CN111310712B - 一种基于指纹词袋特征的快速搜索方法 - Google Patents

Abstract

一种基于指纹词袋特征的快速搜索方法，具体步骤如下：提取M张指纹图像，对每张图像提取其细节点的特征，并将每张图像的细节点特征中的任意两细节点建立拓扑关系，得到新的特征信息；将获得的所有特征信息进行词汇树的建立；提取模板库中每个指纹图像的细节点信息并计算特征向量；根据所有特征向量计算词汇树的每个节点的权重；提取待匹配指纹图像的细节点信息并计算特征向量；根据每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量；将更新后的待匹配指纹图像的特征向量与更新后的模板库中每个特征向量进行比对并分别得到比对分数，取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。

Description

一种基于指纹词袋特征的快速搜索方法

技术领域

本发明属于指纹检索技术领域，涉及一种基于指纹词袋特征的快速搜索方法。

背景技术

一个完整的指纹通常包含各种特征，通常提取其细节点信息进行指纹的匹配。指纹的细节点包括指纹脊线的端点以及叉点。提取指纹细节点信息包括细节点位置以及角度信息。比对的时候，通常先将同一指纹的不同细节点建立一种拓扑关系，然后将两个指纹的拓扑关系图取出来进行比对，比对的结果作为两个指纹是否匹配的标准。

传统指纹比对方法需要将指纹的细节点信息提取后建立拓扑关系并对每组拓扑关系进行比对，而在1比n(n为模板库中指纹个数)的场景中，由于比对次数较多，速度会变得很慢。现有的指纹匹配方法是将待匹配的指纹图像与模板库的所有指纹图像进行一对一的比对来确定该待匹配指纹是否属于该模板库。从而导致随着模板库的增大，比对的次数增多，比对的时间不断增加从而影响用户体验。

发明内容

本发明提供了一种通过将数据集中的指纹图像根据相似度信息排好顺序，并且只取前m(m<n)个的方式，通过减少进行一一比对的图像个数而减少整个匹配的耗时的基于指纹词袋特征的快速搜索方法。

本发明采用的技术方案是：

一种基于指纹词袋特征的快速搜索方法，具体步骤如下：

(1)提取M张指纹图像，对每张图像提取其细节点的特征，并将每张图像的细节点特征中的任意两细节点建立拓扑关系，得到新的特征信息；

(2)将步骤(1)中获得的所有特征信息进行词汇树的建立；

(3)提取模板库中每个指纹图像的细节点信息并计算其拓扑结构的特征信息，并放到步骤(2)建立的词汇树中计算得到模板库中每个指纹图像的特征向量；

(4)根据步骤(3)得到的所有特征向量计算词汇树的每个节点的权重；

(5)提取待匹配指纹图像的细节点信息并计算其拓扑结构的特征信息，并放到步骤(2)建立的词汇树中计算得到待匹配指纹图像的特征向量；

(6)根据步骤(4)得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量；

(7)将步骤(6)得到的待匹配指纹图像的特征向量与步骤(6)得到的模板库中每个特征向量进行比对并分别得到比对分数，取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。本发明通过对模板库指纹图像进行相似度的排序来提高前几次就匹配成功的概率。

进一步，步骤(1)中细节点的特征为[x,y,angle]，其中，(x,y)为该细节点的位置信息，angle为其方向信息。

进一步，步骤(1)中新的特征信息的计算过程如下：

设第i张图共有Ni个细节点特征，将这Ni个细节点任意两点之间建立一种拓扑关系，设ra是细节点A的方向，rb是细节点B的方向，dis表示细节点A和B之间的欧氏距离，Ang表示两个细节点连线的方向，ra-Ang表示细节点A的方向与两点连线Ang夹角的差值，rb-Ang表示细节点B的方向与两点连线Ang夹角的差值，最后得到新的特征信息[dis,ra-Ang,rb-Ang]。

进一步，步骤(2)的词汇树的建立过程如下：

建立一个L层的K叉树，第0层为根节点不作处理，第一层有K个节点，通过k-means的聚类算法，以欧氏距离为距离度量，将M张图像的所有特征信息进行分类，并且在每个树的节点记录该分类的聚类中心，然后对于每个节点所在的所有特征信息继续往下分类，一直到叶节点或者特征信息个数足够少的时候为止；并且记录每个节点的聚类中心，除去根节点后还有((K^L-1)/(K-1)-1)个节点，即最多有((K^L-1)/(K-1)-1)个聚类中心；将每个节点的位置信息以及聚类中心信息全部记录下来，并用数组保存。

进一步，步骤(3)和步骤(5)中的特征向量的计算过程如下：

提取了指纹图像A，设特征向量数组为a，a的长度为训练出来树的节点数，并且初始化为0；假设指纹图像A有m个特征信息，xi是其中第i个特征信息，将xi放到词汇树中由上而下，每一层均选择与其距离最近的聚类中心的节点；每个经过的节点对应的数组a的位置进行加1，遍历所有的特征信息后得到记录个数的数组a，a即为指纹图像A的特征向量。

进一步，步骤(4)中节点权重的计算过程如下：

设每个节点权重组成的向量为W，W的长度与节点数量保持一致并初始化为0；将模板库中每个特征向量取出，设si是第i个指纹图的特征向量，遍历该向量的每个位置，如果其第j个位置的值si[j]不为0，即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点，则W在第j个位置进行加1；遍历所有的特征向量后得到更新后的W，每个位置记录经过其对应节点的模板库中指纹图像的数量；对W的每个位置的值进行重新计算，计算公式为：W[j]＝ln(S/(W[j]))，其中S为模板库中指纹图像的个数，W[j]为该位置有W[j]个指纹图像经过，如果分母W[j]为0，即没有模板图像经过该节点，定义该节点权重为0。

进一步，步骤(6)的特征向量更新过程如下：

模板库中第i个指纹图像的特征向量si，si与权重向量W对应位置作乘法，得到全新的特征向量，并使用L1范数进行向量的归一化得到di；遍历所有的模板库中的指纹图像，更新每个模板库中的指纹图像的特征向量；

采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q。

进一步，步骤(7)中比对分数的计算方式如下：

计算更新后的模板库每个指纹图像的特征向量与更新后待匹配指纹图像的特征向量之间的距离，距离定义为DIS＝2+\Sigma(abs(q[j]-di[j)–q[j]–di[j])，其中q[j]为q的第j个分量，di[j]为di的第j个分量，abs(.)表示求绝对值，\Sigma表示求和。

本发明的有益效果：

1、通过对模板库指纹图进行相似度的排序来提高前几次就匹配成功的概率。

2、适用于任意形式的图像特征，适用广。

3、不存在复杂的数学运算，计算简单，完全适用于资源有限的嵌入式系统。

附图说明

图1是本发明线下训练的流程图。

图2是本发明的两个细节点的拓扑关系示意图。

图3是本发明的线上搜索的流程图。

图4是本发明的特征向量计算简例示意图。

图5是本发明的权重计算简例示意图。

图6是本发明的计算相似度简例示意图。

具体实施方式

下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。

术语解释

指纹词袋特征：词袋模型(Bag-of-words model)，选取文本内一定的词放入词袋,统计词袋内所有词在文本中出现的次数并用向量表示。指纹词袋特征就是将指纹特征当成文本中的单词然后运用词袋模型的方法得到的向量就是指纹的词袋特征。

指纹比对：通过两个指纹图像的细节点信息建立模型对两个指纹图像进行匹配。

视觉词汇树：词汇树即为文本搜索领域的单词查找树，用来检测某个单词是否在单词列表中，视觉词汇树就是将图像特征当成文本中的单词然后运用分层聚类的方法得到树形结构的词汇本。

参照图1-6，本实施例提出的一种基于指纹词袋特征的快速搜索匹配的方法，具体实施步骤如下：

1、线下训练

1.1计算特征信息

给出M张指纹图像，并且对于每张图，首先提取其细节点的特征[x,y,angle]，其中，(x,y)为该细节点的位置信息，angle为其方向信息。设第i张图共有Ni个细节点特征，将这Ni个细节点任意两点之间建立一种拓扑关系，得到新的特征，如图2所示，ra是细节点A的方向，rb是细节点B的方向，dis表示细节点A和B之间的欧氏距离，Ang表示两个细节点连线的方向，ra-Ang，表示细节点A的方向与两点连线Ang夹角的差值，最后得到新的特征信息[dis,ra-Ang,rb-Ang]。这Ni个细节点总共可以得到Ni*(Ni-1)/2个特征信息。

1.2训练词汇树

根据步骤1.1计算好的所有特征信息进行词汇树的建立，即一个L层的K叉树，第0层为根节点不作处理，第一层有K个节点，通过k-means的聚类算法，以欧氏距离为距离度量，将M张图像的所有特征信息进行分类，并且在每个树的节点记录该分类的聚类中心，然后对于每个节点所在的所有特征信息继续往下分类，一直到叶节点或者特征信息个数足够少的时候为止。并且记录每个节点的聚类中心，这里共有(K^L-1)/(K-1)个节点，除去根节点后还有((K^L-1)/(K-1)-1)个节点，即最多有((K^L-1)/(K-1)-1)个聚类中心(可能有部分节点没有特征信息)。将每个节点的位置信息以及聚类中心信息全部记录下来，并用数组保存。

2、线上搜索

2.1.模板库中指纹图像的特征向量计算

在搜索待匹配指纹之前，根据模板库中每个指纹图像提取的细节点信息计算其特征向量。设模板库中有S个不同指纹，对于每个指纹图像首先基于其细节点信息计算其拓扑结构的特征信息。某个指纹图像A，设特征向量数组为a，a的长度为训练出来树的节点数，并且初始化为0。假设指纹图像A有m个特征信息，xi是其中第i个特征信息，将xi放到词汇树中由上而下，每一层均选择与其距离最近的聚类中心的节点。每个经过的节点对应的数组a的位置进行加1，遍历所有的特征信息后得到记录个数的数组a，a为模板指纹图A的特征向量。如图4所示，假设指纹图像A的全部特征为a1,a2,a3,a4,a5，树的结构共有7个节点，可以用7维数组a表示，经过每层选取最近的聚类中心的节点分类后，每个节点经过的特征数量已知，以本例而言A的特征向量a＝{5,3,2,1,2,1,1}。

2.2.节点权重计算

设每个节点权重组成的向量为W，W的长度与节点数量保持一致并初始化为0。将模板库中每个特征向量取出，不妨设si是第i个指纹图像的特征向量，遍历该向量的每个位置，如果其第j个位置的值si[j]不为0，即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点，则W在第j个位置进行加1。遍历所有的特征向量后得到更新后的W，每个位置记录经过其对应节点的模板库中指纹图像的数量。对W的每个位置的值进行重新计算，计算公式为：W[j]＝ln(S/(W[j]))。其中S为模板库中指纹图像的个数，W[j]为该位置有W[j]个指纹图像经过，如果分母W[j]为0，即没有模板图像经过该节点，定义该节点权重为0。节点经过的模板图像个数越小则比值越大，权重越大，说明该节点进行模板特征向量的区分度越好，反之越差。图5给出了计算权重的一组简例，其中a1,a2,a3是图像A的特征，b1,b2是图像B的特征，c1,c2是图像C的特征。左一叶节点只有A一个图像的特征，所以w1＝ln(3/1)＝ln(3)；中间的叶节点有图像B和C两个图像的特征，故权重w2＝ln(3/2)＝ln(1.5)；右一的叶节点三个图像特征均有，故权重w3＝ln(3/3)＝ln(1)＝0。

2.3待匹配指纹图的特征向量计算

在搜索待匹配指纹之前，根据待匹配指纹图提取的细节点信息计算其特征向量。特征向量的计算过程与模板库中指纹图像的特征向量计算过程相同。

2.4搜索比对流程

根据得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量；将更新后的待匹配指纹图像的特征向量与更新后的模板库中每个特征向量进行比对并分别得到比对分数，取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对。具体的，首先对模板库中的特征向量，以及待匹配指纹图的特征向量根据节点权重进行更新。模板库中第i个指纹图的特征向量si，si与权重向量W对应位置作乘法，得到全新的特征向量，并使用L1范数进行向量的归一化得到di。遍历所有的模板指纹图，更新每个模板指纹图的特征向量。采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q。最后计算模板库每个指纹图像的特征向量与待匹配指纹图像的特征向量之间的距离，距离定义为DIS＝2+\Sigma(abs(q[j]-di[j)–q[j]–di[j]).其中q[j]为q的第j个分量，di[j]为di的第j个分量，abs(.)表示求绝对值，\Sigma表示求和。最后根据距离的结果，对模板库中S个指纹图按照距离从小到大的顺序进行排序，排序的结果越靠前，说明其基于词袋特征的相似度越高，越有可能匹配得上。再根据实际需要，取排名前n(n<S)的模板库指纹图来进行待匹配指纹图的一一比对。图6是提供了一个简例，假设树的结构是一个只有4个叶节点的2层4叉树，W所在行表示对应节点的权重，q表示某个模板库的特征向量，d表示待匹配的向量。先根据权重向量对q和d进行更新，得到q＝(0,0.2,0.6,0.3,0)，d＝(0,0.1,0.4,0.3,0.4)，再分别将q，d进行L1范数的归一化，得到q＝(0,0.1818,0.5454,0.2727,0)，d＝(0,0.0833,0.3333,0.25,0.3333)，最后根据公式计算得到二者的距离为0.6668。

Claims (3)

1.一种基于指纹词袋特征的快速搜索方法，具体步骤如下：

(1)提取M张指纹图像，对每张图像提取其细节点的特征，其中细节点的特征为[x,y,angle]，其中，(x,y)为该细节点的位置信息，angle为其方向信息，并将每张图像的细节点特征中的任意两细节点建立拓扑关系，得到新的特征信息；新的特征信息的计算过程如下：

设第i张图共有Ni个细节点特征，将这Ni个细节点任意两点之间建立一种拓扑关系，设ra是细节点A的方向，rb是细节点B的方向，dis表示细节点A和B之间的欧氏距离，Ang表示两个细节点连线的方向，ra-Ang表示细节点A的方向与两点连线Ang夹角的差值，rb-Ang表示细节点B的方向与两点连线Ang夹角的差值，最后得到新的特征信息[dis,ra-Ang,rb-Ang]；

(2)将步骤(1)中获得的所有特征信息进行词汇树的建立；

(3)提取模板库中每个指纹图像的细节点信息并计算其拓扑结构的特征信息，并放到步骤(2)建立的词汇树中计算得到模板库中每个指纹图像的特征向量；

(4)根据步骤(3)得到的所有特征向量计算词汇树的每个节点的权重；其中节点权重的计算过程如下：

设每个节点权重组成的向量为W，W的长度与节点数量保持一致并初始化为0；将模板库中每个特征向量取出，设si是第i个指纹图的特征向量，遍历该向量的每个位置，如果其第j个位置的值si[j]不为0，即模板库中指纹图像有特征信息经过该位置对应的词汇树的节点，则W在第j个位置进行加1；遍历所有的特征向量后得到更新后的W，每个位置记录经过其对应节点的模板库中指纹图像的数量；对W的每个位置的值进行重新计算，计算公式为：W[j]＝ln(S/(W[j]))，其中S为模板库中指纹图像的个数，W[j]为该位置有W[j]个指纹图像经过，如果分母W[j]为0，即没有模板图像经过该节点，定义该节点权重为0；

(5)提取待匹配指纹图像的细节点信息并计算其拓扑结构的特征信息，并放到步骤(2)建立的词汇树中计算得到待匹配指纹图像的特征向量；

(6)根据步骤(4)得到的每个节点的权重更新模板库中所有特征向量和待匹配指纹图像的特征向量；

其中特征向量更新过程如下：

模板库中第i个指纹图像的特征向量si，si与权重向量W对应位置作乘法，得到全新的特征向量，并使用L1范数进行向量的归一化得到di；遍历所有的模板库中的指纹图像，更新每个模板库中的指纹图像的特征向量；

采用与模板库中特征向量更新方法对待匹配指纹图像的特征向量进行更新得到新的待匹配指纹图像特征向量q；

(7)将步骤(6)得到的待匹配指纹图像的特征向量与步骤(6)得到的模板库中每个特征向量进行比对并分别得到比对分数，取得分低的前几位对应的模板库的指纹图像与待匹配指纹图像一一比对；

其中比对分数的计算方式如下：

计算更新后的模板库每个指纹图像的特征向量与更新后待匹配指纹图像的特征向量之间的距离，距离定义为DIS＝2+\Sigma(abs(q[j]-di[j])–q[j]–di[j])，其中q[j]为q的第j个分量，di[j]为di的第j个分量，abs(.)表示求绝对值，\Sigma表示求和。

2.根据权利要求1所述的一种基于指纹词袋特征的快速搜索方法，其特征在于：步骤(2)的词汇树的建立过程如下：

建立一个L层的K叉树，第0层为根节点不作处理，第一层有K个节点，通过k-means的聚类算法，以欧氏距离为距离度量，将M张图像的所有特征信息进行分类，并且在每个树的节点记录该分类的聚类中心，然后对于每个节点所在的所有特征信息继续往下分类，一直到叶节点或者特征信息个数足够少的时候为止；并且记录每个节点的聚类中心，除去根节点后还有((K^L-1)/(K-1)-1)个节点，即最多有((K^L-1)/(K-1)-1)个聚类中心；将每个节点的位置信息以及聚类中心信息全部记录下来，并用数组保存。

3.根据权利要求1所述的一种基于指纹词袋特征的快速搜索方法，其特征在于：步骤(3)和步骤(5)中的特征向量的计算过程如下：

提取了指纹图像A，设特征向量数组为a，a的长度为训练出来树的节点数，并且初始化为0；假设指纹图像A有m个特征信息，xi是其中第i个特征信息，将xi放到词汇树中由上而下，每一层均选择与其距离最近的聚类中心的节点；每个经过的节点对应的数组a的位置进行加1，遍历所有的特征信息后得到记录个数的数组a，a即为指纹图像A的特征向量。