CN105528591B - 基于多象限编码的活体指纹识别方法 - Google Patents

Abstract

本发明公开了一种基于多象限编码的活体指纹识别方法。设计指纹识别方法技术领域。所述方法包括：采集足够数量的真假指纹图像；在采集到的指纹图像上随机采样大量不同尺寸图像块；通过正交簇保持学习算法学习出各个滤波器以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；使用多象限编码获得指纹图像纹理特征；对得到的特征进一步降维，交叉验证参数并训练SVM分类器，挑选最佳参数训练得到最终分类器。所述方法通过采用多象限编码技术，可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统的提升，提高了指纹识别系统的安全性。

Description

基于多象限编码的活体指纹识别方法

技术领域

本发明涉及指纹识别方法技术领域，尤其涉及一种基于多象限编码的活体指纹识别方法。

背景技术

指纹识别主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份鉴定，现如今，指纹识别技术已经非常成熟，并被广泛运用于身份认证、信息加密等领域。然而，大多数指纹识别系统并不能区分所扫描的指纹是否来自于真正的人体，使用橡胶、硅脂甚至印刷在纸上的假指纹都可以成功地欺骗指纹识别系统。

发明内容

本发明所要解决的技术问题是提供一种基于多象限编码的活体指纹识别方法，所述方法通过分析活体指纹与假指纹在纹理特征上的细微差别将真假指纹区分开，提高了指纹识别系统的安全性。

为解决上述技术问题，本发明所采取的技术方案是：一种基于多象限编码的活体指纹识别方法，其特征在于包括如下步骤：

采集足够数量的真假指纹图像；

在采集到的指纹图像上随机采样大量不同尺寸图像块；

通过正交簇保持学习算法学习各尺寸图像块下的分割面，以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；

使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征；

对所述获得的指纹图像纹理特征进一步降维，交叉验证参数并训练分类器，挑选最佳参数训练得到最终分类器。

进一步的技术方案在于：所述的通过正交簇保持学习算法学习3×3尺度下的分割面的方法如下：

将3×3图像块拉伸成9维的列向量并进行归一化得到具体如下表示：

其中n代表每个尺寸上随机采集真假图像块数。

进一步的技术方案在于：所述的最大化分割超平面与图像块数据的平均角度方法如下：

迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，具体实现如下：

首先随机初始化滤波器组，F＝[f₁，f₂，…，f_d]∈R^9×d，其中d为当前尺度下的滤波器数量，使分界面尽量不会将单个簇分割开，其中用N表示随机采取到的各个尺寸下的真假图像块数

由于目标函数具有不可导点，该优化问题需要使用带正交约束的一阶梯度下降算法求解。

进一步的技术方案在于：所述的分割超平面与图像块数据的平均角度按照如下方法进行最大化：

首先将滤波器组与训练数据投影到当前运算的空间其中H是投影矩阵，初始化为对角矩阵H＝I_9×9，接着计算损失函数和梯度得到学习率，其中损失函数如下：

其中表示投影到当前运算空间的滤波器组分量，j表示滤波器向量组索引值，表示图像块向量化的表示

梯度表示如下：

最后更新投影矩阵，将训练得到的新的滤波器组投影回原空间。

进一步的技术方案在于：所述的使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征的具体方法如下：

用得到的正交基即分割超平面的法向量对待训练图像进行卷积，并利用训练得到的正交基的零均值特性统计指纹图像梯度，将白色背景滤除，利用多象限编码技术对卷积结果进行编码，在滤除背景之后的指纹图像上统计得到编码直方图，对直方图进行归一化操作，并使用PCA算法进行压缩，最后将各个尺度下的归一化直方图进行组合即将各个尺度的特征串联起来，获得指纹图像纹理特征。

进一步的技术方案在于：所述的使用分割平面的法向量对待训练图像进行处理，获得指纹图像纹理特征的具体方法如下：

使用滤波器f_i对待训练图像进行卷积，卷积后根据结果是否大于0进行二值化处理，具体如下表示：

其中I为输入图像，*为卷积符号，d为当前尺度下的滤波器数量，C(I)为卷积后的图像,当I*f_i的值大于0的时候s(I*f_i)的取值为1，否则取值0；

根据得到的卷积结果，得到梯度图像并统计整幅图的梯度取图像梯度较大值的80％作为前景掩膜，由公式得到梯度图像，其中I为输入图像，*为卷积符号，G(I)为计算后的梯度图像；

统计前景图像的直方图并进行归一化，统计卷积后图像C(I)中每个数字的个数，形成共2^d维的特征直方图，其中d表示当前尺度下滤波器的数量，即在3×3尺度下生成256维直方图f^3×3，其他尺度下生成4096维直方图f^4×4～f^10×10，该操作实际是在统计由滤波器组这组正交基所切出的各个象限中图像前景掩膜下所有图像块的个数，这就是多象限编码中多象限的含义，继而对得到的直方图进行归一化；

使用PCA算法对各个尺度下的归一化直方图进行压缩，并将各个尺度的特征进行串联，获得指纹图像纹理特征。

进一步的技术方案在于：所述的交叉验证参数并训练分类器的过程中，使用径向基核支持向量机作为分类器交叉验证松弛变量C、径向宽度G和PCA降维后的维度R这三个参数。

采用上述技术方案所产生的有益效果在于：所述方法通过采用多象限编码技术，可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统的提升，通过对当前指纹识别软件系统的改进即可抵御大多数已知材料制作而成的假指纹模具的攻击，提高了指纹识别系统的安全性。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明所述方法的流程图；

图2为进行多象限编码的一个示例图；

图3为多维象限编码在二维空间中的示意图；

图4为多象限编码技术的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明公开了一种基于多象限编码的活体指纹识别方法，所述方法能够对非活体指纹进行有效甄别。

图1示出了本发明的基本流程图。如图1所示，该方法包括如下步骤：

步骤1：采集多张真、假指纹图像：

分别使用硅胶、明胶、乳胶、共聚酯、木胶等材料制作手指大小的模具，将真人手指按压在模具上，形成清晰的纹路，然后将材料放置于阴凉处自然风干凝固，得到假指纹。使用真人手指和手指模具分别采集约2000张指纹图像。

在指纹采集过程中，真人手指或材料制成的假手指正常按在指纹采集器表面，不需刻意小心，也不需用力，采集到的指纹应具有一般性，将严重模糊和严重虚白等不能参与指纹识别的图像排除。

步骤2：采集指纹图像块：

对采集到的真假指纹图像分别采样3×3、4×4到10×10共8个不同尺寸的图像块，在每个尺寸上随机采集真假图像块各10万个。

采集图像块时，剔除掉标准差小于20、平均灰度大于128的图像块，即完成指纹背景滤除，防止其对训练基向量产生干扰。

步骤3：训练各尺度下的分割面：

下面仅使用3×3尺度的图像块举例说明如何训练分割面，运用同样的方法训练其他尺度下的分割面，需要留意的是不同尺度下的滤波器数量存在差别，对3×3图像块来说，滤波器数量d＝8，其它尺度下滤波器数量d＝12。特别的，滤波器组中每个滤波器展开成向量之后即为分割面的法向量，本发明中提到的基向量、滤波器、向量化后的滤波器、分割面等概念相互等价，都用f_i表示。

步骤3.1：将每个图像块拉伸成向量，例如3×3的图像块拉伸成一个9维的列向量X＝[x₁，x₂，…，x_n]∈R^9×d，对所有向量化的图像块进行归一化，即减去自身均值，除以自身标准差

其中n代表每个尺寸上随机采集真假图像块数，在本发明实施例中取n＝100000。

接着随机初始化滤波器组，F＝[f₁，f₂，…，f_d]∈R^9×d，其中d为当前尺度下的滤波器数量。对3×3图像块来说，d＝8，其它尺度下，d＝12。

步骤3.2：迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，具体实现如下：

滤波器的作用是将多维的列向量X中所有向量所聚成的多个簇分开，应该使滤波器尽量不穿过向量点密集的地方。本发明使用如下优化式来最大化分割面和向量之间的角度，使分界面尽量不会将单个簇分割开：

其中N代表每个尺寸上随机采集真假图像块数，和分别是滤波器和图像块的向量表示分量投影到运算空间的表达形式，由于增加了的约束，且目标函数具有不可导点，因此该式不可以使用常规的优化算法进行优化，本发明使用带正交约束的一阶梯度下降算法来求解此问题：

步骤3.2.1：将滤波器组与训练数据投影到当前运算的空间：H是投影矩阵，初始化为对角矩阵H＝I_9×9

步骤3.2.2：归一化f_i使重复计算损失函数和梯度，直至满足条件

损失函数：

梯度函数：

其中f_i表示滤波器组中的第i个滤波器，i表示维度，x_i表示图像块向量化的表示。应用梯度下降更新当前运算空间的滤波器，其中初始化搜索尺度α＝1，线搜索得到学习率α。

步骤3.2.3：更新投影矩阵其中表示求解滤波器的零空间，在Matlab中可以用null()函数得到零空间的基。

步骤3.2.4：利用公式将训练得到的投影回原空间得到滤波器f_i。

步骤4：使用滤波器组运用多象限编码在训练图像上提取纹理特征：

步骤4.1：使用滤波器f_i对待训练图像进行卷积，卷积后根据结果是否大于0进行二值化处理，具体如下表示：

其中I为输入图像，*为卷积符号，C(I)为编码后的图像,当I*f_i的值大于0的时候s(I*f_i)的取值为1否则取值0；如图2所示为多象限编码的一个示例图，图2显示一个3×3尺度下将滤波器组和图像进行卷积编码之后的结果，3×3尺度对应的滤波器组的维度为d＝8,图2上方显示的是输入图像I与滤波器组f_i卷积并二值化的结果，下方显示的是最后编码结果图C(I)。

步骤4.2：根据步骤4.1得到的卷积结果得到梯度图像并统计整幅图的梯度取图像梯度较大值的80％作为前景掩膜，因为步骤3得到的滤波器组具有零均值的特征可以将其作为梯度检测算子，所以可以由公式得到梯度图像，

其中I为输入图像，*为卷积符号，G(I)为计算后的梯度图像；此处可以利用步骤4.1中得到的I*f_i计算结果提高运算速度。统计整幅图像的梯度，取梯度最大的80％作为前景掩膜，该参数的设置需要根据指纹纹路在整幅图像中的占比来设置，例如指纹普遍只占图像的50％，该参数也应设置为50％作为前景掩膜。

此时的前景掩膜边缘较为粗糙，而且具有较多噪点。对前景掩膜使用t×t(t为当前尺度)大小的结构元素进行膨胀，得到完整的指纹前景掩膜。此时得到的掩膜不仅包含指纹图像，也会包含未接触到的虚影、汗渍等，有利于最后一步对真假指纹进行区分。

步骤4.3：统计前景图像的直方图并进行归一化，统计卷积后图像C(I)中每个数字的个数，形成共2^d维的特征直方图，其中d表示当前尺度下滤波器的数量。即在3×3尺度下生成256维直方图f^3×3，其他尺度下生成4096维直方图f^4×4～f^10×10；该操作实际是在统计由滤波器组这组正交基所切出的各个象限中图像前景掩膜下所有图像块的个数，多象限编码中“多象限”的含义就是指统计多个象限下的情况。为进一步加深对多象限的理解，借助图3进行说明，图3左侧图中的每个点表示拉伸为向量后的图像块，右图为左图对应生成的直方图。特别说明，图3左侧图实际是将t²维的向量表示在二维空间中，t是图像当前尺寸。

由图4可以看出，接下来应对直方图进行归一化。在提取到直方图之后，对各个尺度下的直方图进行hellinger距离的归一化，具体如下所示：

其中i代表各个尺度对应的滤波器数量，f_i表示滤波器组的各个分量。

步骤4.4：由图4的流程图知，各个尺度得到的特征数量较大，可采用PCA算法实现降维，将3×3尺度的特征降到100维，其他尺度对应特征降到400维。最后，将各个尺度的特征进行串联，形成100+7*400＝2900维特征向量，将所有训练样本的特征向量储存起来备用。

步骤5：交叉验证参数并训练分类器：

提取出的2900维特征向量，里面包含了多个尺度的信息，而相邻尺度的信息之间可能具有较高的相关性，因此需要进一步地使用PCA降维来去掉这些冗余性。因为不同采集器采集到的特征在不同尺度下的相关性各有不同，所以其降维后的维度需要使用交叉验证法来确定。

本发明使用径向基核支持向量机作为分类器，分类器有两个参数，松弛变量V和径向宽度W，这两个参数也要一并作为待定参数进行交叉验证。加上降维后的维度L，共有3个参数需要通过交叉验证来确定。

交叉验证指的是将训练特征均分为n份(在本实例中，n取5)，每次使用其中的n-1份进行训练，剩下的1份作为验证集。在划分的时候，应注意不要将同一个手指形成的指纹图像划分到不同的组里，以防止分类器学习到指纹纹路特征。最终，使用n次交叉验证的平均识别率作为判断最佳参数的依据。

本发明的交叉验证详细流程如下：

步骤5.1：固定V＝256，W＝1，遍历L＝{100,200，…，1000}，使用交叉验证取出最佳的L；

步骤5.2：固定L为5.1步中得到的最佳参数，V＝256，遍历W＝{0.01，0.05，0.1，0.5,1,2,4}，使用交叉验证获得最佳的W；

步骤5.3：固定L和W为5.1、5.2步得到的最佳参数，遍历V＝{32,64,128,256,512,768,1024}，获得最佳的V；

步骤5.4：固定V和W为最佳参数，确定L；

步骤5.5：固定V和L为最佳参数，确定W；

步骤5.6：固定L和W为最佳参数，确定V；

步骤5.7：重复5.4-5.6步，至参数稳定，通常只需重复一次。

最后，使用得到的参数，将全部的训练数据输入径向基核支持向量机，即可得到最终的分类器模型。

Claims (7)

1.一种基于多象限编码的活体指纹识别方法，其特征在于包括如下步骤：

采集足够数量的真假指纹图像；

在采集到的指纹图像上随机采样大量不同尺寸图像块；

通过正交簇保持学习算法学习各尺寸图像块下的分割面，以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；所述正交簇保持学习算法是迭代选用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，使分界面尽量不会将单个簇分隔开；

使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征；

对所述获得的指纹图像纹理特征进一步降维，交叉验证参数并训练分类器，挑选最佳参数训练得到最终分类器。

2.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于：通过正交簇保持学习算法学习3×3尺度下的分割面的方法如下：

将3×3图像块拉伸成9维的列向量并进行归一化得到具体如下表示：

其中n代表每个尺寸上随机采集真假图像块数。

3.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于：所述的最大化分割超平面与图像块数据的平均角度方法如下：

迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，具体实现如下：

首先随机初始化滤波器组，F＝[f1，f2，…，fd]∈R^9×d，其中d为当前尺度下的滤波器数量，使分界面尽量不会将单个簇分割开，其中用N表示随机采取到的各个尺寸下的真假图像块数：

由于目标函数具有不可导点，该优化问题需要使用带正交约束的一阶梯度下降算法求解。

4.如权利要求3所述的基于多象限编码的活体指纹识别方法，其特征在于所述的分割超平面与图像块数据的平均角度按照如下方法进行最大化：

首先将滤波器组与训练数据投影到当前运算的空间 其中H是投影矩阵，初始化为对角矩阵H＝I_9×9，接着计算损失函数和梯度得到学习率，其中损失函数如下：

其中表示投影到当前运算空间的滤波器组分量，j表示滤波器向量组索引值，表示图像块向量化的表示

梯度表示如下：

最后更新投影矩阵，将训练得到的新的滤波器组投影回原空间。

5.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于所述的使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征的具体方法如下：

用得到的正交基即分割超平面的法向量对待训练图像进行卷积，并利用训练得到的正交基的零均值特性统计指纹图像梯度，将白色背景滤除，利用多象限编码技术对卷积结果进行编码，在滤除背景之后的指纹图像上统计得到编码直方图，对直方图进行归一化操作，并使用PCA算法进行压缩，最后将各个尺度下的归一化直方图进行组合即将各个尺度的特征串联起来，获得指纹图像纹理特征。

6.如权利要求5所述的基于多象限编码的活体指纹识别方法，其特征在于所述的使用分割平面的法向量对待训练图像进行处理，获得指纹图像纹理特征的具体方法如下：

使用滤波器f_i对待训练图像进行卷积，卷积后根据结果是否大于0进行二值化处理，具体如下表示：

其中I为输入图像，*为卷积符号，d为当前尺度下的滤波器数量，C(I)为卷积后的图像，当I*f_i的值大于0的时候s(I*f_i)的取值为1，否则取值为0；

根据得到的卷积结果，得到梯度图像并统计整幅图的梯度取图像梯度较大值的80％作为前景掩膜，由公式得到梯度图像，其中I为输入图像，*为卷积符号，G(I)为计算后的梯度图像；

统计前景图像的直方图并进行归一化，统计卷积后图像C(I)中每个数字的个数，形成共2^d维的特征直方图，其中d表示当前尺度下滤波器的数量，即在3×3尺度下生成256维直方图f^3×3，其他尺度下生成4096维直方图f^4×4～f^10×10，该操作实际是在统计由滤波器组这组正交基所切出的各个象限中图像前景掩膜下所有图像块的个数，这就是多象限编码中多象限的含义，继而对得到的直方图进行归一化；

使用PCA算法对各个尺度下的归一化直方图进行压缩，并将各个尺度的特征进行串联，获得指纹图像纹理特征,基向量、滤波器、向量化后的滤波器、分割面概念相互等价，均用f_i表示。

7.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于所述的交叉验证参数并训练分类器的过程中，使用径向基核支持向量机作为分类器交叉验证松弛变量C、径向宽度G和PCA降维后的维度R这三个参数。