CN106650572A

CN106650572A - 一种指纹图像的质量评估方法

Info

Publication number: CN106650572A
Application number: CN201610817804.XA
Authority: CN
Inventors: 于泽
Original assignee: Shenzhen Chipsailing Technology Co Ltd
Current assignee: Shenzhen Chipsailing Technology Co Ltd
Priority date: 2016-09-12
Filing date: 2016-09-12
Publication date: 2017-05-10

Abstract

本发明适用于图像处理技术领域，提供了一种指纹图像的质量评估方法，包括：获取指纹图像样本，并计算所述指纹图像样本的特征值；将指纹图像样本的特征值作为输入，指纹图像样本的质量值作为输出，训练神经网络，直至关于所有指纹图像样本的预设函数值最小，得到训练好的神经网络；获取测试指纹图像，通过所述计算得到所述测试指纹图像的所述特征值；将所述测试指纹图像的所述特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。本发明能够实现小尺寸的指纹图像的质量评估，且由于在指纹图像的质量评估过程中采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。

Description

一种指纹图像的质量评估方法

技术领域

本发明属于图像处理技术领域，尤其涉及一种指纹图像的质量评估方法。

背景技术

指纹识别技术目前已经被广泛应用在门禁、考勤、支付、移动终端等技术领域，由于指纹传感器采集到的指纹图像多为小尺寸图像，指纹图像的质量在很大程度上影响着指纹识别的准确率，因此，在执行指纹识别之前，对指纹图像质量的判断过程就显得尤为重要。

现有技术通过指纹图像的信息熵或信息谱来确定权重的相似度，从而对指纹图像进行质量评估，然而，小尺寸图像的信息熵和信息谱的获取过程存在各种干扰因素，即使通过图像增强也无法完全消除噪声，容易产生大量的伪特征点，从而影响了对指纹图像质量的评估结果的准确性。

发明内容

有鉴于此，本发明实施例提供了指纹图像的质量评估方法及装置，旨在解决现有技术中对指纹图像的质量进行评估的准确性低的问题。

第一方面，提供了一种指纹图像的质量评估方法，包括：

获取指纹图像样本，并计算所述指纹图像样本的特征值，其中，所述特征值包括灰度直方图特征值、LBP特征值、灰度共生矩阵纹理特征值、方向一致性特征值、方向场连续性特征值、方向对比度特征值以及块均值和方差特征值；

将所述指纹图像样本的特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；

获取测试指纹图像，通过所述计算得到所述测试指纹图像的特征值；

将所述测试指纹图像的特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。

本发明实施例能够实现小尺寸的指纹图像的质量评估，且由于在指纹图像的质量评估过程中采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的指纹图像的质量评估方法的实现流程图；

图2是本发明实施例提供的指纹图像的质量评估方法S101中获取LBP特征值的具体实现流程图；

图3是本发明实施例提供的指纹图像的质量评估方法S101中获取灰度共生矩阵纹理特征值的具体实现流程图；

图4是本发明实施例提供的指纹图像的质量评估方法S101中获取方向一致性特征值的具体实现流程图；

图5是本发明实施例提供的指纹图像的质量评估方法S101中获取方向场连续性特征值的具体实现流程图；

图6是本发明实施例提供的指纹图像的质量评估方法S101中获取方向对比度特征值的具体实现流程图；

图7是本发明实施例提供的指纹图像的质量评估方法S101中获取块均值和方差特征值的具体实现流程图；

图8是本发明实施例提供的指纹图像的方法S102中训练神经网络的结构示意图。

具体实施方式

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

图1示出了本发明实施例提供的指纹图像的质量评估方法的实现流程，详述如下：

在步骤S101中，获取指纹图像样本，并计算指纹图像样本的特征值，其中，特征值包括灰度直方图特征值、LBP特征值、灰度共生矩阵纹理特征值、方向一致性特征值、方向场连续性特征值、方向对比度特征值以及块均值和方差特征值。

在本实施例中，通过神经网络来实现对小尺寸的指纹图像的质量评估，在进行质量评估之前，需要通过一定数量的指纹图像样本对神经网络进行训练，首先计算指纹图像样本的特征值，以将指纹图像样本的特征值作为神经网络的输入。

作为本发明的一个实施例，在计算指纹图像样本的特征值时，可以对指纹图像样本进行分解，以分别计算其中每个子图像的特征值，这样即能够得到全局图像的特征值，也可以根据实际的图像质量评估需求，得到局部图像的特征值，增加了指纹图像质量评估方案的灵活性。步骤S101通过以下方式实现：

其中，步骤S101中计算指纹图像样本的灰度直方图特征值包括：

根据以下公式获取灰度直方图的均值、方差、能量、熵、偏度、峰度以及灰度图像的块均值方差：

其中，u为均值，σ为方差，e为能量，s为信息熵，η1为偏度，η2为峰度，i为灰度值，i位于在0～255之间。

其中，如图2所示，步骤S101中计算指纹图像样本的LBP特征值包括：

步骤S1011.扫描指纹图像样本，获取每个像素点的LBP值。

步骤S1012.根据转换表转换为旋转不变LBP值，根据旋转不变LBP值获取LBP分布图。

步骤S1013.根据LBP分布图获取LBP直方图特征，根据LBP直方图特征获取PCA矩阵。

步骤S1014.对LBP特征进行PCA降解得到LBP特征值。

其中，在步骤S1011之前获取LBP(256维)和旋转不变LBP(36维)之间的转换表。

在步骤S1013和步骤S1014中，具体的，利用LBP转换表得到hist[36]的LBP直方图特征，并进行归一化，整理训练样本，对36维LBP直方图特征进行主成分分析取前两个主成分，得到PCA矩阵，可对36维LBP直方图特征进行PCA降维得到最终的2维GLCM特征。

其中，如图3所示，步骤S101中计算指纹图像样本的灰度共生矩阵纹理特征值包括：

步骤S1015.提取步长为1，方向分别为0度、45度、90度以及135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)。

在步骤S1015中，具体的，灰度共生矩阵纹理特征值可以通过计算两灰度值在图像中水平相邻的次数而得到的，也可以不必是水平相邻的次数，这一参数是可调的，可以通过步长来进行调整，比如[0D]代表是水平方向，[-D D]代表是45度方向，[-D 0]代表90度方向，而[-D-D]则代表135度方向)，GLCM(灰度共生矩阵纹理特征值)中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数，把灰度图像(0～255)将转换到16级(0～15)，灰度的级数决定了GLCM矩阵的大小尺寸。

步骤S1016.分别计算所得到的4个矩阵的能量、熵、对比度以及一致性的4个特征值，获取16维GLCM特征。

在步骤S1016中，具体的，分别计算I计算得到4个矩阵能量、熵、对比度、一致性4个特征，总共得到16维特征，其中：

能量

信息熵

对比度

一致性

步骤S1017.根据16维GLCM特征获取前三个主成分，并根据前三个主成分得到PCA矩阵。

步骤S1018.根据PCA矩阵对16维GLCM特征进行PCA降维得到3维GLCM特征。

在步骤S1016和步骤S1017中，整理训练样本，对16维GLCM特征进行主成分分析取前三个主成分，得到PCA矩阵，对16维GLCM特征进行PCA降维得到最终的3维GLCM特征。

其中，如图4所示，步骤S101中计算指纹图像样本的方向一致性特征值包括：

步骤S1019.将指纹图像样本分为w*w互不重叠的小块，获取每个小块中w*w个像素点组成的梯度协方差。

在步骤S1019中，具体的，将指纹图像样本分为w*w互不重叠的小块，对于每个子块表示点s处的灰度级强度的梯度，则每个小块中w*w个像素点组成的梯度协方差定义为：

步骤S1020.根据梯度协方差获取矩阵式半正定矩阵的特征值。

在步骤S1020中，具体的，矩阵式半正定矩阵的特征值为：

其中，trace(J)＝j₁₁+j₁₂，det(J)＝j₁₁*j₂₂-j₁₂*j₁₂，λ₁>λ₂。

步骤S1021.根据矩阵式半正定矩阵的特征值获取每个小块的归一化衡量因子。

在步骤S1021中，具体的，定义一个归一化衡量因子k(0<k<1)，该归一化衡量因子描述每个块中局部脊谷方向清晰度：

如果局部块有清晰的纹线，则λ₁远大于λ₂，则k接近于1，反之，如果局部块的纹线模糊，则则λ₁约等于λ₂，k接近于0。

步骤S1022.对每个小块的归一化衡量因子采用平均权值的方法算得总得分。

在步骤S1022中，具体的，计算每个块的k因子，对于整个指纹图像，采用平均权值的方法算得总得分：

即

其中，N为指纹图像的总分块数目。Q为指纹图像方向一致性得分作为本方法的其中一维特征。

其中，如图5所示，步骤S101中计算指纹图像样本的方向场连续性特征值包括：

步骤S1023.将指纹图像样本分为w*w互不重叠的小块，获取每个小块的平方梯度向量。

在步骤S1023中，具体的，将指纹图像分块w*w的小块，利用sobel算子计算梯度，其中，水平算子s1＝[-1,0,1；-2,0,2；-1,0,1]，垂直算子s2＝[-1,-2,-1；0,0,0；1,2,1]，以每个小块中的免每个像素为中心分成如下矩阵：

P0 P1 P2

P3 P4 P5

P6 P7 P8

则块内每个像素点水平梯度和垂直梯度为：

vx(x,y)＝2*(P5-P3)+(P2-P0)+(P8-P6)

vy(x,y)＝2*(P7-P1)+(P6-P0)+(P8-P2)

则每个块的总梯度向量为：

则每个块的平方梯度向量为GX，GY。

GX＝2*dx*dy

GY＝dx²-dy²

步骤S1024.根据每个小块的平方梯度向量获取每个小块的方向场。

在步骤S1024中，具体的，设UGX，UGY分别为GX，GY的绝对值，则可以通过以下方法求得每个指纹小块的方向场(8个方向，分别为0度，22.5度，45度，67.5度，90度，112.5度，135度，157.5度)，用pDirection来表示。可用以下关系式求方向场的方向。

uDY>uDX&&DY>0&&uDY>2.4*uDX pDirection＝4；

uDY>uDX&&DY>0&&uDY<2.4*uDX&&DX>0 pDirection＝3；

uDY>uDX&&DY>0&&uDY<2.4*uDX&&DX<＝0 pDirection＝5；

DY>uDX&&DY<＝0&&uDY>2.4*uDX pDirection＝0；

DY>uDX&&DY<＝0&&uDY>2.4*uDX&&DX>0 pDirection＝1；

DY>uDX&&DY<＝0&&uDY>2.4*uDX&&DX<＝0 pDirection＝7；

uDY<＝uDX&&DX>0&&uDX>2.4*uDY pDirection＝2；

uDY<＝uDX&&DX>0&&uDX<＝2.4*uDY&&DY>0 pDirection＝3；

uDY<＝uDX&&DX>0&&uDX<＝2.4*uDY&&DY<＝0 pDirection＝1；

uDY<＝uDX&&DX<＝0&&uDX>2.4*uDY pDirection＝6；

uDY<＝uDX&&DX<＝0&&uDX<＝2.4*uDY&&DY>0 pDirection＝5；

uDY<＝uDX&&DX<＝0&&uDX<＝2.4*uDY&&DY>0 pDirection＝7。

步骤S1025.获取方向场与周围小块的方向场一致的小块个数，根据小块个数和总块数获取方向一致性特征值。

在步骤S1025中，具体的，求每分块与周围8分块的方向场pDirection是否一致，求出一致的个数n，如果n>4，则认为该小块是方向场一致，否则认为方向场不一致，用方向场一致的块个数除以总的块数可以得到最后的一维特征。

其中，如图6所示，步骤S101中计算指纹图像样本的方向对比度特征值包括：

步骤S1026.将指纹图像样本分为w*w互不重叠的小块，在8个方向上计算每个小块的像素之和，并获取最大值和最小值。

在步骤S1026中，具体的，从灰度值的角度去区分脊线和谷线的对比程度。对于一幅指纹图像的每个子块，在8个方向上计算像素之和，比较得出一个最大值(脊线)和最小值(谷线)。

步骤S1027.计算每个小块的最大值和最小值的比值，并获取比值大于预设值的块数。

在步骤S1027中，具体的，取二者的比值作为衡量该块质量的指标，比值越大说明图像质量越好，获取比值大于预设值的块数。

步骤S1028.根据比值大于预设值的块数与总块数获取特征值。

在步骤S1028中，具体的，求取质量标记为好的子块数与总块数的比值，作为该幅指纹图像的质量，共一维特征。

上述步骤中，具体方法如下，将指纹图像分为w*w的小块，对于每个小块进行如下处理：

θ_max＝max(θⁱ)

D^k＝|θ_max-θ'| k＝1～N

其中，Sⁱ(x,y)为一个点在第i个方向上的灰度值的均值，θⁱ为整个块在第i个方向上的灰度值的均值，θ_max为θⁱ的最大值，θ′为与θ_max垂直的方向上的灰度值的均值，D^k为第k个块的方向对比度，N为指纹的分块个数，S为最后的方向对比度特征。

其中，如图7所示，步骤S101中计算指纹图像样本的块均值和方差特征值包括：

步骤S1029.将指纹图像样本分为w*w互不重叠的小块，计算每个小块的均值和方差。

在步骤S1029中，具体的，将指纹图像分为w*w的小块，计算每个小块的均值和方差，u(i)表示第i个块的指纹图像灰度均值，var(i)表示第i个块的指纹图像灰度的方差。

步骤S1030.根据每个小块的均值和方差计算整个指纹图像块均值的方差，和块方差的方差。

在步骤S1030中，具体的，计算整个指纹图像块均值的方差，和块方差的方差，即u(i)和var(i)的方差得到二维特征向量。

步骤S102.将所述指纹图像样本的特征值作为输入，所述指纹图像样本的质量值作为输出，训练神经网络直至关于所有所述指纹图像样本的预设函数值最小，得到训练好的神经网络；

在步骤S102中，具体的，使用径向神经网络(RBF)对指纹质量特征进行机器学习。如图8所示，RBF网络的结构与多层前向网络类似，它是一种三层前向网络。输入层由信号源结点组成；第二层为隐含层，隐单元数视所描述问题的需要而定，隐单元的变换函数是RBF径向基函数，它是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用作出响应。从输人空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间变换是线性的。RBF的方法是要选择P个基函数，每个基函数对应一个训练数据，各基函数形式为φ(||X-Xp||)，由于距离是径向同性的，因此称为径向基函数。||X-Xp||表示差向量的模，或者叫2范数。基于为径向基函数的插值函数为：

对于广义RBF网络，其为从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。从隐藏层到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习规则，参见神经网络基础和感知器。广义RBF网络要求隐藏层神经元个数大于输入层神经元个数。因为在标准RBF网络中，当样本数目很大时，就需要很多基函数，权值矩阵就会很大，计算复杂且容易产生病态问题：径向基函数的中心不再限制在输入数据点上，而由训练算法确定，各径向基函数的扩展常数不再统一，而由训练算法确定，输出函数的线性变换中包含阈值参数，用于补偿基函数在样本集上的平均值与目标值之间的差别。因此广义RBF网络的设计包括：a、结构设计--隐藏层含有几个节点合适；b、参数设计--各基函数的数据中心及扩展常数、输出节点的权值。RBF函数中心、扩展常数、输出权值都应该采用监督学习算法进行训练，经历一个误差修正学习的过程，与BP网络的学习原理一样。同样采用梯度下降法，定义目标函数为:

eⁱ为输入第i个样本时的误差信号。

为使目标函数最小化，各参数的修正量应与其负梯度成正比，即：

具体计算式为:

根据步骤S101可得16维特征输入，即RBF神经网络的输入层为16，根据上述描述可知RBF神经网络隐含层数要比输入层数大，本发明设计的隐含层个数为64，输出层中按照对训练样本按质量非常好，好，一般，差分为4类，其中这4个分类分别赋予0～1之间的分数(非常好为1分，好为0.66分，一般为0.33分，差为0分)对RBF神经网络进行分类，得到64个数据中心c(M)，64个扩展系数和64个权值系数w(M)。利用这三个参数和神经网络结构可对指纹图像进行质量评估。

步骤S103.获取测试指纹图像，通过所述计算得到所述测试指纹图像的特征值。

步骤S104.将所述测试指纹图像的特征值输入所述训练好的神经网络，得到所述测试指纹图像的质量值。

在步骤S103和步骤S104中，根据步骤S102训练出来的RBF神经网络，对每个待测试指纹图像求出该16维指纹质量特征后，输入RBF神经网络进行模型预测，得到一个质量分值Q，如果Q>θ，则进入指纹识别系统，否则重新采集，其中θ为经验值。

本发明实施例提供的方案能够实现小尺寸的指纹图像的质量评估，且由于采用了神经网络，质量评估的效率和质量评估结果的稳定性都得到了提升，有利于提高指纹识别的准确度和识别速度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种指纹图像的质量评估方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的灰度直方图特征值包括：

u = Σ_{0}^{255} i * h (i);

σ^{2} = Σ_{0}^{255} {(i - u)}^{2} * h (i);

e = Σ_{0}^{255} h {(i)}^{2};

s = - Σ_{0}^{255} l o g (h (i)) * h (i);

η 1 = \frac{1}{σ^{3}} Σ_{0}^{255} {(i - u)}^{3} h (i);

η 2 = \frac{1}{σ^{4}} Σ_{0}^{255} {(i - u)}^{4} h (i);

3.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的LBP特征值包括：

扫描所述指纹图像样本，获取每个像素点的LBP值；

根据转换表转换为旋转不变LBP值，根据旋转不变LBP值获取LBP分布图；

根据所述LBP分布图获取LBP直方图特征，根据所述LBP直方图特征获取PCA矩阵；

对LBP直方图特征进行PCA降解得到LBP特征值。

4.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的灰度共生矩阵纹理特征值包括：

提取步长为1，方向分别为0度、45度、90度以及135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)；

分别计算所得到的4个矩阵的能量、熵、对比度以及一致性的4个特征值，获取16维GLCM特征；

根据所述16维GLCM特征获取前三个主成分，并根据所述前三个主成分得到PCA矩阵；

根据所述PCA矩阵对16维GLCM特征进行PCA降维得到3维GLCM特征。

5.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的方向一致性特征值包括：

将所述指纹图像样本分为w*w互不重叠的小块，获取每个小块中w*w个像素点组成的梯度协方差；

根据所述梯度协方差获取矩阵式半正定矩阵的特征值；

根据所述矩阵式半正定矩阵的特征值获取每个小块的归一化衡量因子；

对每个小块的归一化衡量因子采用平均权值的方法算得总得分。

6.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的方向场连续性特征值包括：

将所述指纹图像样本分为w*w互不重叠的小块，获取每个小块的平方梯度向量；

根据所述每个小块的平方梯度向量获取每个小块的方向场；

获取方向场与周围小块的方向场一致的小块个数，根据小块个数和总块数获取方向一致性特征值。

7.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的方向对比度特征值包括：

将所述指纹图像样本分为w*w互不重叠的小块，在8个方向上计算每个小块的像素之和，并获取最大值和最小值；

计算每个小块的最大值和最小值的比值，并获取比值大于预设值的块数；

根据比值大于预设值的块数与总块数获取特征值。

8.如权利要求1所述的方法，其特征在于，所述计算指纹图像样本的块均值和方差特征值包括：

将所述指纹图像样本分为w*w互不重叠的小块，计算每个小块的均值和方差；

根据每个小块的均值和方差计算整个指纹图像块均值的方差，和块方差的方差。