CN110633384B - 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质 - Google Patents

基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN110633384B
CN110633384B CN201910886814.2A CN201910886814A CN110633384B CN 110633384 B CN110633384 B CN 110633384B CN 201910886814 A CN201910886814 A CN 201910886814A CN 110633384 B CN110633384 B CN 110633384B
Authority
CN
China
Prior art keywords
sweat
fingerprint
registered
sweat pore
pore
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.)
Active
Application number
CN201910886814.2A
Other languages
English (en)
Other versions
CN110633384A (zh
Inventor
卢光明
徐元荣
张大鹏
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201910886814.2A priority Critical patent/CN110633384B/zh
Publication of CN110633384A publication Critical patent/CN110633384A/zh
Application granted granted Critical
Publication of CN110633384B publication Critical patent/CN110633384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/50—Maintenance of biometric data or enrolment thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于汗孔和多图匹配的高分辨率指纹检索方法，包括依次执行以下步骤：高分辨率指纹注册步骤：建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；汗孔检索步骤：建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；多图匹配步骤：为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；输出步骤：最终根据汗孔检索步骤的结果推荐出候选指纹序列。本发明的有益效果是：1.本发明公开的高分辨率指纹检索方法，通过指纹中的汗孔局部特征进行检索，由于汗孔相对于其他特征更加丰富，该方法能有效提高指纹检索的精度。

Description

基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及 存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质。
背景技术
指纹检索是从一个指纹库中搜索与输入指纹相似的指纹图片。传统的指纹识别算法使用细节点特征通过图像检索的技术搜索与输入指纹图像最相似的指纹列表。由于细节点在面对指纹碎片时，往往因为特征点数量的不足导致检索失败。因此，采用更加丰富的特征进行指纹的匹配和检索就成为提高指纹识别精度的必然选择。
汗孔作为高分辨率指纹中的三级特征，以其更加丰富的分布特征和稳定性、唯一性，受到广泛的关注。采用汗孔进行指纹相似度计算可以提高指纹匹配的精度。目前基于汗孔的指纹识别系统的研究成果多数集中在指纹特征提取和高分辨率指纹验证两个方面。基于汗孔的指纹检索方面的研究进步缓慢。
传统的指纹检索算法采用细节点、奇异点特征进行识别，由于这些特征点的数量有限，尤其是在指纹碎片中，重叠区域的细节点和奇异点数量不足以准确评价两张指纹图片的相似度。采用汗孔进行相似度计算可以有效提升准确率。然而，由于高分辨率指纹中的汗孔数量比细节点大一个数量级。直接采用汗孔进行检索会极大的提高算法的计算负荷，降低检索速度。采用高效的检索算法结合汗孔进行指纹检索，对于指纹检索的精度和速度提高具有重要意义。
发明内容
本发明提供了一种基于汗孔和多图匹配的高分辨率指纹检索方法，包括依次执行以下步骤：
高分辨率指纹注册步骤：建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索步骤：建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配步骤：为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；输出步骤：最终根据汗孔检索步骤的结果推荐出候选指纹序列。
作为本发明的进一步改进，假设注册指纹为
Figure BDA0002207556580000021
测试指纹为Iq，所述高分辨率指纹注册步骤还包括执行以下步骤：
步骤1：从注册指纹中提取注册汗孔
Figure BDA0002207556580000022
步骤2：对步骤1中每一个注册汗孔提取局部DAISY特征，记为
Figure BDA0002207556580000023
步骤3：采用迭代量化算法对YR进行训练，得到训练参数TY，TM，Tp，Tc，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000024
作为本发明的进一步改进，所述汗孔检索步骤还包括执行以下步骤：
步骤4：采用训练参数TY，TM，Tp，TC和公式(1)对测试指纹中的测试汗孔
Figure BDA0002207556580000025
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000026
作为本发明的进一步改进，所述多图匹配步骤还包括执行以下步骤：
步骤5：对
Figure BDA0002207556580000027
中每一个测试汗孔
Figure BDA0002207556580000028
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure BDA0002207556580000029
步骤6：根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure BDA00022075565800000210
其中
Figure BDA00022075565800000211
中的汗孔都属于第t张注册指纹
Figure BDA00022075565800000212
步骤7：根据
Figure BDA00022075565800000213
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure BDA0002207556580000031
步骤8：对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure BDA0002207556580000032
和一个关联矩阵
Figure BDA0002207556580000033
其中，
Figure BDA0002207556580000034
表示
Figure BDA0002207556580000035
与
Figure BDA0002207556580000036
相匹配，
Figure BDA0002207556580000037
表示
Figure BDA0002207556580000038
与
Figure BDA0002207556580000039
的相似度；
步骤9：根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure BDA00022075565800000310
Figure BDA00022075565800000311
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure BDA00022075565800000312
步骤10：直到x收敛，获得迭代公式如下：
Figure BDA0002207556580000041
所述输出步骤还包括执行以下步骤：
步骤11：指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure BDA0002207556580000042
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure BDA0002207556580000043
步骤12：输出推荐指纹列表；根据通过步骤11获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
本发明还公开了一种基于汗孔和多图匹配的高分辨率指纹检索装置，该高分辨率指纹检索装置包括：
高分辨率指纹注册单元：用于建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索单元：用于建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配单元：用于为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；
输出单元：用于最终根据汗孔检索步骤的结果推荐出候选指纹序列。
作为本发明的进一步改进，假设注册指纹为
Figure BDA0002207556580000044
测试指纹为Iq，所述高分辨率指纹注册单元还包括：
第一单元：用于从注册指纹中提取注册汗孔
Figure BDA0002207556580000045
第二单元：用于对第一单元中每一个注册汗孔提取局部DAISY特征，记为
Figure BDA0002207556580000046
第三单元：用于采用迭代量化算法对YR进行训练，得到训练参数TY，TM，TP，TC，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000051
作为本发明的进一步改进，所述汗孔检索单元包括：
第四单元：用于采用训练参数TY，TM，TP，TC和公式(1)对测试指纹中的测试汗孔
Figure BDA0002207556580000052
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000053
作为本发明的进一步改进，所述多图匹配单元包括：
第五单元：用于对
Figure BDA0002207556580000054
中每一个测试汗孔
Figure BDA0002207556580000055
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure BDA0002207556580000056
第六单元：用于根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure BDA0002207556580000057
其中
Figure BDA0002207556580000058
中的汗孔都属于第t张注册指纹
Figure BDA0002207556580000059
第七单元：用于根据
Figure BDA00022075565800000510
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure BDA00022075565800000511
第八单元：用于对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure BDA00022075565800000512
和一个关联矩阵
Figure BDA00022075565800000513
其中，
Figure BDA00022075565800000514
表示
Figure BDA00022075565800000515
与
Figure BDA00022075565800000516
相匹配，
Figure BDA00022075565800000517
表示
Figure BDA00022075565800000518
与
Figure BDA00022075565800000519
的相似度；
第九单元：用于根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure BDA0002207556580000061
Figure BDA0002207556580000062
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure BDA0002207556580000063
第十单元：用于直到x收敛，获得迭代公式如下：
Figure BDA0002207556580000064
所述输出单元包括：
第十一单元：用于指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure BDA0002207556580000065
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure BDA0002207556580000071
第十二单元：用于输出推荐指纹列表；根据通过第十一单元获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
本发明还公开了一种基于汗孔和多图匹配的高分辨率指纹检索系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本发明所述的高分辨率指纹检索方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的高分辨率指纹检索方法的步骤。
本发明的有益效果是：1.本发明公开的高分辨率指纹检索方法，通过指纹中的汗孔局部特征进行检索，由于汗孔相对于其他特征更加丰富，该方法能有效提高指纹检索的精度；2.本发明公开的高分辨率指纹检索方法所提出的基于汗孔二值化特征和局部敏感哈希算法，能有效提高汗孔的检索精度；3.本发明公开的高分辨率指纹检索方法所提出的多图匹配算法能有效去除错误检索的汗孔，从而进一步提高高分辨率指纹检索精度；4.本发明公开的高分辨率指纹检索方法所提出的多图匹配算法可以应用至其他相似特征点匹配中。
附图说明
图1是本发明的高分辨率指纹检索流程图；
图2是本发明的高分辨率指纹汗孔提取效果图：(a)高分辨率指纹图片，(b)汗孔提取效果图片；
图3是本发明的汗孔检索效果图；中间指纹为测试指纹，周围的8副指纹为含有最近邻汗孔最多的指纹，根据测试汗孔和最近邻汗孔构建的一对一候选汗孔对如图中实线表示。
图4是本发明的多图匹配对汗孔进行精匹配的效果图；根据匹配结果，第2，第3和第5张注册指纹和测试指纹(中间指纹)的相似度最高。
具体实施方式
本发明公开的一种基于汗孔和多图匹配的高分辨率指纹检索方法利用汗孔二值化特征计算测试指纹中的汗孔和注册库中汗孔的相似度，以此为每个测试汗孔提取出几个最近邻汗孔，采用多图匹配算法结合这些汗孔的空间分布关系去除错误的最近邻。根据最终的选择结果计算两个指纹图片的相似度，从而推荐出一个与测试指纹最相似的注册指纹序列。
本发明公开的一种基于汗孔和多图匹配的高分辨率指纹检索方法采用的技术路线如图1中所示。为了提高汗孔检索的速度，本发明采用DAISY算法建立汗孔的局部特征，通过迭代量化算法对局部特征二值化，并结合局部敏感哈希算法进行汗孔检索。为了提高检索精度，采用多图匹配的算法去除错误的检索结果。最终根据汗孔检索的结果推荐出候选指纹序列。
本发明公开了一种基于汗孔和多图匹配的高分辨率指纹检索方法，包括依次执行以下步骤：
高分辨率指纹注册步骤：建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索步骤：建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配步骤：为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；
输出步骤：最终根据汗孔检索步骤的结果推荐出候选指纹序列。
假设注册指纹为
Figure BDA0002207556580000081
测试指纹为Iq，检索系统的目标是在
Figure BDA0002207556580000082
中寻找与Iq相似度最高的指纹序列，检索系统的所述高分辨率指纹注册步骤还包括执行以下步骤：
步骤1：从注册指纹中提取注册汗孔
Figure BDA0002207556580000083
步骤2：对步骤1中每一个注册汗孔提取局部DAISY特征，记为
Figure BDA0002207556580000084
步骤3：采用迭代量化算法对YR进行训练，得到训练参数TY，TM，TP，TC，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000085
所述汗孔检索步骤还包括执行以下步骤：
步骤4：采用训练参数TY，TM，TP，TC和公式(1)对测试指纹中的测试汗孔
Figure BDA0002207556580000086
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000091
所述多图匹配步骤还包括执行以下步骤：
步骤5：对
Figure BDA0002207556580000092
中每一个测试汗孔
Figure BDA0002207556580000093
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure BDA0002207556580000094
步骤6：根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure BDA0002207556580000095
其中
Figure BDA0002207556580000096
中的汗孔都属于第t张注册指纹
Figure BDA0002207556580000097
步骤7：根据
Figure BDA0002207556580000098
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure BDA0002207556580000099
步骤8：对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure BDA00022075565800000910
和一个关联矩阵
Figure BDA00022075565800000911
其中，
Figure BDA00022075565800000912
氛示
Figure BDA00022075565800000913
与
Figure BDA00022075565800000914
相匹配，
Figure BDA00022075565800000915
表示
Figure BDA00022075565800000916
与
Figure BDA00022075565800000917
的相似度；
步骤9：根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure BDA0002207556580000101
Figure BDA0002207556580000102
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure BDA0002207556580000103
步骤10：直到x收敛，获得迭代公式如下：
Figure BDA0002207556580000104
所述输出步骤还包括执行以下步骤：
步骤11：指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure BDA0002207556580000105
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure BDA0002207556580000111
步骤12：输出推荐指纹列表；根据通过步骤11获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
本发明还公开了一种基于汗孔和多图匹配的高分辨率指纹检索装置，该高分辨率指纹检索装置包括：
高分辨率指纹注册单元：用于建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索单元：用于建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配单元：用于为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；
输出单元：用于最终根据汗孔检索步骤的结果推荐出候选指纹序列。
假设注册指纹为
Figure BDA0002207556580000112
测试指纹为Iq，所述高分辨率指纹注册单元还包括：
第一单元：用于从注册指纹中提取注册汗孔
Figure BDA0002207556580000113
第二单元：用于对第一单元中每一个注册汗孔提取局部DAISY特征，记为
Figure BDA0002207556580000114
第三单元：用于采用迭代量化算法对YR进行训练，得到训练参数TY，TM，TP，TC，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000115
所述汗孔检索单元包括：
第四单元：用于采用训练参数TY，TM，TP，，TC和公式(1)对测试指纹中的测试汗孔
Figure BDA0002207556580000116
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure BDA0002207556580000121
所述多图匹配单元包括：
第五单元：用于对
Figure BDA0002207556580000122
中每一个测试汗孔
Figure BDA0002207556580000123
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure BDA0002207556580000124
第六单元：用于根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure BDA0002207556580000125
其中
Figure BDA0002207556580000126
中的汗孔都属于第t张注册指纹
Figure BDA0002207556580000127
第七单元：用于根据
Figure BDA0002207556580000128
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure BDA0002207556580000129
第八单元：用于对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure BDA00022075565800001210
和一个关联矩阵
Figure BDA00022075565800001211
其中，
Figure BDA00022075565800001212
表示
Figure BDA00022075565800001213
与
Figure BDA00022075565800001214
相匹配，
Figure BDA00022075565800001215
表示
Figure BDA00022075565800001216
与
Figure BDA00022075565800001217
的相似度；
第九单元：用于根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure BDA0002207556580000131
Figure BDA0002207556580000132
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure BDA0002207556580000133
第十单元：用于直到x收敛，获得迭代公式如下：
Figure BDA0002207556580000134
所述输出单元包括：
第十一单元：用于指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure BDA0002207556580000135
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure BDA0002207556580000141
第十二单元：用于输出推荐指纹列表；根据通过第十一单元获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
本发明还公开了一种基于汗孔和多图匹配的高分辨率指纹检索系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本发明所述的高分辨率指纹检索方法的步骤。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的高分辨率指纹检索方法的步骤。
本发明的有益效果是：1.本发明公开的高分辨率指纹检索方法，通过指纹中的汗孔局部特征进行检索，由于汗孔相对于其他特征更加丰富，该方法能有效提高指纹检索的精度；2.本发明公开的高分辨率指纹检索方法所提出的基于汗孔二值化特征和局部敏感哈希算法，能有效提高汗孔的检索精度；3.本发明公开的高分辨率指纹检索方法所提出的多图匹配算法能有效去除错误检索的汗孔，从而进一步提高高分辨率指纹检索精度；4.本发明公开的高分辨率指纹检索方法所提出的多图匹配算法可以应用至其他相似特征点匹配中。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于汗孔和多图匹配的高分辨率指纹检索方法，其特征在于，包括依次执行以下步骤：
高分辨率指纹注册步骤：建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索步骤：建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配步骤：为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；
输出步骤：最终根据汗孔检索步骤的结果推荐出候选指纹序列；
假设注册指纹为
Figure FDA0003523705570000011
测试指纹为Iq，所述高分辨率指纹注册步骤还包括执行以下步骤：
步骤1：从注册指纹中提取注册汗孔
Figure FDA0003523705570000018
步骤2：对步骤1中每一个注册汗孔提取局部DAISY特征，记为
Figure FDA0003523705570000012
步骤3：采用迭代量化算法对YR进行训练，得到训练参数TY，TM，TP，TC，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure FDA0003523705570000013
所述汗孔检索步骤还包括执行以下步骤：
步骤4：采用训练参数TY，TM，TP，TC和公式(1)对测试指纹中的测试汗孔
Figure FDA0003523705570000014
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure FDA0003523705570000015
所述多图匹配步骤还包括执行以下步骤：
步骤5：对
Figure FDA0003523705570000016
中每一个测试汗孔
Figure FDA0003523705570000017
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure FDA0003523705570000021
步骤6：根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure FDA0003523705570000022
其中
Figure FDA0003523705570000023
中的汗孔都属于第t张注册指纹
Figure FDA0003523705570000024
步骤7：根据
Figure FDA0003523705570000025
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure FDA0003523705570000026
步骤8：对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure FDA0003523705570000027
和一个关联矩阵
Figure FDA0003523705570000028
其中，
Figure FDA0003523705570000029
表示
Figure FDA00035237055700000210
与
Figure FDA00035237055700000211
相匹配，
Figure FDA00035237055700000212
表示
Figure FDA00035237055700000213
与
Figure FDA00035237055700000214
的相似度；
步骤9：根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure FDA00035237055700000215
Figure FDA0003523705570000031
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure FDA0003523705570000032
步骤10：直到x收敛，获得迭代公式如下：
Figure FDA0003523705570000033
所述输出步骤还包括执行以下步骤：
步骤11：指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure FDA0003523705570000034
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure FDA0003523705570000035
步骤12：输出推荐指纹列表；根据通过步骤11获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
2.一种基于汗孔和多图匹配的高分辨率指纹检索装置，其特征在于，该高分辨率指纹检索装置包括：
高分辨率指纹注册单元：用于建立并计算从注册库的注册指纹中所提取的注册汗孔的二值化特征向量；
汗孔检索单元：用于建立并计算从测试指纹中提取的测试汗孔的二值化特征向量；
多图匹配单元：用于为每个测试汗孔提取所需的最近邻训练汗孔，采用多图匹配算法结合这些测试汗孔的空间分布关系去除错误的最近邻训练汗孔；
输出单元：用于最终根据汗孔检索步骤的结果推荐出候选指纹序列；
假设注册指纹为
Figure FDA0003523705570000041
测试指纹为Iq，所述高分辨率指纹注册单元还包括：
第一单元：用于从注册指纹中提取注册汗孔
Figure FDA0003523705570000042
第二单元：用于对第一单元中每一个注册汗孔提取局部DAISY特征，记为
Figure FDA0003523705570000043
第三单元：用于采用迭代量化算法对YR进行训练，得到训练参数TY，TM，TP，TC，并根据这些参数对YR进行二值化，得到注册汗孔的二值化特征向量，其计算公式如下：
Figure FDA0003523705570000044
所述汗孔检索单元包括：
第四单元：用于采用训练参数TY，TM，TP，TC和公式(1)对测试指纹中的测试汗孔
Figure FDA0003523705570000045
进行二值化，并得到测试汗孔的二值化特征向量，其计算公式如下：
Figure FDA0003523705570000046
所述多图匹配单元包括：
第五单元：用于对
Figure FDA0003523705570000047
中每一个测试汗孔
Figure FDA0003523705570000048
采用局部敏感哈希算法提取n个最近邻的训练汗孔
Figure FDA0003523705570000049
第六单元：用于根据训练汗孔VR中每个汗孔所属的注册指纹，将训练汗孔VR分类：
Figure FDA0003523705570000051
其中
Figure FDA0003523705570000052
中的汗孔都属于第t张注册指纹
Figure FDA0003523705570000053
第七单元：用于根据
Figure FDA0003523705570000054
中的每一个汗孔和对应的测试指纹中的汗孔，建立一对一汗孔对：
Figure FDA0003523705570000055
第八单元：用于对每一个注册指纹中的注册汗孔和对应的测试汗孔，建立一个匹配矩阵
Figure FDA0003523705570000056
和一个关联矩阵
Figure FDA0003523705570000057
其中，
Figure FDA0003523705570000058
表示
Figure FDA0003523705570000059
与
Figure FDA00035237055700000510
相匹配，
Figure FDA00035237055700000511
表示
Figure FDA00035237055700000512
与
Figure FDA00035237055700000513
的相似度；
第九单元：用于根据Xt和Mt，建立一个联合匹配矩阵X、关联矩阵P和联合匹配向量x：
Figure FDA00035237055700000514
Figure FDA00035237055700000515
x＝[vec(X1)T vec(X2)T … vec(Xs)T] (4)
其中
Figure FDA0003523705570000061
第十单元：用于直到x收敛，获得迭代公式如下：
Figure FDA0003523705570000062
所述输出单元包括：
第十一单元：用于指纹相似度计算；根据最终的匹配向量x确定正确匹配的汗孔对，假设第t个注册指纹中有
Figure FDA0003523705570000063
个注册汗孔与测试指纹中的测试汗孔相互匹配，则该注册指纹与测试指纹的相似度为：
Figure FDA0003523705570000064
第十二单元：用于输出推荐指纹列表；根据通过第十一单元获取的测试指纹和所有注册指纹的相似度，给出相似度最高的r个推荐指纹列表。
3.一种基于汗孔和多图匹配的高分辨率指纹检索系统，其特征在于，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现权利要求1所述的高分辨率指纹检索方法的步骤。
4.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1所述的高分辨率指纹检索方法的步骤。
CN201910886814.2A 2019-09-19 2019-09-19 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质 Active CN110633384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910886814.2A CN110633384B (zh) 2019-09-19 2019-09-19 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910886814.2A CN110633384B (zh) 2019-09-19 2019-09-19 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN110633384A CN110633384A (zh) 2019-12-31
CN110633384B true CN110633384B (zh) 2022-05-17

Family

ID=68971703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910886814.2A Active CN110633384B (zh) 2019-09-19 2019-09-19 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110633384B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657145B (zh) * 2021-06-30 2023-07-14 深圳市人工智能与机器人研究院 一种基于汗孔特征及神经网络的指纹检索方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106445939A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 图像检索、获取图像信息及图像识别方法、装置及系统
CN109840458A (zh) * 2017-11-29 2019-06-04 杭州海康威视数字技术股份有限公司 一种指纹识别方法及指纹采集设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10262187B1 (en) * 2016-11-10 2019-04-16 Synaptics Incorporated Systems and methods for spoof detection based on local binary patterns

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106445939A (zh) * 2015-08-06 2017-02-22 阿里巴巴集团控股有限公司 图像检索、获取图像信息及图像识别方法、装置及系统
CN109840458A (zh) * 2017-11-29 2019-06-04 杭州海康威视数字技术股份有限公司 一种指纹识别方法及指纹采集设备

Also Published As

Publication number Publication date
CN110633384A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN108009528B (zh) 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
Li et al. Deep joint discriminative learning for vehicle re-identification and retrieval
US7474769B1 (en) Bioindex mechanism for increasing the relative speed of biometric identification against large population samples
CN113076927B (zh) 基于多源域迁移的指静脉识别方法及系统
TW201523456A (zh) 指紋辨識方法及其裝置
CN111079816A (zh) 图像的审核方法、装置和服务器
CN114241505B (zh) 化学结构图像的提取方法、装置、存储介质及电子设备
WO2021004137A1 (zh) 基于人脸识别的信息推送方法、装置、计算机设备
CN111914642A (zh) 一种行人重识别方法、装置、设备及介质
US20190205589A1 (en) Latent fingerprint ridge flow map improvement
JP2018142189A (ja) プログラム、測距方法、及び測距装置
CN111582027B (zh) 身份认证方法、装置、计算机设备和存储介质
US11373438B2 (en) Fixed length fingerprint representation
CN110633384B (zh) 基于汗孔和多图匹配的高分辨率指纹检索方法、装置、系统及存储介质
Tan et al. A fast partial video copy detection using knn and global feature database
WO2022134104A1 (en) Systems and methods for image-to-video re-identification
CN113792686A (zh) 基于视觉表征跨传感器不变性的车辆重识别方法
KR20100041562A (ko) 인증 대상자의 얼굴 인식과 지문 인식을 통한 사용자 인증 수행 방법 및 시스템
CN109508408B (zh) 一种基于帧密度的视频检索方法及计算机可读存储介质
TWI777188B (zh) 契約簽名鑑別方法及其裝置
Liu Fingerprint analysis and singular point definition by deep neural network
CN111507289A (zh) 视频匹配方法、计算机设备和存储介质
Shinde et al. An Approach for e-Voting using Face and Fingerprint Verification
Yang et al. Multiple scaled person re-identification framework for HD Video surveillance application
Dhawanpatil et al. Face spoofing detection using multiscale local binary pattern approach

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