CN105740902A - 指纹图像块方向准确性估计方法 - Google Patents
指纹图像块方向准确性估计方法 Download PDFInfo
- Publication number
- CN105740902A CN105740902A CN201610066162.4A CN201610066162A CN105740902A CN 105740902 A CN105740902 A CN 105740902A CN 201610066162 A CN201610066162 A CN 201610066162A CN 105740902 A CN105740902 A CN 105740902A
- Authority
- CN
- China
- Prior art keywords
- block
- point
- current block
- accuracy
- fingerprint image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了指纹图像块方向准确性估计方法,包括以下步骤:(1)、连续点方向的离散化;(2)、根据步骤(1)所得的点方向,分别统计子块内各点方向的像素点数量,像素点数量最大的点方向即为当前块方向;(3)、建立权值表;(4)、计算准确性分数;本发明方法准确性高、算法简单、能减少计算量、提高计算速度、拥有灵活的可调权值。与传统的方向一致性方法相比,判断效果相仿,但计算结果有更大的值域,同时权值可调,使得算法变得更加灵活。
Description
技术领域
本发明属于指纹识别技术领域,特别涉及指纹图像块方向准确性估计方法。
背景技术
人类的指纹是由谷线和脊线环绕而成,曲度、深浅和疏密程度因人而异,拥有独一无二的特点。指纹的唯一性和不变性使得指纹识别成为当今最热门的人体身份特征技术。
近年来,智能移动终端的发展极大地促进了指纹识别技术的广泛应用。指纹图像的识别一般包括指纹图像预处理、特征点提取、特征点匹配等过程。而指纹图像预处理算法又包括指纹图像的规定化、方向图计算、滤波增强等过程。指纹识别技术从上个世纪70年代发展以来,经历了无数的变革,但大部分的指纹增强算法都一定程度上依赖指纹方向信息的获取。
指纹的方向信息是指像素点代表的谷(脊)线的走向,一般用角度(0-180°)来表示,有的算法为了加快处理器的计算,把连续的角度离散成N个方向,如8个方向,每个方向间隔22.5°。指纹图像中像素点所在位置谷(脊)线的走向又称为点方向,点方向图是指一整幅由每个像素的方向信息组成的二维图像(矩阵)。为了简化计算,一般将指纹图像分割成互不重叠的子块,用块方向来代表该区域谷(脊)线的整体走向。
大量实验表明,在指纹纹理交叉相连、模糊不清以及纹线曲率较大(奇异点)的区域,无论是梯度法、方向逼近法还是邻域方向模板法,都无法获得准确的方向信息,甚至后续的滤波增强也达不到预期的效果。这时就需要对块方向图进行准确性的检测,以便识别出这些质量较差、较难增强的区域,在后续的处理过程中区别对待。
现有技术中,块方向的准确性通过方向一致性体现。
在图像子块的Wb×Wb邻域,块方向一致性的公式为:
式(1)中,bcoh为块方向一致性分数,Wb为块尺寸,θ为点方向。bcoh体现的是子块中方向的一致程度,即子块内方向越趋近同一个方向,bcoh的值就越大。经比较分析,该方法主要有两个缺点:在计算上存在冗余,一个方向必须分解成cos和sin两个分量再进行求和;仅估计了各方向的一致度,没有考虑当前计算的方向是否准确。
发明内容
本发明要解决的技术问题是提供一种准确性高、能减少计算量、提高计算速度、拥有灵活的可调权值的指纹图像块方向准确性估计方法。
本发明通过如下技术方案解决上述技术问题:
指纹图像块方向准确性估计方法,包括以下步骤:
(1)、连续点方向的离散化:
将指纹图像点方向图的连续点方向θ转化为离散的N个点方向,平均分布于0°至180°的范围内;
(2)、根据步骤(1)所得的点方向,分别统计子块内各点方向的像素点数量,像素点数量最大的点方向即为当前块方向;
(3)、建立权值表:
权值表的建立原则如下:
(4)与当前块方向一致的点方向权值最高;
(5)垂直于当前块方向的点方向权值最低;
(6)越接近当前块方向的点方向权值越高;
按上述原则分别为点方向图的每个子块的每个点方向设置权值,形成权值表;
(4)、计算准确性分数:
按下述公式计算准确性分数:
式中,bacc为当前块方向的准确性分数,S为当前块的有效像素点数,Q(i)为当前块内点方向为i的像素点数目,w(i)为步骤(3)权值表中当前块点方向i的权值,N为离散化的点方向数量。
所述点方向图的计算方法采用邻域方向模板法。
所述点方向图分割为多个子块,分别计算每个子块的bacc,根据计算结果确定bacc的值域,限定bacc的值在值域内。
所述N取值为8。
本发明的有益效果在于:准确性高、算法简单、能减少计算量、提高计算速度、拥有灵活的可调权值。与传统的方向一致性方法相比,判断效果相仿,但计算结果有更大的值域,有利于指纹图像识别后续算法提升阈值选取的容错率。
附图说明
图1是本发明实施例1点方向离散化为8个方向的示意图。
图2是本发明实施例1中子块中的点方向图。
具体实施方式:
以下结合实施例和附图对本发明的实施方式作详细说明,但不构成对本发明权利要求保护范围的限制。
指纹图像块方向准确性估计方法,包括以下步骤:
(1)、连续方向的离散化:
若输入点方向图点方向θ是连续值,则将θ转化为离散的N个方向,平均分布于0°至180°的范围内,代表该像素点处的指纹纹理走向。
用离散方向来代替连续方向可以提高计算速度,简化计算过程,一般用8方向来表示,在计算方向图的方法中,由于邻域方向模板法避开了耗时较多的浮点数乘法运算,在要求速度快、功耗以及成本低的场合被广泛采用。邻域方向模板法获得的方向就是8个离散方向。本发明方法设离散方向N为8方向。如图1所示。
(2)、统计各方向的像素点数量
设子块内的点方向图为port,在原图中的分布如图2所示,图中点方向图的计算方法为邻域方向模板法。
采用下述公式(2)统计子块内各点方向的像素点数量。
Q(i)=number(port==i)(2)
式(2)中,Q(i)表示子块内点方向为i的像素点数目。i取值范围为1~8。
Ob=Max_O[Q(i)](3)
由公式(3)得出当前块的方向Ob,Max_O表示取数组Q中的最大值元素。
根据式(2)统计图2的数组Q,结果如表1所示:
表1
由表1可知,子块内点方向8有331个像素点,为像素点最多的点方向,其他的7个点方向均分布有不同的数值,若将这些数值赋予不同的权值然后求和,只要权值符合一定原则,即可得知该块方向是否准确。
(3)、建立权值表:
经过大量实验,得出权值表的建立原则如下:
(7)当前块方向的点方向权值最高。
(8)垂直于块方向的点方向权值最低。
(9)越接近块方向的点方向权值越高。
就表1的结果来说,方向8是当前块的方向,权值应设置为最高。根据图1各点方向的角度可知,方向4垂直于方向8,因此方向4的权值最低;若把8个方向的延长线画完就能观察到,方向1和方向7最接近方向8;方向3比方向1、2更远离方向8;当前块权值表设置如表2所示:
表2
由于指纹图像点方向图分割为互不重叠的多个子块,每个子块的方向不尽相同,因此,须设置每个子块的点方向的权值表。如表3所示为8×8权值表,表中的权值可调整,但须遵照上述权值表的建立原则。
表3
表3中的行表示块方向对应的权值,列则表示点方向对应的权值。
(4)、计算准确性分数:
令当前块的有效像素点数为S,Q(i)为块内点方向为i的像素点数目,Ob为块方向,查找权值表,得出点方向i的权值为w(i),则该块的方向准确性分数bacc为:
按表3权值表分别计算各子块的bacc,结果得bacc的最大值为2,最小值为-2。
而实际上该分数一般不会低至负值,因此可将bacc的值域限制为(0,2)。
若子块中点方向与块方向相近的像素点越多,则bacc较高;若子块中点方向与块方向相背的像素点越多,则bacc较低,则说明该块方向计算有误,需要进一步处理。
对比实验:
测试平台为MATLAB(矩阵工作室)R2011b,运行于3.2GHz、4核心处理器的PC机上。测试对象为FVC2000(2000年指纹识别竞赛)发布的指纹库DB2中的指纹图像。本发明的方向准确性估计的方法与传统的方向一致性估算方法进行对比实验,对比结果如下:
1、计算效果对比
由于两种方法产生的最终结果的值域不同,而结果是否准确又依赖于选取的阈值,因此很难直观地对比它们的优劣,但仍可通过抽样检测的方法进行评价。
实验对象为指纹库DB2中“101_1.GIF”。首先选取一个质量较好的子块,记录下两种方法的计算结果。再观察选取一个质量较差的子块,再次记录下两种方法的计算结果。部分样本计算结果如表4和表5所示:
表4质量较好的子块计算结果
表5质量较差的子块计算结果
方法1——传统的方向一致性估算方法,即按公式(1)计算方向一致性分数;
方法2——本发明提出的估计方法,其值为方向准确性分数。
比值——方法2与方法1的值之比。
对比以上两个表格中数据可以得出以下结论:
(1)两种方法对质量相同指纹的判断结果基本一致,但确实存在差别。
(2)质量较好的子块的比值略大于质量较差的,说明当指纹图像子块的质量由坏到好上升时,方法2的值比方法1的值具有更明显的上升趋势。
这表明本发明方法与传统的方向一致性方法判断结果相仿,但本发明方法有更大的值域,有利于后续算法中的阈值设置。
2、处理时长对比
在指纹图像识别中,在计算块方向前,实际上已经统计过子块内各点方向的像素点数目,所以从算法的操作数角度分析,本实施例计算一个子块仅需进行8次乘法、8次加法以及1次除法运算。与传统的方向一致性计算方法相比(按公式(1)计算)减少了运算量。
在MATLAB(矩阵工作室)R2011b平台中分别运行本发明方法和传统的方向一致性计算方法,运用内置的精确计时工具记录它们的运行时长,实验对象均为指纹库DB2中“101_1.GIF”,图像大小为364×256。测试多次以后取平均值得到以下结果:
表6
由上表可看出,本发明的方法运算耗时更短。这将有利于该算法在更低速、计算资源更少的处理器中运行,降低成本,进一步压缩指纹识别算法的时长。
总的来说,本发明方法在保证结果准确的同时,减少了计算量,提高了运算效率,同时可调的权值和扩大的值域也使得算法变得更加灵活。
Claims (4)
1.指纹图像块方向准确性估计方法,其特征在于,包括以下步骤:
(1)、连续点方向的离散化:
将指纹图像点方向图的连续点方向θ转化为离散的N个点方向,平均分布于0°至180°的范围内;
(2)、根据步骤(1)所得的点方向,分别统计子块内各点方向的像素点数量,像素点数量最大的点方向即为当前块方向;
(3)、建立权值表:
权值表的建立原则如下:
(1)与当前块方向一致的点方向权值最高;
(2)垂直于当前块方向的点方向权值最低;
(3)越接近当前块方向的点方向权值越高;
按上述原则分别为点方向图的每个子块的每个点方向设置权值,形成权值表;
(4)、计算准确性分数:
按下述公式计算准确性分数:
式中,bacc为当前块方向的准确性分数,S为当前块的有效像素点数,Q(i)为当前块内点方向为i的像素点数目,w(i)为步骤(3)权值表中当前块点方向i的权值,N为离散化的点方向数量。
2.如权利要求1所述的指纹图像块方向准确性估计方法,其特征在于,所述点方向图的计算方法采用邻域方向模板法。
3.如权利要求1所述的指纹图像块方向准确性估计方法,其特征在于,所述点方向图分割为多个子块,按步骤(2)至(4)分别计算每个子块的bacc,根据计算结果确定bacc的值域,限定bacc的值在值域内。
4.如权利要求1所述的指纹图像块方向准确性估计方法,其特征在于,所述N取值为8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066162.4A CN105740902B (zh) | 2016-01-29 | 2016-01-29 | 指纹图像块方向准确性估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610066162.4A CN105740902B (zh) | 2016-01-29 | 2016-01-29 | 指纹图像块方向准确性估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740902A true CN105740902A (zh) | 2016-07-06 |
CN105740902B CN105740902B (zh) | 2019-06-11 |
Family
ID=56247167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610066162.4A Active CN105740902B (zh) | 2016-01-29 | 2016-01-29 | 指纹图像块方向准确性估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740902B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271516A (zh) * | 2008-04-02 | 2008-09-24 | 范九伦 | 指纹图像的方向滤波增强方法 |
US20120099771A1 (en) * | 2010-10-20 | 2012-04-26 | Lao Zhiqiang | Computer aided detection of architectural distortion in mammography |
CN103413116A (zh) * | 2013-06-14 | 2013-11-27 | 南京信息工程大学 | 一种有效的指纹方向场计算方法 |
-
2016
- 2016-01-29 CN CN201610066162.4A patent/CN105740902B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271516A (zh) * | 2008-04-02 | 2008-09-24 | 范九伦 | 指纹图像的方向滤波增强方法 |
US20120099771A1 (en) * | 2010-10-20 | 2012-04-26 | Lao Zhiqiang | Computer aided detection of architectural distortion in mammography |
CN103413116A (zh) * | 2013-06-14 | 2013-11-27 | 南京信息工程大学 | 一种有效的指纹方向场计算方法 |
Non-Patent Citations (3)
Title |
---|
向锐: ""面向低质量指纹的图像增强算法研究"", 《中国优秀硕士学位论文全文数据库--社会科技辑》 * |
张正言、徐荣青: ""基于边缘强度的指纹图像二值化方法"", 《江苏科技大学学报》 * |
罗希平、田捷: ""自动指纹识别中的图像增强和细节匹配算法"", 《软件学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN105740902B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Finger vein recognition algorithm based on lightweight deep convolutional neural network | |
Tong et al. | Facial expression recognition algorithm using LGC based on horizontal and diagonal prior principle | |
CN107103323A (zh) | 一种基于图像轮廓特征的目标识别方法 | |
CN109409385A (zh) | 一种指针式仪表自动识别方法 | |
CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
CN103984922B (zh) | 一种基于稀疏表示和形状约束的人脸识别方法 | |
CN111858997B (zh) | 一种基于跨领域匹配的服装样板生成方法 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
CN106446773A (zh) | 一种全自动、鲁棒的三维人脸检测方法 | |
CN105787451A (zh) | 一种基于多判决点模式的指纹匹配方法 | |
CN108122225A (zh) | 基于自适应特征点的数字图像篡改检测方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN115830652A (zh) | 一种深度掌纹识别装置及方法 | |
CN109977892B (zh) | 基于局部显著性特征和cnn-svm的舰船检测方法 | |
CN103473546B (zh) | 一种基于结构张量的指纹方向场获取方法 | |
CN105740902A (zh) | 指纹图像块方向准确性估计方法 | |
CN106250818A (zh) | 一种全序保持投影的人脸年龄估计方法 | |
CN110197184A (zh) | 一种基于傅里叶变换的快速图像sift提取方法 | |
CN110147715A (zh) | 一种视网膜OCT图像Bruch膜开角自动检测方法 | |
CN201681406U (zh) | 基于压感指纹采集和dsp算法的指纹识别系统 | |
CN104091146A (zh) | 人体静脉图像特征提取方法 | |
CN106971168A (zh) | 基于人脸结构特征的多方向多层次双交叉鲁棒性识别方法 | |
Liu et al. | Research on image based on improved SURF feature matching | |
CN106096597A (zh) | 一种人脸识别方法和装置 | |
CN106971143A (zh) | 一种利用对数变换和平滑滤波的人脸光照不变特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |