CN111814727B - 一种基于高光谱的潜在指纹检测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱的潜在指纹检测方法。具体涉及刑侦指纹痕迹检测领域。具体方法如下：在标准检测工作环境下，使用便携式高光谱检测仪对潜在指纹进行拍摄，将所获数据经过预处理和PCA降维处理后，对指纹进行形态学和组成成分分析，并结合大数据库获得最终的检测分析结果，将比对检索出的对象信息和痕量化学组分的初步分析结果进行展示。本发明提供的潜在指纹检测方法，能够在现场指纹样本无损的情况下获得指纹的比对结果，检测结果快速可靠，提高了刑侦工作者的效率。

Description

一种基于高光谱的潜在指纹检测方法

技术领域

本发明涉及潜在指纹检测技术领域，更具体地说，涉及一种基于高光谱的潜在指纹检测方法。

背景技术

指纹识别检测作为生物识别技术的一种，从诞生之初就受到广泛的关注。由于指纹具有唯一性，因此在区别人与人方面，指纹会被作为重要的特征选择对象。特别是在刑侦领域中，指纹痕迹检验结果的突破会对整个刑事案件的分析具有关键的导向作用。

通常，在刑侦指纹痕迹检测中，指纹都是以“潜在指印”的形式存在，附着于载体表面。而现场指纹的信息含量十分丰富，不仅包含指纹的形态学特征，还包含重要的物质成分。其中，物质成分能够反映指纹主人的接触历史，例如血液、毒品等，能够对案件提供重要的信息线索。

在刑侦领域中，传统的指纹痕迹检测主要采用化学试剂使得现场指纹的形态学特征得以显现，然后由技术工作者拍照，获得指纹常规的RGB图像，在PC端对指纹的图像作一系列图像处理，进而获得识别检测结果。

这种传统方法局限性很多。首先，使用的化学试剂对珍贵的指纹样本的组成成分造成了不可逆的破坏，损失了潜藏的痕量化学组分信息。其次，拍摄设备受限于现场环境光源的影响和指纹自身残缺性，所获得的指纹形态学特征不利于识别检测，最终得到的检测效果并不理想。

发明内容

为了克服上述缺陷，本发明提供一种基于高光谱的潜在指纹检测方法。在现场潜在指纹样本无损的情况下获得指纹的形态学分析结果和组成成分初步分析结果，并且能够有效解决部分残缺指纹的检测问题。

一种基于高光谱潜在指纹检测方法，包括依次进行的以下步骤：

S1、在标准工作环境下，使用便携式微型高光谱检测仪对待检测指纹样本进行拍摄；

S2、将采集到的高光谱指纹数据分别进行光谱预处理和图像预处理，其中图像预处理需要下一步骤的光谱主成分析结果；

S3、对预处理后的光谱信息采用主成分分析法进行数据处理，获得w₁、w₂、w₃三个波段的主成分数据；

S4、对步骤S2、步骤S3所得数据分别进行指纹的形态学分析和成分分析，并接入大数据库，由数据库提供指纹识别比对样本和组成成分比对样本；

S5、对分析结果展示，显示结果包括以下：按照相似度降序排列，展示对象信息和相似度数据，并对指纹重要成分进行显示。

进一步的，所述步骤S1中标准工作环境是指少尘、干燥、无强磁电干扰，用便携式高光谱检测仪对准现场指纹进行拍摄。

进一步的，所述步骤S2中光谱预处理采用二阶导来扣除设备背景或漂移对信号的影响，从而完成对光谱的基线校正。采用SG平滑法消除光谱信号中的随机噪声，以此提高样本的信噪比，利于后续光谱分析。所述步骤S2中的图像预处理包括以下步骤：

S201、将伪色彩光谱图像经灰度变换转换为灰度显示的光谱图，灰度变换是1.0伽马校正的灰度单色显示。

S202、为了有效提取现场环境的残缺污损指纹，降低刑侦工作者的工作量。对指纹可修复区域进行自适应分数阶微分图像增强处理。具体算法如下：

(1)设指纹图像信号f(x，y)，置于掩膜中心位置，最小步长h＝1，x、y的图像信号持续周期为x∈[x₁，x₂]，y∈[y₁，y₂]，则

(2)对指纹图像信号f(x，y)分别对x、y方向上进行近似偏分数阶微分差分运算并保留前三项得：

(3)同理获得x、y负方向和其对角线共计八个方向的分数阶微分，将上述所得作为掩膜。输出图像为：

其中：

w(s，t)为M×N图像上n×n大小的滤波器，并且对中心作用点到图像边缘距离大于

和

的像素灰度值保留。mag(G)为梯度模值，mag(G[f(x，y)])＝|G|＝max{|G_x′|，|G_y′|}则分数阶微分阶的关系函数：

S204、对上述所获结果，采用Contourlet变换法对图像分割，通过Contourlet子带系数逐个获得每个像素的几何特征，计算均值mean和最大值max，并设置阈值cσ来区分强边缘系数、弱边缘系数、噪声系数。

其中，规定滤波窗口大小为(2M+1)×(2N+1)，mean和σ计算公式如下：

对每一个像素点采用下式处理来增强弱边缘和抑制噪声：

并对方向子带进行系数模极大值检测，然后进行Contourlet逆变换、二值化处理和OPTA算法细化处理后得到高光谱潜在指纹分割图像。

S205、对步骤S3所获得的w₁、w₂、w₃波段的光谱图像进行上述S201～S204操作，通过工具箱对三个波段的特征图像进行融合，得到最终的融合图像。

进一步的，所述步骤S3对经过步骤S2光谱预处理后的光谱数据进行主成分分析，根据方差贡献率大小来获得w₁、w₂、w₃三个波段的图像。

进一步的，所述步骤S4中的数据库包含公安大数据库和本公司的大数据库，由本公司大数据库提供比对检索算法和相似度结果，对上述步骤处理的所得高光谱指纹潜在指纹分别进行形态学分析和组成成分分析。

其中形态学分析分为特征提取和特征匹配。先用WDF奇异点检测方法对融合的指纹图像进行像素点遍历，提取出奇异点，再用八领域编码的特征提取算法，对融合指纹图像进行指纹特征提取。采用HFM方法，构造全局特征，然后选取距离最近两对匹配点对现场指纹与指纹样本进行比对。

组成成分分析，先对指纹光谱波段选择，从w₁、w₂、w₃中按照光谱曲线最平稳的原则选出波段w_min，然后将此波段的全部信息与数据库中刑侦重要化学成分的波段进行光谱比对，从而初步分析出指纹的重要成分。

进一步的，所述步骤S5中的显示报告，包括检索出的对象个人信息显示、指纹相似度显示、指纹组成成分分析，并按照相似度大小降序排列。其中指纹组成分是指具有对刑侦线索重要提示的化学成分，如血液、毒品、弹药残留物等。

本发明的有益效果是：

1.本发明能够在无损指纹样本，最大程度保护现场的情况下完成对潜在指纹的信息采集。

2.本发明将多种图像处理技术与光谱技术融合，在一定程度上能够有效检测识别出部分残缺指纹，适应于复杂的刑侦工作环境。

3.本发明将光谱分析技术应用于潜在指纹检测中，能够给出指纹痕量化学组分的初步分析结果。

附图说明

图1是本发明的总流程图。

具体实施方式

如图1所示，一种基于高光谱的潜在指纹检测方法，包括依次进行的以下步骤：

S1、在标准工作环境下，使用便携式微型高光谱检测仪对待检测指纹样本进行拍摄；

S2、将采集到的高光谱指纹数据分别进行光谱预处理和图像预处理，其中图像预处理需要下一步骤的光谱主成分析结果；

S3、对预处理后的光谱信息采用主成分分析法进行数据处理，获得w₁、w₂、w₃三个波段的主成分数据；

S4、对步骤S2、步骤S3所得数据分别进行指纹的形态学分析和成分分析，并接入大数据库，由数据库提供指纹识别比对样本和组成成分比对样本；

S5、对分析结果展示，显示结果包括以下：按照相似度降序排列，展示对象信息和相似度数据，并对指纹重要成分进行显示。

进一步的，所述步骤S1中标准工作环境是指少尘、干燥、无强磁电干扰，用便携式高光谱检测仪对准现场指纹进行拍摄。

进一步的，所述步骤S2中光谱预处理采用二阶导来扣除设备背景或漂移对信号的影响，从而完成对光谱的基线校正。采用SG平滑法消除光谱信号中的随机噪声，以此提高样本的信噪比，利于后续光谱分析。所述步骤S2中的图像预处理包括以下步骤：

S201、将伪色彩光谱图像经灰度变换转换为灰度显示的光谱图，灰度变换是1.0伽马校正的灰度单色显示。

S202、为了有效提取现场环境的残缺污损指纹，降低刑侦工作者的工作量。对指纹可修复区域进行自适应分数阶微分图像增强处理。具体算法如下：

(1)设指纹图像信号f(x，y)，置于掩膜中心位置，最小步长h＝1，x、y的图像信号持续周期为x∈[x₁，x₂],y∈[y₁，y₂],则

(2)对指纹图像信号f(x，y)分别对x、y方向上进行近似偏分数阶微分差分运算并保留前三项得：

(3)同理获得x、y负方向和其对角线共计八个方向的分数阶微分，将上述所得作为掩膜。输出图像为：

其中：

w(s，t)为M×N图像上n×n大小的滤波器，并且对中心作用点到图像边缘距离大于

和

的像素灰度值保留。mag(G)为梯度模值，mag(G[f(x，y)])＝|G|＝max{|G_x′|，|G_y′|}，则分数阶微分阶的关系函数：

S204、对上述所获结果，采用Contourlet变换法对图像分割，通过Contourlet子带系数逐个获得每个像素的几何特征，计算均值mean和最大值max，并设置阈值cσ来区分强边缘系数、弱边缘系数、噪声系数。

其中，规定滤波窗口大小为(2M+1)×(2N+1)，mean和σ计算公式如下：

对每一个像素点采用下式处理来增强弱边缘和抑制噪声：

并对方向子带进行系数模极大值检测，然后进行Contourlet逆变换、二值化处理和OPTA算法细化处理后得到高光谱潜在指纹分割图像。

S205、对步骤S3所获得的w₁、w₂、w₃波段的光谱图像进行上述S201～S204操作，通过工具箱对三个波段的特征图像进行融合，得到最终的融合图像。

进一步的，所述步骤S3对经过步骤S2光谱预处理后的光谱数据进行主成分分析，根据方差贡献率大小来获得w₁、w₂、w₃三个波段的图像。

进一步的，所述步骤S4中的数据库包含公安大数据库和本公司的大数据库，由本公司大数据库提供比对检索算法和相似度结果，对上述步骤处理的所得高光谱指纹潜在指纹分别进行形态学分析和组成成分分析。

其中形态学分析分为特征提取和特征匹配。先用WDF奇异点检测方法对融合的指纹图像进行像素点遍历，提取出奇异点，再用八领域编码的特征提取算法，对融合指纹图像进行指纹特征提取。采用HFM方法，构造全局特征，然后选取距离最近两对匹配点对现场指纹与指纹样本进行比对。

组成成分分析，先对指纹光谱波段选择，从w₁、w₂、w₃中按照光谱曲线最平稳的原则选出波段w_min，然后将此波段的全部信息与数据库中刑侦重要化学成分的波段进行光谱比对，从而初步分析出指纹的重要成分。

进一步的，所述步骤S5中的显示报告，包括检索出的对象个人信息显示、指纹相似度显示、指纹组成成分分析，并按照相似度大小降序排列。其中指纹组成分是指具有对刑侦线索重要提示的化学成分，如血液、毒品、弹药残留物等。

Claims (1)

1.一种基于高光谱图像的潜在指纹痕迹检测方法，其特征在于：包括依次进行的以下步骤：

S1、在标准工作环境下，使用便携式微型高光谱检测仪对待检测指纹样本进行拍摄；

S2、将采集到的高光谱指纹数据分别进行光谱预处理和图像预处理，其中图像预处理需要下一步骤的光谱主成分析结果；

S3、对预处理后的光谱信息采用主成分分析法进行数据处理，获得w₁、w₂、w₃三个波段的主成分数据；

S4、对步骤S2的图像预处理数据、步骤S3所得数据分别进行指纹的形态学分析和成分分析，并接入大数据库，由数据库提供指纹识别比对样本和组成成分比对样本；

S5、对分析结果展示，显示结果包括以下：按照相似度降序排列，展示对象信息和相似度数据，并对指纹重要成分进行显示；

所述步骤S2中光谱预处理采用二阶导来扣除设备背景或漂移对信号的影响，从而完成对光谱的基线校正；采用SG平滑法消除光谱信号中的随机噪声，以此提高样本的信噪比，利于后续光谱分析；

所述步骤S2中的图像预处理包括以下步骤：

S201、将伪色彩光谱图像经灰度变换转换为灰度显示的光谱图，灰度变换是1.0伽马校正的灰度单色显示；

S202、为了有效提取现场环境的残缺污损指纹，降低刑侦工作者的工作量；对指纹可修复区域进行自适应分数阶微分图像增强处理；具体算法如下：

(1)设指纹图像信号f(x，y)，置于掩膜中心位置，最小步长h＝1，x、y的图像信号持续周期为x∈[x₁，x₂],y∈[y₁，y₂],则

(2)对指纹图像信号f(x，y)分别对x、y方向上进行近似偏分数阶微分差分运算并保留前三项得：

(3)同理获得x、y负方向和其对角线共计八个方向的分数阶微分，将上述所得作为掩膜；输出图像为：

其中：

w(s，t)为M×N图像上n×n大小的滤波器，并且对中心作用点到图像边缘距离大于

和

的像素灰度值保留；mag(G)为梯度模值，mag(G[f(x，y)])＝|G|＝max{|G_x′|，|G_y′|},则分数阶微分阶的关系函数：

S204、对上述所获结果，采用Contourlet变换法对图像分割，通过Contourlet子带系数逐个获得每个像素的几何特征，计算均值mean和最大值max，并设置阈值cσ来区分强边缘系数、弱边缘系数、噪声系数；

其中，规定滤波窗口大小为(2M+1)×(2N+1),mean和σ计算公式如下：

对每一个像素点采用下式处理来增强弱边缘和抑制噪声:

并对方向子带进行系数模极大值检测，然后进行Contourlet逆变换、二值化处理和OPTA算法细化处理后得到高光谱潜在指纹分割图像；

S205、对步骤S3所获得的w₁、w₂、w₃波段的光谱图像进行上述S201～S204操作，通过工具箱对三个波段的特征图像进行融合，得到最终的融合图像。

Images