CN104361319B - 一种基于svm‑rfe特征选择的假指纹检测方法 - Google Patents

Abstract

一种基于SVM‑RFE特征选择的假指纹检测方法，包括以下步骤：1)图像分割；2)特征提取；2.1)离散小波变换；2.2)双曲收缩法去噪；2.3)小波重构，得到噪声图；2.4)原图像与去噪后图像作差，得到噪声图；2.5)去噪图和噪声图分别分块提取LBP特征；2.6)各块特征归一化，再串联各块特征得到最后指纹特征；4)特征选择；5)分类器训练。本发明和传统仅通过图像噪声来进行假指纹检测的相比，利用了去噪后的图像，同时用LBP方法代替标准差方法提取特征，并且引入SVM‑RFE特征选择方法，有效去除无效和冗余的特征，从而提高假指纹检测的可靠性。

Description

一种基于SVM-RFE特征选择的假指纹检测方法

技术领域

本发明涉及图像处理、机器学习、模式识别、特征选择等技术领域，尤其是一种针对指纹图像的真假检测方法。

背景技术

图像处理、特征提取、特征选择、分类器训练和图像分类等是假指纹检测方法中的重要环节。

随着自动指纹识别技术的发展，指纹作为身份认证最可靠的方式已被广泛应用于刑事侦查、边防检查、户籍管理、医疗卫生、门禁控制，遍及银行、金融、社会保险等各个领域。然而一些不法分子利用廉价材料伪造的指纹，轻易骗过当前众多指纹识别系统，获取非法利益、扰乱侦查视线，给指纹识别系统带来了极大的安全隐患。为了抵抗伪造的指纹对指纹识别系统的攻击，假指纹检测技术应运而生。假指纹检测技术是判断指纹样本是否来自活体指纹的方法。检测方法可分为两类：第一类用手指温度、皮肤导电性、脉搏血氧等特性，这些特性可以通过在指纹采集仪上加入额外的硬件设备来检测得到，但是会增加采集仪的成本，这类方法称为基于硬件的假指纹检测方法。第二类方法为了检测指纹图像的活性信息，对指纹样本做额外的处理，这类方法称为基于软件的方法。这类方法包括静态和动态特性的检测方法。静态特性从一张或多张图像中提取得到(手指一次或多次放到采集仪上进行采集)，动态特性从多幅指纹图像帧中提取得到(手指放在采集仪上一段时间，获取一段图像序列进行分析)。基于软件的方法成本低，对用户的侵入性较小，且能用于现有的指纹采集仪。因此对基于软件的假指纹检测方法的研究，具有重大的实用价值和推广意义。

对于基于软件的假指纹检测方法，在Moon的论文(Moon Y.S.,Chen J.S.,ChanK.C.,and Woo K.C.:Wavelet based fingerprint liveness detection,Electron.Lett.,2005,41,pp:1112–1113.即：Moon,Y.S.，Chen,J.S.，Chan,K.C.，Woo,K.C.：基于小波的指纹活体检测,电子快报,2005,41:1112–1113。)中，提到了利用指纹图像的噪声来区别真假指纹，在图像分辨率为1000dpi的指纹库上进行实验，测试了真假指纹各100张，结果全都分类正确。但是Moon的这个方法对于社会上主流的500dpi的指纹采集仪得到图像的分类结果是不够理想的，Pereira在其论文(Pereira L F A,Pinheiro H N B,Cavalcanti G D C,et al.:Spatial surface coarseness analysis:technique forfingerprint spoof detection[J],Electronics letters,2013,49(4):260-261.即：Pereira L F A,Pinheiro H N B,Cavalcanti G D C等：空间表面粗糙度分析：一种指纹防伪检测技术[J]，电子快报，2013，49(4)：260-261。)中就有这一测试。Pereira就是在Moon的工作的基础上，进行了开拓创新，使得基于噪声的方法适用于低分辨率的指纹图像。从其最后在同一个库上的测试结果来看，Moon的方法的平均错误率是42.8％，Pereira的方法则是12.8％，平均错误率降低了30％。但是，Moon和Pereira都仅仅是用到指纹的噪声图，舍去了去噪后的图像，但是去噪后的图像还是存在大量的有用信息。此外，利用标准差来表示特征，并不能全面反映出区域的各种纹理信息。最后，考虑到指纹图像存在过多无用背景区域，而在进行特征提取时候，对这些空白区域，也是同样提取特征的，但是这些特征对假指纹检测来说是完全无效的特征。在这三方面，都有进行改进的空间。

发明内容

克服现有假指纹检测方法可靠性较差的不足，本发明利用了去噪后的图像，用LBP方法来代替标准差提取图像特征的方法。此外，加入了特征选择的过程，去掉特征中的无效和冗余特征，提供了一种可靠性良好的基于SVM-RFE特征选择的假指纹检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于SVM-RFE特征选择的假指纹检测方法，所述假指纹检测方法包括以下步骤：

1)图像切割；

2)特征提取：

2.1)离散小波变换；

2.2)双曲收缩法去噪；

2.3)小波重构，得到去噪图；

2.4)原图像与去噪图作差，得到噪声图；

2.5)去噪图和噪声图分别分块提取局部二值模式特征；

2.6)各块特征归一化，再串联各块特征得到最后指纹特征；

3)特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择去掉的特征数目由交叉验证确定；

4)分类器训练：用SVM来进行训练，得到分类器；

5)假指纹检测：对要检测的图像进行1)、2)、3)步骤的操作，然后将得到的特征向量用分类器来进行分类。

进一步，所述步骤2.1)中，对切割后的指纹图像f(x,y)进行二维离散小波变换，得到一个低频部分h(x,y)和六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}，其中x,y是指，当以图像左下角为原点，底边向右为X轴正方向，左边向上为Y轴正方向时，图像像素点在X和Y轴方向上对应的位置变量；

所述步骤2.2)中，对变换后得到的六个高频部分用双曲收缩法去噪：

其中g'_k(x,y)是去噪后的高频部分，sgn()是符号函数，()₊是括号内的数和0中的较大值，N是g_k(x,y)的信号长度，σ是由变换分解得到的第一层的3个高频部分的标准差；

所述步骤2.3)中，根据步骤2.2)得到的六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}和之前的低频部分h(x,y)进行小波重构，得到去噪后的图像f'(x,y)；

所述步骤2.4)中，将原图像与去噪图作差，得到噪声图η(x,y)：

η(x,y)＝f(x,y)-f'(x,y)

所述步骤2.5)中，将去噪图和噪声图均划分成p_x×p_y的小块，p_x、p_y分别指的是在X,Y轴方向上进行的图像划分，大小均通过交叉验证确定，再对噪声图和去噪图的每一分块用圆形旋转不变统一模式的LBP算子操作，其中R、N分别指LBP中的半径和采样点数，并通过交叉验证确定，得到LBP特征直方图；

所述步骤2.6)中，对每一块的统计直方图进行归一化：

其中X_i为归一化前特征，X′_i为归一化后的特征，再串联各块特征得到最后指纹特征。

再进一步，所述步骤1)中，图像切割函数为：F(X,h,w)，其中F表示切割函数，X,h,w是F的自变量，X是原指纹图像，h,w是切割后的指纹图像的高和宽。

更进一步，所述图像切割过程如下：

1.1)切割初始点定位：对原指纹图像X的每一行与列分别计算平均值，然后分别取平均值最小的行与列，将此行与列所在的点作为切割初始点；

1.2)切割边线确定：从切割初始点出发，分别往上下左右四个方向进行移动，每次移动的间隔是四行或四列；统计每次移动的四行或四列以及X中像素值小于200的个数，并求它们的比值，若比值小于0.01，则停止移动，否则继续；

1.3)由步骤1.2)确定的切割边线，计算图像的高和宽，然后统计指纹库中所有图像的高和宽，求平均，分别赋值给h,w；

1.4)h,w优化：如果那么h,w分别赋值X的高和宽，否则h,w通过交叉验证确定。

本发明的技术构思为：Moon和Pereira在他们的假指纹检测算法中，都仅仅是用到指纹的噪声图，舍去了去噪后的图像，但是去噪后的图像存在大量的有用信息，出于这点考虑，本发明把去噪图也加进来提取特征。此外，他们的算法中，仅仅是利用标准差来提取特征，但标准差仅仅只能反应区域中的整体信息，对于那些更加小的局部信息就不能反应出来；因此，本发明用LBP的方法来提取特征代替标准差特征。再考虑到，对于指纹图像来说，一般都存在过多空白区域，由这些空白区域提取到的特征，是无效特征，对假指纹检测来说没有任何帮助。正因为如此，本发明引入特征选择的方法，去掉这些无效特征，以及一些可能存在的冗余特征。

在图像处理方面，去噪处理是图像预处理中的重要课题。由于实际图像的空间频率成份复杂，用普通的方法直接提取边缘往往不是十分有效。而用小波变换可以将图像分解成不同频率成份的小波分量，然后再从这些不同层次的小波分量中找出信号本身的特征以提取边缘就比较有效了。基于小波变换域阈值法的去噪依据是通过对图像进行小波变换，得到小波变换系数，信号对应的小波系数包含有重要的信息，其数据较少，幅值变化较大。而噪声对应的小波系数的分布则恰好相反，通过设定阈值对小波系数进行取舍，得到估计小波系数，最后通过估计小波系数进行小波重构，得到去噪后的图像。

局部二值模式(英文：Local binary patterns，缩写：LBP)是机器视觉领域中用于分类的一种特征，于1994年被提出。局部二值模式在纹理分类问题上是一个非常强大的特征；如果局部二值模式特征与方向梯度直方图结合，则可以十分有效的提升检测效果。局部二值模式是一个简单但非常有效的纹理运算符。它将各个像素与其附近的像素进行比较，并把结果保存为二进制数。由于其辨别力强大和计算简单，局部二值模式纹理算子已经在不同的场景下得到应用。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性。它的另外一个重要特性是它的计算简单，这使得它可以对图像进行实时分析。

特征选择，也称为变量选择、属性选择或者变量子集选择，是在模型的建立中，选择相关特征的子集的过程。使用特征选择技术时，前提的假设是数据包含了许多冗余的或不相关的特征。在构建预测模型时特征选择技术提供了三种主要的优势：

1)更短的训练时间；

2)提升模型的可解释性；

3)通过减少过度拟合来增强泛化能力。

特征选择也是数据分析过程中的一个有用的部分，可以反映哪些特征对于预测来说是重要的，以为这些特征是怎么相关的。

本发明的有益效果主要表现在：利用了去噪后的图像，同时用LBP方法代替标准差方法提取特征，并且引入SVM-RFE特征选择方法，有效去除无效和冗余的特征，从而提高假指纹检测的可靠性。

附图说明

图1是一种基于SVM-RFE特征选择的假指纹检测方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1，一种基于SVM-RFE特征选择的假指纹检测方法，所述假指纹检测方法包括以下步骤：

1)图像切割：

F(X,h,w)

其中F表示切割函数，X,h,w是F的自变量，分别的含义是：X是原指纹图像，h,w是切割后的指纹图像的高和宽。

切割函数F是针对训练测试库而言的，是以指纹区域为中心进行背景空白区域的切除。一个指纹库里的大多数指纹背景区域过大(这里认为超过50％是过大)，就对这个库的指纹图像进行切割，否则就不进行切割。而切割的尺寸h和w可以预先估计，最后根据交叉验证结果进行调整。所述图像切割过程如下：

1.1)切割初始点定位：对原指纹图像X的每一行与列分别计算平均值，然后分别取平均值最小的行与列，将此行与列所在的点作为切割初始点；

1.2)切割边线确定：从切割初始点出发，分别往上下左右四个方向进行移动，每次移动的间隔是四行或四列；统计每次移动的四行或四列以及X中像素值小于200的个数，并求它们的比值，若比值小于0.01，则停止移动，否则继续；

1.3)由步骤1.2)确定的切割边线，计算图像的高和宽，然后统计指纹库中所有图像的高和宽，求平均，分别赋值给h,w；

1.4)h,w优化：如果那么h,w分别赋值X的高和宽，否则h,w通过交叉验证确定。

2)特征提取：是对指纹图像处理的过程：

2.1)对图像f(x,y)进行二维离散小波变换，得到一个低频部分h(x,y)和六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}；

2.2)对变换后的六个高频部分用双曲收缩法去噪：

其中，g'_k(x,y)是去噪后的高频部分，sgn()是符号函数，()₊是括号内的数和0中的较大值，N是g_k(x,y)的信号长度，σ是由变换分解得到的第一层的3个高频部分的标准差。

2.3)根据步骤2.2)得到的六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}和之前的低频部分h(x,y)进行小波重构，得到去噪后的图像f'(x,y)；

2.4)将原图像与去噪图作差，得到噪声图η(x,y)：

η(x,y)＝f(x,y)-f'(x,y)；

2.5)将去噪图和噪声图均划分成p_x×p_y的小块，p_x、p_y分别指的是在X,Y轴方向上进行的图像划分，大小均通过交叉验证确定。再对噪声图和去噪图的每一分块用圆形旋转不变统一模式的LBP算子操作，其中R、N分别指LBP中的半径和采样点数，并通过交叉验证确定，得到LBP特征直方图；

2.6)对每一块的统计直方图进行归一化：

其中，X_i为归一化前特征，X′_i为归一化后的特征。再串联各块特征得到最后指纹特征；

3)特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择去掉的特征数目由交叉验证确定；

4)分类器训练：用SVM来进行训练，得到分类器；

5)假指纹检测：对要检测的图像进行1)、2)、3)步的操作，然后将得到的特征向量用分类器来进行分类。

表1和表2是用这个检测方法对LivDet2011和LivDet2013比赛图像库的测试结果对比。

表1

表2。

Claims (1)

1.一种基于SVM-RFE特征选择的假指纹检测方法，其特征在于：所述假指纹检测方法包括以下步骤：

1)图像切割；

2)特征提取：

2.1)离散小波变换；

2.2)双曲收缩法去噪；

2.3)小波重构，得到去噪图；

2.4)原图像与去噪图作差，得到噪声图；

2.5)去噪图和噪声图分别分块提取局部二值模式特征；

2.6)各块特征归一化，再串联各块特征得到最后指纹特征；

3)特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择去掉的特征数目由交叉验证确定；

4)分类器训练：用SVM来进行训练，得到分类器；

5)假指纹检测：对要检测的图像进行1)、2)、3)步的操作，然后将得到的特征向量用分类器来进行分类；

所述步骤2.1)中，对切割后的指纹图像f(x,y)进行二维离散小波变换，得到一个低频部分h(x,y)和六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}，其中x,y是指，当以图像左下角为原点，底边向右为X轴正方向，左边向上为Y轴正方向时，图像像素点在X和Y轴方向上对应的位置变量；

所述步骤2.2)中，对变换后得到的六个高频部分用双曲收缩法去噪:

<mrow> <msubsup> <mi>g</mi> <mi>k</mi> <mo>&amp;prime;</mo> </msubsup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>sgn</mi> <mrow> <mo>(</mo> <msub> <mi>g</mi> <mi>k</mi> </msub> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <msqrt> <msub> <mrow> <mo>(</mo> <msub> <mi>g</mi> <mi>k</mi> </msub> <msup> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <msup> <mi>&amp;delta;</mi> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mo>+</mo> </msub> </msqrt> </mrow>

<mrow> <mi>&amp;delta;</mi> <mo>=</mo> <msqrt> <mrow> <mn>2</mn> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> </msqrt> <mi>&amp;sigma;</mi> </mrow>

其中，g'_k(x,y)是去噪后的高频部分，sgn()是符号函数，()₊是括号内的数和0中的较大值，N是g_k(x,y)的信号长度，σ是由变换分解得到的第一层的3个高频部分的标准差；

所述步骤2.3)中，根据步骤2.2)得到的六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}和之前的低频部分h(x,y)进行小波重构，得到去噪后的图像f'(x,y)；

所述步骤2.4)中，将原图像与去噪图作差，得到噪声图η(x,y)：

η(x,y)＝f(x,y)-f'(x,y)

所述步骤2.5)中，将去噪图和噪声图均划分成p_x×p_y的小块，p_x、p_y分别指的是在X,Y轴方向上进行的图像划分，大小均通过交叉验证确定，再对噪声图和去噪图的每一分块用圆形旋转不变统一模式的LBP算子操作，并通过交叉验证确定LBP中的半径和采样点数，得到LBP特征直方图；

所述步骤2.6)中，对每一块的统计直方图进行归一化：

<mrow> <msubsup> <mi>X</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <mfrac> <msub> <mi>X</mi> <mi>i</mi> </msub> <mrow> <msub> <mi>&amp;Sigma;X</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mrow>

其中，X_i为归一化前特征，X′_i为归一化后的特征，再串联各块特征得到最后指纹特征；

所述步骤1)中，图像切割函数为：F(X,h,w)，其中F表示切割函数，X,h,w是F的自变量，X是原指纹图像，h,w是切割后的指纹图像的高和宽；

所述图像切割过程如下：

1.1)切割初始点定位：对原指纹图像X的每一行与列分别计算平均值，然后分别取平均值最小的行与列，将此行与列所在的点作为切割初始点；

1.2)切割边线确定：从切割初始点出发，分别往上下左右四个方向进行移动，每次移动的间隔是四行或四列；统计每次移动的四行或四列以及X中像素值小于200的个数，并求它们的比值，若比值小于0.01，则停止移动，否则继续；

1.3)由步骤1.2)确定的切割边线，计算图像的高和宽，然后统计指纹库中所有图像的高和宽，求平均，分别赋值给h,w；

1.4)h,w优化：如果那么h,w分别赋值X的高和宽，否则h,w通过交叉验证确定。