CN109003259A - 基于纹线质量专家视觉认知机器学习的指纹质量评价方法 - Google Patents

基于纹线质量专家视觉认知机器学习的指纹质量评价方法 Download PDF

Info

Publication number
CN109003259A
CN109003259A CN201810662944.3A CN201810662944A CN109003259A CN 109003259 A CN109003259 A CN 109003259A CN 201810662944 A CN201810662944 A CN 201810662944A CN 109003259 A CN109003259 A CN 109003259A
Authority
CN
China
Prior art keywords
expert
quality
streakline
data
individual
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
Application number
CN201810662944.3A
Other languages
English (en)
Other versions
CN109003259B (zh
Inventor
张威
王威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810662944.3A priority Critical patent/CN109003259B/zh
Publication of CN109003259A publication Critical patent/CN109003259A/zh
Application granted granted Critical
Publication of CN109003259B publication Critical patent/CN109003259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06V40/1347—Preprocessing; Feature extraction
    • 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
    • G06V40/1365—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Abstract

本发明涉及基于纹线质量专家视觉认知机器学习的指纹质量评价方法。包括：对“现场指纹纹线遗留位置重建区域”内的捺印纹线图像质量等级进行专家认知和质量标画，对质量标画数据进行“专家个体质量评价稳定性分析”和“专家质量评价模式聚类分析”，并得到每名专家质量标画数据的优先级；将专家质量标画数据切块，按照优先级用于图像质量评价神经网络模型训练。构造并训练神经网络模型，至到其对局部图块的质量评价，达到设定准确率阈值。利用神经网络模型做出的局部图块质量评价数据，计算捺印指纹图像的全局综合质量评价。本发明兼顾“多流派指纹比对算法”和“专家指纹鉴定”对指纹质量的双尖性需求，广泛适用于各规格异构指纹的图像质量评价。

Description

基于纹线质量专家视觉认知机器学习的指纹质量评价方法
技术领域
本发明提供基于纹线质量专家视觉认知机器学习的指纹质量评价方法，属于生物特征识别领域，可用于多比对算法架构、超大规模指纹系统的数据质量控制，并在AFIS系统优化、比对漏查风险分析、漏查目标范围锁定、各类异构指纹图像数据(如出入境、身份证、驾驶员、考生指纹登记等)法庭科学领域实战应用价值的评测等方面具有突出意义。
背景技术
指纹自动识别技术相对于其他生物特征识别技术具有极好的准确性及较高的经济实用性，当前的应用前景非常明朗。法庭科学部门建设指纹数据库的目的，是在模式识别技术的支持下，通过“计算机算法比对”和“指纹专家人工认证”两个步骤，建立犯罪现场指纹与库存档案指纹间的链接关系，锁定作案人的身份。因为犯罪现场指纹物证的遗留状况具有高度的不确定性，所以，对于任何算法流派的指纹系统识别系统AFIS(AutomaticFingerprint Identification System)而言，其破案效能的发挥水平都主要依赖捺印指纹数据的图像数据质量水平。
典型的指纹图像质量评价方法主要有如下几个方面：(1)简单统计分析，如指纹图像区域占全图比率，指纹图像中像素灰度值的期望与方差；(2)图像处理相关技术，如指纹纹线方向一致性，指纹纹线频率，灰度直方图分析等；(3)其它方面，如还有一些指纹图像质量评价方法还参考了指纹细节特征提取情况。上述各类指纹图像质量评价策略均可在美国国家标准与技术研究院(National Institute of Standards and Technology，NIST)总结并提出的NIST指纹图像质量评价准则(NIST Finger Image Quality)中找到相应的描述。虽然上述方法都是对指纹图像质量评价的有效策略，但从指纹识别专家角度，这些方法仍无法完整代替人类专家对指纹质量评价的一些依据及感受，忽略了很多有益指纹图像质量评价的要素。
对于一枚捺印指纹而言，其质量的描述通常分为两个层次，即“该枚指纹的全局图像质量”和“其内部各个微观区域的局域图像质量”。本发明重点关注的领域，是针对捺印指纹图像内的微观区域给出局域质量评价。
发明内容
针对上述捺印指纹图像质量评价问题，克服现有如NIST等标准化机构对指纹图像质量评价不完备的问题，利用人工智能的相关方法学习指纹识别专家对指纹图像质量评价不易轻易定量描述的依据和感受，快速、全面、综合的给出指纹图像的综合质量。
本发明所采用的技术方案是：基于纹线质量专家视觉认知机器学习的指纹质量评价方法，包括以下步骤：
步骤一：对现场指纹纹线遗留位置重建区域内的捺印纹线图像质量等级进行专家认知和质量标画，对质量标画数据进行专家个体质量评价稳定性分析和专家质量评价模式聚类分析，得到每名专家质量标画数据的优先级；将专家质量标画数据切块，按照优先级用于图像质量评价神经网络模型训练；
步骤二：构造并训练图像质量评价神经网络模型，至到其对局部图块的质量评价达到设定准确率阈值；
步骤三：利用图像质量评价神经网络模型做出的局部图块质量评价数据，计算捺印指纹图像的全局综合质量评价。
所述步骤一包括：
步骤S02：从指纹重建图像Pdrr抽取一批图像，分离前景与背景构成前景区域图像Rdrr；
步骤S03：将Rdrr分组标记为Ω1、Ω2、Ω3，并分发给指纹专家；
步骤S04：指纹专家利用封闭曲线在其分配到的图像数据上标画满足第i质量等级的指纹纹线图像区域Qi,i∈k，得到反映纹线图像质量分布专家视觉认知情况的标画结果数据Adrr；
步骤S05：以矩形扫描单元扫描选自Ω1的Adrr，形成反映专家个体纹线图像视觉质量评价分布的数据DΩ1QMAdrr；计算专家个体纹线图像质量判定全局稳定性指标；并将该指标超过阈值的专家定义为“纹线质量评价认知个体稳定性初步检测合格的专家”；
步骤S06：以矩形扫描单元扫描“纹线质量评价认知个体稳定性初步检测合格的专家”做出的Ω2组Adrr，形成反映专家个体纹线图像视觉质量评价分布数据DΩ2QMAdrr；计算每名专家的“个体纹线图像质量判定全局稳定性指标”和“质量评价模式个体-群体差异指标”作为参数，对全部专家进行聚类分析；
步骤S07：依据专家聚类分析结果，对专家及其Adrr进行优先级排序；
步骤S08：Adrr的分组和切割，生成神经网络模型的训练数据和验证数据。
所述步骤S03包括：
步骤S03.1：对Rdrr的全部图像数据，按比例分别标记为专家个体质量评价稳定性测试组Ω1、专家群体评价差异性测试组Ω2、专家质量认知规律采集组Ω3；
步骤S03.2：定义每名专家共分配到G组、每组J枚的选自Rdrr的图像数据；对于任意一名指纹专家在其分配到的全部G组数据中，每组设置10％J枚选自Ω1的图像、设置10％J枚选自Ω2的图像、每组随机设置80％J枚选自Ω3的图像；其中，对于一名指纹专家，在其分配到的每组图像数据中，选自Ω1的图像均相同；对于任意两名指纹专家，二者分配到的选自Ω1的图像均不同、二者分配到的选自Ω2的图像均同。
所述步骤S05，包括：
S05.1：以矩形扫描单元扫描Ω1Adrr图像数据，形成专家个体纹线图像视觉质量评价分布数据DΩ1QMAdrr；所述DΩ1QMAdrr为9元数组:
1).“Pdrr代码”记录该Ω1Adrr对应的Pdrr的识别代码；
2).“组代码G”记录该Ω1Adrr对应的专家标画数据组别代码；
3).计算当前图像区块LLBΩ1QMAdrr的像素质量评价均值，作为该专家该次LLBΩ1QMAdrr纹线质量评价级别；
4).专家个体本次LLBΩ1QMAdrr评价数据有效性标记EEfDΩ1QMAdrr的赋值方法是:对同一专家对同一LLBΩ1QMAdrr标记的G组评价数据进行有效性检测；
5).专家个体该LLBΩ1QMAdrr质量评价均值AEAΩ1Adrr的赋值计算方法是：对于某一LLBΩ1QMAdrr，计算其涉及的EEfDΩ1QMAdrr赋值为Y的LBSΩ1Adrr的平均值，即为该专家对该LLBΩ1QMAdrr给出的AEAΩ1Adrr；
6).有效评价次数TEAΩ1Adrr的计算和赋值方法是：检测该专家对该LLBΩ1QMAdrr的G次质量评价中，EEfDΩ1QMAdrr赋值为Y的次数，即为该专家在该LLBΩ1QMAdrr上的TEAΩ1Adrr；
7).专家个体该LLBΩ1QMAdrr本次质量评价自身差异度DeEAΩ1Adrr的计算和赋值方法是：获取EEfDΩ1QMAdrr赋值为Y的标画数据涉及的LBSΩ1Adrr和AEAΩ1Adrr，计算DeEAΩ1Adrr＝LBSΩ1Adrr-AEAΩ1Adrr；
8).该专家本次该LLBΩ1QMAdrr纹线质量评价数据偏离度检测结果DDSΩ1Adrr的检测和赋值方法是：若差异度DeEAΩ1Adrr符合阈值要求的有效评判次数(H)达到预设值以上，则将“DeEAΩ1Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ1Adrr赋值为Y；
9).当前LLBΩ1QMAdrr专家个体纹线图像质量判定稳定性指标LBLqwtΩ1QMAdrr，其赋值计算方法是：设某专家Eh对某LLBΩ1QMAdrr图像区块i的G次评判结果数据中，专家Eh在LLBΩ1QMAdrr图像区块i上的LBLqwtΩ1QMAdrr，通过以下公式计算和赋值：
其中，假设TEAΩ1Adrr等于j，且其中符合“对应DDSΩ1Adrr赋值为Y”条件的有效评价次数为k。
S05.2：专家个体纹线图像质量判定全局稳定性指标GQLqwtΩ1QMAdrr的计算：以专家为单位，设检测其所标画Ω1数据涉及的全部LLBΩ1QMAdrr，设LBLqwtΩ1QMAdrr不为0的LLBΩ1QMAdrr有n个，专家Eh对Ω1数据的全部标画中有m个LLBΩ1QMAdrr对应的EEfDΩ1QMAdrr赋值为Y，则专家Eh的GQLqwtΩ1QMAdrr采用以下公式计算：
S05.3：计算全部专家的GQLqwtΩ1QMAdrr指标并排序，GQLqwtΩ1QMAdrr指标超过阈值的专家，即为“纹线质量评价认知个体稳定性初步检测合格的专家”。
所述步骤S06包括：
S06.1：以定制的矩形扫描单元扫描步骤S05“纹线质量评价认知个体稳定性初步检测的合格专家”所涉及的全部Ω2Adrr数据，形成专家个体纹线图像视觉质量评价分布数据GDΩ2QMAdrr；所述DΩ2QMAdrr为14元数组：
1).“专家识别代码”即做出本次质量评价的指纹专家身份识别代码；
2).计算当前图像区块LLBΩ2QMAdrr的像素质量评价均值，作为该专家该次LLBΩ2QMAdrr纹线质量评价级别；
3).专家个体本次LLBΩ2QMAdrr评价数据有效性标记EEfDΩ2QMAdrr的赋值方法是:对同一专家对同一LLBΩ2QMAdrr标记的G组评价数据进行有效性检测；
4).专家个体该LLBΩ2QMAdrr质量评价均值AEAΩ2Adrr的赋值计算方法是：对于某一LLBΩ2QMAdrr，计算其涉及的EEfDΩ2QMAdrr赋值为Y的LBSΩ2Adrr的平均值，即为该专家对该LLBΩ2QMAdrr给出的AEAΩ2Adrr；
5).有效评价次数TEAΩ2Adrr的计算和赋值方法是：检测该专家对该LLBΩ2QMAdrr的G次质量评价中，EEfDΩ2QMAdrr赋值为Y的次数，即为该专家在该LLBΩ2QMAdrr上的TEAΩ2Adrr；
6).专家个体该LLBΩ2QMAdrr本次质量评价自身差异度DeEAΩ2Adrr的计算和赋值方法是：获取EEfDΩ2QMAdrr赋值为Y的标画数据涉及的LBSΩ2Adrr和AEAΩ2Adrr，计算DeEAΩ2Adrr＝LBSΩ2Adrr-AEAΩ2Adrr；
7).该专家本次该LLBΩ2QMAdrr纹线质量评价数据偏离度检测结果DDSΩ2Adrr的检测和赋值方法是：若差异度DeEAΩ2Adrr符合阈值要求的有效评判次数(H)达到预设值以上，则将“DeEAΩ2Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ2Adrr赋值为Y；
8).当前LLBΩ2QMAdrr专家个体纹线图像质量判定稳定性指标LBLqwtΩ2QMAdrr，其赋值计算方法是：设某专家Eh对某LLBΩ2QMAdrr图像区块i的G次评判结果数据中，专家Eh在LLBΩ2QMAdrr图像区块i上的LBLqwtΩ2QMAdrr，通过以下公式计算和赋值：
其中，假设TEAΩ2Adrr等于j，且其中符合“对应DDSΩ2Adrr赋值为Y”条件的有效评价次数为k；
9).计算专家个体纹线图像质量判定全局稳定性指标GQLqwtΩ2QMAdrr；
以专家为单位，设检测其所标画Ω2数据涉及的全部LLBΩ2QMAdrr，设LBLqwtΩ2QMAdrr不为0的LLBΩ2QMAdrr有n个，专家Eh对Ω2数据的全部标画中有m个LLBΩ2QMAdrr对应的EEfDΩ2QMAdrr赋值为Y，则专家Eh的GQLqwtΩ2QMAdrr采用以下公式计算：
GQLqwtΩ2QMAdrr指标再次超过阈值的专家为“Ω2稳定性检测合格专家”；
以下指标10-14均是对“Ω2稳定性检测合格专家”涉及的“共有有效LLBΩ2QMAdrr评价数据”进行的处理；所述“共有有效LLBΩ2QMAdrr评价数据”，是指每名Ω2稳定性检测合格专家“均做出过EEfDΩ2QMAdrr校验有效评价的LLBΩ2QMAdrr所涉及的纹线质量评价数据；
10).共有有效LLBΩ2QMAdrr参评专家数GETEfDΩ2QMAdrr的计算和赋值方法是：以LLBΩ2QMAdrr为单位，检测EEfDΩ2QMAdrr和“专家识别代码”，获取共有有效LLBΩ2QMAdrr和曾对共有有效LLBΩ2QMAdrr做出过有效检测的合格专家数量；
11).专家群体有效评价均值GETLBAΩ2Adrr的计算方法是：计算全部Ω2稳定性校验合格的专家在该“共有有效LLBΩ2QMAdrr”上的AEAΩ2Adrr的平均值；
12).个体均值-群体均值差异度GDeTAΩ2Adrr的计算和赋值方法是：某专家在某“共有LLBΩ2QMAdrr”上的AEAΩ2Adrr，减去该“共有LLBΩ2QMAdrr”的专家群体有效评价均值GETLBAΩ2Adrr；
13).专家个体质量评价强度SIAΩ2Adrr的计算和赋值方法是：对于GETLBAΩ2Adrr大于0的全部LLBΩ2QMAdrr，以专家为单位，某专家在某LLBΩ2QMAdrr上的SIAΩ2Adrr＝“该LLBΩ2QMAdrr对应该专家的有效评价次数TEAΩ2Adrr”/“全部Ω2稳定性检测合格专家在该LLBΩ2QMAdrr上做出的有效评价次数TEAΩ2Adrr之和”；
14).某专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标GGLBLqwtΩ2QMAdrr的计算方法是：对于“共有有效LLBΩ2QMAdrr评价数据”涉及的某LLBΩ2QMAdrr图像区块i，专家Eh在LLBΩ2QMAdrr图像区块i上的GGLBLqwtΩ2QMAdrrEh,i的计算公式是：
其中，GDeTAΩ2AdrrEh,i为专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的GDeTAΩ2Adrr值；
专家Eh在全部n个共有有效LLBΩ2QMAdrr上的个体-群体质量评价差异指标GGLBLqwtΩ2QMAdrrEh的计算公式是：
其中，是专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的SIAΩ2Adrr值的平方，GGLBLqwtΩ2QMAdrrEh,i是专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的“个体-群体质量评价差异指标”值。
S06.2：专家群体纹线图像质量判定聚类分析：抽取Ω2稳定性检测合格的全部专家涉及的GDΩ2QMAdrr数据中的第9元专家个体纹线图像质量判定全局稳定性指标“GQLqwtΩ2QMAdrr”、第14元该专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标“GGLBLqwtΩ2QMAdrr”，对全部专家采用二维的K-means聚类方法进行聚类分析。
所述步骤S07包括：抽取Ω2稳定性检测合格的全部专家，根据聚类分析结果，先按照每组所包含的专家数从多到少对聚类组进行优先级排序，再按每组内专家“个体纹线图像质量判定全局稳定性指标”GQLqwtΩ2QMAdrr从高到底对组内专家进行优先级排序；所述某一专家的优先级为其所作出的Adrr的优先级。
所述步骤二包括：
S09：设置依次连接的若干卷积层及池化层、一个全连接层、一个softmax分类器层；所述神经网络层内均包括对输入图像块依次进行的卷积处理、按照Relu函数进行学习、采用LRN方法进行归一化处理、利用局部感受野窗口对当前图像块的一次pool下采样；所述全连接层内为表示当前图像块特征的多维向量；所述softmax分类器层包括5个级别的指纹质量等级；
S10：按优先级顺序输入训练数据，比较图块质量的神经网络评价结果与专家评价结果，如果不一致，神经网络模型将通过迭代反馈机制调整内部参数；训练若干次后，输入一批验证数据，如神经网络模型给出的图块质量评价结果与该批验证数据的专家质量评价结果一致率未达到规定阈值，则继续训练，直至神经网络质量评价与专家质量评价的一致率达标。
所述步骤三包括：
S11.1：提取捺印指纹前景纹线图像，调正方向后将纹型中心定位于DRR模板对应指位的中心；
S11.2：按规格将定位后的纹线图像分割为t个图像块Mtcd；
S11.3：根据每个Mtcd所包含Mcd的ratio数据，计算该Mtcd的Fdrr频度PMtcd；
S11.4：用神经网络模型评价出全部图像块的质量等级；
S11.5：计算捺印指纹图像的全局综合质量：某捺印指纹图像f的全局综合质量评级CFIQf用以下公式计算：
其中，t为捺印指纹图像f有纹线的区域所包含的图像块总数；k为网络模型判别的质量级别总数；Pz为f所包含的某一图像块z所对应的PMtcd；Hz为图像块z的神经网络模型质量评价级别。
本发明具有以下有益效果及优点：
1、与一般意义上的“图像质量”不同，本发明关注的指纹图像质量问题，特指在前述“计算机算法比对”和“指纹专家人工认证”两个步骤中，各流派指纹识别算法和指纹比对专家对捺印指纹图像中某些技术指标和图像属性的综合需要。本方法的目标，是从“计算机算法比对”和“指纹专家肉眼检验鉴定”两个维度，给出反映某微观区域捺印指纹图像法庭科学应用价值的“双尖性”综合评分。
2、本方法使可利用已有“现场指纹纹线遗留区域重建算法”支持的数据抽取结果，对AFIS系统内经过“多流派算法比对”(包含特征点拓扑结构似然率计算、纹线结构似然率计算、图形似然率计算等)和“多名指纹专家独立开展人工认证”两个环节实践验证有效的“捺印指纹局部区域纹线图像”进行了动态、实时的大数据分析，并通过步骤SO3提供给指纹专家进行观察、图像质量分布判断和图像质量分布标画。如此设计，都是为了从源头上保证训练数据在“纹线评价区域”和“应用价值属性”两个方面，均最大限度满足前述“双尖性质量标准”的要求。
3、与其他经典法庭科学领域的从业者类似，作为对指纹图像具有观察、辨别、分析和判断等专业技能和相关经验的特殊群体，指纹专家们对指纹图像质量水平的视觉认知活动，也具有“个体评判的稳定性差异”和“专家个体—群体评判的模式差异”。为此，本发明采用专门设计的“专家个体评价数据稳定性筛选算法”，将那些“纹线质量视觉认知判断相对稳定，评价结果浮动较小的专家评价数据”选取出来(或者，可以理解为将那些“纹线质量视觉认知判断标准模糊不清，评价结果浮动过大的专家评价数据”剔除出去)；再采用专门设计的聚类分析指标，对全部通过前述“个体稳定性初步筛选”的专家进行聚类，并根据聚类分析情况对专家及其标画数据赋予优先级。优先使用那些“质量认知模式代表性强，个体纹线质量视觉认知稳定性强”的专家给出的Adrr数据，作为训练数据和验证数据的数据源。这些设计，就是为了从源头上保证训练数据在“专家个体质量评价稳定性”和“专家群体评价模式代表性”上的客观性及合理性。
4.与其他传统指纹图像质量评价方法及有关研究机构发布的技术标准显著不同，本发明采用专门设计的深度学习网络，以大数据挖掘和视觉认知数据采集、分析技术支持下的训练数据为对象，不断地利用“指纹系统实战比中数据”和“更多专家提供的视觉认知质量评测数据”进行网络训练和参数调优。这些设计，也是为了保证深度学习网络给出的评判结果，能够最大限度动态、客观反映“多流派算法比对”及“大多数指纹专家肉眼检验鉴定”对捺印指纹局域纹线图像提出的“双尖性质量需求”。
5.在本方法支持下，各类异构指纹图像数据(如出入境、身份证、驾驶员、考生登记等所采集的指纹数据)，只要其分辨率和灰度等指标与神经网络训练模块的训练数据相匹配，均可以通过本技术实现对其法庭科学应用价值的评估。
附图说明
图1为本发明的方法流程图；
图2为某现场指纹纹线遗留区域外围轮廓图；
图3为该枚现场指纹纹线遗留区域外围轮廓，在其对应比中捺印指纹图像上的“外围轮廓重建效果”及“某专家对该区域捺印纹线图像质量分布情况的分区标画效果”；
图4为神经网络示意图；
图5为捺印指纹图像F；
图6为使用本方法对捺印指纹图像F做出的指纹质量评价实例效果图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
如图1所示，该方法包括以下步骤：
步骤S01：对抽取的数据进行纹线遗留区域重建
本步骤对法庭科学部门现有指纹自动识别系统(AFIS)数据库内存储的信息进行动态化大数据抽样分析和信息挖掘，获取具备动态、客观反映“多流派算法比对”及“大多数指纹专家肉眼检验鉴定”对捺印指纹局域纹线图像“双尖性质量需求”的捺印指纹特定区域纹线图像，作为下一步骤提供给指纹专家开展视觉认知标画的数据源。
步骤S01.1：需要抽取的数据主要包括：
1)、指纹比中关系数据。比中关系数据，是指纹系统用户(一般为法庭科学部门)在实战比对工作中逐渐积累的，记录某案件犯罪现场提取的某枚现场指纹，通过指纹系统比对和多组指纹专家(每组至少两人)分别独立开展人工鉴定，证明该枚现场指纹物证与某人(一般即为作案嫌疑人)某指位捺印档案指纹存在“同一关系”的数据记录。
2)、法庭科学部门在犯罪现场提取、建库并且已经比中的现场指纹物证数据，该数据既包括该枚被比中现场指纹的图像数据，也包括(案件、物证相关)文字信息数据和该枚现场指纹的特征数据。
3)、警务部门(司法机关)采集、建库并且已经比中的十指指纹数据，该数据既包括该枚被比中捺印档案某一指位指纹的图像数据，也包括(被捺印人)文字信息数据和该枚捺印指纹的特征数据。
步骤S01.2：抽取上述三类指纹数据，进行指纹图像重建处理，得到指纹重建图像Pdrr。指纹图像重建处理的具体过程见申请号为201711128381.1，名称为“一种犯罪现场指纹纹线遗留区域频度动态重建方法”的专利申请,Pdrr为说明书中步骤S03.3中的处理结果DRR，即现场指纹纹线遗留区域在其比中捺印指纹对应区域的纹线图像。
步骤S02：从指纹重建图像的Pdrr抽取一批图像，分离前景与背景，生成的前景区域图像的Rdrr(前景，指图像内含有捺印纹线图像的区域，背景，指图像内不含捺印纹线图像的区域)。
步骤S03：对Rdrr的图像数据进行分组并分发给N位指纹专家，规则如下：
步骤S03.1：设共组织N名指纹专家，要对选自Rdrr的T枚图像数据进行质量评测。对于全部T枚图像数据，先抽取10％T枚，标记为专家个体质量评价稳定性测试组Ω1；再抽取10％T枚，标记为专家群体评价差异性测试组Ω2；剩余80％T枚，标记为专家质量认知规律采集组Ω3。总之，每名专家需独立完成G组(7≧G≧4)，每组J枚(J≦100)选自集合Rdrr的图像数据的质量评测。
步骤S03.2：标记全部指纹专家为E1，E2，E3……Eh……EN。对于任意一名指纹专家，在其分配到的全部G组数据中：①每组设置10％J枚选自Ω1的图像、每组设置10％J枚选自Ω2的图像、每组随机设置80％J枚选自Ω3的图像；②其中，对于一名指纹专家，在其分配到的每组图像数据中选自Ω1的图像均完全相同；③对于任意两名指纹专家，二者分配到的选自Ω1的图像均完全不同、二者分配到的选自Ω2的图像完全相同。
步骤S03.3：完成图像数据分组后，将全部G*N组内的图像数据的专家评测顺序(即图像评测次序)打乱。
步骤S04：指纹专家利用封闭曲线在其分配的所有图像数据上标画满足第i质量等级的指纹纹线图像区域Qi,i∈k，得到纹线质量分布标画结果数据Adrr。具体包括：
组织全部指纹专家，根据其指纹物证鉴定工作经验，对自己分配到的全部图像数据进行质量评价，并标画出各个图像数据内各区域纹线图像质量的等级i和其对应的像素点范围。
上述“标记对应的像素点范围”，指利用不规则曲线在图像数据区域内标注的若干封闭曲线所包围的纹线图像区域。每一个封闭曲线所包围的区域，是指纹识别专家认为“属于同一质量等级的纹线图像区域。
设评价的标画结果数据为Adrr，Adrr中的每个图像上均被标画了满足第i等级标准的指纹纹线图像区域Qi,i∈k，k＝1,2,3,4,5，对应质量评价级别依次递增。并将Qi区域的质量等级i也标记进该区域内的每个像素。
设Ω1图像所对应的Adrr为Ω1Adrr，设Ω2图像所对应的Adrr为Ω2Adrr，设Ω3图像所对应的Adrr为Ω3Adrr。
专家评价的组织规则是：
1、每名专家均应分多次(每次限1组)对各组图像数据独立做出质量评价和标画。
2、每次(组)图像数据的评价和标画不限时长，但应一次完成。
3、各组图像数据的标画工作之间，最少安排4小时的时间间隔，以防止专家疲劳。
4、在评价开始之前，应对全部专家进行培训，告知全部专家，他们所作出的质量评价共分为五个等级，从高到低排列为：5级、4级、3级、2级、1级，其定义如下表：
表1
5、培训中应告知全部专家，他们所作出的质量评价标画，应尽可能地“将同一质量级别的纹线区域，用一条(而不是多条)封闭曲线标注出来”。
6、专家质量标画所使用的软件操作平台，应设置相关校验功能，将“专家质量标画区域”限制在前述“重建图像Pdrr”区域。
7、专家质量标画所使用的软件操作平台，应设置相关校验功能，使不同质量级别的专家质量标画区域之间，无法形成相互交叉。
8、培训中应告知全部专家，他们所作出的质量评价标画，应尽可能全面地覆盖前述“重建图像Pdrr”内的全部有指纹纹线的区域。
9、为确保全部指纹专家的视觉认知条件相同，专家的指纹质量标画应采用集中模式开展，即：将全部专家集中起来，在同一时段内，在同一室内环境下，经过统一培训，在硬件配置(特别是与显示相关的配置)和软件设置(特别是与视觉感官相关的设置，比如分辨率、亮度、对比度等)完全相同的条件下，进行质量标画的操作。
图2为某现场指纹纹线遗留区域外围轮廓图，图3为该枚现场指纹纹线遗留区域外围轮廓，在其对应比中捺印指纹图像上的“外围轮廓重建效果”及“某专家对该区域捺印纹线图像质量分布情况的分区标画效果”。可见，专家对该枚重建后的前景图像标记了对应区域纹线质量等级1、2、3、4、5的对应像素点范围Q1、Q2、Q3、Q4、Q5。
步骤S05：专家个体纹线图像视觉质量评价分布数据DΩ1QMAdrr的生成和专家个体纹线图像质量判定稳定性指标检测。
本步骤将采用独特设计的处理方法，将每个Adrr转化为一组9元数据结构的“专家个体纹线图像视觉质量评价分布数据”(以下简称DΩ1QMAdrr)，并通过“专家个体纹线图像质量判定全局稳定性指标”(以下简称GQLqwtΩ1QMAdrr)检测，初步发现那些每次对相同图像数据做出的纹线质量分布数据结果差异都很大的，纹线图像质量评判个体稳定性较差的专家。具体方法是：
S05.1以定制的矩形扫描单元扫描Ω1Adrr图像数据，形成专家个体纹线图像视觉质量评价分布数据DΩ1QMAdrr。
设计矩形扫描单元(以下简称SLBΩ1QMAdrr，规格采用16像素*16像素，或者32像素*32像素)，从Ω1Adrr左上角开始，以规定步长(步长与SLBΩ1QMAdrr应配套，比如，当采用16像素*16像素规格扫描窗口时，则步长应设为16像素)，对构成Ω1Adrr的每一个矩形图像区块(以下简称LLBΩ1QMAdrr)进行扫描。
对于一枚规格为640像素*640像素的Ω1Adrr，如采用16像素*16像素扫描窗口，则每枚Ω1Adrr共有1600个LLBΩ1QMAdrr。
以指纹专家为单位，将各专家涉及Ω1Adrr的扫描结果，存入规格为40*40(当图像规格为640*640像素，且采用16像素*16像素扫描窗口)的数组(以下简称DΩ1QMAdrr)中。
所述DΩ1QMAdrr为9元数组，分别记录:
1).“Pdrr代码”(记录该Ω1Adrr对应的Pdrr的识别代码)
2).“组代码G”(记录该Ω1Adrr对应的专家标画数据组别代码)
3).当前LLBΩ1QMAdrr本次纹线质量评价级别“LBSΩ1Adrr”
4).当前LLBΩ1QMAdrr本次评价数据有效性标记“EEfDΩ1QMAdrr”
5).专家个体该LLBΩ1QMAdrr质量评价均值“AEAΩ1Adrr”
6).专家个体该LLBΩ1QMAdrr有效评价次数“TEAΩ1Adrr”
7).专家个体该LLBΩ1QMAdrr本次质量评价自身差异度“DeEAΩ1Adrr”
8).该专家本次该LLBΩ1QMAdrr纹线质量评价数据偏离度检测结果“DDSΩ1Adrr”(初始赋值为N，表示不合格)
9).当前LLBΩ1QMAdrr本次质量评价专家个体认知稳定性指标“LBLqwtΩ1QMAdrr”(初始赋值为0)
DΩ1QMAdrr各元赋值方法为：
1).“Pdrr代码”记录该Ω1Adrr对应的Pdrr的识别代码
2).“组代码”记录该Ω1Adrr对应的专家标画数据组别代码
3).计算当前图像区块LLBΩ1QMAdrr的像素质量评价均值，作为该专家该次LLBΩ1QMAdrr纹线质量评价级别。
LBSΩ1Adrr的计算和赋值方法是，计算当前LLBΩ1QMAdrr内全部“有效像素点”(即专家质量评级不为0的像素点)所对应的专家质量评价级别的和，再除以扫描窗口总像素点数(取小数点后1位)。例如，当前窗口内有236个像素点评级不为0，其中，有136个对应级别2，另有100个对应级别3，则当前扫描窗口的LBSΩ1Adrr＝(272+300)/(16*16)＝2.2。
4).专家个体本次LLBΩ1QMAdrr评价数据有效性标记EEfDΩ1QMAdrr的赋值方法是:对同一专家对同一LLBΩ1QMAdrr标记的G组评价数据，进行有效性检测，并给出各次评价数据是否有效的标识Y/N。例如：检测同一专家对同一LLBΩ1QMAdrr标记的G组评价数据，同时满足以下3个条件的，将其对应的EEfDΩ1QMAdrr赋值为Y。
(1)有效标记检测：该专家对该LLBΩ1QMAdrr做出G次质量评价标画中，至少有(G-2)次标画涉及的“有效像素点”数，大于SLBΩ1QMAdrr像素点数的50％；用于筛除无专家标画质量级别像素点占比过高的LLBΩ1QMAdrr。
(2)有效纹线检测：该LLBΩ1QMAdrr内，“灰度值大于某设定值(26)的有效像素点总数，占SLBΩ1QMAdrr像素点总数的比例大于设定值(10％)；用于筛除LLBΩ1QMAdrr内可视指纹纹线过少的LLBΩ1QMAdrr。
(3)有效重复性检测：该专家对该LLBΩ1QMAdrr给出的G次LBSΩ1Adrr值中，累计有3次以上(含3次)大于0.5。
5).专家个体该LLBΩ1QMAdrr质量评价均值AEAΩ1Adrr的赋值计算方法是：对于某一LLBΩ1QMAdrr，计算其涉及的EEfDΩ1QMAdrr赋值为Y的LBSΩ1Adrr的平均值，即为该专家对该LLBΩ1QMAdrr给出的AEAΩ1Adrr。
6).有效评价次数TEAΩ1Adrr的计算和赋值方法是：检测该专家对该LLBΩ1QMAdrr的G次质量评价中，EEfDΩ1QMAdrr赋值为Y的次数，即为该专家在该LLBΩ1QMAdrr上的TEAΩ1Adrr。
7).专家个体该LLBΩ1QMAdrr本次质量评价自身差异度DeEAΩ1Adrr的计算和赋值方法是：获取EEfDΩ1QMAdrr赋值为Y的标画数据涉及的LBSΩ1Adrr和AEAΩ1Adrr，计算DeEAΩ1Adrr＝LBSΩ1Adrr-AEAΩ1Adrr。
8).该专家本次该LLBΩ1QMAdrr纹线质量评价数据偏离度检测结果DDSΩ1Adrr的检测和赋值方法是：若差异度DeEAΩ1Adrr符合阈值要求的有效评判次数达到预设值以上，则将“DeEAΩ1Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ1Adrr赋值为Y。例如：某专家对某LLBΩ1QMAdrr做出的G次质量评价中，有H次对应的EEfDΩ1QMAdrr赋值为Y(即有H次有效)，则：
(1)如检测发现某次的DeEAΩ1Adrr绝对值小于等于1.0，且该值在该专家对该LLBΩ1QMAdrr做出的H次有效评价中，出现的次数大于等于H-1次，即将“DeEAΩ1Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ1Adrr赋值为Y；
(2)如检测发现该专家对该LLBΩ1QMAdrr做出的H次有效评判中，DeEAΩ1Adrr绝对值大于1.0的数据出现2次或者2次以上，则将该专家在该窗口扫描位点上的全部H次评价所对应的DDSΩ1Adrr赋值为N。
9).当前LLBΩ1QMAdrr专家个体纹线图像质量判定稳定性指标LBLqwtΩ1QMAdrr，其赋值计算方法是：专家Eh在LLBΩ1QMAdrr图像区块i上的LBLqwtΩ1QMAdrr，通过以下公式计算和赋值：
其中，假设TEAΩ1Adrr等于j，且其中符合“对应DDSΩ1Adrr赋值为Y”条件的有效评价次数为k。
S05.2：专家个体纹线图像质量判定全局稳定性指标GQLqwtΩ1QMAdrr计算：
以专家为单位，设检测其所标画Ω1数据涉及的全部LLBΩ1QMAdrr，设LBLqwtΩ1QMAdrr不为0的LLBΩ1QMAdrr有n个，专家Eh对Ω1数据的全部标画中有m个LLBΩ1QMAdrr对应的EEfDΩ1QMAdrr赋值为Y，则专家Eh的GQLqwtΩ1QMAdrr采用以下公式计算：
n/m反映了专家Eh对Ω1的多次质量评价标画中，“最终做出的LBLqwtΩ1QMAdrr不为0的LLBΩ1QMAdrr数”n，与“Ω1内包含的既定视觉刺激图像区块数”m(即Ω1所含各枚指纹图像的纹线图像质量分布情况)的比值。该比值的大小，反映了专家Eh对“指纹纹线质量分布”这一视觉刺激，做出稳定反应能力的高低。反映了专家Eh对Ω1的多次质量评价标画中，在LBLqwtΩ1QMAdrr不为0的n个LLBΩ1QMAdrr上的“专家个体纹线图像质量判定稳定性指标”之和。
S05.3：专家GQLqwtΩ1QMAdrr指标的排序和“专家筛选”
计算全部专家的GQLqwtΩ1QMAdrr指标并排序，GQLqwtΩ1QMAdrr指标超过一定阈值，即为“纹线质量评价认知个体稳定性初步检测合格的专家”。
S06：“专家群体纹线图像质量评价模式分布数据”(以下简称GDΩ2QMAdrr)的生成、“专家群体纹线图像质量判定模式指标”的检测和“专家群体质量评价模式”的聚类分析；
本步骤采用独特设计的算法，先将全部通过上一步“专家个体纹线质量判定稳定性指标初步检测”的专家所涉及的Ω2QMAdrr数据，转化为10％J组14元数据结构的“专家群体纹线图像视觉质量评价分布数据”(以下简称GDΩ2QMAdrr)，并对其所反映的“专家群体纹线图像质量判定模式指标”进行检测，再通过对专家们各项模式指标的聚类分析，得到反映专家群体指纹纹线图像质量评判模式分布规律的“聚类组数”和“各组包含的专家”，最后，根据聚类分析结果对专家进行标记，该标记即为各专家所涉及的QMAdrr数据在后续神经网络训练数据中出现的先后顺序(即优先级)。具体方法是：
S06.1生成GDΩ2QMAdrr
以定制的矩形扫描单元扫描步骤S05“纹线质量评价认知个体稳定性初步检测的合格专家”所涉及的全部Ω2Adrr数据，形成专家个体纹线图像视觉质量评价分布数据GDΩ2QMAdrr；
抽取上一步骤“纹线质量评价认知个体稳定性初步检测的合格专家”所其涉及的全部Ω2Adrr数据，以Pdrr为单元，设计矩形扫描单元(以下简称SLBΩ2QMAdrr，规格采用16像素*16像素，或者32像素*32像素)，从Ω2Adrr左上角开始，以规定步长(步长与SLBΩ2QMAdrr应配套，比如，当采用16像素*16像素规格扫描窗口时，则步长应设为16像素)，对构成Ω2Adrr的每一个矩形图像区块(以下简称LLBΩ2QMAdrr)进行扫描。
以Pdrr为单位，将各专家涉及Ω2Adrr的扫描结果存入10％J个数组(以下简称GDΩ2QMAdrr)中。
所述DΩ2QMAdrr为14元数组，分别记录：
1).“专家识别代码”(即做出本次质量评价的指纹专家身份识别代码)
2).当前LLBΩ2QMAdrr本次纹线质量评价级别“LBSΩ2Adrr”
3).当前LLBΩ2QMAdrr本次评价数据有效性标记“EEfDΩ2QMAdrr”
4).专家个体该LLBΩ2QMAdrr质量评价均值“AEAΩ2Adrr”
5).专家个体该LLBΩ2QMAdrr有效评价次数“TEAΩ2Adrr”
6).专家个体该LLBΩ2QMAdrr本次质量评价自身差异度“DeEAΩ2Adrr”
7).该专家本次该LLBΩ2QMAdrr纹线质量评价数据偏离度检测结果“DDS
Ω2Adrr”(初始赋值为N，表示不合格)
8).当前LLBΩ2QMAdrr本次质量评价专家个体认知稳定性指标“LBLqwtΩ2QMAdrr”(初始赋值为0)
9).专家个体纹线图像质量判定全局稳定性指标“GQLqwtΩ2QMAdrr”
10).共有有效LLBΩ2QMAdrr参评专家数“GETEfDΩ2QMAdrr”(初始赋值0)；
11).专家群体有效评价均值“GETLBAΩ2Adrr”(初始赋值为0)
12).个体均值-群体均值差异度“GDeTAΩ2Adrr”
13).专家个体质量评价强度“SIAΩ2Adrr”
14).该专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标“GGLBLqwtΩ2QMAdrr”(赋值方法后述)
GDΩ2QMAdrr各元的赋值方法为：
1).“专家识别代码”的赋值，即为做出该质量评价数据的专家代码；
2).计算当前LLBΩ2QMAdrr的像素质量评价均值，作为该专家该次LLBΩ2QMAdrr纹线质量评价级别。
LBSΩ2Adrr的计算和赋值方法是，计算当前LLBΩ2QMAdrr内全部“有效像素点”(即专家质量评级不为0的像素点)所对应的专家质量评价级别的和，再除以扫描窗口总像素点数(取小数点后1位)。例如，当前窗口内有236个像素点评级不为0，其中，有136个对应级别3，另有100个对应级别4，则当前扫描窗口的LBSΩ2Adrr＝(408+400)/(16*16)＝3.2。
3).当前LLBΩ2QMAdrr本次评价数据有效性标记EEfDΩ2QMAdrr的赋值方法是：对同一专家对同一LLBΩ2QMAdrr标记的G组评价数据，进行有效性检测，并给出各次评价数据是否有效的标识Y/N。
检测同一专家对同一LLBΩ2QMAdrr标记的G组评价数据，同时满足以下3个条件的，将其对应的EEfDΩ2QMAdrr赋值为Y。
(1)有效标记检测：该专家对该LLBΩ2QMAdrr做出G次质量评价标画中，至少有(G-2)次标画涉及的“有效像素点”数，大于SLBΩ2QMAdrr像素点数的50％；用于筛除无专家标画质量级别像素点占比过高的LLBΩ2QMAdrr。
(2)有效纹线检测：该LLBΩ2QMAdrr内，“灰度值大于某设定值(比如，大于26)的有效像素点总数，占SLBΩ2QMAdrr像素点总数的比例大于设定值(比如，大于10％)；用于筛除前景内可视指纹纹线过少的LLBΩ2QMAdrr。
(3)有效重复性检测：该专家对该LLBΩ2QMAdrr给出的G次LBSΩ2Adrr值中，累计有3次以上(含3次)大于0.5。
4).专家个体该LLBΩ2QMAdrr质量评价均值AEAΩ2Adrr的赋值计算方法是：对于某一LLBΩ2QMAdrr，计算其涉及的EEfDΩ2QMAdrr赋值为Y的LBSΩ2Adrr的平均值，即为该专家对该LLBΩ2QMAdrr给出的AEAΩ2Adrr。
5).专家个体该LLBΩ2QMAdrr有效评价次数TEAΩ2Adrr的计算和赋值方法是：检测该专家对该LLBΩ2QMAdrr的G次质量评价中，EEfDΩ2QMAdrr赋值为Y的次数，即为该专家在该LLBΩ2QMAdrr上的TEAΩ2Adrr。
6).专家个体该LLBΩ2QMAdrr本次质量评价自身差异度DeEAΩ2Adrr的计算和赋值方法是：获取EEfDΩ2QMAdrr赋值为Y的标画数据涉及的LBSΩ2Adrr和AEAΩ2Adrr，计算DeEAΩ2Adrr＝LBSΩ2Adrr-AEAΩ2Adrr。
7).该专家本次该LLBΩ2QMAdrr纹线质量评价数据偏离度检测结果DDSΩ2Adrr的检测和赋值方法是：若差异度DeEAΩ2Adrr符合阈值要求的有效评判次数(H)达到预设值以上，则将“DeEAΩ2Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ2Adrr赋值为Y。例如：某专家对某LLBΩ2QMAdrr做出的G次质量评价中，有H次对应的EEfDΩ1QMAdrr赋值为Y(即有H次有效)，则：
(1)如检测发现某次的DeEAΩ2Adrr绝对值小于等于1.0，且该值在该专家对该LLBΩ2QMAdrr做出的H次有效评价中，出现的次数大于等于H-1次，即将“DeEAΩ2Adrr绝对值小于等于1.0的”评价数据所对应的DDSΩ2Adrr赋值为Y；
(2)如检测发现该专家对该LLBΩ2QMAdrr做出的H次有效评判中，DeEAΩ2Adrr绝对值大于1.0的数据出现2次或者2次以上，则将该专家在该窗口扫描位点上的全部H次有效评价所对应的DDSΩ2Adrr赋值为N。
8).计算当前LLBΩ2QMAdrr本次质量评价专家个体认知稳定性指标LBLqwtΩ2QMAdrr，其赋值计算方法是：
设某专家Eh对某LLBΩ2QMAdrr图像区块i的G次评判结果数据中，专家Eh在LLBΩ2QMAdrr图像区块i上的LBLqwtΩ2QMAdrr，通过以下公式计算赋值：
其中，假设TEAΩ2Adrr等于j，且其中符合“对应DDSΩ2Adrr赋值为Y”条件的有效评价次数为k。
9).计算专家个体纹线图像质量判定全局稳定性指标GQLqwtΩ2QMAdrr；
以专家为单位，设检测其所标画Ω2数据涉及的全部LLBΩ2QMAdrr，设LBLqwtΩ2QMAdrr不为0的LLBΩ2QMAdrr有n个，专家Eh对Ω2数据的全部标画中有m个LLBΩ2QMAdrr对应的EEfDΩ2QMAdrr赋值为Y，则专家Eh的GQLqwtΩ2QMAdrr采用以下公式计算：
n/m反映了专家Eh对Ω2的多次质量评价标画中，“最终做出的LBL qwtΩ2QMAdrr不为0的LLBΩ2QMAdrr数”n，与“Ω2内包含的既定视觉刺激图像区块数”m(即Ω2所含各枚指纹图像的纹线图像质量分布情况)的比值。该比值的大小，反映了专家Eh对“指纹纹线质量分布”这一视觉刺激，做出稳定反应能力的高低。反映了专家Eh对Ω2的多次质量评价标画中，在LBLqwtΩ2QMAdrr不为0的n个LLBΩ2QMAdrr上的“专家个体纹线图像质量判定稳定性指标”之和。
定义GQLqwtΩ2QMAdrr指标再次超过一定值域的(或者该指标排名较高的)专家为Ω2稳定性检测合格专家。
以下指标10-14均是对“Ω2稳定性检测合格专家”涉及的“共有有效LLBΩ2QMAdrr评价数据”进行的处理(所述“共有有效LLBΩ2QMAdrr评价数据”，是指每名Ω2稳定性检测合格专家“均做出过EEfDΩ2QMAdrr校验有效评价的LLBΩ2QMAdrr所涉及的纹线质量评价数据)：
10).共有有效LLBΩ2QMAdrr参评专家数GETEfDΩ2QMAdrr的计算和赋值方法是：以LLBΩ2QMAdrr为单位，检测EEfDΩ2QMAdrr和“专家识别代码”，将每名“Ω2稳定性检测合格专家”均做出过有效评价的LLBΩ2QMAdrr所涉及的纹线质量评价数据的GETEfDΩ2QMAdrr，赋值为“曾对此LLBΩ2QMAdrr做出过有效评级的Ω2稳定性检测合格专家”总数)。
11).专家群体有效评价均值GETLBAΩ2Adrr的计算和赋值方法是：计算全部Ω2稳定性校验合格的专家在该“共有有效LLBΩ2QMAdrr”上的AEAΩ2Adrr的平均值。(该值大于0即为该LLBΩ2QMAdrr共有有效)
检测GETEfDΩ2QMAdrr赋值大于0的LLBΩ2QMAdrr，计算“全部Ω2稳定性校验合格专家”在这些“共有LLBΩ2QMAdrr”上的AEAΩ2Adrr的平均值，即为这些“共有LLBΩ2QMAdrr”对应质量评价数据的GETLBAΩ2Adrr。
12).个体均值-群体均值差异度GDeTAΩ2Adrr的计算和赋值方法是：某专家在某“共有LLBΩ2QMAdrr”上的AEAΩ2Adrr，减去该“共有LLBΩ2QMAdrr”的专家群体有效评价均值GETLBAΩ2Adrr。
检测GETLBAΩ2Adrr赋值大于0的全部LLBΩ2QMAdrr，某专家在该LLBΩ2QMAdrr上的GDeTAΩ2Adrr等于该专家在该LLBΩ2QMAdrr的AEAΩ2Adrr减该LLBΩ2QMAdrr对应的GETLBAΩ2Adrr(即“该专家个体对该LLBΩ2QMAdrr做出的有效质量评价平均值”减去“专家群体对该LLBΩ2QMAdrr做出的群体有效质量评价平均值”)。
13).专家个体质量评价强度SIAΩ2Adrr(该专家当前LLBΩ2QMAdrr质量评价的认知强度”)的计算和赋值方法是：对于GETLBAΩ2Adrr大于0的全部LLBΩ2QMAdrr，以专家为单位，某专家在某LLBΩ2QMAdrr上的SIAΩ2Adrr＝“该LLBΩ2QMAdrr对应该专家的有效评价次数TEAΩ2Adrr”/“全部Ω2稳定性检测合格专家在该LLBΩ2QMAdrr上做出的有效评价次数TEAΩ2Adrr之和”。
14).某专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标GGLBLqwtΩ2QMAdrr的计算方法是：
对于“共有有效LLBΩ2QMAdrr评价数据”涉及的某LLBΩ2QMAdrr图像区块i，专家Eh在LLBΩ2QMAdrr图像区块i上的GGLBLqwtΩ2QMAdrrEh,i的计算公式是：
其中，GDeTAΩ2AdrrEh,i为专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的GDeTAΩ2Adrr值。
专家Eh在全部n个共有有效LLBΩ2QMAdrr上的个体-群体质量评价差异指标GGLBLqwtΩ2QMAdrrEh的计算公式是：
其中，是专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的SIAΩ2Adrr值的平方，GGLBLqwtΩ2QMAdrrEh,i是专家Eh在共有有效LLBΩ2QMAdrr图像区块i上的“个体-群体质量评价差异指标”值。
S06.2专家群体纹线图像质量判定聚类分析
抽取Ω2稳定性检测合格的全部专家涉及的GDΩ2QMAdrr数据中的第9元专家个体纹线图像质量判定全局稳定性指标“GQLqwtΩ2QMAdrr”、第14元该专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标“GGLBLqwtΩ2QMAdrr”，对全部专家采用二维的K-means聚类方法进行聚类分析；
聚类维度1：专家个体的评价指标：fx为第9元专家个体纹线图像质量判定全局稳定性指标“GQLqwtΩ2QMAdrr”。聚类维度2：专家群体的评价指标：gx为第14元该专家该LLBΩ2QMAdrr质量评价模式个体-群体差异指标“GGLBLqwtΩ2QMAdrr”。
每个专家有一个二维的坐标值(fx，gx)。由此可以使用二维的K-means聚类方法对专家进行聚类分析。(K-means聚类方法是标准的聚类方法，无需再进一步给出其步骤)由于K-means聚类方法需要明确聚类成几类。我们这里假定专家聚类成为3类，所以K＝3即可。
步骤S07：依据专家聚类分析结果，对专家及其Adrr进行优先级排序。
抽取Ω2稳定性检测合格的全部专家，根据聚类分析结果，先按照每组所包含的专家数(从多到少)对聚类组进行优先级排序，再按照每组内专家“个体纹线图像质量判定全局稳定性指标”GQLqwtΩ2QMAdrr(从高到底)对组内专家进行优先级排序。某一专家的优先级即为其所作出的Adrr的优先级。全部Ω2稳定性检测合格的全部专家涉及的Adrr数据，均可作为神经网络模型的数据源，其出现顺序取决于Adrr的优先级。
步骤S08：数据源分组、定制切割Adrr，生成神经网络模型的训练数据和验证数据；
将神经网络模型的数据源按一定比例分为训练数据组和验证数据组。例如随机抽取80％为训练数据组，其余20％即为验证数据组。
定制切割(比如按照16像素*16像素或者32像素*32像素规格切割)训练数据组和验证数据组Adrr，作为神经网络模型的训练数据和验证数据。
步骤S09：构造指纹图像质量评价神经网络模型，设定神经网络激活函数。
在Caffe框架下，利用卷积神经网络构造神经网络模型。该模型包括三个卷积层及三个池化层，一个全连接层和一个softmax分类器层。并采用ReLU(Rectified LinearUnit)作为神经网络激活函数。
将定制切割的Adrr图块，输入到神经网络第一层，按照5*5像素局部感受野窗口进行卷积操作，该层神经元的激活函数为ReLU函数，按照LRN(Local ResponseNormalization，局部响应归一化)方法进行归一化。该层按照2*2像素的局部感受野窗口对当前图像块做一次pool下采样。第二层和第三层神经网络的作法和第一层神经网络对输入图像块的处理方法相同，但是局部感受野窗口改为4*4像素和3*3像素。经过三个卷积层后，当前图像块输入到一个全连接层中。全连接层的输出是一个320维的向量，该向量是输入指纹图像块的一个特征表示，保存着当前图像块的全部特征。最后，将320维向量输入到softmax层中进行分类。分类包含5个等级：1级、2级、3级、4级、5级指纹质量。
步骤S10：不断重复的利用训练数据对指纹图像质量评价神经网络模型进行模型训练，用验证数据对模型进行训练效果的验证，直至网络模型的质量评价准确率达到设定阈值。
在Caffe架构下，将第一个训练数据输入到指纹图像质量评价神经网络模型中，利用神经网络自动提取出训练数据的图像特征，并给出当前训练数据的图像质量判断等级。如果神经网络输出评价结果，与专家对该训练数据的评价不一致，神经网络模型将通过迭代反馈机制调整网络结构的内部参数。接下来，将第二个、第三个……第n个训练数据输入神经网络模型，并对每个训练数据重复上述操作。当训练完成一定次数(如500次)后，让神经网络模型对一组验证数据进行图像质量评价。如网络模型的图像质量评价结果与验证数据对应的专家评价结果的一致性低于设定阈值(比如95％)，则继续用训练数据对模型进行训练。当再次输入训练数据达到一定次数(如500次)后，让神经网络模型对一组验证数据进行图像质量评价，并再次对网络模型的评价结果与验证数据对应的专家评价结果的一致性进行检测，直至神经网络的图像质量评价结果与专家评价结果的一致性高于设定阈值，网络模型的训练即完成。
步骤S11：利用神经网络模型做出局部图块质量评价数据，在频数模型的支持下，计算捺印指纹图像的全局综合质量评价。
S11.1：提取捺印指纹图像的前景纹线图像，采用模式识别算法将其方向调正(指尖朝上)后，将纹型中心定位于DRR模板(见申请号为201711128381.1的专利申请中步骤S04.01对于DRR模板的说明)对应指位的中心；
S11.2：按一定规格(即神经网络模型定制的规格，比如16像素*16像素，或者32像素*32像素)，将定位后的前景纹线图像，分割为t个图像块(以下简称Mtcd)。
S11.3：根据每个Mtcd所包含Mcd的ratio数据，计算该Mtcd的Fdrr频度(PMtcd)。图像块i的PMtcdi，为该图像块对应区域包含全部Mcd的“Fdrr频度重建ratio的和”除以“该图像块对应区域包含的Mcd总数”(见申请号为201711128381.1，名称为“一种犯罪现场指纹纹线遗留区域频度动态重建方法”的专利申请中步骤S04对于Mcd的Fdrr频度重建ratio数据的说明)。
S11.4：用神经网络模型评价出全部图像块的质量等级。
S11.5：计算捺印指纹图像的全局综合质量CFIQ
某捺印指纹图像f的全局综合质量评级CFIQf用以下公式计算：
其中，t为捺印指纹图像f有纹线的区域所包含的图像块总数，k为网络模型可以判别的质量级别总数(按照本专利申请涉及网络模型，可以判别的质量等级为5)，Pz为f所包含的某一图像块z所对应的PMtcd，Hz为图像块z的神经网络模型质量评价级别。
图5为捺印指纹图像F，图6为使用本方法对捺印指纹图像F做出的指纹质量评价实例效果图。该效果图可显示，质量图中每个图块内的C值，即为神经网络模型对捺印指纹F对该区域对应纹线图像做出的质量评价结果(已取整数值)，每个图块内的W值，即为根据该图块所包含Mcd的ratio数据，计算出的该图像块的Fdrr频度(PMtcd)。颜色相同的图块，Fdrr频度相同。黑色部分表示的是无纹线区域。
除指纹领域外，对于当前普遍应用的法庭科学图像自动识别系统数据库，如：掌纹数据库、足迹数据库、人脸识别数据库、枪弹痕迹数据库、书写笔迹数据库、印章数据库、轮胎痕迹数据库、虹膜数据库等，本专利所述的质量评价模式均可对上述库存档案的法庭科学应用价值(即库存“已知来源样本”档案图像数据质量)进行评价。
上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于包括以下步骤：
步骤一：对现场指纹纹线遗留位置重建区域内的捺印纹线图像质量等级进行专家认知和质量标画，对质量标画数据进行专家个体质量评价稳定性分析和专家质量评价模式聚类分析，并得到每名专家质量标画数据的优先级；将专家质量标画数据切块，按照优先级用于图像质量评价神经网络模型训练；
步骤二：构造并训练图像质量评价神经网络模型，至到其对局部图块的质量评价达到设定准确率阈值；
步骤三：利用图像质量评价神经网络模型做出局部图块质量评价数据，计算捺印指纹图像的全局综合质量评价。
2.根据权利要求1所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于：所述步骤一包括：
步骤S02：从指纹重建图像Pdrr抽取一批图像，分离前景与背景构成前景区域图像Rdrr；
步骤S03：将Rdrr分组标记为Ω1、Ω2、Ω3，并分发给指纹专家；
步骤S04：指纹专家利用封闭曲线在其分配到的图像数据上标画满足第i质量等级的指纹纹线图像区域Qi,i∈k，得到反映纹线图像质量分布专家视觉认知情况的标画结果数据Adrr；
步骤S05：以矩形扫描单元扫描选自Ω1的Adrr，形成反映专家个体纹线图像视觉质量评价分布的数据计算专家个体纹线图像质量判定全局稳定性指标；并将该指标超过阈值的专家定义为“纹线质量评价认知个体稳定性初步检测合格的专家”；
步骤S06：以矩形扫描单元扫描“纹线质量评价认知个体稳定性初步检测合格的专家”做出的Ω2组Adrr，形成反映专家个体纹线图像视觉质量评价分布数据计算每名专家的“个体纹线图像质量判定全局稳定性指标”和“质量评价模式个体-群体差异指标”作为参数，对全部专家进行聚类分析；
步骤S07：依据专家聚类分析结果，对专家及其Adrr进行优先级排序；
步骤S08：Adrr的分组和切割，生成神经网络模型的训练数据和验证数据。
3.根据权利要求2所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤S03包括：
步骤S03.1：对于Rdrr内的全部图像数据，按比例分别标记为专家个体质量评价稳定性测试组Ω1、专家群体评价差异性测试组Ω2、专家质量认知规律采集组Ω3；
步骤S03.2：定义每名专家共分配到G组、每组J枚的选自Rdrr的图像数据；对于任意一名指纹专家在其分配到的全部G组数据中，每组设置10％J枚选自Ω1的图像、设置10％J枚选自Ω2的图像、每组随机设置80％J枚选自Ω3的图像；其中，对于一名指纹专家，在其分配到的每组图像数据中，选自Ω1的图像均相同；对于任意两名指纹专家，二者分配到的选自Ω1的图像均不同、二者分配到的选自Ω2的图像均同。
4.根据权利要求2所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤S05，包括：
S05.1：以矩形扫描单元扫描Ω1Adrr图像数据，形成专家个体纹线图像视觉质量评价分布数据所述为9元数组:
1).“Pdrr代码”记录该Ω1Adrr对应的Pdrr的识别代码；
2).“组代码G”记录该Ω1Adrr对应的专家标画数据组别代码；
3).当前本次纹线质量评价级别
4).当前本次评价数据有效性标记
5).专家个体该质量评价均值
6).专家个体该有效评价次数
7).专家个体该本次质量评价自身差异度
8).该专家本次该纹线质量评价数据偏离度检测结果
9).当前本次质量评价专家个体认知稳定性指标
S05.2：专家个体纹线图像质量判定全局稳定性指标的计算：以专家为单位，设检测其所标画Ω1数据涉及的全部设 不为0的有n个，专家Eh对Ω1数据的全部标画中有m个对应的赋值为Y，则专家Eh的采用以下公式计算：
S05.3：计算全部专家的指标并排序，指标超过阈值的专家，即为“纹线质量评价认知个体稳定性初步检测合格的专家”。
5.根据权利要求4所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于：所述步骤S05.1中所述的第3)-9)元的赋值方法，如下：
3).计算当前图像区块的像素质量评价均值，作为该专家该次纹线质量评价级别；
4).专家个体本次评价数据有效性标记的赋值方法是:对同一专家对同一标记的G组评价数据，进行有效性检测；
5).专家个体该质量评价均值的赋值计算方法是：对于某一计算其涉及的赋值为Y的的平均值，即为该专家对该给出的
6).有效评价次数的计算和赋值方法是：检测该专家对该 的G次质量评价中，赋值为Y的次数，即为该专家在该 上的
7).专家个体该本次质量评价自身差异度的计算和赋值方法是：获取赋值为Y的标画数据涉及的和计算
8).该专家本次该纹线质量评价数据偏离度检测结果 的检测和赋值方法是：若差异度符合阈值要求的有效评判次数达到预设值以上，则将“绝对值小于等于1.0的”评价数据所对应的赋值为Y；
9).当前专家个体纹线图像质量判定稳定性指标 其赋值计算方法是：设某专家Eh对某图像区块i的G次评判结果数据中，专家Eh在图像区块i上的通过以下公式计算和赋值：
其中，假设等于j，且其中符合“对应赋值为Y”条件的有效评价次数为k。
6.根据权利要求2所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤S06包括：
S06.1：以矩形扫描单元扫描步骤S05“纹线质量评价认知个体稳定性初步检测的合格专家”所涉及的全部Ω2Adrr数据，形成专家个体纹线图像视觉质量评价分布数据所述为14元数组：
1).“专家识别代码”即做出本次质量评价的指纹专家身份识别代码；
2).当前本次纹线质量评价级别
3).当前本次评价数据有效性标记
4).专家个体该质量评价均值
5).专家个体该有效评价次数
6).专家个体该本次质量评价自身差异度
7).该专家本次该纹线质量评价数据偏离度检测结果
8).当前本次质量评价专家个体认知稳定性指标
9).专家个体纹线图像质量判定全局稳定性指标
10).共有有效参评专家数
11).专家群体有效评价均值
12).个体均值-群体均值差异度
13).专家个体质量评价强度
14).该专家该质量评价模式个体-群体差异指标
S06.2：专家群体纹线图像质量判定聚类分析：抽取Ω2稳定性检测合格的全部专家涉及的数据中的第9元专家个体纹线图像质量判定全局稳定性指标第14元该专家该质量评价模式个体-群体差异指标对全部专家采用二维的K-means聚类方法进行聚类分析。
7.根据权利要求6所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于：所述步骤S06.1中所述的第2)-14)元的赋值方法，如下：
2).计算当前图像区块的像素质量评价均值，作为该专家该次纹线质量评价级别；
3).专家个体本次评价数据有效性标记的赋值方法是:对同一专家对同一标记的G组评价数据，进行有效性检测；
4).专家个体该质量评价均值的赋值计算方法是：对于某一计算其涉及的赋值为Y的的平均值，即为该专家对该给出的
5).有效评价次数的计算和赋值方法是：检测该专家对该 的G次质量评价中，赋值为Y的次数，即为该专家在该 上的
6).专家个体该本次质量评价自身差异度的计算和赋值方法是：获取赋值为Y的标画数据涉及的和计算
7).该专家本次该纹线质量评价数据偏离度检测结果 的检测和赋值方法是：若差异度符合阈值要求的有效评判次数达到预设值以上，则将“绝对值小于等于1.0的”评价数据所对应的赋值为Y；
8).当前专家个体纹线图像质量判定稳定性指标 其赋值计算方法是：设某专家Eh对某图像区块i的G次评判结果数据中，专家Eh在图像区块i上的通过以下公式计算和赋值：
其中，假设等于j，且其中符合“对应赋值为Y”条件的有效评价次数为k；
9).计算专家个体纹线图像质量判定全局稳定性指标
以专家为单位，设检测其所标画Ω2数据涉及的全部设 不为0的有n个，专家Eh对Ω2数据的全部标画中有m个对应的赋值为Y，则专家Eh的采用以下公式计算：
指标再次超过阈值的专家为“Ω2稳定性检测合格专家”；
以下指标10-14均是对“Ω2稳定性检测合格专家”涉及的“共有有效 评价数据”进行的处理；所述“共有有效评价数据”，是指每名Ω2稳定性检测合格专家“均做出过校验有效评价的 所涉及的纹线质量评价数据；
10).共有有效参评专家数的计算和赋值方法是：以为单位，检测和“专家识别代码”，获取共有有效和曾对共有有效做出过有效检测的合格专家数量；
11).专家群体有效评价均值的计算和赋值方法是：计算全部Ω2稳定性校验合格的专家在该“共有有效”上的的平均值；
12).个体均值-群体均值差异度的计算和赋值方法是：某专家在某“共有”上的减去该“共有”的专家群体有效评价均值
13).专家个体质量评价强度的计算和赋值方法是：
对于大于0的全部以专家为单位，某专家在某上的“该对应该专家的有效评价次数”/“全部Ω2稳定性检测合格专家在该上做出的有效评价次数之和”；
14).某专家该质量评价模式个体-群体差异指标 的计算方法是：对于“共有有效评价数据”涉及的某 图像区块i，专家Eh在图像区块i上的GGLBLqwtΩ2QMAdrrEh,i的计算公式是：
其中，GDeTAΩ2AdrrEh,i为专家Eh在共有有效图像区块i上的值；
专家Eh在全部n个共有有效上的个体-群体质量评价差异指标GGLBLqwtΩ2QMAdrrEh的计算公式是：
其中，是专家Eh在共有有效图像区块i上的 值的平方，GGLBLqwtΩ2QMAdrrEh,i是专家Eh在共有有效图像区块i上的“个体-群体质量评价差异指标”值。
8.根据权利要求1所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤S07包括：
抽取Ω2稳定性检测合格的全部专家，根据聚类分析结果，先按照每组所包含的专家数从多到少对聚类组进行优先级排序，再按照每组内专家“个体纹线图像质量判定全局稳定性指标”从高到底对组内专家进行优先级排序；所述某一专家的优先级即为其所作出的Adrr的优先级。
9.根据权利要求1所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤二包括：
S09：设置依次连接的若干卷积层及池化层、一个全连接层、一个softmax分类器层；神经网络层内均包括对输入图像块依次进行的卷积处理、按照Relu函数进行学习、采用LRN方法进行归一化处理、利用局部感受野窗口对当前图像块的一次pool下采样；所述全连接层内为表示当前图像块特征的多维向量；所述softmax分类器层包括5个级别的指纹质量等级；
S10：按优先级顺序输入训练数据，比较图块质量的神经网络评价结果与专家评价结果，如果不一致，神经网络模型将通过迭代反馈调整内部参数；训练若干次后，输入一批验证数据，如神经网络模型给出的图块质量评价结果与该批验证数据的专家质量评价结果一致率未达到规定阈值，则继续训练，直至神经网络质量评价与专家质量评价的一致率达到设定阈值。
10.根据权利要求1所述的基于纹线质量专家视觉认知机器学习的指纹质量评价方法，其特征在于所述步骤三包括：
S11.1：提取捺印指纹前景纹线图像，调正方向后将纹型中心定位于DRR模板对应指位的中心；
S11.2：按规格将定位后的纹线图像分割为t个图像块Mtcd；
S11.3：根据每个Mtcd所包含Mcd的ratio数据，计算该Mtcd的Fdrr频度PMtcd；
S11.4：用神经网络模型评价出全部图像块的质量等级；
S11.5：计算捺印指纹图像的全局综合质量：某捺印指纹图像f的全局综合质量评级CFIQf用以下公式计算：
其中，t为捺印指纹图像f有纹线的区域所包含的图像块总数；k为网络模型判别的质量级别总数；Pz为f所包含的某一图像块z所对应的PMtcd；Hz为图像块z的神经网络模型质量评价级别。
CN201810662944.3A 2018-06-25 2018-06-25 基于纹线质量专家视觉认知机器学习的指纹质量评价方法 Active CN109003259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810662944.3A CN109003259B (zh) 2018-06-25 2018-06-25 基于纹线质量专家视觉认知机器学习的指纹质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810662944.3A CN109003259B (zh) 2018-06-25 2018-06-25 基于纹线质量专家视觉认知机器学习的指纹质量评价方法

Publications (2)

Publication Number Publication Date
CN109003259A true CN109003259A (zh) 2018-12-14
CN109003259B CN109003259B (zh) 2022-02-18

Family

ID=64600800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810662944.3A Active CN109003259B (zh) 2018-06-25 2018-06-25 基于纹线质量专家视觉认知机器学习的指纹质量评价方法

Country Status (1)

Country Link
CN (1) CN109003259B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400335A (zh) * 2019-07-25 2019-11-01 广西科技大学 基于深度学习的纹理图像质量估计方法
CN110472518A (zh) * 2019-07-24 2019-11-19 杭州晟元数据安全技术股份有限公司 一种基于全卷积网络的指纹图像质量判断方法
CN111553880A (zh) * 2020-03-26 2020-08-18 北京中科虹霸科技有限公司 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360455A (zh) * 2011-10-21 2012-02-22 南京航空航天大学 基于专家知识和神经网络的太阳翼展开可靠性评估方法
CN102567993A (zh) * 2011-12-15 2012-07-11 中国科学院自动化研究所 基于主成分分析的指纹图像质量评价方法
CN105718848A (zh) * 2015-10-21 2016-06-29 深圳芯启航科技有限公司 一种指纹图像的质量评估方法及装置
CN106650572A (zh) * 2016-09-12 2017-05-10 深圳芯启航科技有限公司 一种指纹图像的质量评估方法
CN107169466A (zh) * 2017-05-25 2017-09-15 北京东方金指科技有限公司 一种基于秩和比方法的掌纹图像质量综合评价方法
CN107909031A (zh) * 2017-11-15 2018-04-13 张威 一种犯罪现场指纹纹线遗留区域频度动态重建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360455A (zh) * 2011-10-21 2012-02-22 南京航空航天大学 基于专家知识和神经网络的太阳翼展开可靠性评估方法
CN102567993A (zh) * 2011-12-15 2012-07-11 中国科学院自动化研究所 基于主成分分析的指纹图像质量评价方法
CN105718848A (zh) * 2015-10-21 2016-06-29 深圳芯启航科技有限公司 一种指纹图像的质量评估方法及装置
CN106650572A (zh) * 2016-09-12 2017-05-10 深圳芯启航科技有限公司 一种指纹图像的质量评估方法
CN107169466A (zh) * 2017-05-25 2017-09-15 北京东方金指科技有限公司 一种基于秩和比方法的掌纹图像质量综合评价方法
CN107909031A (zh) * 2017-11-15 2018-04-13 张威 一种犯罪现场指纹纹线遗留区域频度动态重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIAN WANG,ET AL.: "Research and Realization of Ten-print Data Quality Control Techniques for Imperial Scale Automated Fingerprint Identification System", 《J FORENSIC SCI》 *
刘莲花等: "多指标融合的指纹图像质量评测方法", 《计算机工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472518A (zh) * 2019-07-24 2019-11-19 杭州晟元数据安全技术股份有限公司 一种基于全卷积网络的指纹图像质量判断方法
CN110472518B (zh) * 2019-07-24 2022-05-17 杭州晟元数据安全技术股份有限公司 一种基于全卷积网络的指纹图像质量判断方法
CN110400335A (zh) * 2019-07-25 2019-11-01 广西科技大学 基于深度学习的纹理图像质量估计方法
CN111553880A (zh) * 2020-03-26 2020-08-18 北京中科虹霸科技有限公司 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置

Also Published As

Publication number Publication date
CN109003259B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN106203395B (zh) 基于多任务深度学习的人脸属性识别方法
US9514356B2 (en) Method and apparatus for generating facial feature verification model
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
CN105631439B (zh) 人脸图像处理方法和装置
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN100568264C (zh) 印章鉴别控制方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN101667245B (zh) 基于支持向量新颖检测分类器级联的人脸检测方法
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN106503687A (zh) 融合人脸多角度特征的监控视频人物身份识别系统及其方法
CN100418469C (zh) 基于舌象特征的病证计算机分析系统
CN108009482A (zh) 一种提高人脸识别效率方法
CN108491797A (zh) 一种基于大数据的车辆图像精确检索方法
CN109284733A (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
CN106203490A (zh) 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法
CN106897669A (zh) 一种基于一致迭代多视角迁移学习的行人再辨识方法
CN109063649A (zh) 基于孪生行人对齐残差网络的行人重识别方法
CN109003259A (zh) 基于纹线质量专家视觉认知机器学习的指纹质量评价方法
CN110287895A (zh) 一种基于卷积神经网络进行情绪测量的方法
CN106203356A (zh) 一种基于卷积网络特征提取的人脸识别方法
CN106203256A (zh) 一种基于稀疏保持典型相关分析的低分辨率人脸识别方法
CN110929746A (zh) 一种基于深度神经网络的电子卷宗标题定位提取与分类方法
CN113069080A (zh) 一种基于人工智能的困难气道评估方法及装置
CN108268865A (zh) 一种基于级联卷积网络的自然场景下车牌识别方法及系统
CN113205002B (zh) 非受限视频监控的低清人脸识别方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant