CN104794440A - 一种基于多分块多尺度lbp的假指纹检测方法 - Google Patents

Abstract

一种基于多分块多尺度LBP的假指纹检测方法，对指纹图像进行有效区域切割；对上一步得到的图像进行小波去噪；对上一步得到的图像进行多分块；在不同的尺度下，对分块后的每一小块图像进行LBP特征提取；对每一小块图像不同尺度下得到的LBP特征进行归一化；对上一步得到特征进行串联，得到最终的特征向量；用交叉验证的方法确定之前提到的尺度大小；对真假指纹特征进行SVM训练，获得SVM分类器；对要检测的指纹图像进行前面特征提取操作，然后再根据上一步得到的SVM分类器进行指纹真假判断。本发明不需要对采集指纹的硬件进行改造，计算速度快且正确率高，对提高指纹识别系统的安全性有重要应用价值。

Description

一种基于多分块多尺度LBP的假指纹检测方法

技术领域

本发明属于图像处理、特征提取、机器学习和模式识别领域，尤其是一种假指纹检测方法。

背景技术

随着指纹识别技术的逐渐成熟，各种指纹认证系统被广泛应用于各种领域。然而一些不法分子通过某些手段获取到用户的指纹信息，然后利用这些指纹信息和一些特殊材料，伪造用户的注册指纹，可以通过当前不少指纹认证系统。

真指纹也称活体指纹，是指具有人体生物功能，也就是活着的人体的手指。与其相对应的假指纹也称为死体指纹，其中包括某些特殊材料制作的指纹，如硅胶、粘土、印刷了指纹图像的纸等，甚至是离开人本身身体的手指都叫做死体指纹。

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、皮肤导电性和脉搏血氧等特性，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从而来判断指纹的真假，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。第二类方法利用真假指纹在指纹图像中所含纹理特征的区别，对图像进行处理和特征提取等一系列步骤，最后根据所得到的特征来检测指纹的真假，这类方法称为基于软件的假指纹检测方法。第二类基于软件的假指纹检测方法包括静态和动态的两种方法。静态的方法是从一张或多张图像中提取得到特征(手指一次或多次放到采集仪上进行采集)，动态的方法从多幅指纹图像帧中提取得到特征(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，且能适用于现有的指纹采集仪。

发明内容

为了克服现有假指纹检测方法的计算代价大、识别正确率较低的不足，本发明提供了一种计算代价小、识别正确率高的基于多分块多尺度LBP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：

一种基于多分块多尺度LBP假指纹检测方法，所述检测方法包括如下步骤：

步骤1：对指纹图像进行有效区域切割；

步骤2：对步骤1得到的图像进行小波去噪；

步骤3：对步骤2得到的图像进行多分块；

步骤4：在不同的尺度下，对分块后的每一小块图像进行LBP特征提取；

步骤5：对每一小块图像不同尺度下得到的LBP特征进行归一化；

步骤6：对步骤5得到的特征进行串联，得到最终的特征向量；

步骤7：用交叉验证方法确定步骤4中的尺度大小；

步骤8：对真假指纹特征进行SVM训练，获得SVM分类器；

步骤9：对要测试的指纹图像进行步骤1～步骤6的操作，然后再根据步骤8得到的SVM分类器进行指纹真假判断。

进一步，在所述步骤4和步骤9中，在不同的尺度下，对分块后的每一小块图像进行LBP特征提取，所述的特征提取的过程如下：

整个模型的中心是各个尺度下LBP的中心点，实线圆的圆心是样本所在的位置，在每个尺度下的样本数都是κ，r_n表示在尺度n下实线圆的边缘离模型中心的最大距离，r₁为给定的参数，r_n由以下公式计算得到：

$r_n=r_{n-1}\×(\frac{2}{1-\sin (\mathrm{\π}/\mathrm{\κ})}-1),n\∈\{2,...,N\}$

LBP半径R_n由以下公式计算得到：

$R_n=\frac{r_n+r_{n-1}}{2}$

对样本所在实线圆进行均值滤波处理，得到样本点的灰度值。

再进一步，在所述步骤5和步骤9中，对每一小块图像不同尺度下得到的LBP特征进行归一化，所述的归一化的公式为：

$X_i^{\′}=\frac{X_i}{\underset{j}{\text{\Σ}}{X}_j}$

其中，X_i为归一化前特征，X_i'为归一化后的特征。

更进一步，在所述步骤6和步骤9中，对步骤5得到的不同尺度下的LBP特征进行串联得到最终的指纹特征，所述的串联的公式为：

$Y=(x_1^1,x_2^1,...,x_n^1,x_1^2,x_2^2,...,x_n^2,...,x_1^m,x_2^m,...,x_n^m)m,n\∈N^{+}$

其中，表示j尺度下第i个特征，Y表示串联后的特征。

在所述步骤1和步骤9中，对指纹图像进行有效区域切割，所述的有效区域切割的方法即是求指纹区域的外接矩形，具体步骤是：

步骤1.1：对指纹图像的每一行计算平均值，记下平均值最小的行L_min；再对每一列计算平均值，记下平均值最小的列C_min，记前面得到的行L_min与列C_min为指纹图像的初始分割线；

步骤1.2：统计指纹图像中灰度值小于T₁的像素个数；

步骤1.3：从初始分割线出发，水平的分割线L_min垂直向上以间距为N₁个像素点进行移动，统计移动前后间隔的N₁行中灰度值小于T₁的个数，然后求它与步骤1.2得到的比值，若比值小于T₂，则停止移动，否则继续；然后分别对其他三个方向进行同样操作，最终得到指纹有效区域的外接矩形。

在所述步骤2和步骤9中，对步骤1得到的图像进行小波去噪，所述的小波去噪的具体步骤是：

步骤2.1：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是指纹图像的横坐标和纵坐标，以图像左下角为原点，向右为X轴正方向，向上为Y轴正方向时；

步骤2.2：对变换后得到的六个高频部分用双曲收缩法去噪

$g_k^{\′}(x,y)=\mathrm{sgn}\left(g_k(x,y)\right){\sqrt{(g_k{(x,y)}^2-{\mathrm{\δ}}^2)}}_{+}$

$\mathrm{\δ}=\sqrt{2\log \left(N\right)\mathrm{\σ}}$

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个高频部分的标准偏差；

步骤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)。

在所述步骤3和步骤9中，对步骤2得到的图像进行多分块，所述的多分块的过程为：对步骤2得到的图像进行如下方式分块，分别进行S₁×S₁，S₂×S₂，S₃×S₃的分块，总共得到S'＝S₁×S₁+S₂+S₂+S₃×S₃个小图像块。

本发明的技术构思为：对于一般的指纹采集仪得到的指纹图像，指纹区域总是不能填满整张图片，因此需要对图像进行有效区域切割，以除图像中的无效区域。同时由于指纹采集仪在采集指纹图像的过程中，都会使得图像中包含噪声，因此对图像进行去噪处理，是有必要的。局部二值模式(英文：Local binary patterns，缩写：LBP)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。支持向量机(英语：Support VectorMachine，缩写：SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

本发明的有益效果是：不改动指纹采集硬件，仅以软件实现，计算代价小，识别正确率高。

附图说明

图1为假指纹检测流程图；

图2为真指纹图像示例图；

图3为假指纹图像示例图；

图4为对图2真指纹图像切割示例图；

图5为对图4图像去噪后的示例图；

图6为LBP算子示例图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

参照图1～图6，一种基于多分块多尺度LBP假指纹检测方法，所述检测方法包括如下步骤：

步骤1：对指纹图像进行有效区域切割：

这里所对指纹图像进行的切割，主要就是为了找到图像中，指纹区域的外接矩形，也就是如图4所示的四条黑线所围起来的区域，为了进行这样的切割，这里提供的方法步骤是：

步骤1.1：对指纹图像的每一行计算平均值，记下平均值最小的行L_min；再对每一列计算平均值，记下平均值最小的列C_min。记前面得到的行L_min与列C_min为指纹图像的初始分割线；

步骤1.2：统计指纹图像中灰度值小于T₁的像素个数；

步骤1.3：从初始分割线出发，水平的分割线L_min垂直向上以间距为N₁个像素点进行移动，统计移动前后间隔的N₁行中灰度值小于T₁的个数，然后求它与步骤1.2得到的比值，若比值小于T₂，则停止移动，否则继续。然后分别对其他三个方向进行同样操作，最终得到指纹有效区域的外接矩形。

步骤2：对步骤1得到的图像进行小波去噪：

在指纹采集仪对指纹进行图像采集的时候，由于一些外部原因或者自身采集仪的原因，会使得采集仪采集到的图像或多或少存在噪声，而这些噪声的存在，也会影响假指纹检测方法对于指纹真假判断的性能。而一般来说，图像去噪方法，通过小波去噪的效果相对好些，因此本发明中对图像采取了小波去噪，图像小波去噪后的实例图可见图5。下面就是主要的小波去噪的过程。

步骤2.1：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是指纹图像的横坐标和纵坐标，以图像左下角为原点，向右为X轴正方向，向上为Y轴正方向时。

步骤2.2：对变换后得到的六个高频部分用双曲收缩法去噪

$g_k^{\′}(x,y)=\mathrm{sgn}\left(g_k(x,y)\right){\sqrt{(g_k{(x,y)}^2-{\mathrm{\δ}}^2)}}_{+}$

$\mathrm{\δ}=\sqrt{2\log \left(N\right)\mathrm{\σ}}$

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个高频部分的标准偏差；

步骤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)。

步骤3：对步骤2得到的图像进行多分块：

对于整张图片提取LBP特征，可能其大部分情况下只能提取得到指纹图像的具有整体属性的特征，但是对于具有局部的或者具有位置信息的特征就未能很好表述出来了，为了解决这个问题，这里就引入多分块的思想，对指纹图像进行多次分块，然后再对每一小分块来进行LBP特征提取，这样一来最后的特征既包含了整体属性，又同时具有局部和位置属性。本发明中采取的步骤是：

步骤3.1：对步骤2得到的图像进行如下方式分块，分别进行S₁×S₁，S₂×S₂，S₃×S₃的分块，总共得到S'＝S₁×S₁+S₂+S₂+S₃×S₃个小图像块。

步骤4：在不同的尺度下，对分块后的每一小块图像进行LBP特征提取：

这里选择LBP作为特征，主要是考虑到LBP本身就是比较好的提取问题特征的方法，而且LBP计算简单广泛被应用于各种模式识别问题。这里的LBP的主要的方法是如下这样的：

这个特征提取方法模型示意图如图6所示(这里给出的图是样本数为8的情况)。整个模型的中心也是各个尺度下LBP的中心点。实线圆的圆心是样本所在的位置，在每个尺度下的样本数都是κ，例如κ取8。r_n表示在尺度n下，实线圆的边缘离模型中心的最大距离。r₁为给定的参数，r_n可以由以下公式计算得到：

$r_n=r_{n-1}\×(\frac{2}{1-\sin (\mathrm{\π}/\mathrm{\κ})}-1),n\∈\{2,...,N\}$

LBP半径R_n由以下公式计算得到：

$R_n=\frac{r_n+r_{n-1}}{2}$

同时为了更好地获取采样点，对样本所在实线圆进行均值滤波处理，得到样本点的灰度值。

步骤5：对每一小块图像不同尺度下得到的LBP特征进行归一化：

考虑到由于指纹图像切割后图像大小不统一，这样会导致在提取LBP特征后，特征值的大小数量级会差比较多的数量级，因为本发明中就考虑特征归一化来消除此差异，如下的方法：

$X_i^{\′}=\frac{X_i}{\underset{j}{\text{\Σ}}{X}_j}$

其中，X_i为归一化前特征，X_i'为归一化后的特征。

步骤6：对步骤5得到的特征进行串联，得到最终的特征向量；

特征串联就是如下的串联方式：

$Y=(x_1^1,x_2^1,...,x_n^1,x_1^2,x_2^2,...,x_n^2,...,x_1^m,x_2^m,...,x_n^m)m,n\∈N^{+}$

其中，表示j尺度下第i个特征，Y表示串联后的特征。

步骤7：用交叉验证方法确定步骤4中的尺度大小：

由于步骤4中LBP的特征提取设计到不同尺度，这个尺度的大小把握需要通过交叉验证确定，一般就是使用十折交叉验证的方法。

步骤8：对真假指纹特征进行SVM训练，获得SVM分类器；

步骤9：对要测试的指纹图像进行步骤1～6的操作，然后再根据步骤8得到的SVM分类器进行指纹真假判断。

支持向量机(英语：Support Vector Machine，缩写：SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。因此在本发明中训练和测试就是使用支持向量机的方法。

Claims (7)

1.一种基于多分块多尺度LBP的假指纹检测方法，其特征在于：所述假指纹检测方法包括如下步骤：

步骤1：对指纹图像进行有效区域切割；

步骤2：对步骤1得到的图像进行小波去噪；

步骤3：对步骤2得到的图像进行多分块；

步骤4：在不同的尺度下，对分块后的每一小块图像进行LBP特征提取；

步骤5：对每一小块图像不同尺度下得到的LBP特征进行归一化；

步骤6：对步骤5得到的特征进行串联，得到最终的特征向量；

步骤7：用交叉验证方法确定步骤4中的尺度大小；

步骤8：对真假指纹特征进行SVM训练，获得SVM分类器；

步骤9：对要测试的指纹图像进行步骤1～6的操作，然后再根据步骤8得到的SVM分类器进行指纹真假判断。

2.根据权利要求1所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤4和步骤9中，在不同的尺度下，对分块后的每一小块图像进行LBP特征提取，所述的特征提取的过程如下：

整个模型的中心是各个尺度下LBP的中心点，实线圆的圆心是样本所在的位置，在每个尺度下的样本数都是κ，r_n表示在尺度n下实线圆的边缘离模型中心的最大距离，r₁为给定的参数，r_n由以下公式计算得到：

$r_n=r_{n-1}\×(\frac{2}{1-\sin (\mathrm{\π}/\mathrm{\κ})}-1),n\∈\{2,...,N\}$

LBP半径R_n由以下公式计算得到：

$R_n=\frac{r_n+r_{n-1}}{2}$

对样本所在实线圆进行均值滤波处理，得到样本点的灰度值。

3.根据权利要求1或2所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤5和步骤9中，对每一小块图像不同尺度下得到的LBP特征进行归一化，所述的归一化的公式为：

$X_i^{\′}=\frac{X_i}{\mathrm{\Σ}{X}_j}$

其中，X_i为归一化前特征，X_i'为归一化后的特征。

4.根据权利要求1或2所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤6和步骤9中，对步骤5得到的特征进行串联，得到最终的特征向量，所述的串联的公式为：

$Y=(x_1^1,x_2^1,...,x_n^1,x_1^2,x_2^2,...,x_n^2,...,x_1^m,x_2^m,...,x_n^m),m,n\∈N^{+}$

其中，表示j尺度下第i个特征，Y表示串联后的特征。

5.根据权利要求1或2所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤1和步骤9中，对指纹图像进行有效区域切割，所述的有效区域切割的方法即是求指纹区域的外接矩形，具体步骤是：

步骤1.1：对指纹图像的每一行计算平均值，记下平均值最小的行L_min；再对每一列计算平均值，记下平均值最小的列C_min，记前面得到的行L_min与列C_min为指纹图像的初始分割线；

步骤1.2：统计指纹图像中灰度值小于T₁的像素的个数；

步骤1.3：从初始分割线出发，水平的分割线L_min垂直向上以间距为N₁个像素点进行移动，统计移动前后间隔的N₁行中灰度值小于T₁的个数，然后求它与步骤1.2得到的比值，若比值小于T₂，则停止移动，否则继续；然后分别对其他三个方向进行同样操作，最终得到指纹有效区域的外接矩形。

6.根据权利要求1所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤2和步骤9中，对步骤1得到的图像进行小波去噪，所述的小波去噪的具体步骤是：

步骤2.1：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是指纹图像的横坐标和纵坐标，以图像左下角为原点，向右为X轴正方向，向上为Y轴正方向时；

步骤2.2：对变换后得到的六个高频部分用双曲收缩法去噪

$g_k^{\′}(x,y)=\mathrm{sgn}\left(g_k(x,y)\right)\sqrt{{(g_k{(x,y)}^2-{\mathrm{\δ}}^2)}_{+}}$

$\mathrm{\δ}=\sqrt{2\log \left(N\right)}\mathrm{\σ}$

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个高频部分的标准偏差；

步骤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)。

7.根据权利要求1或2所述的基于多分块多尺度LBP的假指纹检测方法，其特征在于：在所述步骤3和步骤9中，对步骤2得到的图像进行多分块，所述的多分块的过程为：对步骤2得到的图像进行如下方式分块，分别对其进行S₁×S₁，S₂×S₂，S₃×S₃的分块，总共得到S'＝S₁×S₁+S₂+S₂+S₃×S₃个小图像块。