CN108564040B - 一种基于深度卷积特征的指纹活性检测方法 - Google Patents

Abstract

一种基于深度卷积特征的指纹活性检测方法，包括以下步骤：1)使用传统的指纹传感器录入指纹数据，并将其划分为训练集和验证集，训练集用来完成对深度网络模型的训练，验证集用来验证深度网络模型的性能；2)对采集的训练集中的指纹图片进行合理的变换，增加数据集的规模；3)标准化扩展后的训练集；4)基于残差结构和基本的卷积模块构建深度卷积神经网络；5)使用随机梯度下降法优化交叉熵损失函数，完成对深度卷积神经网络的训练；6)根据训练完成的模型，使用标准化后的指纹图片对真假指纹进行分类。本发明可以得到一个指纹活性检测模型，该模型相对于传统的基于手工特征和分类器的方法，有更加优异的性能。

Description

一种基于深度卷积特征的指纹活性检测方法

技术领域

本发明涉及图像处理、模式识别、深度机器学习、指纹识别等领域，尤其是一种检测真假指纹的指纹活性检测方法。

背景技术

在现代社会中，随着计算机技术、网络技术的高速发展，信息安全显示出前所未有的重要性。身份认证是保证系统安全的必要前提，金融、司法和电子商务等应用领域都需要准确的身份认证，因此，人们对数据的安全防护提出了更广泛的要求。如何及时、准确和有效地验证每个社会成员的身份，以保障人民的合法权益，及时打击与遏制各种违法犯罪活动，维护国家安全和社会稳定，变得更为重要和迫切。

由于人类的身体特征具有不可复制的特点，因此，人们把目光转向了生物特征识别技术。指纹是身份认证中常用的生物特征之一，指纹身份认证系统被广泛应用在金融、电子商务、智能手机、写字楼门禁、公司考勤、家庭门锁等领域。然而，指纹身份认证系统和人脸、虹膜等其它生物特征身份认证系统一样都存在着欺诈攻击的风险。其中，指纹可以通过一些材料(橡胶，硅胶，电容胶等)仿制得到指纹膜，并可以成功通过指纹身份认证系统，增加了系统的风险性。假指纹(仿制指纹)的出现对目前的指纹身份认证系统提出了更高安全的要求，需要通过技术手段实现指纹活性检测，以此杜绝假指纹对系统的攻击。

针对上述问题，近年来出现了基于硬件层面和软件层面的指纹活性检测方法。硬件层面通过引入能够采集更多生物信息的器件，多重校验录入指纹，进而提升认证系统的安全性；软件层面主要在指纹信息完成录入后，利用图像检测技术对录入的指纹进行真假鉴别的方案。相比于硬件检测手段而言，软件检测方法是一种更加低廉的基于图像纹理特征的手段，且更易于实现，因而受到广泛关注。但是，目前软件层面的算法大部分是基于浅层手工特征设计和SVM(支持向量机)的解决方案，缺乏对指纹信息的纹理特征的深层挖掘。

发明内容

为了克服目前指纹识别系统存在问题，本发明旨在提供一种既可以解决硬件检测代价高、技术不足的问题，又能有效地提高指纹活性检测的准确率，从而提高指纹身份认证系统安全性的基于深度卷积特征的指纹活性检测方法。

为了达到解决本发明涉及到问题的目的，提出了以下技术方案：

一种基于深度卷积特征的指纹活性检测方法，包括以下步骤：

1)使用传统的指纹传感器录入指纹数据，并将其划分为训练集和验证集，训练集用来完成对深度网络模型的训练，验证集用来验证深度网络模型的性能；

2)对采集的训练集做合理的变换，增加数据集的规模；

3)标准化扩展后的训练集；

4)基于残差结构和基本的卷积模块构建深度卷积神经网络；

5)使用随机梯度下降法优化交叉熵损失函数，完成对深度卷积神经网络的训练；

6)根据训练完成的模型，使用标准化后的指纹图片对真假指纹进行分类。

进一步，所述步骤2)中，所述的增加数据集规模的方法为：使用灰度图像的几何矩，求出图像的重心，并以该重心为中心，使用大小为stride的尺寸随机采样若干点，以这些点为中心截取固定尺寸的图块；进一步地，在不破坏图块灰度值的前提下，首先对这些图块进行旋转90度，180度，270度操作，然后对旋转后的图块进行水平镜像；最终得到扩展增强后的训练集，作为对原始图片的扩展。

所述步骤3)中，所述的标准化训练集的方法为：求取整个训练集的灰度平均值，将样本集的每张图片逐像素减去该均值，并使用255对去均值的像素点做归一化。

所述步骤4)中，在基本残差模块的基础上，特征层的每一个神经元尺寸缩放时都采用增加空白通道数来代替原模块中的1×1的卷积层，使得深层的监督信号可以更好地反馈给底层网络，加强了整个网络各层之间的信息流动性。本发明为了保证模型的轻量级，只是用了9个残差模块。

所述求出图像重心的方法包括如下步骤：

2.1)用f(i,j)描述一张M×N的二维灰度图像，f(i,j)代表第i行、第j列灰度值，M，N是图片的高和宽，那么图像的几何矩m_p,q定义为：

2.2)设图片的重心为

则有：

所述的标准化训练集包括如下步骤：

3.1)求取增强后训练集的均值，K为训练集中的样本数目：

3.2)标准化后的图像记为

则：

所述深度卷积神经网络中，padding channels层描述为：

上式中，1≤b≤B，0≤h<H，0≤w<W；B表示每一次迭代输入网络中的样本个数，S是输入这一层的神经元个数，2*S是这一层输出的神经元个数，H和W分别代表每一个神经元的高度和宽度。

所述步骤1)中按照真指纹标记类型符号为1，假指纹标记类型符号为0的规则，制备带标记的样本数据集。

所述步骤5)中引入权重为0.0005的L2正则化项，动量矩取0.9来更好的优化网络。

所述步骤6)根据步骤2)求取测试图片的重心，以重心为中心从测试图片中切出固定尺寸的图块，采用步骤3)对得到的测试图像进行标准化，将标准化后的图像

输入到训练完成的模型中，可以得到指纹图像的预测标记符号，设

是判为假指纹的后验概率，

是判为真指纹的后验概率，则有：

y_k代表第k个样本的标签。若

就认为这张图片是真指纹，否则被判为假指纹。

本发明的有益效果为：使用不破坏图片灰度值的数据增强策略，更加匹配接触式采集指纹硬件设备的要求，也提高了模型对大位移平移不变性、角度旋转不变性的性能表现。残差结构的引入降低了网络训练的难度，使得网络内部的每一层都可以得到来自深层的监督信号，更加有效地调整连接神经元的权重参数。整个深度卷积神经网络是完整的端到端的，不需要任何手工设计的指纹图片纹理特征，仅仅使用标准化的图片驱动网络自动学习指纹的深层特征，并做出最终的真假预测，从而避开了传统的特征工程和学习模型分开的繁琐过程，而且自动生成的深层卷积特征提升了该指纹识别模型正确识别待识别指纹图像真假的可能性。

附图说明

图1是整个算法实施的流程图；

图2是深度卷积神经网络使用的两个残差模块；

图3是深度卷积神经网络简略图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图3，一种基于深度卷积特征的指纹活性检测方法，包括以下步骤：

1)使用传统的指纹传感器录入指纹数据，并按照真指纹标记类型符号为1，假指纹标记类型符号为0的规则，制备带标记的样本数据集；并将样本集划分为训练集和验证集；其中训练集用于训练模型，而验证集用来评价模型的优劣。这里为了更好的体现模型的性能，训练集和验证集按照人的数量实行划分。

2)对采集的训练集做合理的变换，增强数据集的规模，具体步骤为：

2.1)用f(i,j)描述一张M×N的二维灰度图像，f(i,j)代表第i行、第j列像素的灰度值，M，N是图像的高度和宽度，那么图像的几何矩m_p,q可以定义为：

2.2)设图片的重心为

则：

2.3)根据重心

在重心附近采用步长为stride的位置随机采样若干点为中心，切取固定尺寸的图块，作为对原始图片的扩展样本；

2.4)在不破坏图像灰度值的前提下，首先对图像进行旋转90度，180度，270度操作，然后对旋转后的图像进行水平镜像，扩充训练集大小，最终得到进一步扩展增强后的训练集。

3)标准化扩展后的训练集，具体步骤如下：

3.1)求取增强后训练集的均值(K为训练集中的样本数目)：

3.2)标准化后的图像记为

则：

4)基于Caffe搭建深度卷积神经网络，使用残差卷积神经网络中的残差模块，组合一般的卷积层，构成精简的可以端到端的训练网络。

卷积神经网络(CNN)是目前在图像领域常用的模型。CNN由于具有局部连接和参数共享的特性，一方面大大降低了网络连接权重的个数，另一方面非常适合于局部属性相关的图像数据这种场景；因而在图像分类，目标检测和图像分割等领域取得了令人瞩目的成效，这也是本发明将其引入到指纹图像活性检测这一特殊领域的初衷。

本发明为了使得深度卷积神经网络可以适配指纹活性检测的任务，在残差网络的基础上，除去引用了常规的图2中的(a)模块之外，针对性的设计了图2中的(b)模块。其中，在图2和图3里面，input，conv，ave pooling，dropout，padding channels和output依次代表数据层，卷积层，平均池化层，遗忘层，增加空白通道层和输出层；而3×3和2×2说明采用的是尺寸为3×3的卷积滤波核和尺寸为2×2的池化滤波核。在引入padding channels的图2(b)模块中，特征层的每一个神经元尺寸缩放时都采用增加空白通道数来代替原模块中的1×1的卷积层，这样可以更好地克服网络的梯度消失问题，使得深层的监督信号可以更好地反馈给底层网络，加强了整个网络各层之间的信息流动性。本发明为了保证模型的轻量级(连接各层之间的权重参数少)，只是用了9个残差模块。其中，padding channels层为：

上式中，1≤b≤B，0≤h<H，0≤w<W；B表示每一次迭代输入网络中的样本个数，S是输入这一层的神经元个数，2*S是这一层输出的神经元个数，H和W分别代表每一个神经元的高度和宽度。

5)代价函数使用经典的交叉熵损失函数，用随机梯度下降法优化该代价函数，引入权重为0.0005的L2正则化项，动量矩取0.9以便更好地优化网络。基础学习率设置为0.01，每迭代10万次学习率下降10％，迭代35万次终止迭代；其中，交叉熵损失函数为：

y_k代表第k个样本的标签，在本发明中可取值为{0，1}；C为样本可能类别数，本发明中C＝2；g_yk和g_c是深层卷积神经网络提取到描述输入标准化图像的特征。

6)使用训练完成的模型对真假指纹进行分类，具体步骤包括：

6.1)根据步骤2)求取测试图片的重心，以重心为中心从测试图片里面切出固定尺寸的图块，采用步骤3)对得到的测试图像进行标准化；

6.2)将标准化后的图像

输入到训练完成的模型中，可以得到指纹图像的预测标记符号，设

是判为假指纹的后验概率，

是判为真指纹的后验概率，则：

若

就认为这张图片是真指纹，否则被判为假指纹；

本发明在不引入外部数据对连接神经元权值参数进行微调的前提下，按照上述步骤在LivDet2017(第五届国际指纹活性检测比赛)的测试集上取得了最好的成绩，即获取了该比赛的冠军。具体在测试集上的测试结果为表1(准确率)：

	GreenBit	DigitalPersona	Orcanthus
				JLW_B	0.9644	0.9559	0.9371

表1

GreenBit、DigitalPersona和Orcanthus是三种不同的指纹传感器录入的指纹数据库，JLW_B为本发明所使用的深度卷积神经网络；上表所示的三个数据库中，每一个数据库大小一次为3740、3728和3718个手指，其中真假指纹数量依次为1700:2040、1700:2018和1700:2028。第二行为对应数据库在JLW_B上的测试结果。

Claims (4)

1.一种基于深度卷积特征的指纹活性检测方法，其特征在于，该检测方法包括以下步骤：

1)使用传统的指纹传感器录入指纹数据，并将其划分为训练集和验证集，训练集用来完成对深度网络模型的训练，验证集用来验证深度网络模型的性能；

2)对采集的训练集做合理的变换，增加数据集的规模；

3)标准化扩展后的训练集；

4)基于残差结构和基本的卷积模块构建深度卷积神经网络；

5)使用随机梯度下降法优化交叉熵损失函数，完成对深度卷积神经网络的训练；

6)根据训练完成的模型，使用标准化后的指纹图片对真假指纹进行分类；

所述步骤2)中，所述的增加数据集规模的方法为：使用灰度图像的几何矩，求出图像的重心，并以该重心为中心，使用大小为stride的尺寸随机采样若干点，以这些点为中心截取固定尺寸的图块；进一步地，在不破坏图块灰度值的前提下，首先对这些图块进行旋转90度，180度，270度操作，然后对旋转后的图块进行水平镜像；最终得到扩展增强后的训练集，作为对原始图片的扩展；

所述步骤3)中，所述的标准化训练集的方法为：求取整个训练集的灰度平均值，将样本集的每张图片逐像素减去该均值，并使用255对去均值的像素点做归一化；

所述步骤4)中，在基本残差模块的基础上，特征层的每一个神经元尺寸缩放时都采用增加空白通道数来代替原模块中的1×1的卷积层，使得深层的监督信号可以更好地反馈给底层网络，加强了整个网络各层之间的信息流动性,为了保证模型的轻量级，只是用了9个残差模块；

所述求出图像重心的方法包括如下步骤：

2.1)用f(i,j)描述一张M×N的二维灰度图像，f(i,j)代表第i行、第j列灰度值，M，N是图片的高和宽，那么图像的几何矩m_p,q定义为：

2.2)设图片的重心为

则有：

所述步骤5)中，引入权重为0.0005的L2正则化项，动量矩取0.9；

所述步骤6)，根据步骤2)求取测试图片的重心，以重心为中心从测试图片中切出固定尺寸的图块，采用步骤3)对得到的测试图像进行标准化，将标准化后的图像

输入到训练完成的模型中，可得到指纹图像的预测标记符号，设

是判为假指纹的后验概率，

是判为真指纹的后验概率，则有：

y_k代表第k个样本的标签，若

就认为这张图片是真指纹，否则被判为假指纹。

2.如权利要求1所述的一种基于深度卷积特征的指纹活性检测方法，其特征在于，所述的标准化训练集包括如下步骤：

3.1)求取增强后训练集的均值，K为训练集中的样本数目：

3.2)标准化后的图像记为

则：

3.如权利要求1所述的一种基于深度卷积特征的指纹活性检测方法，其特征在于，所述深度卷积神经网络中，padding channels层描述为：

上式中，1≤b≤B，0≤h<H，0≤w<W；B表示每一次迭代输入网络中的样本个数，S是输入这一层的神经元个数，2S是这一层输出的神经元个数，H和W分别代表每一个神经元的高度和宽度。

4.如权利要求1所述的一种基于深度卷积特征的指纹活性检测方法，其特征在于，所述步骤1)中按照真指纹标记类型符号为1，假指纹标记类型符号为0的规则，制备带标记的样本数据集。

Images