CN103902970B - 自动指纹姿态估计方法及系统 - Google Patents

自动指纹姿态估计方法及系统 Download PDF

Info

Publication number
CN103902970B
CN103902970B CN201410074692.4A CN201410074692A CN103902970B CN 103902970 B CN103902970 B CN 103902970B CN 201410074692 A CN201410074692 A CN 201410074692A CN 103902970 B CN103902970 B CN 103902970B
Authority
CN
China
Prior art keywords
fingerprint
image
sample image
feature
center
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.)
Expired - Fee Related
Application number
CN201410074692.4A
Other languages
English (en)
Other versions
CN103902970A (zh
Inventor
冯建江
周杰
苏毅婧
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201410074692.4A priority Critical patent/CN103902970B/zh
Priority to PCT/CN2014/080567 priority patent/WO2015131468A1/en
Priority to US14/415,582 priority patent/US9489561B2/en
Publication of CN103902970A publication Critical patent/CN103902970A/zh
Application granted granted Critical
Publication of CN103902970B publication Critical patent/CN103902970B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1347—Preprocessing; Feature extraction
    • G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12—Fingerprints or palmprints
    • G06V40/1365—Matching; Classification
    • G06V40/1376—Matching features related to ridge properties or fingerprint texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种自动指纹姿态估计方法，包括以下步骤：建立检测指纹的分类器；对输入的指纹图像在所有的中心位置及方向上提取特征，并使用分类器对特征进行打分，然后选取分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。本发明的方法，提高了分辨能力，降低了指纹姿态的估计误差，从而提高采集姿势不标准时指纹识别的准确性和效率。本发明还提出一种自动指纹姿态估计系统。

Description

自动指纹姿态估计方法及系统
技术领域
本发明涉及指纹识别技术领域，尤其涉及一种自动指纹姿态估计方法及系统。
背景技术
由于指纹具有唯一性、普遍性和终生不变性等重要性质，因此利用指纹图像进行身份识别已经有了很长的历史。自20世纪初期以来，在公安刑侦领域，指纹逐渐成为了执法机构逮捕和判定罪犯有罪的重要依据之一。近年来，自动指纹识别技术的发展与成熟使得指纹识别被广泛地应用于公安刑侦、出入境、门禁系统和重要设备的权限控制中。
在进行指纹采集时（包括公安和民用在内的各种指纹识别应用），由于没有统一的按捺标准，因此容易产生采集姿势不标准的指纹，即采集的指纹按捺位置不在图像中央或者角度不是竖直的。要识别这些姿势不标准的指纹，指纹匹配算法不得不考虑各种可能的空间变换，导致运算复杂度变高。
目前常用的指纹姿态估计算法主要基于指纹的特征点（如奇异点、脊线上曲率最高的点等），但这些特征要求图像质量较高，而且检测不够稳定。尤其是对弓型纹，稳定检测特征点的难度更高。作为预处理步骤，指纹姿态估计的错误往往会直接导致后续的指纹匹配等算法失败。为保证匹配正确率不至于下降，后续的指纹匹配算法需要能够容忍指纹姿态估计可能产生的误差。估计误差较小的指纹姿态估计算法可以有效地减少指纹匹配算法需要考虑的空间变换，提高采集姿势不标准时指纹识别的效率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种高分辨率、更加准确的自动指纹姿态估计方法。
本发明的第二个目的在于提出一种自动指纹姿态估计系统。
为了实现上述目的，本发明第一方面实施例的自动指纹姿态估计方法，包括以下步骤：建立检测指纹的分类器；对输入的指纹图像在所有的中心位置及方向上提取特征，并使用所述分类器对所述特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
根据本发明的自动指纹姿态估计方法，首先以方向场直方图为特征通过机器学习方法从正负样本图像中学习出区分标准姿态指纹与非标准姿态指纹的分类器，然后遍历输入指纹图像所有可能的姿态以寻找分类器输出分数最高的中心位置与方向，作为最终的姿态估计结果。该方法提高了分辨能力，降低了指纹姿态的估计误差，从而提高采集姿势不标准时指纹识别的准确性和效率。
在一些示例中，所述建立检测指纹的分类器具体包括：对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向；以所述指纹图像的中心位置及方向为基准从所述输入的指纹图像中截取固定大小的正样本图像及负样本图像；对所述正样本图像及负样本图像提取方向场直方图特征；使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像。
在一些示例中，所述对所述正样本图像及负样本图像提取方向场直方图特征具体包括：将所述正样本图像及负样本图像分成大小相同互不重叠的图像块；统计每个所述图像块的方向场特征的直方图；将所有的所述直方图组成了所述指纹图像的方向场直方图特征。
在一些示例中，所述对输入的指纹图像在所有的中心位置及方向上提取特征具体包括：以所述指纹图像的中心位置及方向为基准从所述输入的指纹图像中截取固定大小的正样本图像及负样本图像，并对所述正样本图像及负样本图像提取方向场直方图特征。
在一些示例中，使用所述分类器对所述特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果具体包括：使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像；使用训练得到的每个所述分类器分别对每个中心位置和方向的特征进行分类，从中选取分类得分最高的中心位置和方向作为指纹姿态估计结果。
本发明第二方面实施例的自动指纹姿态估计系统，包括：离线模块，用于建立检测指纹的分类器；在线模块，用于对输入的指纹图像在所有的中心位置及方向上提取特征，并使用所述分类器进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
根据本发明的自动指纹姿态估计系统，首先在离线模块以方向场直方图为特征通过机器学习方法从正负样本图像中学习出区分标准姿态指纹与非标准姿态指纹的分类器，然后在在线模块遍历输入指纹图像所有可能的姿态以寻找分类器输出分数最高的中心位置与方向，作为最终的姿态估计结果。该系统提高了分辨能力，降低了指纹姿态的估计误差，从而提高采集姿势不标准时指纹识别的准确性和效率。
在一些示例中，所述离线模块具体包括：标定模块，用于对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向；图像生成模块，用于对以所述指纹图像的中心位置及方向为基准从所述输入的指纹图像中截取固定大小的正样本图像及负样本图像；特征提取模块，用于对所述正样本图像及负样本图像提取方向场直方图特征；训练模块，用于使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像。
在一些示例中，所述特征提取模块具体包括：将所述正样本图像及负样本图像分成大小相同互不重叠的图像块；统计每个所述图像块的方向场直方图特征；将所有的所述直方图组成了所述指纹图像的方向场直方图特征。
在一些示例中，所述在线模块具体包括：数据准备模块：用于对输入的指纹图像以预设角度步长和位置步长生成指纹图像中心位置及方向的集合；特征提取模块，用于在每个所述指纹图像的中心位置及方向上按照所述图像生成模块的方法截取特征区域，并根据特征提取模块的方法提取方向场直方图特征；结果生成模块，用于使用所述训练模块的所述分类器对每个所述指纹图像的中心位置和方向的特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是根据本发明一个实施例的自动指纹姿态估计方法流程图；
图2是本发明一个实施例的具有奇异点的指纹的中心位置与方向示意图；
图3是本发明一个实施例的不具有奇异点的指纹的中心位置与方向示意图；
图4是本发明一个实施例的正样本图像示意图；
图5是本发明一个实施例的负样本图像示意图；
图6是本发明一个实施例的指纹图像方向场特征示意图；
图7是本发明一个实施例的指纹图像方向场直方图特征示意图；
图8是本发明一个实施例的聚类分析结果；
图9是本发明一个实施例的使用单个分类器的指纹姿态估计结果示意图；
图10是本发明一个实施例的分类器输出分数示意图；
图11是本发明一个实施例的使用多个分类器的指纹姿态估计结果示意图；
图12根据本发明一个实施例的自动指纹姿态估计系统框图；
图13是本发明一个实施例的离线模块的结构框图；和
图14是本发明一个实施例的在线模块的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
传统的指纹姿态估计方法或者是以指纹特征点（例如中心点、三角点）为标准，或者仅仅使用标准姿态的指纹图像学习特征模型。这两类方法有一定的局限性：前者依赖于特征点的稳定检测，但目前的特征点检测算法难以从低质量指纹中稳定地提取特征点。后者虽然引入了指纹方向场的知识进行指纹姿态估计，但是由于指纹各个位置的纹理有较大的相似性，只使用具有标准姿态的指纹图像限制了模型在姿态估计时的性能，估计误差较大。
本发明一方面的实施例中提出一种自动指纹姿态估计方法，包括以下步骤：建立检测指纹的分类器；对输入的指纹图像在所有的中心位置及方向上提取特征，并使用分类器对特征进行打分，然后选取分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
图1是根据本发明一个实施例的自动指纹姿态估计方法流程图。结合图1具体描述本发明实施例的自动指纹姿态估计方法。
步骤S101：建立检测指纹的分类器。
这一过程的主要目标是建立标准姿态指纹的模型，只需要进行一次。这一阶段主要包括下面几个步骤：
（1）对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向。
指纹在指纹图像中的姿态可以由指纹中心的图像坐标以及指纹方向唯一确定。指纹方向是与指纹根基线（如图2中线m）垂直并指向指尖的方向，而指纹的中心比较复杂没有公认的基准，尤其不存在奇异点的弓型纹。本发明的实施例指定指纹的中心线为通过中心点(如图2中a点，特别地，当存在两个中心点时，取位置靠上的中心点)且与指纹方向平行的线（如图1中线l），指定中心点以及三角点（图2中b点）在中心线上投影的中点（图2点c点）为指纹的中心；对于弓型纹，则取中心线和位置最靠上的水平纹线的交点（如图3中b点）作为基准点，曲率最高的点（图3中a点）与基准点的中点（图3点c点）作为指纹的中心。
对训练指纹图像I进行标准指纹姿态标定，即按指纹中心的定义标定其图像坐标(xref,yref)及中心线，并使用从中心线到竖直方向的角度作为指纹方向aref，在本发明的实施例中规定逆时针为正，且在图2中xref=476，yref=325，aref=21°，图3中xref=511，yref=491，aref=24°。
（2）以指纹图像的中心位置及方向为基准从输入的指纹图像中截取固定大小的正样本图像及负样本图像。
具体地，定义训练模型使用的样本图像有固定大小，宽度为w像素，高度为h像素。其中，图像大小以能够包括指纹图像大部分信息为准。在本发明的一个实施例中，对于500dpi的指纹图像，取w=640，h=576。本发明的实施例中设定正样本图像的指纹中心位置正好位于图像中心，而指纹方向为竖直向上。负样本图像的指纹中心位置则需与图像中心保持一定距离，其指纹方向也不能与竖直向上方向过于接近。设定负样本图像的指纹中心位置与图像中心的偏差(xe,ye)需满足|xe|,|ye|∈(e1,e2)，指纹方向与竖直向上方向的偏差ae需满足|ae|∈(e3,e4)。其中，上限e2与e4是为了保证负样本图像中有一定的指纹信息。因为指纹大小有限，位置或角度偏差过大可能导致负样本图像中指纹区域过小而失去意义。
正样本图像生成是以所述指纹方向aref为基准将训练指纹图像I旋转至标准方向（竖直向上），以所述中心位置(xref,yref)为中心从旋转后图像中截取宽度为w，高度为h的有效区域作为正样本图像Ip（从图2中截取的正样本图像如图4所示）。通过这样的操作即可使生成的正样本图像Ip具有标准的指纹中心位置（图像中心）及方向（竖直向上）。
在所述标定的指纹中心位置(xref,yref)及方向aref上分别迭加位置误差(xe,ye)和方向误差ae，然后以得到的位置(xref+xe,yref+ye)及方向aref+ae为基准由指纹图像中以相同方式截取有效区域作为负样本图像In。如图5所示的负样本图像中，xe=20，ye=0，ae=20。其中，xe,ye和ae可以设定为随机产生但需满足条件|xe|,|ye|∈(e1,e2)，|ae|∈(e3,e4)。
（3）对正样本图像及负样本图像提取方向场直方图特征。
对产生的样本图像求方向场特征，其中每个像素的取值范围为[0,180)，表示该位置周围指纹纹线的流向（图4中正样本图像的方向场特征如图6所示）。将指纹图像分成d×d大小，且互不重叠的图像块，统计每个图像块内方向场特征的模糊量化直方图。统计直方图时将指纹纹线流向分成个组，并以每个组的中心作为主方向，图像块内每个像素都向相邻的两个主方向进行投票，投票值和该像素值与主方向的距离成反比。最后，将每个图像块的直方图按顺序连接起来作为样本图像的方向场直方图特征。在本发明的一个实施例中，取d=32，n=16提取图4中正样本图像的方向场直方图特征，结果如图7所示。其中，直方图每个主方向的值以图像块内黑色直线段的长度来表示，直线段长度越长表示对应主方向在该图像块内所占比例越大。
（4）使用方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像
得到正负样本图像之后，可使用判别式学习方法训练出区分标准姿态指纹与非标准姿态指纹的分类器。由于不同指纹纹线流向差异较大，特别是在不同纹型的指纹之间，本发明将正样本图像分成k类，分别挖掘每类指纹图像的特性。在本发明的一个实施例中定义两个指纹图像之间的距离为每个图像块直方图距离的和，其中，直方图距离使用的是MDPA（Minimum Difference of Pair Assignment）算法，基于距离定义，使用谱聚类算法对正样本图像进行聚类，在图8所示为当k=5时，各类的平均方向场直方图特征。在将训练正样本按照正样本图像进行聚类之后，对每一类样本使用共同的负样本图像集合利用SVM算法训练线性分类器，用于分辨图像中的指纹是否具有标准姿态并输出对应分数。
步骤S102：对输入的指纹图像在所有的中心位置及方向上提取特征，并使用分类器对特征进行打分，然后选取分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
具体地，在建立完成标准姿态指纹的模型以后，输入指纹图像，可以通过步骤S101来估计指纹的姿态。这一过程主要是利用训练得到的模型寻找指纹的中心及方向，包括下面几个步骤：
1）对输入的指纹图像以预设角度步长和位置步长生成可能的指纹中心位置及方向集合。在本发明的一个实施例中，取角度步长为ad，位置步长为（xd，yd）。
2）在每个位置及方向上以步骤（2）中的方法截取有效区域并提取步骤（3）中所述的方向场直方图特征。
3）使用步骤（4）训练得到的每个分类器分别对每个可能位置和方向的特征进行分类；再从中选取被判断为图像的指纹具有标准姿态而且分类得分最高的位置和方向作为指纹姿态估计结果。
图9为取角度步长ad=5°，xd=yd=64，不对正样本进行聚类时指纹姿态估计结果示意图，其中，圆点用于标识指纹中心，直线段表示指纹方向。此时指纹中心坐标为x=328，y=274，指纹方向a=-15°。图10为固定a=-15°时，分类器在指纹图像上各个候选中心位置的输出分数。图11为同一指纹的两幅图像分别使用单一分类器(c0)以及分类训练得到的五个分类器（c1～c5）的姿态估计结果示意图。
根据本发明的自动指纹姿态估计方法，首先以方向场直方图为特征通过机器学习方法从正负样本图像中学习出区分标准姿态指纹与非标准姿态指纹的分类器，然后遍历输入指纹图像所有可能的姿态以寻找分类器输出分数最高的中心位置与方向，作为最终的姿态估计结果。该方法提高了分辨能力，降低了指纹姿态的估计误差，从而提高采集姿势不标准时指纹识别的准确性和效率。
本发明第二方面的实施例提出一种自动指纹姿态估计系统，如图12所示，包括：离线模块100和在线模块200。
其中，离线模块100，用于建立检测指纹的分类器。在线模块200，用于对输入的指纹图像在所有的中心位置及方向上提取特征，并使用离线模块100得到的分类器进行打分，然后选取分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
下面结合图2～图8具体介绍本发明实施例的自动指纹姿态估计系统。
（1）如图13所示，离线模块100包括：标定模块10、图像生成模块20、特征提取模块30和训练模块40。
其中，标定模块10，用于对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向。图像生成模块20，用于对以指纹图像的中心位置及方向为基准从输入的指纹图像中截取固定大小的正样本图像及负样本图像。特征提取模块30，用于对正样本图像及负样本图像提取方向场直方图特征。训练模块40，用于使用方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像。
具体地，标定模块10，对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向。
指纹在指纹图像中的姿态可以由指纹中心的图像坐标以及指纹方向唯一确定。指纹方向是与指纹根基线（如图2中线m）垂直并指向指尖的方向，而指纹的中心比较复杂没有公认的基准，尤其不存在奇异点的弓型纹。本发明的实施例指定指纹的中心线为通过中心点(如图2中a点，特别地，当存在两个中心点时，取位置靠上的中心点)且与指纹方向平行的线（如图1中线l），指定中心点以及三角点（图2中b点）在中心线上投影的中点（图2点c点）为指纹的中心；对于弓型纹，则取中心线和位置最靠上的水平纹线的交点（如图3中b点）作为基准点，曲率最高的点（图3中a点）与基准点的中点（图3点c点）作为指纹的中心。
对训练指纹图像I进行标准指纹姿态标定，即按指纹中心的定义标定其图像坐标(xref,yref)及中心线，并使用从中心线到竖直方向的角度作为指纹方向aref，在本发明的实施例中规定逆时针为正，且在图2中xref=476，yref=325，aref=21°，图3中xref=511，yref=491，aref=24°。
图像生成模块20，以指纹图像的中心位置及方向为基准从输入的指纹图像中截取固定大小的正样本图像及负样本图像。
具体地，定义训练模型使用的样本图像有固定大小，宽度为w像素，高度为h像素。其中，图像大小以能够包括指纹图像大部分信息为准。在本发明的一个实施例中，对于500dpi的指纹图像，取w=640，h=576。本发明的实施例中设定正样本图像的指纹中心位置正好位于图像中心，而指纹方向为竖直向上。负样本图像的指纹中心位置则需与图像中心保持一定距离，其指纹方向也不能与竖直向上方向过于接近。设定负样本图像的指纹中心位置与图像中心的偏差(xe,ye)需满足|xe|,|ye|∈(e1,e2)，指纹方向与竖直向上方向的偏差ae需满足|ae|∈(e3,e4)。其中，上限e2与e4是为了保证负样本图像中有一定的指纹信息。因为指纹大小有限，位置或角度偏差过大可能导致负样本图像中指纹区域过小而失去意义。
正样本图像生成是以所述指纹方向aref为基准将训练指纹图像I旋转至标准方向（竖直向上），以所述中心位置(xref,yref)为中心从旋转后图像中截取宽度为w，高度为h的有效区域作为正样本图像Ip（从图2中截取的正样本图像如图4所示）。通过这样的操作即可使生成的正样本图像Ip具有标准的指纹中心位置（图像中心）及方向（竖直向上）。
在所述标定的指纹中心位置(xref,yref)及方向aref上分别迭加位置误差(xe,ye)和方向误差ae，然后以得到的位置(xref+xe,yref+ye)及方向aref+ae为基准由指纹图像中以相同方式截取有效区域作为负样本图像In。如图5所示的负样本图像中，xe=20，ye=0，ae=20。其中，xe,ye和ae可以设定为随机产生但需满足条件|xe|,|ye|∈(e1,e2)，|ae|∈(e3,e4)。
特征提取模块30，对正样本图像及负样本图像提取方向场直方图特征。
对产生的样本图像求方向场特征，其中每个像素的取值范围为[0,180)，表示该位置周围指纹纹线的流向（图4中正样本图像的方向场特征如图6所示）。将指纹图像分成d×d大小，且互不重叠的图像块，统计每个图像块内方向场特征的模糊量化直方图。统计直方图时将指纹纹线流向分成个组，并以每个组的中心作为主方向，图像块内每个像素都向相邻的两个主方向进行投票，投票值和该像素值与主方向的距离成反比。最后，将每个图像块的直方图按顺序连接起来作为样本图像的方向场直方图特征。在本发明的一个实施例中，取d=32，n=16提取图4中正样本图像的方向场直方图特征，结果如图7所示。其中，直方图每个主方向的值以图像块内黑色直线段的长度来表示，直线段长度越长表示对应主方向在该图像块内所占比例越大。
训练模块40，使用方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像。
得到正负样本图像之后，可使用判别式学习方法训练出区分标准姿态指纹与非标准姿态指纹的分类器。由于不同指纹纹线流向差异较大，特别是在不同纹型的指纹之间，本发明将正样本图像分成k类，分别挖掘每类指纹图像的特性。在本发明的一个实施例中定义两个指纹图像之间的距离为每个图像块直方图距离的和，其中，直方图距离使用的是MDPA（Minimum Difference of Pair Assignment）算法，基于距离定义，使用谱聚类算法对正样本图像进行聚类，在图8所示为当k=5时，各类的平均方向场直方图特征。在将训练正样本按照正样本图像进行聚类之后，对每一类样本使用共同的负样本图像集合利用SVM算法训练线性分类器，用于分辨图像中的指纹是否具有标准姿态并输出对应分数。
（2）如图14所示，在线模块具体包括：数据准备模块10、特征提取模块20和结果生成模块30。
其中，数据准备模块10，用于对输入的指纹图像以预设角度步长和位置步长生成指纹图像中心位置及方向的集合。特征提取模块20，用于在每个指纹图像的中心位置及方向上按照图像生成模块20的方法截取特征区域，并根据特征提取模块的方法提取方向场直方图特征。结果生成模块30，用于使用训练模块40得到的分类器对每个指纹图像的中心位置和方向的特征进行打分，然后选取分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
具体地，在数据准备模块10中，对输入的指纹图像以预设角度步长和位置步长生成可能的指纹中心位置及方向集合。在本发明的一个实施例中，取角度步长为ad，位置步长为（xd，yd）。
在特征提取模块20中，每个位置及方向上以图像生成模块20中的方法截取有效区域并提取步骤特征提取模块30中的方向场直方图特征。
结果生成模块30使用训练模块40训练得到的每个分类器分别对每个可能位置和方向的特征进行分类；再从中选取被判断为图像的指纹具有标准姿态而且分类得分最高的位置和方向作为指纹姿态估计结果。
根据本发明的自动指纹姿态估计系统，首先在离线模块以方向场直方图为特征通过机器学习方法从正负样本图像中学习出区分标准姿态指纹与非标准姿态指纹的分类器，然后在在线模块遍历输入指纹图像所有可能的姿态以寻找分类器输出分数最高的中心位置与方向，作为最终的姿态估计结果。该系统提高了分辨能力，降低了指纹姿态的估计误差，从而提高采集姿势不标准时指纹识别的准确性和效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种自动指纹姿态估计方法，其特征在于，包括以下步骤：
建立检测指纹的分类器，具体包括：对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向，以所述指纹图像的中心位置及方向为基准从所述训练指纹图像中截取固定大小的正样本图像及负样本图像，对所述正样本图像及负样本图像提取方向场直方图特征，使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像，其中，所述对所述正样本图像及负样本图像提取方向场直方图特征具体包括：将所述正样本图像及负样本图像分成大小相同互不重叠的图像块，统计每个所述图像块的方向场特征的直方图，将所有的所述直方图组成了所述指纹图像的方向场直方图特征；
对输入的指纹图像在所有的中心位置及方向上提取特征，并使用所述分类器对所述特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果，其中，所述对输入的指纹图像在所有的中心位置及方向上提取特征具体包括：以所述指纹图像的中心位置及方向为基准从所述输入的指纹图像中截取固定大小的图像，并对所述图像提取方向场直方图特征。
2.根据权利要求1所述的方法，其特征在于，使用所述分类器对所述特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果具体包括：
使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像；
使用训练得到的每个所述分类器分别对每个中心位置和方向的特征进行分类，从中选取分类得分最高的中心位置和方向作为指纹姿态估计结果。
3.一种自动指纹姿态估计系统，其特征在于，包括：
离线模块，用于建立检测指纹的分类器，其中，所述离线模块具体包括：标定模块、图像生成模块、特征提取模块及训练模块，其中，标定模块用于对训练指纹图像进行标准指纹姿态标定，包括指纹图像的中心位置及方向，图像生成模块用于对以所述指纹图像的中心位置及方向为基准从所述训练指纹图像中截取固定大小的正样本图像及负样本图像，特征提取模块用于对所述正样本图像及负样本图像提取方向场直方图特征，训练模块用于使用所述方向场直方图特征对正样本图像集合进行聚类，对每类训练一个分类器以识别该类正样本图像与负样本图像，其中，所述特征提取模块具体包括：将所述正样本图像及负样本图像分成大小相同互不重叠的图像块，统计每个所述图像块的方向场直方图特征，将所有的所述直方图组成了所述指纹图像的方向场直方图特征；
在线模块，用于对输入的指纹图像在所有的中心位置及方向上提取特征，并使用所述分类器进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果，其中，所述对输入的指纹图像在所有的中心位置及方向上提取特征具体包括：以所述指纹图像的中心位置及方向为基准从所述输入的指纹图像中截取固定大小的图像，并对所述图像提取方向场直方图特征。
4.根据权利要求3所述的系统，其特征在于，所述在线模块具体包括：
数据准备模块：用于对输入的指纹图像以预设角度步长和位置步长生成指纹图像中心位置及方向的集合；
特征提取模块，用于在每个所述指纹图像的中心位置及方向上按照所述图像生成模块的方法截取特征区域，并根据特征提取模块的方法提取方向场直方图特征；
结果生成模块，用于使用所述训练模块的所述分类器对每个所述指纹图像的中心位置和方向的特征进行打分，然后选取所述分类器输出分数最高的中心位置和方向作为指纹姿态估计结果。
CN201410074692.4A 2014-03-03 2014-03-03 自动指纹姿态估计方法及系统 Expired - Fee Related CN103902970B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201410074692.4A CN103902970B (zh) 2014-03-03 2014-03-03 自动指纹姿态估计方法及系统
PCT/CN2014/080567 WO2015131468A1 (en) 2014-03-03 2014-06-24 Method and system for estimating fingerprint pose
US14/415,582 US9489561B2 (en) 2014-03-03 2014-06-24 Method and system for estimating fingerprint pose

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410074692.4A CN103902970B (zh) 2014-03-03 2014-03-03 自动指纹姿态估计方法及系统

Publications (2)

Publication Number Publication Date
CN103902970A CN103902970A (zh) 2014-07-02
CN103902970B true CN103902970B (zh) 2017-09-22

Family

ID=50994283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410074692.4A Expired - Fee Related CN103902970B (zh) 2014-03-03 2014-03-03 自动指纹姿态估计方法及系统

Country Status (3)

Country Link
US (1) US9489561B2 (zh)
CN (1) CN103902970B (zh)
WO (1) WO2015131468A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902970B (zh) * 2014-03-03 2017-09-22 清华大学 自动指纹姿态估计方法及系统
FR3034224B1 (fr) * 2015-03-23 2018-03-23 Morpho Dispositif de verification de la veracite d'une empreinte digitale
CN105094670A (zh) * 2015-07-16 2015-11-25 努比亚技术有限公司 打开应用的方法及移动终端
US10157305B2 (en) 2015-10-19 2018-12-18 Qualcomm Incorporated Cover-glass optical isolation for optical touch and fingerprint sensing
US10169637B2 (en) * 2015-10-19 2019-01-01 Qualcomm Incorporated On-screen optical fingerprint capture for user authentication
US20170213081A1 (en) * 2015-11-19 2017-07-27 Intelli-Vision Methods and systems for automatically and accurately detecting human bodies in videos and/or images
CN105868726B (zh) * 2016-04-08 2019-05-14 深圳芯启航科技有限公司 一种指纹感应方法、电路及指纹感应装置
WO2019021264A1 (en) * 2017-07-24 2019-01-31 Mmapro It Solutions (Pty) Ltd SYSTEM AND METHOD FOR DIGITAL FOOTPRINT CLASSIFICATION
CN108681714A (zh) * 2018-05-18 2018-10-19 济南浪潮高新科技投资发展有限公司 一种基于个性化学习的手指静脉识别系统及方法
CN110096954B (zh) * 2019-03-21 2023-04-07 同济大学 一种基于神经网络的指纹识别方法
DE102019114117B3 (de) * 2019-05-27 2020-08-20 Carl Zeiss Microscopy Gmbh Automatische Workflows basierend auf einer Erkennung von Kalibrierproben
CN113570699B (zh) * 2021-06-24 2024-06-14 清华大学 三维指纹重建的方法和装置
CN113361497B (zh) * 2021-08-09 2021-12-07 北京惠朗时代科技有限公司 基于训练样本指纹识别智能尾箱应用方法及设备
CN114202778B (zh) * 2021-11-04 2024-07-02 清华大学 一种由平面指纹估计手指三维姿态的方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299762A (zh) * 2008-06-20 2008-11-05 北京中星微电子有限公司 一种身份认证方法及装置
CN103077377A (zh) * 2012-12-31 2013-05-01 清华大学 基于方向场分布的指纹校正方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5337369A (en) * 1992-09-09 1994-08-09 Nec Corporation Equipment for fingerprint pattern classification
JP2005149455A (ja) * 2003-10-21 2005-06-09 Sharp Corp 画像照合装置、画像照合方法、画像照合プログラムおよび画像照合プログラムを記録したコンピュータ読取り可能な記録媒体
CN1327387C (zh) * 2004-07-13 2007-07-18 清华大学 指纹多特征识别方法
JP2006059282A (ja) * 2004-08-24 2006-03-02 Fujitsu Ltd 生体特徴情報に基づく認証方法
GB2450479A (en) * 2007-06-22 2008-12-31 Warwick Warp Ltd Fingerprint recognition including preprocessing an image by justification and segmentation before plotting ridge characteristics in feature space
CN103902970B (zh) * 2014-03-03 2017-09-22 清华大学 自动指纹姿态估计方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101299762A (zh) * 2008-06-20 2008-11-05 北京中星微电子有限公司 一种身份认证方法及装置
CN103077377A (zh) * 2012-12-31 2013-05-01 清华大学 基于方向场分布的指纹校正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Orientation Field Estimation;Jianjiang Feng等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20130430;第35卷(第40期);全文 *

Also Published As

Publication number Publication date
US20150347804A1 (en) 2015-12-03
WO2015131468A1 (en) 2015-09-11
CN103902970A (zh) 2014-07-02
US9489561B2 (en) 2016-11-08

Similar Documents

Publication Publication Date Title
CN103902970B (zh) 自动指纹姿态估计方法及系统
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN111460962B (zh) 一种口罩人脸识别方法及系统
CN109670441B (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
JP6549797B2 (ja) 通行人の頭部識別方法及びシステム
CN102521565B (zh) 低分辨率视频的服装识别方法及系统
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
KR101184097B1 (ko) 얼굴 정면포즈 판단 방법
CN105740780B (zh) 人脸活体检测的方法和装置
CN107480658A (zh) 基于多角度视频的人脸识别装置和方法
JP6453488B2 (ja) 人体頭頂部の識別に基づく通行人の統計方法及び装置
CN105612533A (zh) 活体检测方法、活体检测系统以及计算机程序产品
CN104616438A (zh) 一种用于疲劳驾驶检测的打哈欠动作检测方法
CN110569809A (zh) 一种基于深度学习的煤矿动态人脸识别考勤方法及系统
CN109145742A (zh) 一种行人识别方法及系统
CN105205455A (zh) 一种移动平台上人脸识别的活体检测方法及系统
US20110227923A1 (en) Image synthesis method
CN109697430A (zh) 基于图像识别的工作区域安全帽佩戴的检测方法
CN103390164A (zh) 基于深度图像的对象检测方法及其实现装置
CN101620673A (zh) 一种鲁棒的人脸检测及跟踪方法
CN112396658A (zh) 一种基于视频的室内人员定位方法及定位系统
JP2013535038A (ja) 画像テンプレートマスキング
CN113505808B (zh) 基于深度学习用于配电类设施开关检测识别算法
CN115862113A (zh) 陌生人异常识别方法、装置、设备及存储介质
CN111222420A (zh) 一种基于ftp协议的低带宽要求的安全帽识别方法

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: 20170922

Termination date: 20190303