CN111428701A - 小面积指纹图像特征提取方法、系统、终端及存储介质 - Google Patents
小面积指纹图像特征提取方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN111428701A CN111428701A CN202010524918.1A CN202010524918A CN111428701A CN 111428701 A CN111428701 A CN 111428701A CN 202010524918 A CN202010524918 A CN 202010524918A CN 111428701 A CN111428701 A CN 111428701A
- Authority
- CN
- China
- Prior art keywords
- image
- fingerprint image
- area
- fingerprint
- small
- 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
Links
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
- G06V40/1347—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)
Abstract
本发明涉及一种小面积指纹图像特征提取方法、系统、终端及存储介质,属于指纹识别技术领域,应用于小面积指纹特征信息提取,包括以下步骤:步骤S1、获取指纹图像;步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,指纹图像前景区域的数据信息包括像素点的曲率信息;步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。本发明用于解决小面积指纹特征信息提取不足的问题,有效适用于小面积指纹比对且可靠性良好。
Description
技术领域
本发明涉及指纹识别技术领域,尤其是涉及一种小面积指纹图像特征提取方法、系统、终端及存储介质。
背景技术
指纹识别技术已经广泛应用到手机、电脑、智能门锁、柜子锁、U盘、SSD等需要识别个人身份场景,而且功能不仅仅局限于解锁,还应用到其他更高级别的应用程序,如在线支付、应用加密、业务授权等。目前,基于传统细节点的大面积指纹识别技术已经相对成熟,但是随着市场越来越多种类的移动设备中使用指纹识别技术,考虑到更好的集成设计,终端更倾向于采用小面积的指纹传感器,这就导致采集到的指纹图像面积变小,含有的指纹有效信息相应变少,这给传统的主要基于细节点指纹识别技术带来了很大的挑战。
现有的针对小面积指纹特征提取有以下几种策略:
(1)将现有大面积指纹识别算法根据小面积调整迁移后的特征提取算法。比如构建细节点拓补结构;比如采用Gabor等方向滤波的方法来编码细节点附近周围区域进行特征信息的补充,或通过深度学习网络对细节点附近的区域进行Triplet Loss方式训练后得到区域块的特征表达;比如使用脊线抽样点和细节点信息MCC编码或脊线结构信息来补充小面积图像中细节点特征信息的不足等,这些策略的出发点还是以细节点的提取为基础,通过其他的办法尽量提高细节点的特征表达能力来弥补细节点数量不足的引起的识别率降低变化。这种策略在小面积指纹图像中大概包含3个以上细节点的情况下,处理效果还是比较不错的,但对于一些小面积指纹图像中根本不存在细节点,或者指纹存在较多的缺损区域,那么就会引起识别率的明显降低。这种策略对CPU内存要求较低,但对计算开销还是比较大一些。
(2)基于传统机器视觉的特征提取算法,比如Harri、sift、surf、ORB、Akaze等,该类算法通常利用高斯差分构建尺度空间、使用Hessian矩阵等方式监测关键点。传统机器视觉方法在过去20年里在不同的图像特征提取应用场景取得惊艳的效果,但是由于指纹识别的特殊性,指纹图像采集的噪声是是受多种因素影响的,比如传感器的涂层、手指按压的力度、手指的干湿程度等都会引入不确定的噪声模型,因此如果直接使用传统机器视觉的特征提取方法时会存在提取的关键点不稳定,对干湿手指适应不强的缺点。
综上所述,现有的两种方式都不能实现小面积指纹特征信息的有效提取。
因此,需要提出一种新的技术方案来解决上述技术问题。
发明内容
本发明的目的一是提供一种小面积指纹图像特征提取方法,解决小面积指纹特征信息提取不足的问题,有效适用于小面积指纹比对且可靠性良好。
本发明的上述一发明目的是通过以下技术方案得以实现的:
一种小面积指纹图像特征提取方法,应用于小面积指纹特征信息提取,包括以下步骤:
步骤S1、获取指纹图像;
步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,所述指纹图像前景区域的数据信息包括像素点的曲率信息;
步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。
通过采用上述技术方案,通过对获取到的指纹图像进行预处理,降低噪声对图像的影响,使得在后期指纹图像关键特征点提取筛选中也能够在残缺指纹或破损指纹中提取到大量的特征信息,接着在预处理后的指纹图像上进行关键特征点提取,通过对指纹图像进行区块划分,并根据指纹图像中像素点的曲率信息对指纹关键特征点进行提取,保证指纹图像各个区块中都存在关键特征点,以保证能够提取到大量的特征信息,再根据所提取到的关键特征点进行筛选,使得关键特征点在指纹图像中的分布更加均匀,同时以保证输出的关键特征点稳定有效,降低计算和内存成本的同时提高小面积指纹提取的有效性,满足实际使用需求。
本发明进一步设置为:所述步骤S2、指纹图像预处理,具体包括以下步骤:
步骤S201、将指纹图像转换为灰度图像,计算所述灰度图像的梯度场,根据梯度场信息完成灰度图像的前景区域和背景区域的划分;
步骤S202、获取所述前景区域的灰度直方图,根据灰度直方图计算前景区域的灰度均值和方差;
步骤S203、将指纹图像分为干燥图像、潮湿图像以及正常图像三种状况,根据前景区域的数据信息对指纹图像进行分类;
步骤S204、根据指纹图像的分类情况选择对应的滤波机制对指纹图像进行滤波处理。
通过采用上述技术方案,通过对指纹图像进行预处理,从而获得指纹图像的数据信息,以便后期图像运算过程中的信息获取。
本发明进一步设置为:所述步骤S201中,计算所述灰度图像梯度场之前先对灰度图像进行区块划分,再计算每个块的梯度值。
通过采用上述技术方案,通过对灰度图像进行区块划分,按划分的区块进行灰度图像梯度值计算,有效提高计算效率。
本发明进一步设置为:所述步骤S203中,根据前景区域的数据信息对指纹图像进行分类的具体方法包括采用机器学习来训练一个分离器。
通过采用上述技术方案,通过训练分离器来对指纹图像进行分类,从而提高图像分类的准确性。
本发明进一步设置为:所述步骤S203中,根据前景区域的数据信息对指纹图像进行分类的具体方法包括采用根据前景区域的灰度方差,计算灰度方差均值来给图像质量打分,指纹图像的评分公式如下:
其中Var是输入的指纹图像前景区域的方差,VarBase是统计后正常指纹图像前景区域的方差均值,Range是允许在正常指纹图像方差值附近变化大小的绝对值,Score是对指纹图像的评分,评分越高,图像质量越好;根据Score的值挑选出正常图像,根据Score和方差均值判别干燥图像或潮湿图像。
通过采用上述技术方案,通过对图像质量进行评分从而对图像状况进行分类,能够有效提高计算速度。
本发明进一步设置为:所述步骤S3中,关键特征点提取,具体包括以下步骤:
步骤S301、计算灰度图像像素点I(x,y)处的最大主曲率maxC和最小主曲率minC;
步骤S302、定义灰度图像深层次语义表达信息描述为:
通过采用上述技术方案,通过对灰度图像区块划分,根据对应局部区域中的极大值的大小,从而挑选出对应局部区域中的关键特征点。
本发明进一步设置为:所述步骤S4中,关键特征点的筛选,具体包括以下步骤:
步骤S401、初步筛选,对指纹图像进行划分,将指纹图像划分成多个图像块,所述图像块的面积为N*N ,且N大于M,比较所述图像块中极大值点的大小,筛除极大值点最小的多个关键特征点;
步骤S402、次级筛选,以初步筛选中得到的关键特征点为中心进行区块划分,比较所述关键特征点周围图像块信息,获取所述关键特征点的稳定性概率,剔除稳定性概率低的关键特征点。
通过采用上述技术方案,通过多次筛选,使得提取到的关键特征点在指纹图像中分布更加均匀以降低噪声影响的同时,提取稳定的关键特征点,以提高后期识别处理的精确度,通过对关键特征点进行筛选有效降低计算和内存的开销。
本发明目的二是提供一种小面积指纹图像特征提取系统,具有在正常指纹和残缺指纹或破损指纹图像中提取大量关键特征点信息的特点。
本发明的上述发明目的二是通过以下技术方案得以实现的:
一种小面积指纹图像特征提取系统,应用于小面积指纹特征信息提取,还包括:
图像采集模块,用于获取指纹图像;
图像处理模块,用于分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
提取模块,用于对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点;
筛选模块,用于筛选出稳定性好的关键特征点。
本发明目的三是提供一种智能终端,具有指纹图像关键特征点可被快速检测到,并在嵌入式(M3、M4内核)的CPC上运行的特点。
本发明的上述发明目的三是通过以下技术方案得以实现的:
一种智能终端,包括存储器和处理器,所述存储器存储有能够被处理器加载并执行上述任一种小面积指纹图像特征提取方法的计算机程序。
本发明目的四是提供一种计算机存储介质,能够存储相应的程序,具有快速稳定提取指纹图像中关键特征点的特点。
本发明的上述发明目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,存储有能够被处理器加载并执行如上述任一种小面积指纹图像特征提取方法的计算机程序。
综上所述,本发明的有益技术效果为:通过对指纹图像进行预处理,根据指纹图像的分类结果选择对应的滤波机制进行滤波处理,使得在后期指纹图像关键特征点提取过程中,不仅能在正常指纹图像中提取到大量的特征信息,也能在破损指纹图像或残缺指纹图像中提取到大量关键特征,以降低出现现有小面积指纹图像提取过程中关键特征信息提取不足的情况发生,通过对关键特征点进行筛选,从而降低计算与内存的开销,同时保证后期小面积指纹识别的有效性和准确性;同时通过筛选后的关键特征点,降低后期指纹识别处理的计算量和运行内存的开销,使得指纹识别处理能够在嵌入式(M3、M4内核)的CPC上运行。
附图说明
图1是本发明的特征提取方法的步骤流程示意图;
图2是本发明的特征提取方法中指纹图像预处理的流程图;
图3是本发明的特征提取方法中前景区域与背景区域分离的示意图;
图4是本发明的特征提取方法中指纹图像灰度直方图计算结果显示的示意图;
图5是本发明的特征提取方法中选择不同滤波机制的指纹图像滤波前后示意图;
图6是本发明的特征提取方法中关键特征点提取的模型结构框图;
图7是本发明的特征提取系统的结构框图。
图中:1、图像采集模块;2、图像处理模块;3、提取模块;4、筛选模块。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例一:
参照图1和图2,为本发明公开的一种小面积指纹图像特征提取方法,应用于小面积指纹特征信息提取,实现小面积指纹特征信息的有效且稳定可靠的提取,具体包括以下步骤:
步骤S1、获取指纹图像。
具体地,通过指纹传感器获取指纹图像,本方案中所采用的指纹传感器为普通的指纹传感器而非基于高精度分辨率的指纹传感器,以降低本方案中的实施成本,现有的基于高精度分辨率的指纹传感器,在高分辨率下可识别汗孔、脊线凸凹点等信息,以此利用该信息来完成指纹特征提取,这种具有高分辨率的指纹传感器价格昂贵,通常在国家安全局的指纹识别系统中实用,并不适合在广大人民群众中推广。
步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理。
具体包括以下步骤:
参照图3,步骤S201、将指纹图像转换为灰度图像,计算灰度图像的梯度场,根据梯度场信息完成灰度图像的前景区域和背景区域的划分。
具体地,首先将指纹图像转换为灰度图像,然后对灰度图像进行区块划分,灰度图像的区块划分面积为1*1~10*10(单位:像素*像素),本实施例中优选灰度图像的区块面积为8*8(单位:像素*像素),然后再进行每个灰度图像区块的梯度场计算,以加快系统的运算速度。梯度场的计算公式如下:
其中(i,j)是块中心点的坐标;(u,v)是块中被遍历的像素点的坐标;w是块的宽度;分别是x和y方向的偏导(Sobel算子); 为求得的块的梯度场值。由
于指纹图像前景区域的梯度场值一般都比较大,背景区域的梯度场值比较小,根据上述得
到梯度场值,选择一定的阈值T,当大于T时,则对应的灰度图像区块为前景区域,小
于等于T时,则对应的灰度图像区块为背景区域。
参照图4,步骤S202、获取所述前景区域的灰度直方图,根据灰度直方图计算前景区域的灰度均值和方差。
具体地,获得指纹前景区域的灰度直方图,依靠灰度直方图信息能够快速计算并获得前景区域的均值Mean和方差Var。
参照图5,步骤S203、将指纹图像分为干燥图像、潮湿图像以及正常图像三种状况,根据前景区域的数据信息对指纹图像进行分类。
具体地,由于指纹图像的特殊性,当人体手指皮肤处于不同状态时指纹传感器采集到的指纹图像有干燥、潮湿和正常三种情况,根据手指的不同状况,指纹图像的灰度直方图信息不同。本方案中提供两种指纹图像分类的方法,以便于根据使用场景的不同选择不同的分类方式,从而提高分类效率,具体分类方法为:
方法一为采用根据前景区域的灰度方差,计算灰度方差均值来给图像质量打分,指纹图像的评分公式如下:
其中Var是输入的指纹图像前景区域的方差,VarBase是统计后正常指纹图像前景区域的方差均值,Range是允许在正常指纹图像方差值附近变化大小的绝对值,Score是对指纹图像的评分,评分越高,图像质量越好。预设一个阈值TrScore ,通过比较TrScore和Score值的大小,当Score > TrScore时,判定为正常指纹图像,否则判定为干燥或潮湿的指纹图像,若指纹图像被判定为干燥或潮湿的指纹图像,再根据均值Mean来判别干燥图像或潮湿图像,即均值Mean大的为干燥图像,均值Mean小的为潮湿图像。本方法具有计算速度快的优点,能够适用于大多数干燥、潮湿、正常指纹的区分,特别适合在识别精度要求相对较低而人流量的场所使用,如工厂、企业的办公大厅出入口等场所。
方法二为采用机器学习来训练一个分类器,由于不同状况的指纹图像的灰度直方图信息不同,通过训练一个分类器,当我们输入图像的灰度直方图信息时,训练好的分类器就会输出一个分类结果(干燥、潮湿、正常),训练模型这里可以选择支持向量机(SVM)、逻辑回归(LR)或随机森林(RandomForestClassifier),自建数据库中分别包含有一定数量的带有标签的正常、干燥、潮湿指纹,带有标签的指纹图像数量根据使用者的使用要求进行存储,带有标签的指纹图像存储的数量越多分类器输出的分类结果越精确,本实施例中综合考虑分类器运行和使用情况,带有标签的指纹图像数量优选为10万张。
步骤S204、根据指纹图像的分类情况选择对应的滤波机制对指纹图像进行滤波处理。
具体地,根据使用场景使用者选择不同的分类方式对指纹图像的状态(干燥、潮湿、正常)进行区分,依据步骤S203中的分类结果针对性地选择滤波机制进行滤波处理,以保证指纹图像灰度关系的稳定性。为节省计算资源,依据指纹图像的分类结果针对性地设计滤波模板,本实施例中优选的滤波机制有:对于正常图像选择简单的均值滤波机制;对于干燥图像,干燥图像在一定程度上符合高斯噪声模型,因此选择高斯滤波后再平滑滤波的机制;对于潮湿图像,先执行直方图正规化,然后执行高斯曲率滤波和均值滤波机制。
步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,指纹图像前景区域的数据信息包括像素点的曲率信息。
具体地,俯视指纹图像中的脊线,可以将其看作是一条有宽度的路,指纹图像上的凸凹点可以看作是这条路上那些凸起拌脚的地方和坑坑洼洼的地方,指纹图像上的 端点、叉点可以看作是这条路上的尽头和岔口,脊线的粗细可以看作这条路的宽度,且路上有的地方宽,有的地方细并不均匀,这些信息在每条路上都不一样,因此每条脊线上的特征信息也不一样。传统的指纹识别算法中,大多关注比较直观的细节点(端点、叉点),并没有充分利用到指纹灰度信息深层次的语义表达的内容,本步骤主要是对这些深层次灰度语义信息的提取,将深层次灰度语义信息的提取过程定义为Fingerprint Semantic FeaturesDetection(下文描述中采用FSFD进行描述)。关键特征点的提取具体包括以下步骤:
步骤S301、计算灰度图像像素点I(x,y)处的最大主曲率maxC和最小主曲率minC。关于maxC和minC的计算步骤,首先我们需要定义并计算能表达指纹灰度图像差异信息的偏导数,高斯一阶和二阶导数滤波器可以被看作特殊的差分算子,对于指纹灰度图像I(x,y),能表达其灰度差异信息的偏导数:
其中,Gx、Gy、Gxx、Gyy、Gxy分别为指纹图像I(x,y)的一阶和二阶高斯偏导,这5个导数的计算均可以通过带有高斯标准偏差的高斯函数在各个方向上求导得出,这里G(x,y,σ)为带高斯标准差的高斯函数,σ为高斯标准偏差。首先对指纹图像I(x,y)进行偏导数的计算(卷积计算),然后在偏导数的计算结果中进行二维高斯滤波操作,从而求出灰度差异信息的偏导数。再对指纹灰度图像某一点的高斯曲率K和平均曲率H进行计算,高斯曲率K和平均曲率H分别为:
通过计算得到的高斯曲率K和平均曲率H再来计算该像素点处的最大主曲率maxC和最小主曲率minC。指纹灰度图像像素点处的最大主曲率和最小主曲率计算公式如下:
步骤S302、定义灰度图像深层次语义表达信息描述为:
具体地,首先对灰度图像进行区块划分,将灰度图像划分为若干块状的局部区域,再
比较局部区域中值的大小,挑选出局部区域中值最大的像素点作为
关键特征点,将灰度图像中这一步找到的关键特征点集合记为:,
MaxKpNum为找到的关键点最大数量。局部区域的面积为M*M,M的值为大于或等于1,可根据
实际实用需要进行调整,当M的值为1时,即为每个像素点都作为关键特征点进行提取,本实
施例中为降低运算速度,M的值取值为3,则局部区域面积为3*3,即从9个像素点中获取值最大的一个点作为关键特征点进行提取。
步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。
具体地,在步骤S3中提取出指纹图像中的若干关键特征点,为降低后期比对的关键特征点的量,需要对步骤S3中提取出的关键特征点进行筛选。关键特征点的筛选具体包括一些步骤:
步骤S401、初步筛选,对指纹图像进行划分,将指纹图像划分成多个图像块,图像块的面积为N*N ,且N大于M,比较图像块中极大值点的大小,筛除极大值最小的多个关键特征点。
具体地,通过对指纹图像进行重新划分,N的值大于M的值,使得每个图像块中均包
含至少一个关键特征点,比较图像块中关键特征点的值大小,从而删除值较小的关键特征点。N的值为10~14,本实施例中N取值为10,同时限定每个图
像块中能包含的关键特征点的最大数量,删除中分
布太过密集的关键点,本实施例中根据每个图像块中关键特征点的极大值的大小,优先删
除极大值较小的关键特征点。
步骤S402、次级筛选,以初步筛选中得到的关键特征点为中心进行区块划分,比较关键特征点周围图像块信息,获取关键特征点的稳定性概率,剔除稳定性概率低的关键特征点。
具体地,在后期比对过程中,稳定性好的关键特征点才能够提高识别精度,由于指纹识别过程的特殊性,指纹图像采集的噪声受多种因素影响,如指纹传感器的涂层、手指按压的力度、手指的干湿程度、指纹传感器表面是否干净等情况都会引入不确定的噪声模型。为降低噪声影响,通过次级筛选,从初级筛选中筛选出的关键特征点中再次剔除稳定性差的关键特征点,具体包括以下两个步骤方式,步骤方式一即为在图像预处理阶段对指纹图像进行滤波处理,以保证指纹图像灰度分布的稳定性;步骤方式二为通过采用机器学习的方法,来涉及关键特征点提取的模型,通过训练一个深度网络模型来完成关键特征点的提取,参照图6,具体实施方法如下:
步骤S4021、训练数据。具体地,定义清晰指纹图像和合成指纹图像,清晰指纹图像指的是
指纹纹路清晰、没有太多缺损和污染的图像,通过上述步骤S3和步骤S401来提取并筛选出清晰
指纹图像中的关键特征点;合成指纹图像指的是在清晰指纹图像上做各种失真处理,模拟指
纹录入时引入的各种噪声后得到的图像,通过上述步骤S3和步骤S401来提取并筛选出合成指
纹图像中的关键特征点。假设从合成指纹图像上提取的关键特征点位置与清晰指纹图像中
的关键特征点的位置是一一对应的,设定以像素点p(x, y)为中心,以R为半径的区域为,,
Area(x,y)指的是从原始指纹图像中提取出来的块区域,本实施例中的训练数据即为这些
块区域的集合。
步骤S4022、制作标签。网络判断驶入图像中的每一个像素点是否是关键特征点,关键特征点的判断是一个二分类问题,需要依靠其周围像素块区域信息,以关键特征点为中心的从清晰指纹图像和合成指纹图像中提取半径为R的区域作为训练数据的正样本(标签1),以其他像素点为中心提取半径为R的区域作为训练数据的负样本(标签0)。
步骤S4023、训练流程。本实施例中优先采用开源机器学习库Keras,并选择实用TensorFlow作为其后端,TensorFlow是将复杂的数据结构传输至人工智能神经网络中进行分析和处理过程的系统,利用该更高级的API(API的主要功能是提供应用程序与开发人员以访问一组例程的能力,而又无需访问源码,或理解内部工作机制的细节),可以迅速搭建出想要的模型,缩短试验周期。依据上述方式搭建出的模型中会实用较多的卷积层提取图片的隐性特征信息,需要GPU加速缩短运算周期,卷积神经网络CNN中主要是利用多种不同核大小的滤波器对图片进行多层面和多维度的特征提取,并通训练不断强化有表达能力的特征信息,模型中只有最后一层softmax进行概率输出,来得出分类结果。
步骤S4024、评估指标。本实施例中所使用的评估指标采用对数损失,与激活函数sigmoid相对于的损失函数,即选择开源机器学习库Keras中“binary_crossentropy交叉熵损失函数”,公式如下:
,其中n为测试集中样
本的数量,为预测图像为正样本的概率,如果图片是正样本 ,如果是负样本,这
个指标是一个连续值,可以对模型进行更细致的评价,模型不但能表达出分类的结果,而且
能表达出对于该结果的肯定性大小。
本实施例的具体实施过程:先对指纹图像进行预处理,即先将获取到的指纹图像转换为灰度图像,然后对灰度图像进行8*8分块,接着按照公式计算每个灰度图像区块的梯度场值,根据求得的梯度场值分离出指纹图像的前景区域和背景区域;然后根据梯度场值计算出前景区域灰度直方图、灰度均值和方差;接着根据前景区域的数据信息对指纹图像进行分类,本实施例中所提供的指纹图像的分类方式包括但不限于机器学习、根据前景区域的均值和方差来判断并给图像质量打分这两种方法;最后根据指纹图像的分类结果选择相对应的滤波机制进行滤波处理。
接着在第一步骤的预处理基础上对指纹图像进行3*3的区块划分,在保证关键特征点提取数量的同时,降低设备运算的数据量,使其应用在嵌入式(M3、M4内核)的CPC上运行,根据指纹深层次语义图像,挑选出深层次语义图像中的局部极大值点作为指纹图像的关键特征点。
最后对第二步骤中提取出的关键特征点进行筛选,首先进行初级筛选,对指纹图像进行10*10的区块划分,比较图像块中关键特征点的极大值点的大小,剔除图像块中极大值较小的几个点,保留图像块中极大值点较大的一定数量点,使得指纹图像中的关键特征点分布更加均匀;接着进行次级筛选,通过机器学习挑选出稳定性好的关键特征点,剔除稳定性差的关键特征点。
实施例二:
参照图7,在一实施例中,提供一种小面积指纹图像特征提取系统与上述实施例一中的小面积指纹图像特征提取方法一一对应,应用于小面积指纹特征信息提取,实现小面积指纹特征信息的有效且稳定可靠的提取,该系统包括图像采集模块1、图像处理模块2、提取模块3以及筛选模块4。各功能模块详细说明如下:
图像采集模块1,用于获取指纹图像;
图像处理模块2,用于分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
提取模块3,用于对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,指纹图像前景区域的数据信息包括像素点的曲率信息;
筛选模块4,用于筛选出稳定性好的关键特征点。
具体地,在图像采集模块1采集获取到对应指纹图像时,图像处理模块2接收指纹图像并先将指纹图像转换为灰度图像,然后对灰度图像进行区块划分并计算各个灰度图像区块的梯度场值,根据梯度场值分离出指纹图像的前景区域和背景区域,然后根据梯度场值计算出前景区域灰度直方图、灰度均值和方差,并根据前景区域的数据信息对指纹图像进行干燥、潮湿和正常的三种状况的分类,最后根据指纹图像的分类结果选择对应的滤波机制进行滤波处理。提取模块3对经过预处理后的指纹图像进行关键特征点提取,根据指纹深层次语义图像挑选出深层次语义图像中的局部极大值点作为指纹图像的关键特征点。筛选模块4在提取模块3获取的关键特征点的基础上进行筛选,剔除部分关键特征点,使得关键特征点在指纹图像中的分布更加均匀,同时删除稳定性差的关键特征点,以保证关键特征点的稳定性。
关于小面积指纹图像特征提取系统的限定可以参见上文中对小面积指纹图像特征提取方法的限定,在此不再赘述。上述小面积指纹图像特征提取系统中各个模块可全部或部分通过软件、硬件及其组合来实现。上述各个模块以硬件形式内嵌于或独立于计算机设备中的处理中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
实施例三:
在一个实施例中,提供了一种智能终端,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中存储器存储训练模型中的训练数据、算法公式以及滤波机制等。处理器用于提供计算和控制能力,处理器执行计算机程序时实现以下步骤:
步骤S1、获取指纹图像;
步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,指纹图像前景区域的数据信息包括像素点的曲率信息;
步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。
实施例四:
在一个实施例中,提供了一种计算机可读存储介质,其存储有能够被处理器加载并执行上述小面积指纹图像特征提取方法的计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S1、获取指纹图像;
步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,指纹图像前景区域的数据信息包括像素点的曲率信息;
步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。
所述计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种小面积指纹图像特征提取方法,应用于小面积指纹特征信息提取,其特征在于,包括以下步骤:
步骤S1、获取指纹图像;
步骤S2、指纹图像预处理,分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
步骤S3、关键特征点提取,对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点,所述指纹图像前景区域的数据信息包括像素点的曲率信息;
步骤S4、关键特征点的筛选,通过比较分析筛选出稳定性好的关键特征点。
2.根据权利要求1所述的小面积指纹图像特征提取方法,其特征在于:所述步骤S2、指纹图像预处理,具体包括以下步骤:
步骤S201、将指纹图像转换为灰度图像,计算所述灰度图像的梯度场,根据梯度场信息完成灰度图像的前景区域和背景区域的划分;
步骤S202、获取所述前景区域的灰度直方图,根据灰度直方图计算前景区域的灰度均值和方差;
步骤S203、将指纹图像分为干燥图像、潮湿图像以及正常图像三种状况,根据前景区域的数据信息对指纹图像进行分类;
步骤S204、根据指纹图像的分类情况选择对应的滤波机制对指纹图像进行滤波处理。
3.根据权利要求2所述的小面积指纹图像特征提取方法,其特征在于:所述步骤S201中,计算所述灰度图像梯度场之前先对灰度图像进行区块划分,再计算每个块的梯度值。
4.根据权利要求2所述的小面积指纹图像特征提取方法,其特征在于:所述步骤S203中,根据前景区域的数据信息对指纹图像进行分类的具体方法包括采用机器学习来训练一个分离器。
7.根据权利要求6所述的小面积指纹图像特征提取方法,其特征在于:所述步骤S4中,关键特征点的筛选,具体包括以下步骤:
步骤S401、初步筛选,对指纹图像进行划分,将指纹图像划分成多个图像块,所述图像块的面积为N*N ,且N大于M,比较所述图像块中极大值点的大小,筛除极大值最小的多个关键特征点;
步骤S402、次级筛选,以初步筛选中得到的关键特征点为中心进行区块划分,比较所述关键特征点周围图像块信息,获取所述关键特征点的稳定性概率,剔除稳定性概率低的关键特征点。
8.一种小面积指纹图像特征提取系统,应用于小面积指纹特征信息提取,其特征在于,还包括:
图像采集模块(1),用于获取指纹图像;
图像处理模块(2),用于分离指纹图像的前景区域和背景区域,获取前景区域的数据信息,并根据前景区域的数据信息对指纹图像进行分类滤波处理;
提取模块(3),用于对指纹图像进行区块划分,根据对应区块中的指纹图像前景区域的数据信息挑选出关键特征点;
筛选模块(4),用于筛选出稳定性好的关键特征点。
9.一种智能终端,其特征在于:包括存储器和处理器,所述存储器存储有能够被处理器加载并执行如权利要求1至7中任一项方法的计算机程序。
10.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1至7中任一项方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524918.1A CN111428701B (zh) | 2020-06-10 | 2020-06-10 | 小面积指纹图像特征提取方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524918.1A CN111428701B (zh) | 2020-06-10 | 2020-06-10 | 小面积指纹图像特征提取方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428701A true CN111428701A (zh) | 2020-07-17 |
CN111428701B CN111428701B (zh) | 2020-09-29 |
Family
ID=71555239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524918.1A Active CN111428701B (zh) | 2020-06-10 | 2020-06-10 | 小面积指纹图像特征提取方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428701B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418191A (zh) * | 2021-01-21 | 2021-02-26 | 深圳阜时科技有限公司 | 指纹识别模型构建方法、存储介质及计算机设备 |
CN112733670A (zh) * | 2020-12-31 | 2021-04-30 | 北京海鑫科金高科技股份有限公司 | 指纹特征提取方法、装置、电子设备及存储介质 |
CN113516035A (zh) * | 2021-05-06 | 2021-10-19 | 佛山市南海区广工大数控装备协同创新研究院 | 一种多接口融合的指纹图像前处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154263A (zh) * | 2006-09-27 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部结构的双胞胎相似指纹识别系统及方法 |
US20150110367A1 (en) * | 2012-08-08 | 2015-04-23 | The Hong Kong Polytechnic University | Method of 3D Biometrics Identification |
CN105022984A (zh) * | 2014-04-28 | 2015-11-04 | 中国电信股份有限公司 | 指纹采集方法、指纹比对方法、指纹识别装置和系统 |
CN105740753A (zh) * | 2014-12-12 | 2016-07-06 | 比亚迪股份有限公司 | 指纹识别方法及指纹识别系统 |
CN109657098A (zh) * | 2018-12-26 | 2019-04-19 | 北京天融信网络安全技术有限公司 | 一种视频指纹提取方法及装置 |
-
2020
- 2020-06-10 CN CN202010524918.1A patent/CN111428701B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101154263A (zh) * | 2006-09-27 | 2008-04-02 | 中国科学院自动化研究所 | 基于局部结构的双胞胎相似指纹识别系统及方法 |
US20150110367A1 (en) * | 2012-08-08 | 2015-04-23 | The Hong Kong Polytechnic University | Method of 3D Biometrics Identification |
CN105022984A (zh) * | 2014-04-28 | 2015-11-04 | 中国电信股份有限公司 | 指纹采集方法、指纹比对方法、指纹识别装置和系统 |
CN105740753A (zh) * | 2014-12-12 | 2016-07-06 | 比亚迪股份有限公司 | 指纹识别方法及指纹识别系统 |
CN109657098A (zh) * | 2018-12-26 | 2019-04-19 | 北京天融信网络安全技术有限公司 | 一种视频指纹提取方法及装置 |
Non-Patent Citations (1)
Title |
---|
付玉虎: "指纹图像预处理与伪特征点删除算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733670A (zh) * | 2020-12-31 | 2021-04-30 | 北京海鑫科金高科技股份有限公司 | 指纹特征提取方法、装置、电子设备及存储介质 |
CN112733670B (zh) * | 2020-12-31 | 2024-02-27 | 北京海鑫科金高科技股份有限公司 | 指纹特征提取方法、装置、电子设备及存储介质 |
CN112418191A (zh) * | 2021-01-21 | 2021-02-26 | 深圳阜时科技有限公司 | 指纹识别模型构建方法、存储介质及计算机设备 |
CN113516035A (zh) * | 2021-05-06 | 2021-10-19 | 佛山市南海区广工大数控装备协同创新研究院 | 一种多接口融合的指纹图像前处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428701B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428701B (zh) | 小面积指纹图像特征提取方法、系统、终端及存储介质 | |
CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN102254188B (zh) | 掌纹识别方法及装置 | |
CN110084149B (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
CN105069447B (zh) | 一种人脸表情的识别方法 | |
CN107292250A (zh) | 一种基于深度神经网络的步态识别方法 | |
Fahmy et al. | A fingerprint segmentation technique based on morphological processing | |
CN103839033A (zh) | 一种基于模糊规则的人脸识别方法 | |
CN106228554A (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
CN109409227A (zh) | 一种基于多通道cnn的手指静脉图质量评估方法及其装置 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
Kalaiselvi et al. | Face recognition system under varying lighting conditions | |
WO2022156214A1 (zh) | 一种活体检测方法及装置 | |
CN111428064B (zh) | 小面积指纹图像快速索引方法、装置、设备及存储介质 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Rotem et al. | Combining region and edge cues for image segmentation in a probabilistic gaussian mixture framework | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
CN113378609A (zh) | 代理商代签名的识别方法及装置 | |
Szymkowski et al. | A novel approach to fingerprint identification using method of sectorization | |
CN115188031A (zh) | 指纹识别方法、计算机程序产品、存储介质及电子设备 | |
CN108647600A (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
Hiremani et al. | Human and Machine Vision Based Indian Race Classification Using Modified-Convolutional Neural Network. | |
Wu et al. | Feature extraction of cultural gene image based on PCA method |
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 |