CN104376320B - 一种用于人造指纹检测的特征提取方法 - Google Patents

Abstract

本发明公开了一种用于人造指纹检测的特征提取方法，依次进行指纹图像灰度级压缩、构造指纹图像水平、垂直方向的差值矩阵、对差值矩阵内的元素进行截断处理和构造差值共生矩阵，并对其归一化处理后直接将其元素作为特征。本发明使用差分共生矩阵来提取指纹纹理特征，实现人造指纹的检测，简单易行，且具有很高的识别准确率。

Description

一种用于人造指纹检测的特征提取方法

技术领域

本发明属于模式识别技术领域，特别涉及了一种用于人造指纹检测的特征提取方法。

背景技术

随着计算机图像处理、模式识别相关技术的发展，指纹传感器技术的日臻成熟，数字指纹鉴定方法在金融、公安、门禁、户籍管理等领域有了广泛的应用。然而，人类指纹信息很容易被窃取和伪造，因此指纹识别系统给人们带来便捷身份验证方式的同时，也带来了身份认证的安全隐患。

人造指纹检测技术可分为两大类。一类是基于硬件的方案，此类方案在指纹传感器中增加一些设备用来采集手指表皮的温度，脉搏以及导电率等信息，通过分析这些数据来识别人造指纹。有的设备甚至直接使用射频传感器代替光学指纹设备，射频传感器发射出微量射频信号，可穿透手指的表皮层去控测里层的纹路，获得真皮层的指纹纹路图像，因此可杜绝多种材质的假指纹。然而以上方案都需要增加新的硬件设备，增加了系统整体的制作成本。

第二类是基于软件的方案，通过提取指纹图像的纹理结构、指纹气孔和弹性属性等静态特征，或者通过分析处理一个时间段内的两张连续指纹图像，得到毛孔中的汗液信号、时间压力变化这类动态特征。由于这些特征在人造指纹图像和真指纹图像中的值有一定的差异，所以可以用于人造指纹检测。

Galbally等人提出了一种基于指纹图像质量的静态方法，通过提取指纹的脊强度，脊清晰度和脊连续性等特征来检测人造指纹，不过这种方法提取的特征较少，和其他方法比较，识别正确率也较低。Manivanan等人使用了基于指纹气孔的方法，此方法使用高通滤波用来提取活跃的汗毛孔，使用相关性滤波用来确定这些气孔的位置。Schuckers提出了一种基于手指汗液的方法，当手指按压在传感器上时，获取按压第0秒和第5秒的指纹图像，只有真指纹会有汗液变化，因此可以对比两张图像确定指纹的真伪，然而，这种方法需要提取多张图像，时间消耗较多。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种用于人造指纹检测的特征提取方法，使用差分共生矩阵来提取指纹纹理特征，实现人造指纹的检测，简单易行，且具有很高的识别准确率。

为了实现上述技术目的，本发明的技术方案为：

一种用于人造指纹检测的特征提取方法，包括以下步骤：

(1)将获取的指纹图像转换为像素灰度值范围为0～255的灰度图像，选定压缩比率Q，采用灰度级压缩算法将图像的灰度值范围压缩为0～255/Q，所述灰度级压缩算法为：

式(1)中，X_i,j为指纹图像像素灰度值，“←”为赋值操作，为向下取整操作，i∈{0,1,...,n₁-1},j∈{0,1,...,n₂-1}，n₁，n₂分别为图像的高度和宽度；

(2)分别计算指纹图像水平方向和垂直方向的相邻像素的灰度值差，将差值依序排列成水平方向的差值矩阵和垂直方向的差值矩阵，差值矩阵的元素计算如式(2)所示：

式(2)中，D_H(i,j)为水平方向的差值矩阵第i行第j列的元素，D_V(i,j)为垂直方向的差值矩阵第i行第j列的元素；

(3)对差值矩阵中的元素进行截断处理，截断算法如式(3)所示：

式(3)中，D_i,j为水平方向或垂直方向的差值矩阵中第i行第j列的元素的值，T为截断参数；

(4)根据经步骤(3)处理的差值矩阵，分别构造差值共生矩阵：

式(4)中，s,t取[-T,T]之间的整数,

(5)对步骤(4)中求得的差值共生矩阵进行归一化处理，将归一化的差值共生矩阵的元素直接作为需要提取的特征，所述归一化处理如式(5)所示：

其中，在步骤(5)中，提取的特征个数为2×(2T+1)²。

其中，在步骤(1)中，Q的取值为16。

其中，在步骤(3)中，T的取值为4。

其中，在步骤(1)中，Q的取值为8。

其中，在步骤(3)中，T的取值为5。

采用上述技术方案带来的有益效果：

本法明通过图像灰度级压缩、构造差值矩阵、差值截断、构造共生矩阵以及归一化处理，提取到指纹特征，特征提取是基于模式分类的人造指纹检测算法的关键步骤。利用本专利涉及的特征提取算法，结合已有的分类算法，便可以构造出高精度的分类器。与传统技术相比，不需要价格高昂的传感器，所以成本较低，而且具有实现简单、时间复杂度低、检测精度高等优点。

附图说明

图1是基于模式分类的人造指纹检测算法框架图；

图2是本发明的流程图；

图3是本发明灰度级压缩后水平方向差值分布图，包括(a)、(b)、(c)、(d)、(e)、(f)6幅图，分别表示Q＝1，2，4，8，16，32的水平方向的差值分布；

图4是本发明在各种Q值下的差值位于[-T，T]之间的比率图，包括(a)、(b)2幅图，分别表示水平和垂直方向的差值分布比率。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

基于模式分类的人造指纹检测算法框架如图1所示。本发明提出的特征提取方法是基于模式分类的人造指纹检测算法的核心步骤，利用本发明提出的特征提取算法，结合已有的分类算法，便可以构造出高精度的分类器。

如图2所示，本发明主要分为四个步骤：指纹图像灰度级压缩、构造差值矩阵、差值截断、构造共生矩阵。其中指纹图像灰度级压缩可以削弱指纹图像的噪声影响和减少后续提取的特征的数量。构造差值矩阵首先要计算水平和垂直两个方向的相邻像素差，然后将差值按照原来的顺序排列成差值矩阵。差值截断是把绝对值过大的差值截取到一个较小的动态范围，以便于减少特征数目。共生矩阵计算是从截断后的差值从水平和垂直两个方向统计共生次数。下面详细介绍四个步骤的具体计算流程。

(1)将获取的指纹图像转换为像素灰度值范围为0～255的灰度图像，选定合适的压缩比率Q，采用灰度级压缩算法将图像的灰度值范围压缩为0～255/Q，所述灰度级压缩算法为：

式(1)中，X_i,j为指纹图像像素灰度值，“_←”为赋值操作，为向下取整操作，i∈{0,1,...,n₁-1},j∈{0,1,...,n₂-1}，n₁，n₂分别为图像的高度和宽度。

由实验可知，灰度级压缩后的图像与原图像保持了非常相似的纹理。但由于灰度级的范围减小了，从而计算到的相邻像素的差值范围也大大减小了。因此灰度级压缩有利于我们减少特征数目。

(2)分别计算指纹图像水平方向和垂直方向的相邻像素的灰度值差，将差值依序排列成水平方向的差值矩阵和垂直方向的差值矩阵，差值矩阵的元素计算如式(2)所示：

式(2)中，D_H(i,j)为水平方向的差值矩阵第i行第j列的元素，D_V(i,j)为垂直方向的差值矩阵第i行第j列的元素；

(3)我们从8千幅图像计算构造了差值矩阵，发现大部分差值的绝对值在0附近，即大部分的差值都集中在一个较小的范围[-T，T]，如图3所示，图3包括(a)、(b)、(c)、(d)、(e)、(f)6幅图，分别表示Q＝1，2，4，8，16，32时的水平方向的差值分布，其横坐标为差值分布梯度值，纵坐标为差值分布的百分比。因此，我们可以在不损失太多信息的情况下，缩小差值的取值范围。对差值矩阵中的元素进行截断处理，截断算法如式(3)所示：

式(3)中，D_i,j为差值矩阵中第i行第j列的元素的值，T为截断参数；

(4)根据经步骤(3)处理的差值矩阵，分别构造差值共生矩阵：

式(4)中，s,t取[-T,T]之间的整数,

(5)对步骤(4)中求得的差值共生矩阵进行归一化处理，所述归一化算法如式(5)所示：

将归一化后的差值共生矩阵元素直接作为特征，特征的数目为2×(2T+1)²。将提取的特征排列成特征向量，每幅指纹图像便可由1个特征向量来表示。

下面主要介绍灰度级压缩比率参数Q和差值截断参数T的选择，以及这些参数下我们算法的检测结果。本发明试验所用指纹图像库来自于国际指纹活性检测(人造指纹检测)竞赛LivDet 2011(Fingerprint liveness detection competition2011)。该指纹图像数据库包含由4种传感器获取的指纹图像，制作人造指纹的材料包括明胶、乳胶等6种材料。图像库的图像被分成不重叠的两部分：训练库和测试库，分别用来训练和测试分类器。图像库的基本情况如表1所示。

表1

参数选取：首先我们选定Q＝1，2，4，8，16，32。图4给出了在各种压缩比率的情况下，落在[-T，T]区间的差值分布的比率，其横坐标为截断参数T的值，纵坐标为差值分布的比率。由图4可知，当压缩比率Q较小时，我们需要选取一个较大的截断参数T来包含大部分的差值。较大的压缩比率Q，将导致更多的信息丢失，而较大的截断参数，将大幅度增加特征的数量。我们选取几组特定的参数进行测试，即当Q＝1，2，4时，我们选取T＝10；当Q＝8时，我们选取T＝5；当Q＝16，32时，我们选取T＝4。本算法提取的特征数为2×(2T+1)²。表2具体给出了在不同参数对(Q，T)下，本算法提取的特征数量和差值的覆盖比率。

表2

(Q,T)	(1,10)	(2,10)	(4,10)	(8,5)	(16,4)	(32,4)
							特征数量	882	882	882	242	162	162
差值覆盖比率(％)	70.73	81.23	91.43	90.67	96.05	99.74

测试结果：针对上述参数对，我们在LivDet11数据库上对我们的特征提取算法进行试验，表3给出了测试结果，其中当选取参数对(Q，T)为(8，5)和(16，4)时，算法取得了最好结果。由于参数对(16，4)得到的特征数目更少，因此其为更好的选择。

表3

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种用于人造指纹检测的特征提取方法，其特征在于，包括以下步骤：

(1)将获取的指纹图像转换为像素灰度值范围为0～255的灰度图像，选定压缩比率Q，采用灰度级压缩算法将图像的灰度值范围压缩为0～255/Q，所述灰度级压缩算法为：

式(1)中，X_i,j为指纹图像像素灰度值，“←”为赋值操作，为向下取整操作，i∈{0,1,...,n₁-1},j∈{0,1,...,n₂-1}，n₁，n₂分别为图像的高度和宽度；

(2)分别计算指纹图像水平方向和垂直方向的相邻像素的灰度值差，将差值依序排列成水平方向的差值矩阵和垂直方向的差值矩阵，差值矩阵的元素计算如式(2)所示：

$\left\{\begin{array}{c}{D}_H(i,j)=X_{i,j}-X_{i,j+1}\\ D_V(i,j)=X_{i,j}-X_{i+1,j}\end{array}\right.---\left(2\right)$

式(2)中，D_H(i,j)为水平方向的差值矩阵第i行第j列的元素，D_V(i,j)为垂直方向的差值矩阵第i行第j列的元素；

(3)对差值矩阵中的元素进行截断处理，截断算法如式(3)所示：

$\left\{\begin{array}{c}{D}_{i,j}=T,D_{i,j}>T\\ D_{i,j}=-T,D_{i,j}<-T\\ D_{i,j}=D_{i,j},D_{i,j}\&Element;\&lsqb;-T,T\&rsqb;\end{array}\right.---\left(3\right)$

式(3)中，D_i,j为水平方向或垂直方向的差值矩阵中第i行第j列的元素的值，T为截断参数；

(4)根据经步骤(3)处理的差值矩阵，分别构造差值共生矩阵：

式(4)中，s,t取[-T,T]之间的整数,

(5)对步骤(4)中求得的差值共生矩阵进行归一化处理，将归一化的差值共生矩阵的元素直接作为需要提取的特征，所述归一化处理如式(5)所示：

$\left\{\begin{array}{c}{\mathrm{CMD}}_H(s,t)\&LeftArrow;\frac{{\mathrm{CMD}}_H(s,t)}{\underset{s=-T}{\overset{T}{\&Sigma;}}\underset{t=-T}{\overset{T}{\&Sigma;}}{\mathrm{CMD}}_H(s,t)}\\ {\mathrm{CMD}}_V(s,t)\&LeftArrow;\frac{{\mathrm{CMD}}_V(s,t)}{\underset{s=-T}{\overset{T}{\&Sigma;}}\underset{t=-T}{\overset{T}{\&Sigma;}}{\mathrm{CMD}}_V(s,t)}\end{array}\right.---\left(5\right).$

2.根据权利要求1所述一种用于人造指纹检测的特征提取方法，其特征在于：在步骤(5)中，提取的特征个数为2×(2T+1)²。

3.根据权利要求2所述一种用于人造指纹检测的特征提取方法，其特征在于：在步骤(1)中，Q的取值为16。

4.根据权利要求3所述一种用于人造指纹检测的特征提取方法，其特征在于：在步骤(3)中，T的取值为4。

5.根据权利要求2所述一种用于人造指纹检测的特征提取方法，其特征在于：在步骤(1)中，Q的取值为8。

6.根据权利要求3所述一种用于人造指纹检测的特征提取方法，其特征在于：在步骤(3)中，T的取值为5。