CN109522878A - 一种基于梯度的简单高效的指纹方向场计算方法 - Google Patents
一种基于梯度的简单高效的指纹方向场计算方法 Download PDFInfo
- Publication number
- CN109522878A CN109522878A CN201811551556.4A CN201811551556A CN109522878A CN 109522878 A CN109522878 A CN 109522878A CN 201811551556 A CN201811551556 A CN 201811551556A CN 109522878 A CN109522878 A CN 109522878A
- Authority
- CN
- China
- Prior art keywords
- block
- gradient
- gradient vector
- present
- point
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 230000036039 immunity Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 16
- 239000002131 composite material Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000009416 shuttering Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06V40/1347—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于梯度的简单高效的指纹方向场计算方法,包括以下步骤:将指纹图象I划分为一系列不重叠的大小为W×W的块;计算块内每个点分别沿x轴,y轴方向的点梯度向量;计算每个块的块梯度向量;将每个块梯度向量与其4邻域块梯度向量做平均,以更新该块梯度向量;重复上一步N次;将块梯度向量转换为块方向。本发明通过对经典梯度算法进行简单、实用的改进,在方向场计算准确性、抗噪性上,本发明相较于原始经典算法有很明显的提升;在运算效率上,本发明简单明了,相较于原始经典算法,本发明在运行速度上提升了40倍。
Description
技术领域
本发明属于自动指纹识别技术领域,具体涉及一种基于梯度的简单高效的指纹方向场计算方法。
背景技术
自动指纹识别系统(AFIS)由于其体积小、成本低、易操作、可靠性高等优点越来越受到人们的青睐,成为最重要的生物识别技术之一。
方向场描述了指纹脊线、谷线的方向模式信息,作为指纹全局、可靠的特征,在指纹图象增强、指纹分类/检索、指纹匹配等方面发挥了非常重要的作用。
很多方法被用来计算指纹方向场,主要可分为:基于梯度的方法,基于滤波的方法,基于模型的方法。相对于基于滤波和模型的方法,基于梯度的方法能够更加准确、细致地刻画出指纹的方向信息,也因此被大多数的指纹识别系统所采用,成为最重要的指纹方向场计算方法。
经典的梯度算法主要包含2个步骤:点梯度向量计算和块梯度向量计算。该方法的核心在于块梯度向量的计算,但存在一个关键问题:窗口尺寸如何选择较为合适,因为当窗口较小时,计算出的方向场结果准确性较好,但对噪声敏感,当窗口较大时,抗噪声性较好,但准确性却降低了。《Yuan M,Guo C,Huai-Jiang S,Rong-tao H.A Systematic Gradient-based Method for the Computation of Fingerprint's Orientation Field.Computersand Electrical Engineering. 2012,38(5),pp.1035-1046》(以下称为文献1)中提出了一种系统的基于梯度的指纹方向场计算方法,该方法其中的一个主要创新点就是将经典梯度算法中的单窗口模板改进为复合窗口模板。复合窗口模板将基于外层窗口计算的块梯度向量赋予内层窗口内像素点。由于外层窗口尺寸较大,保证了算法的抗噪性,内层窗口较小,保持了算法的准确性,因此复合窗口模板较好地解决了原方法中存在的由于窗口尺寸所引起的准确性与抗噪性的矛盾,同时也使得算出的方向场更加连续和光滑,但是外层窗口往往比内层窗口大很多,使得算法的运算速度降低很多。对于实时性要求较高的指纹识别系统来说,这是一个较为重要的缺陷。申请号为“CN201310591459.9”,名称为“基于复合窗口模板计算指纹方向场的快速实现方法”的发明专利(以下称为文献2)旨在通过对内层窗口的块梯度向量算法的巧妙改进,充分利用外层窗口重叠区域的已有计算值,减少运算量,使复合模板的运算速度提高3倍左右,但是该方法对经典梯度算法进行了复杂的、系统的改进,该改进主要偏向于理论研究,实用性较弱。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提出一种简单、高效、准确、实用的基于梯度的指纹方向场计算方法,该算法针对原始经典算法直接改进,在计算指纹方向场时,采用的是原始经典算法中的单层模板,而非文献 1、2中的复合模板。
为实现上述技术目的,本发明采取的技术方案为:
一种基于梯度的简单高效的指纹方向场计算方法,包括以下步骤:
Step1:将指纹图象I划分为一系列不重叠的大小为W×W的块,所述W取值为5~11之间的奇数;
Step2:计算块内每个点分别沿x轴,y轴方向的点梯度向量[Gx(m,n),Gy(m,n)]T,计算公式如下;
其中,I(m,n)表示图像I在点(m,n)处的灰度值;
Step3:计算每个块的块梯度向量[GBx,GBy]T,计算公式如下:
其中,
Step4:将每个块梯度向量[GBx,GBy]T与其4邻域块梯度向量做平均,以更新该块梯度向量;
Step5:重复所述步骤Step4N次;
Step6:将块梯度向量转换为块方向θ,公式如下:
(3)。
为优化上述技术方案,采取的具体措施还包括:
上述步骤Step5的N取3~5。
本发明具有以下有益效果:
本发明通过对经典梯度算法进行简单、实用的改进,具体表现为:在原有经典算法的基础上只增加了对块梯度向量做N次的4邻域内的平均运算(即Step1, Step2,Step3,Step6构成原经典算法,Step4,Step5是本发明增加的两个步骤),该改进带来了两点重要的有益效果:
(1)在方向场计算准确性、抗噪性上,本发明相较于原始经典算法有很明显的提升,和文献1中的方案水平一致,如图1所示;
(2)在运算效率上,相较于文献1中的方案做出的复杂、系统的改进,本发明简单明了,具体实验表明:在完全相同的实验软、硬件环境,完全相同实验数据的前提下,本发明的方向场平均运算时间为0.009秒,文献1中的方案为 0.376秒,本发明方法在运行速度上提升了40倍,优于文献2对文献1速度提升3倍左右的效果。
附图说明
图1是本发明的方向场计算对比结果图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本发明的一种基于梯度的简单高效的指纹方向场计算方法,包括以下步骤:
Step1:将指纹图象I划分为一系列不重叠的大小为W×W的块,所述W取值为5~11之间的奇数;
Step2:计算块内每个点分别沿x轴,y轴方向的点梯度向量[Gx(m,n),Gy(m,n)]T,计算公式如下;
其中,I(m,n)表示图像I在点(m,n)处的灰度值;
Step3:计算每个块的块梯度向量[GBx,GBy]T,计算公式如下:
其中,
Step4:将每个块梯度向量[GBx,GBy]T与其4邻域块梯度向量(即紧邻的上、下、左、右4个块)做平均,以更新该块梯度向量;
Step5:重复所述步骤Step4N次;
Step6:将块梯度向量转换为块方向θ,公式如下:
实施例中,步骤Step5的N取3~5为宜。
本发明在方向场计算准确性、抗噪性上,本发明相较于原始经典算法有很明显的提升,和文献1中的方案水平一致,如图1所示;在运算效率上,相较于文献1中的方案做出的复杂、系统的改进,本发明简单明了,具体实验表明:在完全相同的实验软、硬件环境,完全相同实验数据的前提下,本发明的方向场平均运算时间为0.009秒,文献1中的方案为0.376秒,本发明方法在运行速度上提升了40倍,优于文献2对文献1速度提升3倍左右的效果。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (2)
1.一种基于梯度的简单高效的指纹方向场计算方法,其特征在于:包括以下步骤:
Step1:将指纹图象I划分为一系列不重叠的大小为W×W的块,所述W取值为5~11之间的奇数;
Step2:计算块内每个点分别沿x轴,y轴方向的点梯度向量[Gx(m,n),Gy(m,n)]T,计算公式如下;
其中,I(m,n)表示图像I在点(m,n)处的灰度值;
Step3:计算每个块的块梯度向量[GBx,GBy]T,计算公式如下:
其中,
Step4:将每个块梯度向量[GBx,GBy]T与其4邻域块梯度向量做平均,以更新该块梯度向量;
Step5:重复所述步骤Step4N次;
Step6:将块梯度向量转换为块方向θ,公式如下:
2.根据权利要求1所述的一种基于梯度的简单高效的指纹方向场计算方法,其特征在于:步骤Step5所述的N取3~5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551556.4A CN109522878A (zh) | 2018-12-18 | 2018-12-18 | 一种基于梯度的简单高效的指纹方向场计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551556.4A CN109522878A (zh) | 2018-12-18 | 2018-12-18 | 一种基于梯度的简单高效的指纹方向场计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109522878A true CN109522878A (zh) | 2019-03-26 |
Family
ID=65796553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551556.4A Pending CN109522878A (zh) | 2018-12-18 | 2018-12-18 | 一种基于梯度的简单高效的指纹方向场计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899180A (zh) * | 2019-05-05 | 2020-11-06 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413116A (zh) * | 2013-06-14 | 2013-11-27 | 南京信息工程大学 | 一种有效的指纹方向场计算方法 |
CN103473546A (zh) * | 2013-09-10 | 2013-12-25 | 电子科技大学 | 一种基于结构张量的指纹方向场获取方法 |
CN104732217A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种自适应模板大小指纹方向场计算方法 |
-
2018
- 2018-12-18 CN CN201811551556.4A patent/CN109522878A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413116A (zh) * | 2013-06-14 | 2013-11-27 | 南京信息工程大学 | 一种有效的指纹方向场计算方法 |
CN103473546A (zh) * | 2013-09-10 | 2013-12-25 | 电子科技大学 | 一种基于结构张量的指纹方向场获取方法 |
CN104732217A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种自适应模板大小指纹方向场计算方法 |
Non-Patent Citations (2)
Title |
---|
H B KEKRE等: "Fingerprint Orientation Field Estimation Algorithm Based on Optimized Neighborhood Averaging", 《2009 SECOND INTERNATIONAL CONFERENCE ON EMERGING TRENDS IN ENGINEERING & TECHNOLOGY》 * |
梅园 等: "改进的基于梯度的指纹方向场计算方法", 《武汉理工大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899180A (zh) * | 2019-05-05 | 2020-11-06 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
CN111899180B (zh) * | 2019-05-05 | 2023-11-17 | 上海闻通信息科技有限公司 | 一种图像关键像素方向定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
CN103440645B (zh) | 一种基于自适应粒子滤波和稀疏表示的目标跟踪算法 | |
WO2022252398A1 (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN106296692A (zh) | 基于对抗网络的图像显著性检测方法 | |
CN106779203B (zh) | 一种基于不同风速段的高原山区风电功率预测方法 | |
CN107622085A (zh) | 一种基于网格和密度的自适应轨迹聚类方法 | |
CN103218827B (zh) | 基于形状传递联合分割和图匹配校正的轮廓跟踪方法 | |
CN102289948A (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
CN105512727A (zh) | 一种基于Markov的个人路径预测方法 | |
CN101882311A (zh) | 基于cuda技术的背景建模加速方法 | |
WO2020151148A1 (zh) | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 | |
CN101887582B (zh) | 基于差别累加值及三点链码差的图像曲线拐角点检测方法 | |
CN103413116A (zh) | 一种有效的指纹方向场计算方法 | |
CN109685109A (zh) | 一种基于孪生神经网络的基站标号轨迹分类方法 | |
CN109522878A (zh) | 一种基于梯度的简单高效的指纹方向场计算方法 | |
CN101887451A (zh) | 电子海图矢量图形简化方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
CN103902100B (zh) | 用于智能手绘输入的基于速度特征的笔划分割方法 | |
CN114969532A (zh) | 一种基于异质图神经网络的多模态交通推荐方法 | |
CN105139426A (zh) | 一种基于非下采样小波变换和lbp的视频运动目标检测方法 | |
CN103632139B (zh) | 基于复合窗口模板计算指纹方向场的快速实现方法 | |
CN103714318A (zh) | 三维人脸配准方法 | |
CN104572680A (zh) | 基于颜色矩的衣服检索方法 | |
Ning et al. | YOLOv7-RDD: A Lightweight Efficient Pavement Distress Detection Model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |
|
RJ01 | Rejection of invention patent application after publication |