CN106709450A - 一种指纹图像识别方法及系统 - Google Patents

Abstract

一种低质量指纹图像识别方法及系统，本发明方法包括指纹图像采集、指纹图像分割、指纹图像预处理、指纹图像特征提取、指纹图像匹配与识别五个步骤；该系统包括采样模块、指纹分割模块、指纹图像预处理模块、指纹图像特征提取模块以及指纹图像匹配识别模块。本发明针对低质量指纹图像采取特殊的指纹识别处理流程，而对高质量指纹图像采取常规的处理流程，在保证指纹识别精度的同时，提高指纹识别效率。

Description

一种指纹图像识别方法及系统

技术领域

本发明涉及指纹识别技术领域，尤其涉及一种低质量指纹图像识别方法及系统。

背景技术

目前，随着各种智能终端产品的出现，为保证产品使用安全，各种多样化的识别算法也随之涌现，其中人体指纹由于其固有的特征，使得人与人之间存在唯一性，成为判断个人身份的有效标志。因此，利用指纹识别的方式在智能产品终端进行安全验证，可以有效地保护个人隐私与支付安全。然而由于指纹图像采集过程中存在的种种不确定因素的影响，导致采集到的指纹图像质量不高，对指纹图像的进一步识别造成很大影响，指纹算法的识别率往往也低于某些生产厂家宣称的数值。

相关指纹识别算法对清晰地指纹图像处理效果很好，但是对低质量指纹图像没有采取特殊的处理方法；除此以外，一些相关的专利更多的从硬件角度提高指纹图像识别精度与算法运行效率，而从软件算法方面考虑对低质量指纹图像处理的研究较少。

又如公开号为CN 105608434 A的中国发明专利所公开了一种基于特征识别技术的指纹识别算法，包括如下步骤：1)选定目标区域，将所述目标区域划分为a、b、c三个子区域；2)在所述a、b、c三个子区域内分别选取特征d、e、f；3)将所述识别特征d、e、f与子区域a、b、c一一映射构成目标区域的特定识别特征，并将其标识为g；4)将所述标示g存入数据库，所述数据库用于保存所有特定识别特征；5)采用傅里叶算法对数据库进行筛选识别。但是该发明无法对低质量的指纹图像作出精确的识别。

又如公开号为CN 104778393 A的中国发明专利所公开的一种智能终端的安全指纹识别方法,所述的方法为一种芯片级的安全系统框架下的指纹识别的安全方法，提取的指纹特征加密存储在隔离区域上，借助于该隔离区域将有效的保障对敏感的指纹图像数据操作的私密性，极大的提高智能终端领域指纹识别的安全性。但是该发明同样无法对低质量的指纹图像作出精确的识别。

综上所述，现有技术仅对高质量指纹图像识别准确率较高，而对低质量指纹图像识别准确率大幅度降低，导致智能终端设备在非理想环境中的安全使用受到约束。

发明内容

针对现有技术的问题本发明提供一种低质量指纹图像识别方法及系统，本发明针对低质量指纹图像采取特殊的指纹识别处理流程，而对高质量指纹图像采取常规的处理流程，在保证指纹识别精度的同时，提高指纹识别效率。

本发明通过对设置权限网关来对数量众多的学生家长的监控请求进行合理管理，同时提供了点对多点的合理的告警系统来解决及时告警的问题。

本发明的技术方案是提供一种指纹图像识别方法，包括五个步骤：

步骤一，指纹图像采集，通过指纹扫描装置对活体指纹进行采集，并把采集的指纹图像分为模板指纹以及待识别指纹；

步骤二，指纹图像分割，将所述指纹图像进行分割并在该过程中将所述指纹图像进行方向纠正，去除不含纹路的区域和严重损坏的区域，同时重新定义有效指纹区域；

步骤三，指纹图像预处理，对获取到的所述有效指纹区域依次进行去噪、图像增强、图像二值化以及图像细化处理；

步骤四，指纹图像特征提取，对所述有效指纹区域进行特征提取并将所述模板指纹与所述待识别指纹的特征点分别做成模板特征点集合以及待识别特征点集合；

步骤五，指纹图像匹配与识别，采用基于参考节点对的指纹图像匹配方法对获取到的所述待识别特征点集合与所述模板指纹进行匹配与识别。

作为本发明的优选，所述的步骤三中，所述图像增强的方法是采用圆形Gabor滤波器通过平均纹路频率进行增强，所述圆形Gabor滤波器的尺寸根据图像平均纹路频率进行调节。

作为本发明的优选，所述的步骤三中，所述图像细化的方法是采用八邻域查表法进行处理，并选择3*3模板尺寸。

作为本发明的优选，所述的步骤二中，将所述指纹图像分割后对各个被分割出的子块上的纹路进行方向纠正，并通过反向传播算法计算所述纹路的方向的正确性。

作为本发明的优选，所述的步骤五具体为分别对所述模板特征点集合以及所述待识别特征点集合进行随机的节点选取并得到所述模板特征点集合以及所述待识别特征点集合各自的一个参考节点，计算两个所述参考节点的平移因子以及旋转因子从而更新所述待识别特征点集合为比较用特征点集合，将所述比较用特征点集合与所述模板特征点集合进行匹配与识别。

作为本发明的优选，所述的步骤二中将所述指纹图像分割成a*a大小的子块，a的像素点数取值范围为10～15。

作为本发明的优选，所述模板特征点集合以及所述待识别特征点集合内均包括特征点的横坐标、纵坐标、方向以及类型。

本发明还提供一种指纹图像识别系统，包括采样模块、指纹分割模块、指纹图像预处理模块、指纹图像特征提取模块以及指纹图像匹配识别模块；

所述的采用模块用于对指纹图像进行采样；

所述的指纹分割模块用于对所述指纹图像进行分割并重新定义有效指纹区域；

所述的指纹图像预处理模块用于对所述有效指纹区域进行去噪、图像增强、图像二值化以及图像细化处理；

所述的指纹图像特征提取模块用于对所述有效指纹区域进行特征提取并形成模板特征点集合以及待识别特征点集合；

所述的指纹图像匹配识别模块用于将所述待识别特征点集合转换为比较用特征点集合，并将所述比较用特征点集合与所述模板特征点集合进行匹配与识别。

作为本发明的优选，所述的采样模块设置于终端设备上，并通过光学传感器中的指纹采集传感器利用活体扫描的方式进行指纹采样，所述的终端设备为移动智能终端。

作为本发明的优选，所述的指纹图像预处理模块包括依次连接的去噪单元、图像增强单元、图像二值化单元以及图像细化处理单元。

本发明具有以下有益效果：

本发明具有对于低质量指纹图像的识别精度较高，算法可移植性高的优点。

附图说明

图1为本发明的工作流程示意图；

图2为本发明的系统框图；

图中：1-采样模块；2-指纹分割模块；3-指纹图像预处理模块；4-指纹图像特征提取模块；5-指纹图像匹配识别模块；301-去噪单元；302-图像增强单元；303-图像二值化单元；304-图像细化处理单元。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如图1所示，本发明方法实施例包括五个步骤：

步骤一，指纹图像采集，通过指纹扫描装置对活体指纹进行采集，指纹图像采集分为两部分，既离线模板指纹数据库采集和在线待识别指纹数据库采集，采集用装置可以是任何现有的指纹采集传感器，主要优选为相对成本较低且耐用性高的光学传感器中的指纹采集传感器，然后把采集的指纹图像分为模板指纹以及待识别指纹，本发明针对待识别指纹进行步骤二至步骤五的操作，离线模板指纹数据库采集方式可根据需求获得，采用基于方向性区域和非方向性区域比例的方法对得到的图像进行质量评估，满足评估标准的录入指纹数据库中，从而保证模板指纹的质量，本发明针对模板指纹进行步骤二至步骤四的处理，在得出模板指纹特征点集合后即可结束；

步骤二，指纹图像分割，将指纹图像进行分割并在该过程中将指纹图像进行方向纠正，去除不含纹路的区域和严重损坏的区域，同时重新定义有效指纹区域，本步骤中指纹图像分割后对各个被分割出的子块上的纹路进行方向纠正，并通过反向传播算法计算纹路的方向的正确性，本步骤中需要进行指纹图像纹路方向的计算，计算方法如下：将经过预处理的指纹图像分割为a*a大小的子块，a的大小可以10～15个像素，各子块之间互不重叠，各子块中心点像素值记为Tki，jk＝1,2，…，n，i和j为中心像素坐标位置，n为所有子块总数，MTki，j＝1表示则为前景块，MTki，j＝0表示为背景块；采用基于梯度矢量的方法计算出图像在每个像素处的梯度矢量，选择Sobel算子，从而得出图像纹路方向，

本步骤中对于低质量图像，为了精确地计算梯度矢量方向，需要进行方向纠正，去除不含纹路和损毁过严重的区域，同时重新定义前景区域，其包括以下步骤：

a计算分割后的每个子块的纹路方向OTki，j，简写为O^k(i,j)，其中

其中和分别表示像素在x方向和在y方向的滤波，

b计算纹路方向O^k(i,j)的正确性。方向正确性计算采用Back PropagationBP神经网络学习方法，含有纹路的子块为计算正确的正样本，不含纹路的字块为计算错误的反样本，利用训练的神经网络输出值判断子块方向的正确性，其阈值α(0<α<1)可以根据需求设定，大于α为正确，小于α为错误。

c根据纹路方向O^k(i,j)的正确性计算初始的MTki，j数值，得到初始的前景块和背景块，

d去除步骤c得到的初始前景块中的残留纹路区域，

e根据步骤d的结果重复进行前景块修正，修正后的前景块作为效指纹区域；

步骤三，指纹图像预处理，对获取到的有效指纹区域依次进行去噪、图像增强、图像二值化以及图像细化处理，其中图像去噪方法采用基于Context模型系数分类和贝叶斯自适应阈值估计相结合的非下采样轮廓波变换NSCT图像噪声处理方法，图像增强算法选择圆形Gabor滤波器进行图像增强，其采用平均纹路频率进行增强，用于消除第一块效应，同时滤波器尺寸根据图像平均纹路频率进行调节，保证增强后图像的保真度；图像细化处理采用八邻域查表法进行处理，选择3*3模板大小；

步骤四，指纹图像特征提取，对经过步骤三处理后得到的有效指纹区域进行特征提取并将模板指纹与待识别指纹的特征点分别做成模板特征点集合以及待识别特征点集合，具体为将待识别特征点集合设为D，在集合D中包含了n个特征点，集合D表示为将模板特征点集合设为Q，在集合Q中包含了m个特征点，集合Q表示为在集合D与集合Q的两个表达式中，u、v、f、t分别为特征点的横坐标、纵坐标、方向、类型；

步骤五，指纹图像匹配与识别，采用基于参考节点对的指纹图像匹配方法对获取到的待识别特征点集合与模板指纹进行匹配与识别，本步骤的方法具体为分别对模板特征点集合以及待识别特征点集合进行随机的节点选取并得到模板特征点集合以及待识别特征点集合各自的一个参考节点，既是对集合D待识别特征点集合进行随机节点选取，得到随机节点a，对集合Q模板特征点集合进行随机节点选取，得到随机节点b，而后计算计算随机节点a与随机节点b之间的平移因子Δx、Δy和旋转因子Δθ，将D中的所有点进行相应变化求得新的集合D'，既是将集合D待识别特征点集合更新为集合D'比较用特征点集合，计算公式如下：

其中

最后将比较用特征点集合与模板特征点集合进行匹配与识别具体方法为通过构造匹配度度量计算公式计算点集D'与Q之间的相似度，分数越高，相似度越高，判断为同一指纹，分数低，表示相似度低，划分阈值可以根据实际情况选择。

现有技术一般遇到低质量的指纹图像时采取的策略是直接报错，提醒指纹输入者进行重新输入，当遇到用户的手指的指纹受损或者模糊的时候，现有技术的解决方式就会大幅度降低指纹识别的效率，而本发明方法通过反向传播算法计算纹路的方向的正确性，反向传播算法具有很好的非线性映射能力这使得其特别适合于求解内部机制复杂的问题，而本发明针对的指纹图像的方向性求证问题既是这样的一个内部机制复杂的问题，使用反向传播算法能提升其求证的正确性；反向传播算法还具有很好的容错能力这是的即使系统在受到局部损伤时还是可以正常工作，进一步确保了程序的准确性。同时本发明采用基于参考节点对的指纹图像匹配方法对获取到的指纹特征点进行指纹匹配与识别，通过随机选取模板图像和待识别图像特征集中的两个点，计算得位移和旋转因子，从而更新特征点集合，利用新的特征点集合和模板图像特征点进行匹配，这样就使得低质量的指纹图像也能被有效识别，在实际的使用中表现为用户即使在指纹输入过程中手指的指纹受损或者因为手指的角度等问题导致的指纹模糊扥问题出现也能很好的被识别，提升了识别效率，增强了用户体验。

本发明的方法在实施过程中并不涉及到特殊硬件，即使最重要的采样部分也是十分常用的光学传感型指纹传感器，这就保证了其具有很好的移植性和兼容性，所以可以被广泛应用在各种智能移动终端上，如智能手表、智能手机、平板电脑、外设指纹识别板等等。

如图2所示，本发明的系统实施例包括采样模块1、指纹分割模块2、指纹图像预处理模块3、指纹图像特征提取模块4以及指纹图像匹配识别模块5；

采用模块用于对指纹图像进行采样；

指纹分割模块2用于对指纹图像进行分割并重新定义有效指纹区域；

指纹图像预处理模块3用于对有效指纹区域进行去噪、图像增强、图像二值化以及图像细化处理，指纹图像预处理模块3包括去噪单元301、图像增强单元302、图像二值化单元303以及图像细化处理单元304；

指纹图像特征提取模块4用于对有效指纹区域进行特征提取并形成模板特征点集合以及待识别特征点集合；

指纹图像匹配识别模块5用于将待识别特征点集合转换为比较用特征点集合，并将比较用特征点集合与模板特征点集合进行匹配与识别。

采样模块1、指纹分割模块2、指纹图像预处理模块3、指纹图像特征提取模块4以及指纹图像匹配识别模块5依次连接，指纹图像预处理模块3内去噪单元301、图像增强单元302、图像二值化单元303以及图像细化处理单元304依次连接，这就使得本系统的处理路径单一，系统在工作过程中不容易出错。

其中，采样模块1设置于终端设备上，并通过光学传感器中的指纹采集传感器利用活体扫描的方式进行指纹采样，终端设备为移动智能终端，如智能手表、智能手机、平板电脑、外设指纹识别板等等，随着技术的延伸，电子器件的体积正在逐步减小，这也包括光学传感器中的指纹采集传感器的体积也会得到进一步缩小，从而使得更多的小型化随身只能设备可以方便的搭载指纹采集传感器，而本发明系统中对硬件的具体形态要求最高的也仅仅是该部分，所以本系统的可移植性和兼容性都很高。

上面所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种指纹图像识别方法，其特征在于：包括，

步骤一，指纹图像采集，通过指纹扫描装置对活体指纹进行采集，并把采集的指纹图像分为模板指纹以及待识别指纹；

步骤二，指纹图像分割，将所述指纹图像进行分割并在该过程中将所述指纹图像进行方向纠正，去除不含纹路的区域和严重损坏的区域，同时重新定义有效指纹区域；

步骤三，指纹图像预处理，对获取到的所述有效指纹区域依次进行去噪、图像增强、图像二值化以及图像细化处理；

步骤四，指纹图像特征提取，对所述有效指纹区域进行特征提取并将所述模板指纹与所述待识别指纹的特征点分别做成模板特征点集合以及待识别特征点集合；

步骤五，指纹图像匹配与识别，采用基于参考节点对的指纹图像匹配方法对获取到的所述待识别特征点集合与所述模板指纹进行匹配与识别。

2.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述的步骤三中，所述图像增强的方法是：采用圆形Gabor滤波器通过平均纹路频率进行增强，所述圆形Gabor滤波器的尺寸根据图像平均纹路频率进行调节。

3.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述的步骤三中，所述图像细化的方法是：采用八邻域查表法进行处理，并选择3*3模板尺寸。

4.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述的步骤二中，将所述指纹图像分割后对各个被分割出的子块上的纹路进行方向纠正，并通过反向传播算法计算所述纹路的方向的正确性。

5.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述的步骤五具体为：分别对所述模板特征点集合以及所述待识别特征点集合进行随机的节点选取并得到所述模板特征点集合以及所述待识别特征点集合各自的一个参考节点，计算两个所述参考节点的平移因子以及旋转因子从而更新所述待识别特征点集合为比较用特征点集合，将所述比较用特征点集合与所述模板特征点集合进行匹配与识别。

6.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述的步骤二中，将所述指纹图像分割成a*a大小的子块，a的像素点数取值范围为10～15。

7.根据权利要求1所述的一种指纹图像识别方法，其特征在于：所述模板特征点集合以及所述待识别特征点集合内均包括特征点的横坐标、纵坐标、方向以及类型。

8.一种指纹图像识别系统，其特征在于：包括采样模块(1)、指纹分割模块(2)、指纹图像预处理模块(3)、指纹图像特征提取模块(4)以及指纹图像匹配识别模块(5)；

所述的采用模块用于对指纹图像进行采样；

所述的指纹分割模块(2)用于对所述指纹图像进行分割并重新定义有效指纹区域；

所述的指纹图像预处理模块(3)用于对所述有效指纹区域进行去噪、图像增强、图像二值化以及图像细化处理；

所述的指纹图像特征提取模块(4)用于对所述有效指纹区域进行特征提取并形成模板特征点集合以及待识别特征点集合；

所述的指纹图像匹配识别模块(5)用于将所述待识别特征点集合转换为比较用特征点集合，并将所述比较用特征点集合与所述模板特征点集合进行匹配与识别。

9.根据权利要求8所述的一种指纹图像识别系统，其特征在于：所述的采样模块(1)设置于终端设备上，并通过光学传感器中的指纹采集传感器利用活体扫描的方式进行指纹采样，所述的终端设备为移动智能终端。

10.根据权利要求8所述的一种指纹图像识别系统，其特征在于：所述的指纹图像预处理模块(3)包括依次连接的去噪单元(301)、图像增强单元(302)、图像二值化单元(303)以及图像细化处理单元(304)。