CN104933407A - 基于sift变换的指纹识别方法 - Google Patents

Abstract

本发明公开了一种基于SIFT变换的指纹识别方法，包括以下步骤：基于SIFT变换提取大样本指纹库中的指纹的主特征分量，再将主特征分量经MD5散列生产散列值，并将库中所有指纹生成散列表；对在进行身份验证时录入的指纹进行同样的处理，使其生成一个MD5散列值；将验证时散列值与散列表进行对比，在大样本指纹库中查找与之匹配的指纹。本发明基于SIFT变换的指纹识别方法通过用SIFT变换来检测与描述指纹图像中的局部性特征，并且在尺度空间中寻找关键特征点，提取出关键特征点的描述子，并通过指纹的描述子提取主特征分量，在一定程度上解决了指纹特征提取时因指头变形、旋转等因素造成的指纹特征提取的鲁棒性问题。

Description

基于SIFT变换的指纹识别方法

技术领域

本发明涉及一种指纹识别方法，尤其涉及一种基于SIFT变换的指纹识别方法。

背景技术

指纹识别技术具有不会丢失、不会遗忘、唯一性、不变性、防伪性能好和使用方便等优点，已经逐步在门禁、考勤、金融、公共安全和电子商务等领域得到应用，尤其最近在考务领域中考生身份验证场合，指纹识别技术主要包括指纹特征提取和指纹特征匹配两个步骤。

但是因为人的指头是个立体柔性物体，现有的主要指纹识别算法都把人的指头假设为刚性平面物体，但是在进行指纹采集时,每次采集用力大小、用力方向和采集位置都会有所不同,造成指纹的各种变形,使指纹特征点的相对位置发生较大偏移,从而很难对各特征点做到精确定位。另外,指头表面是一个三维曲面,而获取的指纹图像却是一个二维平面,这种从立体向平面的转化也会造成指纹的变形。更为主要的是,以上因素造成的指纹变形往往是不确定的、随机的,很难用确定的数学模型去描述,这给后继的指纹匹配造成了严重的干扰。

现在常见的指纹识别技术主要存在下述缺点：指纹特征点提取的查全率低；指纹特征点位置参数精度低；指纹特征描述的完备性和精确度不高；指纹匹配速度慢

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于SIFT变换的指纹识别方法。

本发明通过以下技术方案来实现上述目的：

一种基于SIFT变换的指纹识别方法，包括以下步骤：

(1)指纹库预处理：基于SIFT变换提取大样本指纹库中的指纹的主特征分量，再将主特征分量经MD5散列生产散列值，并将库中所有指纹生成散列表；

(2)现场指纹录入与处理：对在进行身份验证时录入的指纹进行与步骤(1)同样的处理，使其生成一个MD5散列值；

(3)指纹匹配：将步骤(2)中生成的散列值与步骤(1)中的散列表进行对比，查找到大样本指纹库中与步骤(2)中实时录入的指纹想匹配的样本指纹。

具体地，步骤(1)中主特征分量的提取方法包括以下步骤：

(a)基于尺度空间对指纹关键特征点进行提取；

(b)基于泰勒级数对指纹关键特征点的精确度进行提升；

(c)对关键特征点的纹理描述子进行提取；

(d)基于PCA变换对指纹主特征分量进行提取。

具体地，步骤(a)包括以下步骤：

(a1)利用高斯核将指纹的原始图像进行尺度变换，得到指纹图像多尺度下的尺度空间表示序列；

L(x,y,σ)＝G(x,y,σ)*I(x,y)

式中：L(x,y,σ)为尺度空间σ下的指纹图像，G(x,y,σ)为尺度可变高斯函数，I(x,y)为指纹二值图像

(a2)通过高斯差分算子得到指纹图像尺度空间差分序列；

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)

式中：D(x,y,σ)为尺度空间下的指纹图像差分序列

(a3)从尺度空间差分序列中提取局部极值点，即为指纹图像中的关键特征点。

具体地，步骤(b)为在步骤(a2)中的指纹图像尺度空间差分序列中通过泰特级数对关键特征点进行曲线拟合，得到精确的局部极值点，即精确的关键特征点；

泰勒级数： $D\widehat{\left(Z\right)}=D\left(Z\right)+\frac{1}{2}\frac{\∂D^T}{\∂Z}Z$

式中：Z表示(x,y,σ)^T，D(Z)为尺度空间差分序列，为D(Z)的一阶导数具体地，步骤(c)包括以下步骤：

(c1)确定计算每个关键特征点纹理描述子所需的图案半径区域；

(c2)将坐标移至关键特征点主方向；

(c3)在图像半径区域内对每个像素进行计算，求其梯度幅值和方向，并生成方向直方图；

(c4)计算每个2×2区域内每个像素方向直方图，并计算每个梯度方向的累价值，即生成一个种子点；

(c5)由16个不同区域的种子点构成关键特征点的纹理描述子。

具体地，步骤(d)包括以下步骤：

(d1)将一枚指纹中的多个纹理描述子排成高维特征矩阵；

(d2)对该高维特征矩阵进行PCA，提取该指纹的主特征分量；

优选地，所述高维特征矩阵的维数为千维级。

本发明的有益效果在于：

本发明基于SIFT变换的指纹识别方法通过用SIFT变换来检测与描述指纹图像中的局部性特征，并且在空间尺度中寻找关键特征点，提取出关键特征点的描述子，并通过指纹的描述子提取主特征分量，在一定程度上解决了指纹特征提取时因指头变形、旋转等因素造成的指纹特征提取的鲁棒性问题。

具体实施方式

下面对本发明作进一步说明：

本发明基于SIFT变换的指纹识别方法，包括以下步骤：

(1)指纹库预处理：基于SIFT变换(Scale-invariant feature transform，尺度不变特征转换)对大样本指纹库中的指纹进行关键特征点、关键特征点的纹理描述子和指纹主特征分量进行提取，再将主特征分量经MD5散列生产散列值，并将库中所有指纹生成散列表；

(2)现场指纹录入与处理：对在进行身份验证时录入的指纹进行与步骤(1)同样的处理，使其生成一个MD5散列值；

(3)将步骤(2)中生产的散列值与步骤(1)中的散列表进行对比，查找到大样本指纹库中与步骤(2)中实时录入的指纹想匹配的样本指纹。

关键特征点、关键特征点的纹理描述子和指纹主特征分量的提取算法具体如下：

1、基于尺度空间的指纹特征点提取算法

本算法不需要进行图像切割，可以有效地避免了因图像切割造成指纹特征点丢失的问题，大幅度提高了指纹特征点提取的查全率，同时通过泰勒级数对局部极值点进行曲线拟合，可得到精确的局部极值点，可以有效地减小因指头形变造成指纹特征点的位置偏差，大幅度地提高匹配特征点在位置上对准的精度。

(1)利用高斯核将指纹的原始图像进行尺度变换，得到指纹图像多尺度下的尺度空间表示序列；

L(x,y,σ)＝G(x,y,σ)*I(x,y))

(2)通过高斯差分算子得到指纹图像尺度空间差分序列；

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)

(3)从尺度空间差分序列中提取局部极值点，即为指纹图像中的关键特征点。

(4)指纹图像尺度空间差分序列中通过泰特级数对关键特征点进行曲线拟合，得到精确的局部极值点，即精确的关键特征点；泰勒级数：

2、基于特征点纹理梯度的高维特征向量提取算法

该算法精确地描述了特征点周围的纹理特征，大幅度提高了指纹特征描述的完备性和精确度。在基于SIFT变换的指纹特征提取算法中指纹特征点的描述子一般由位置、尺度、方向和纹理特征构成，其中指纹纹理是指纹关键点周围对其有贡献的像素点构成的纹理图案，它是用来作为目标匹配的关键依据。

(1)确定计算每个关键特征点纹理描述子所需的图案半径区域；

(2)将坐标移至关键特征点主方向；

(3)在图像半径区域内对每个像素进行计算，求其梯度幅值和方向，并生成方向直方图；

(4)计算每个2×2区域内每个像素方向直方图，并计算每个梯度方向的累价值，即生成一个种子点；

(5)由16个不同区域的种子点构成关键特征点的纹理描述子。

3、基于PCA变换的指纹主特征分量提取算法

该算法有效地将降低了指纹特征描述子中的噪声分量和描述子之间的相关性，把一枚指纹特征的维数由千维级降低到百维级，由于一枚指纹图像中特征点之间、特征点描述子内部都有一定的相关性，通过PCA(Principal ComponentAnalysis，主成分分析)后可以有效地提取反映指纹主要特征的主特征向量，压缩原有数据矩阵的规模，大幅度降低特征向量的维数。

(1)将一枚指纹中的多个纹理描述子排成高维特征矩阵(维数一般为千维级)；

(2)对该高维特征矩阵进行PCA，提取该指纹的主特征分量；

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (7)

1.一种基于SIFT变换的指纹识别方法，其特征在于,包括以下步骤：

(1)指纹库预处理：提取大样本指纹库中的指纹的主特征分量，再将主特征分量经MD5散列生产散列值，并将库中所有指纹生成散列表；

(2)现场指纹录入与处理：对在进行身份验证时录入的指纹进行与步骤(1)同样的处理，使其生成一个MD5散列值；

(3)指纹匹配：将步骤(2)中生成的散列值与步骤(1)中的散列表进行对比，查找到大样本指纹库中与步骤(2)中实时录入的指纹想匹配的样本指纹。

2.根据权利要求1所述的基于SIFT变换的指纹识别方法，其特征在于，步骤(1)中主特征分量的提取方法包括以下步骤：

(a)基于尺度空间对指纹关键特征点进行提取；

(b)基于泰勒级数对指纹关键特征点的精确度进行提升；

(c)对关键特征点的纹理描述子进行提取；

(d)基于PCA变换对指纹主特征分量进行提取。

3.根据权利要求2所述的基于SIFT变换的指纹识别方法，其特征在于，步骤(a)具体包括以下步骤：

(a1)利用高斯核将指纹的原始图像进行尺度变换，得到指纹图像多尺度下的尺度空间表示序列；

L(x,y,σ)＝G(x,y,σ)*I(x,y)

式中：L(x,y,σ)为尺度空间σ下的指纹图像，G(x,y,σ)为尺度可变高斯函数，I(x,y)为指纹二值图像

(a2)通过高斯差分算子得到指纹图像尺度空间差分序列；

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)

式中：D(x,y,σ)为尺度空间下的指纹图像差分序列

(a3)从尺度空间差分序列中提取局部极值点，即为指纹图像中的关键特征点。

4.根据权利要求3所述的基于SIFT变换的指纹识别方法，其特征在于，步骤(b)为在步骤(a2)中的指纹图像尺度空间差分序列中通过泰特级数对关键特征点进行曲线拟合，得到精确的局部极值点，即精确的关键特征点；

泰勒级数：

式中：Z表示(x,y,σ)^T，D(Z)为尺度空间差分序列，为D(Z)的一阶导数。

5.根据权利要求4所述的基于SIFT变换的指纹识别方法，其特征在于，步骤(c)具体包括以下步骤：

(c1)确定计算每个关键特征点纹理描述子所需的图案半径区域；

(c2)将坐标移至关键特征点主方向；

(c3)在图像半径区域内对每个像素进行计算，求其梯度幅值和方向，并生成方向直方图；

(c4)计算每个2×2区域内每个像素方向直方图，并计算每个梯度方向的累价值，即生成一个种子点；

(c5)由16个不同区域的种子点构成关键特征点的纹理描述子。

6.根据权利要求5所述的基于SIFT变换的指纹识别方法，其特征在于，步骤(d)具体包括以下步骤：

(d1)将一枚指纹中的多个纹理描述子排成高维特征矩阵；

(d2)对该高维特征矩阵进行PCA，提取该指纹的主特征分量。

7.根据权利要求6所述的基于SIFT变换的指纹识别方法，其特征在于，所述高维特征矩阵的维数为千维级。