评价方法
CN108805034B (zh) * 2018-05-22 2021-09-28 公安部物证鉴定中心 一种基于概率几何特征的指纹特征相似度评价方法

Also Published As

Publication number Publication date
CN102799866B (zh) 2017-08-04

Similar Documents

Publication Publication Date Title
CN105046245B (zh) 视频人脸检测评价方法
CN102880877A (zh) 一种基于轮廓特征的目标识别方法
WO2016145940A1 (zh) 人脸认证方法和装置
CN105550658A (zh) 一种基于高维lbp与卷积神经网络特征融合的人脸比对方法
Qi et al. Fingerprint matching combining the global orientation field with minutia
CN102156887A (zh) 一种基于局部特征学习的人脸识别方法
CN105139420A (zh) 一种基于粒子滤波和感知哈希的视频目标跟踪方法
WO2015131468A1 (en) Method and system for estimating fingerprint pose
CN104408405A (zh) 人脸表示和相似度计算方法
CN102254188A (zh) 掌纹识别方法及装置
CN102799866A (zh) 基于细节点偶然匹配概率模型的指纹比对方法
CN103761515A (zh) 一种基于lbp的人脸特征提取方法及装置
CN104392459A (zh) 基于改进的fcm和均值漂移的红外图像分割方法
CN104331885A (zh) 一种基于投票线聚类的圆形目标检测方法
CN102609676A (zh) 一种融入先验知识的指纹特征融合方法和系统
CN104616280A (zh) 基于最大稳定极值区域和相位一致性的图像配准方法
CN102750691B (zh) 基于角点对cs距离匹配的图像配准方法
CN102663777A (zh) 基于多视点视频的目标跟踪方法及系统
CN103632145A (zh) 一种基于模糊二维非相关判别转换的人脸识别方法
CN103246877A (zh) 基于图像轮廓的人脸识别新方法
CN102819754A (zh) 一种基于Sigmoid扩展的指纹分数融合系统及方法
CN105550642A (zh) 基于多尺度线性差分特征低秩表示的性别识别方法及系统
Wang et al. Expression recognition method based on evidence theory and local texture
CN102201060A (zh) 一种基于形状语义的非参数轮廓跟踪评价方法
CN101551858B (zh) 基于差分码及差分码模式的目标识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170804

Termination date: 20180706