CN109241884B - 一种基于高光谱图像的非侵入式潜在指纹提取方法 - Google Patents
一种基于高光谱图像的非侵入式潜在指纹提取方法 Download PDFInfo
- Publication number
- CN109241884B CN109241884B CN201810967122.6A CN201810967122A CN109241884B CN 109241884 B CN109241884 B CN 109241884B CN 201810967122 A CN201810967122 A CN 201810967122A CN 109241884 B CN109241884 B CN 109241884B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- channel
- data
- hyperspectral
- 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.)
- Expired - Fee Related
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 11
- 238000002156 mixing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011840 criminal investigation Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/1312—Sensors therefor direct reading, e.g. contactless acquisition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高光谱图像的非侵入式潜在指纹提取方法,涉及它首先利用高光谱成像仪对待检测区域进行数据采集,得到多通道数据并通过低通滤波以及对数变换进行数据预处理;然后对多通道数据进行降维得到低维数据;最后计算每个通道图像的局部总变化量分离出纹理和非纹理信息,并通过梯度统计直方图信息将各通道纹理信息进行融合,得到指纹图像。其优点是:本发明利用丰富的光谱信息和纹理信息,克服了传统指纹提取方法在复杂背景图像下检测效果不佳的问题,在完全保护待检测物体的情况下具有较好的检测效果,在刑侦、文物检测、信息安全等领域具有较广阔的应用前景。
Description
技术领域
本发明涉及信息安全领域,特别涉及一种基于高光谱图像的非侵入式潜在指纹提取方法。
背景技术
在众多的生物特征中,指纹识别技术凭借其较高的实用性和可靠性,已经成为了目前应用最为广泛的技术,并且具有法律效力。指纹特征识别从最早应用于司法刑侦领域,直到广泛应用于民用领域,己经有了很长的发展历史。指纹识别,概括来讲是依靠指纹纹理所形成的能够表征个人身份的唯一特征,将其与个人对应起来,通过比较个人的指纹特征与预先保存的库指纹特征,来实现个人身份的认证和鉴别。作为最传统、最成熟的身份辨识方式,指纹识别具有四个突出的特点:
稳定性:指纹是人手指表面皮肤表面突起的纹线,它的形成主要依赖于遗传因素。指纹的纹线类型、结构、及其他特征的分布情况从一个人出生终其一生始终都比较稳定;
唯一性:每个人的指纹独一无二,不同的人之间存在相同指纹的概率几近为零;即便是同一个人,他的十指指纹也有明显的区别;
易釆集:硬件的迅速发展使得指纹釆集功能中的硬件部分容易实现,同时指纹样本库的标准化也方便了识别系统的软件开发;
易存储:指纹的特征模板代替原指纹图像被存储在指纹数据库中,这不仅大大的减小了对存储设备容量的需求,也可以减小网络传输负担,便于实现异地确认。
指纹以上的优点,是其它人体特征无法比拟的。
指纹一般分为可视指纹和潜在指纹两种。传统的指纹识别技术主要针对可视指纹,一般是从图像的纹理角度出发,通过图像处理技术,提取指纹。纹理检测方法主要有梯度检测、Gabor滤波器、以及基于字典学习的识别技术,但是因为潜在指纹不可视,并且场景中一般存在复杂的背景信息,同时许多场合不允许对待检测目标有破坏,潜在指纹的提取通常是很困难的。
发明内容
本发明的目的在于:提供了一种基于高光谱图像的非侵入式潜在指纹提取方法,解决了因为潜在指纹不可视,并且一般存在复杂的背景信息,同时许多场合不允许对待检测目标有破坏等困难下的潜在指纹提取问题。
本发明采用的技术方案如下:
一种基于高光谱图像的非侵入式潜在指纹提取方法,包括依次进行的以下步骤:
S3、对第k(k=1,...,l)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk;
S4、将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像。
进一步的,所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
进一步的,所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
进一步的,所述步骤S3中对第k(k=1,...,l)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤:
S301、计算图像Xk的局部总变化量,并记为LTVσ(X(k));
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij:
如果λσ,ij趋近于1,则说明该像素邻域为纹理区域,如果λσ,ij趋近于0,则说明该像素邻域为非纹理区域;
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij,得到
ω(λ)是软阈值函数,表达式如下:
其中,a1、a2分别为0.25、0.5;
S304、图像Xk的纹理部分可表示为:
V(k)=X(k)-U(k),k=1,...,l。
进一步的,所述将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像包括以下步骤:
Ip=[π(p-1)/κ,pπ/κ],p=1,2,...,κ,
其中,Ip表示梯度角度的统计区间,κ表示角度分隔份数,p表示角度区间序号;
S404、将构成的权重矩阵记为Ω(k),对Ω(k)进行形态学处理:对于如果其八邻域权重非零的个数大于3,则强制将其置为否则保持步骤S403的计算结果,得到的图像块权重记为则通过融合l通道图像之后提取出的指纹图像可表示为
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法,使用高光谱成像技术进行数据采集,能够有效采集到肉眼看不到的指纹信息;
2.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法,通过分离每个通道的纹理信息和非纹理信息,然后再将多通道的信息进行融合,能够有效利用高光谱成像技术的优势,使纹理信息得到加强,非纹理信息被抑制,最后得到较为精确的提取效果
3.本发明一种基于高光谱图像的非侵入式潜在指纹提取方法,具有一定拓展性,不局限于指纹提取,可以应用在大多数纹理提取的场合。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的总体流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1对本发明作详细说明。
实施例1
如图1所示,一种基于高光谱图像的非侵入式潜在指纹提取方法,其特征在于:包括依次进行的以下步骤:
S3、对第k(k=1,...,l)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk;
S4、将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像。
实施例2
本实施例与实施例1的区别在于:进一步的,所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
进一步的,所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
进一步的,所述步骤S3中对第k(k=1,...,l)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤:
S301、计算图像Xk的局部总变化量,并记为LTVσ(X(k));
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij:
如果λσ,ij趋近于1,则说明该像素邻域为纹理区域,如果λσ,ij趋近于0,则说明该像素邻域为非纹理区域;
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij,得到
ω(λ)是软阈值函数,表达式如下:
其中,a1、a2分别为0.25、0.5;
S304、图像Xk的纹理部分可表示为:
V(k)=X(k)-U(k),k=1,...,l。
进一步的,所述将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像包括以下步骤:
Ip=[π(p-1)/κ,pπ/κ],p=1,2,...,κ,
其中,Ip表示梯度角度的统计区间,κ表示角度分隔份数,p表示角度区间序号;
S404、将构成的权重矩阵记为Ω(k),对Ω(k)进行形态学处理:对于如果其八邻域权重非零的个数大于3,则强制将其置为否则保持步骤S403的计算结果,得到的图像块权重记为则通过融合l通道图像之后提取出的指纹图像可表示为
实施例3
本发明具体流程如下:
S1、数据采集以及预处理,具体步骤如下:
S101、通过高光谱成像技术,采集到31通道,大小为512*640的数据;
S102、由于数据采集会存在噪声,通过高斯低通滤波去除噪声;
S103通过对数变换加强暗区细节的对比度,锐化指纹图像;
S2、降维处理,具体步骤如下:
S201、本发明采用主成分分析进行数据降维,设置重构阈值为95%,得到前4个主成分通道;
S3、单通道纹理信息提取,具体步骤如下:本发明采用计算局部总变化分离图像的纹理信息与非纹理信息,具体步骤如下:
对第k(k=1,...,4)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk,具体步骤如下:
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij
如果λσ,ij趋近于1,则说明该像素邻域为纹理区域,如果λσ,ij趋近于0,则说明该像素邻域为非纹理区域;
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij,得到:
这里ω(λ)是软阈值函数;
这里参数a1、a2分别为0.25、0.5。
S304、则图像Xk的纹理部分可表示为:
V(k)=X(k)-U(k),k=1,...,4。
进一步的,所述将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像包括以下步骤:
Ip=[π(p-1)/9,pπ/9],p=1,2,...,9;
S404、将构成的权重矩阵记为Ω(k),对Ω(k)进行形态学处理:对于如果其八邻域权重非零的个数大于3,则强制将其置为否则保持步骤S403的计算结果,得到的图像块权重记为则通过融合l通道图像之后提取出的指纹图像可表示为
以上所述,仅为本发明的优选实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的技术人员在本发明所揭露的技术范围内,可不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (5)
2.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法,其特征在于:所述步骤S1中对采集到的数据进行预处理的方法包括通过低通滤波消除数据噪声、对数变换加强暗区细节中的至少一种。
3.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法,其特征在于:所述步骤S2中降维处理的方法包括主成分分析、线性判别分析、直接提取部分通道中的至少一种。
4.根据权利要求1所述的一种基于高光谱图像的非侵入式潜在指纹提取方法,其特征在于:所述步骤S3中对第k(k=1,...,l)通道图像Xk计算局部总变化量,从图像分离出非纹理部分Uk和纹理部分Vk的方法包括以下步骤:
S302、计算图像Xk(i,j)像素邻域的纹理强度λσ,ij:
如果λσ,ij趋近于1,则说明该像素邻域为纹理区域,如果λσ,ij趋近于0,则说明该像素邻域为非纹理区域;
S303、从图像Xk(i,j)像素邻域中分离出非纹理部分U(k) ij,得到
ω(λ)是软阈值函数,表达式如下:
其中,a1、a2分别为0.25、0.5;
S304、图像Xk的纹理部分可表示为:
V(k)=X(k)-U(k),k=1,...,l。
5.根据权利要求4所述的一种基于高光谱图像的非侵入式潜在指纹提取方法,其特征在于:所述将S3得到的多通道纹理图像融合,得到融合l通道图像之后提取出的指纹图像包括以下步骤:
Ip=[π(p-1)/κ,pπ/κ],p=1,2,...,κ,
其中,Ip表示梯度角度的统计区间,κ表示角度分隔份数,p表示角度区间序号;
S404、将构成的权重矩阵记为Ω(k),对Ω(k)进行形态学处理:对于如果其八邻域权重非零的个数大于3,则强制将其置为否则保持步骤S403的计算结果,得到的图像块权重记为则通过融合l通道图像之后提取出的指纹图像可表示为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967122.6A CN109241884B (zh) | 2018-08-23 | 2018-08-23 | 一种基于高光谱图像的非侵入式潜在指纹提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967122.6A CN109241884B (zh) | 2018-08-23 | 2018-08-23 | 一种基于高光谱图像的非侵入式潜在指纹提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241884A CN109241884A (zh) | 2019-01-18 |
CN109241884B true CN109241884B (zh) | 2021-10-29 |
Family
ID=65068325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967122.6A Expired - Fee Related CN109241884B (zh) | 2018-08-23 | 2018-08-23 | 一种基于高光谱图像的非侵入式潜在指纹提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241884B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814727B (zh) * | 2020-07-22 | 2022-06-24 | 吉林大学 | 一种基于高光谱的潜在指纹检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
KR20140061183A (ko) * | 2012-11-13 | 2014-05-21 | 재단법인대구경북과학기술원 | 초분광 영상 기반 위조생체 검출 시스템 |
CN106998474A (zh) * | 2017-03-29 | 2017-08-01 | 南京大学 | 一种光谱多通道混合压缩传输方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014205007A1 (en) * | 2013-06-17 | 2014-12-24 | Invenio Imaging Inc. | Methods and systems for coherent raman scattering |
-
2018
- 2018-08-23 CN CN201810967122.6A patent/CN109241884B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
KR20140061183A (ko) * | 2012-11-13 | 2014-05-21 | 재단법인대구경북과학기술원 | 초분광 영상 기반 위조생체 검출 시스템 |
CN106998474A (zh) * | 2017-03-29 | 2017-08-01 | 南京大学 | 一种光谱多通道混合压缩传输方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109241884A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manickam et al. | Score level based latent fingerprint enhancement and matching using SIFT feature | |
Win et al. | Fingerprint classification and identification algorithms for criminal investigation: A survey | |
Yan et al. | Biometric recognition using 3D ear shape | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
CN107066961B (zh) | 指纹配准方法及装置 | |
Ambeth Kumar et al. | Exploration of an innovative geometric parameter based on performance enhancement for foot print recognition | |
Kumar et al. | An improved biometric fusion system of fingerprint and face using whale optimization | |
Manickam et al. | Bio-medical and latent fingerprint enhancement and matching using advanced scalable soft computing models | |
Bhattacharjee et al. | Personal identification from lip-print features using a statistical model | |
Cho et al. | Palm-vein verification using images from the visible spectrum | |
Walia et al. | Human recognition via PPG signal using temporal correlation | |
Akhloufi et al. | Thermal faceprint: A new thermal face signature extraction for infrared face recognition | |
CN109241884B (zh) | 一种基于高光谱图像的非侵入式潜在指纹提取方法 | |
Guzman et al. | Generating thermal facial signatures using thermal infrared images | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN109697347B (zh) | 基于指静脉和指形特征的用户特征认证方法及其装置 | |
Sandhya et al. | Lip print: an emerging biometrics technology-a review | |
Chen | An efficient palmprint recognition method based on block dominat orientation code | |
Li et al. | Mammogram-based discriminant fusion analysis for breast cancer diagnosis | |
CN109165640B (zh) | 基于比特位面内分块互信息的手背静脉识别方法及识别系统 | |
Hajri et al. | Contrast enhancement and feature extraction algorithms of finger knucle print image for personal recognition | |
Babatunde et al. | A multi-level model for fingerprint image enhancement | |
Samantaray | A DoG based approach for fingerprint Image enhancement | |
Azizi et al. | A new method for iris recognition based on contourlet transform and non linear approximation coefficients | |
CN112507974B (zh) | 一种基于纹理特征的掌纹识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211029 |