CN113516035A - 一种多接口融合的指纹图像前处理方法 - Google Patents
一种多接口融合的指纹图像前处理方法 Download PDFInfo
- Publication number
- CN113516035A CN113516035A CN202110492714.9A CN202110492714A CN113516035A CN 113516035 A CN113516035 A CN 113516035A CN 202110492714 A CN202110492714 A CN 202110492714A CN 113516035 A CN113516035 A CN 113516035A
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- fingerprint
- algorithm
- library
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000007781 pre-processing Methods 0.000 title claims abstract description 53
- 238000011161 development Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000018109 developmental process Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 14
- 238000004806 packaging method and process Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000005538 encapsulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/76—Adapting program code to run in a different environment; Porting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种多接口融合的指纹图像前处理方法,包括:1)多接口融合开发环境的搭建;2)指纹图像前处理算法库框架的搭建;3)算法库框架中各算法的实现;4)结果的性能评价。本发明为指纹图像前处理提供了新的开发思路,且对外提供了与MFC的界面接口、机器视觉库OpenCV的接口,实现函数间数据传递的Mat类接口,算法封装接口和DLL库接口,提高了方法使用、开发的便利性和可移植性。此外,在算法实现部分采用了四方向多邻域边缘检测算法、最大类间方差算法和纹线自适应Gabor滤波算法等,使其在处理正常、断裂和脱皮指纹图像时同时适用。
Description
技术领域
本发明涉及但不限于数字图像处理技术领域和生物识别技术领域,尤其是指一种多接口融合的指纹图像前处理方法。
背景技术
生物特征识别是一种利用人类可测量的生理、行为特征进行识别和认证的自动化方法,其主要包含了生理学和行为学两个范畴。前者是指手和手掌的几何结构、DNA、面部、虹膜、气味特征和指纹等,后者是指声音、步态和打字节奏等。生物特征识别可用于检测、边境安全、欺诈预防、犯罪追踪、安全、支付系统、出勤记录、物理和逻辑访问控制,以及一般当事人或个人的身份识别。
指纹识别技术作为生物识别技术中的一种,是迄今为止在身份识别应用中的首选技术,其主要原因有:1)普遍性,即绝大多数人都有指纹;2)唯一性,即两组来自不同人或同一人不同手指间的指纹是不同的;3)稳定性,即在人的生命周期中指纹的形态是稳定的;4)易获取性,即可以通过光学、半导体传感器采集指纹;5)安全性,其表现在两个方面,即指纹特征的获取不会对人体造成伤害和指纹特征自身的防伪性。目前,已经存在一些商用化的指纹自动识别系统,然而这些系统存在一些不足:1)强封装性,即商用化系统仅能为用户提供封装后可实现功能的函数接口,而实现的算法无法进行查看;2)接口单一,例如多数实现函数对外的接口均为指针类型,稍有不慎则会造成指针溢出的严重问题,此外,与强封装性结合在一起时会增加二次开发的难度;3)共享性差,即指纹自动识别系统通常包含许多实现算法的庞大程序,如果仅抽取其中部分算法供他人使用而不安装整个自动识别系统则会造成无法运行;4)指纹识别率低,即指纹图像前处理算法的性能有限直接影响了指纹图像的识别率。
针对上述问题,本发明提供一种多接口融合的指纹图像前处理方法,该方法主要包括以下核心过程:1)多接口融合开发环境的搭建;2)指纹图像前处理算法库的搭建;3)指纹图像前处理算法库中各个算法的编辑、Debug和优化;4)输出结果的性能评价。此外,本发明中高性能的指纹图像前处理方法可以对正常指纹、断裂指纹和脱皮指纹进行图像增强,将该方法集成至自动指纹识别系统中作为指纹图像前处理方法使用,可在一定程度上提高指纹识别率。
发明内容
本发明的旨在弥补现有技术的不足,提供了一种多接口融合的指纹图像前处理方法。该方法能有效地解决现有指纹图像前处理方法封装性强、接口单一、共享性差、对断裂或脱皮指纹的处理效果不理想而导致指纹识别率低等问题。本方法的实现结合了VisualStudio集成开发平台、OpenCV机器视觉库、CMake跨平台安装(编译)工具、MFC界面和C++开发语言。同时,该方法中各级函数的接口均为OpenCV机器视觉库中的Mat类,增加了使用和二次开发的便利性。采用了生成动态链接库的方式以共享所有的实现函数,提高了程序的可移植性。此外,在指纹图像前处理各实现步骤中使用了改进的多种高性能图像处理算法,并将其用于自动指纹识别系统中,可提高指纹识别率。
为实现上述目的,本发明提供一种多接口融合的指纹图像前处理方法,包括以下步骤:
1)多接口融合开发环境的搭建;
2)以步骤1)中的开发环境为基础,进行指纹图像前处理算法库框架的搭建;
3)以步骤2)为基础,对指纹图像前处理各步骤中算法进行实现;
4)利用步骤3)的结果,进一步采用测试Demo对本方法的结果进行性能评价。
进一步的,在步骤1)中,利用Visual Studio软件分别完成MFC工程的新建和OpenCV机器视觉库的配置,包括以下步骤:
1.1)MFC工程的新建
在WIN10系统中,采用Visual Studio软件新建一个MFC应用程序的项目,并通过消息框输出自定义的字符串对其进行测试,项目运行后,弹出消息框,则项目新建成功;
1.2)OpenCV机器视觉库的配置
采用CMake跨平台安装(编译)工具对OpenCV进行重新编译,使其生成静态Lib库,并将该库以属性表的方式配置到步骤1.1)的结果中,从而完成Release版本的配置。
进一步的,在步骤2)中,进行指纹图像前处理算法库框架的搭建,具体步骤如下:
2.1)在WIN10系统中,采用Visual Studio软件新建一个DLL工程,并使用与步骤1)中相同的方式配置OpenCV,从而完成DLL工程开发环境的搭建,完成上述步骤后,得到一个多接口融合的指纹图像前处理方法的开发环境。
进一步的,在步骤3)中,利用步骤2)中开发环境完成指纹图像前处理方法中各阶段算法的实现,具体步骤如下:
3.1)指纹图像两大基础场的计算
3.1.1)梯度场
式中,(x,y)表示指纹图像中像素点的横纵坐标,Gx(x,y)为沿x轴方向的梯度,Gy(x,y)为沿y轴方向的梯度,采用下式获得总梯度场
|G(x,y)|=|Gx(x,y)|+|Gy(x,y)|
式中G(x,y)表示在指纹图像中像素点坐标(x,y)处的总梯度场;
3.1.2)方向场
定义一块尺寸大小为r×r的模板,并将该模板在指纹图像中进行逐像素点滑动,从而充分利用每个像素点的邻域信息,则方向场可以表示为
式中θ(x,y)表示在指纹图像中像素点坐标(x,y)处方向场的大小,Ox(x,y)和Oy(x,y)分别为
式中Gx(x,y)和Gy(x,y)的计算采用一种四方向多邻域边缘检测算法来完成;
3.2)指纹图像的分割
指纹图像的分割过程包括指纹图像的前景与背景的分离和前景的清理,对于前者,采用最大类间方差法来实现,该方法首先对输入的指纹图像进行直方图的计算并归一化,接着设置分类阈值t,求解类间方差,具体表示为
g=ω0ω1(u0-u1)2
式中,g表示类间方差的大小,ω0为在指纹图像直方图中灰度级为0~t的像素与整幅图像的比值,ω1为在指纹图像直方图中灰度级为t~255的像素与整幅图像的比值,u0为前景像素的平均灰度,u1为背景像素的平均灰度;
进一步地,对于分离出的指纹图像利用步骤3.1)中获得的指纹图像梯度场进行清理,完成后即可成功得到指纹图像中的前景部分;
3.3)指纹图像的智能增强
对步骤3.2)中的结果图像进行智能增强,主要包括:对比度均衡、高斯校正、二次滤波和智能收敛的过程,其中,在对比度均衡部分使用直方图均衡算法,通过累积分布函数完成像素值均匀分布的映射,进一步地,使用二维高斯函数和模板大小为T×T的图像进行高斯校正,将所得结果图像作为二次滤波的输入,使用均值滤波算法完成增强,上述三步完成后,将结果图像作为智能收敛的输入,使用纹线自适应Gabor滤波算法来实现指纹图像的智能增强,其定义式表达如下
式中,x和y分别表示指纹图像的像素坐标,θ为指纹纹线的方向,xθ和yθ分别为经坐标轴旋转θ后的新坐标位置,τ为归一化后的曲率,f为指纹的频率,σ'x和σ'y分别为变换后的高斯空间常数;
进一步地,通过下式完成智能增强的过程
式中,H(i,j)表示智能增强后指纹图像的输出,w为滤波窗口尺寸,(u,v)为指纹图像中像素点坐标,(i,j)为滤波窗口尺寸中像素点坐标;
3.4)指纹图像的二值化
对步骤3.3)中的结果图像进行二值化处理,同时由于噪声的引入,需对二值化处理后的图像利用步骤3.1)中获得的指纹图像梯度场进行二次清理;
3.5)指纹图像的骨架提取
对步骤3.4)中的结果图像进行骨架提取处理,采用基于索引表的细化算法,该算法核心思想为遍历二值化图像的边缘,根据边缘点的八连通域情况并结合经验索引表以确定该边缘点是否能够被删除,直至骨架化完成;
3.6)指纹图像的特征提取
对步骤3.5)中的结果图像进行特征提取处理,包括指纹图像区域特征的提取、细节特征的提取和伪特征清理的过程,对于区域特征,采用Poincare Index算法提取指纹图像中的中心点和三角点特征;对于细节特征则根据Crossing Number理论对细化指纹图像中的所有像素点进行CN值计算,从而完成分叉点、端点的特征提取,最后根据经验函数进行伪特征的清理,至此完成多接口融合的指纹图像前处理方法的实现。
进一步的,在步骤4)中,进行输出结果的性能评价,具体步骤如下:
首先将待测指纹库中的图像分为两类:正样本指纹图像库和负样本指纹图像库,其中,正样本指纹图像库全部来自同一手指的指纹图像,而负样本指纹图像库来自不同手指的指纹图像,进一步地编写测试指纹识别率的Demo,并在其中引用步骤3)中的指纹图像前处理算法DLL库和一个开源的指纹识别函数,从而进行识别率输出结果的统计,完成性能评价。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明采用了多接口融合的开发思路,即所有实现算法对外提供了与MFC的界面接口、机器视觉库OpenCV的接口,实现函数间数据传递的Mat类接口,算法整体的封装接口和共享DLL库的接口。增加了使用和二次开发的便利性,提高了程序的可移植性。
2、本发明可集成至自动指纹识别系统中作为指纹图像前处理方法使用,调用简单且源码可进行追溯与修改,在一定程度上提高了指纹识别率,推广性高。
3、本发明在指纹图像前处理算法实现部分采用了四方向多邻域边缘检测算法、最大类间方差算法和纹线自适应Gabor滤波算法等,使得本方法在处理断裂和脱皮指纹图像时可以较好地消除粘连和连接断线,有效地避免了一些伪特征的引入,进而提高最终的识别率。
4、本发明中所有算法的实现均为自主编写,未使用任何第三方算法库,打破了商业化指纹图像前处理方法的封装性。
附图说明
图1为本发明方法的系统结构实现流程示意图。
图2为本发明中指纹图像前处理算法实现流程的示意图。
图3为本发明计算指纹图像两大基础场中使用的四方向多邻域边缘检测算子的示意图。
图4为本发明指纹图像前处理算法中两大基础场计算结果的示意图。
图5为本发明指纹图像前处理算法中指纹智能增强效果的示意图。
图6为本发明指纹图像前处理算法中指纹二值化效果的示意图。
图7为本发明指纹图像前处理算法中指纹骨架提取结果的示意图。
图8为本发明指纹图像前处理算法中指纹特征提取结果的示意图。
具体实施方式
下面结合附图和具体实施例对本发明的内容作进一步说明,但本发明的实际应用形式并不仅限于下述的实施例。
实施例1:
参见图1所示为实现上述目的,本实施例所提供的一种多接口融合的指纹图像前处理方法,包括以下步骤:
1)多接口融合开发环境的搭建;
2)以步骤1)中的开发环境为基础,进行指纹算法库框架的搭建;
3)以步骤2)为基础,对指纹图像前处理各步骤中实现算法的源代码进行编辑、Debug和优化;
4)利用步骤3)的结果,进一步地在测试Demo中实现本方法输出结果的性能评价。
实施例2:
本实施例与实施例1的区别在于:在步骤1)中,在Visual Studio2015软件分别完成MFC工程的新建和OpenCV2.4.13机器视觉库的配置,包括以下步骤:
1.1)MFC工程的新建
在WIN10–64位操作系统中,采用Visual Studio2015软件新建一个MFC应用程序的项目,并通过MessageBox输出自定义的字符串对其进行测试,项目运行后,弹出消息框,则项目新建成功。
1.2)OpenCV2.4.13机器视觉库的配置
采用CMake3.14.6跨平台安装(编译)工具对OpenCV2.4.13进行重新编译,使其生成静态Lib库,并将该库以属性表的方式配置到步骤1.1)的结果中,从而完成Release版本的配置。
实施例3:
本实施例与实施例1的区别在于:在步骤2)中,进行指纹图像前处理算法库框架的搭建,具体步骤如下:
2.1)在WIN10–64位操作系统中,采用Visual Studio2015中新建一个DLL工程,并使用与步骤1)中相同的方式配置OpenCV2.4.13,从而完成DLL工程开发环境的搭建。
完成上述步骤后,可以得到一个多接口融合指纹图像前处理方法的开发环境。
实施例4:
本实施例与实施例1的区别在于:如图2所示,在步骤3)中,利用步骤2)中开发环境完成指纹图像前处理方法中各阶段算法的实现,主要包括:两大基础场的计算、指纹图像的分割、指纹图像的智能增强、指纹图像的二值化、指纹图像的骨架提取、指纹图像的特征提取以及输出特征统计的过程。具体步骤描述如下:
3.1)指纹图像两大基础场的计算
3.1.1)梯度场
式中,(x,y)表示指纹图像中像素点的横纵坐标,Gx(x,y)为沿x轴方向的梯度,Gy(x,y)为沿y轴方向的梯度。采用下式获得总梯度场
|G(x,y)|=|Gx(x,y)|+|Gy(x,y)|
式中G(x,y)表示在指纹图像中像素点坐标(x,y)处的总梯度场。
3.1.2)方向场
定义一块尺寸大小为3×3的模板,并将该模板在指纹图像中进行逐像素点滑动,从而充分利用了每个像素点的邻域信息,则方向场可以表示为
式中θ(x,y)表示在指纹图像中像素点坐标(x,y)处方向场的大小,Ox(x,y)和Oy(x,y)分别为
式中Gx(x,y)和Gy(x,y)的计算采用一种四方向多邻域边缘检测算法来完成,其两大基础场中所使用的四方向多邻域边缘检测算子如图3所示,该算子的尺寸大小为5×5,方向为垂直、水平、45°和135°。
随机选取待测指纹图像库中的一副图像,分别采用上述算法获得梯度场和方向场,结果如图4所示。在梯度场中高亮部分表示了指纹纹线的存在区域梯度值较大,而非纹线部分梯度值较小。
3.2)指纹图像的分割
指纹图像的分割过程包括了指纹图像的前景与背景的分离和前景的清理。对于前者,采用最大类间方差法来实现。该方法首先对输入的指纹图像进行直方图的计算并归一化,接着设置分类阈值t=30,求解类间方差,具体表示为
g=ω0ω1(u0-u1)2
式中,g表示类间方差的大小,ω0为在指纹图像直方图中灰度级为0~30的像素与整幅图像的比值,ω1为在指纹图像直方图中灰度级为30~255的像素与整幅图像的比值,u0为前景像素的平均灰度,u1为背景像素的平均灰度。
进一步地,对于分离出的指纹图像利用步骤3.1)中获得的指纹图像梯度场进行清理,完成后即可成功得到指纹图像中的前景部分。
3.3)指纹图像的智能增强
对步骤3.2)中的结果图像进行智能增强,主要包括了:对比度均衡、高斯校正、二次滤波和智能收敛的过程。其中,在对比度均衡部分使用了直方图均衡算法,通过累积分布函数完成像素值均匀分布的映射。进一步地,使用二维高斯函数和模板大小为7×7的图像进行高斯校正,将所得到的结果图像作为二次滤波的输入,使用均值滤波算法完成增强。上述三步完成后,将结果图像作为智能收敛的输入,使用纹线自适应Gabor滤波算法来实现指纹图像的智能增强,其定义式表达如下
式中,x和y分别表示指纹图像的像素坐标,θ为指纹纹线的方向,xθ和yθ分别为经坐标轴旋转θ后的新坐标位置,τ为归一化后的曲率,f为指纹的频率,σ'x和σ'y分别为变换后的高斯空间常数。
进一步地,通过下式完成智能增强的过程
式中,H(i,j)表示智能增强后指纹图像的输出,w=5为滤波窗口尺寸,(u,v)为指纹图像中像素点坐标,(i,j)为滤波窗口尺寸中像素点坐标。
如图5所示,展示了指纹图像的智能增强的结果,从左至右依次为对比度均衡后的结果输出、高斯校正后的结果输出、二次滤波后的结果输出和智能收敛后的结果输出。
3.4)指纹图像的二值化
对步骤3.3)中的结果图像进行二值化处理,同时由于噪声的引入,需对二值化处理后的图像利用步骤3.1)中获得的指纹图像梯度场进行二次清理,结果如图6所示。
3.5)指纹图像的骨架提取
对步骤3.4)中的结果图像进行骨架提取处理,采用基于索引表的细化算法。该算法核心思想为遍历被二值化图像的边缘,根据边缘点的八连通域情况并结合经验索引表以确定该边缘点是否能够被删除,直至骨架化完成,结果如图7所示,其中右侧图像表示经骨架清理后的效果图,与左图相比排除了毛刺型和孤岛型骨架。
3.6)指纹图像的特征提取
对步骤3.5)中的结果图像进行特征提取处理,包括指纹图像区域特征的提取、细节特征的提取和伪特征清理的过程。对于区域特征,采用Poincare Index算法提取指纹图像中的中心点和三角点特征;对于细节特征则根据Crossing Number理论对细化指纹图像中的所有像素点进行CN值计算,从而完成分叉点、端点的特征提取。最后,根据一些经验函数进行伪特征的清理,至此完成多接口融合的指纹图像前处理方法的实现过程,结果如图8所示,从左至右依次为源指纹图像和特征提取后的指纹图像。其中,黑色圆圈标识的点极为区域特征点和细节特征点的位置。
实施例5:
本实施例与实施例1的区别在于:在步骤4)中,进行输出结果的性能评价,具体步骤如下:
首先将待测指纹库中的图像分为两类:正样本指纹图像库和负样本指纹图像库,进一步地编写测试指纹识别率的Demo,并其中引用本发明中指纹图像前处理算法DLL库和一个开源的指纹识别函数,从而进行识别率输出结果的统计,完成性能评价。
综上所述,通过采用以上方案,本发明为指纹图像处理提供了新的开发思路与高性能的算法。通过四方向多邻域边缘检测算法、最大类间方差算法和纹线自适应Gabor滤波算法等,能够有效且精确地获取待测指纹图像的特征值。此外,本发明中所有实现算法对外提供了与MFC的界面接口、机器视觉库OpenCV的接口,实现函数间数据传递的Mat类接口,算法整体的封装接口和共享DLL库的接口,增加了使用和二次开发的便利性,提高了程序的可移植性。该方法可集成至自动指纹识别系统中作为指纹图像前处理方法使用,不仅调用简单,而且源码可进行追溯与修改,还能对前处理结果进行评价,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之框架、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (5)
1.一种多接口融合的指纹图像前处理方法,其特征在于,包括以下步骤:
1)多接口融合开发环境的搭建;
2)以步骤1)中的开发环境为基础,进行指纹图像前处理算法库框架的搭建;
3)以步骤2)为基础,对指纹图像前处理各步骤中算法进行实现;
4)利用步骤3)的结果,进一步采用测试Demo对本方法的结果进行性能评价。
2.根据权利要求1所述的一种多接口融合的指纹图像前处理方法,其特征在于:在步骤1)中,利用Visual Studio软件分别完成MFC工程的新建和OpenCV机器视觉库的配置,包括以下步骤:
1.1)MFC工程的新建
在WIN10系统中,采用Visual Studio软件新建一个MFC应用程序的项目,并通过消息框输出自定义的字符串对其进行测试,项目运行后,弹出消息框,则项目新建成功;
1.2)OpenCV机器视觉库的配置
采用CMake跨平台安装(编译)工具对OpenCV进行重新编译,使其生成静态Lib库,并将该库以属性表的方式配置到步骤1.1)的结果中,从而完成Release版本的配置。
3.根据权利要求1所述的一种多接口融合的指纹图像前处理方法,其特征在于:在步骤2)中,进行指纹图像前处理算法库框架的搭建,具体步骤如下:
2.1)在WIN10系统中,采用Visual Studio软件新建一个DLL工程,并使用与步骤1)中相同的方式配置OpenCV,从而完成DLL工程开发环境的搭建,完成上述步骤后,得到一个多接口融合的指纹图像前处理方法的开发环境。
4.根据权利要求1所述的一种多接口融合的指纹图像前处理方法,其特征在于:在步骤3)中,利用步骤2)中开发环境完成指纹图像前处理方法中各阶段算法的实现,具体步骤如下:
3.1)指纹图像两大基础场的计算
3.1.1)梯度场
式中,(x,y)表示指纹图像中像素点的横纵坐标,Gx(x,y)为沿x轴方向的梯度,Gy(x,y)为沿y轴方向的梯度,采用下式获得总梯度场
|G(x,y)|=|Gx(x,y)|+|Gy(x,y)|
式中G(x,y)表示在指纹图像中像素点坐标(x,y)处的总梯度场;
3.1.2)方向场
定义一块尺寸大小为r×r的模板,并将该模板在指纹图像中进行逐像素点滑动,从而充分利用每个像素点的邻域信息,则方向场可以表示为
式中θ(x,y)表示在指纹图像中像素点坐标(x,y)处方向场的大小,Ox(x,y)和Oy(x,y)分别为
式中Gx(x,y)和Gy(x,y)的计算采用一种四方向多邻域边缘检测算法来完成;
3.2)指纹图像的分割
指纹图像的分割过程包括指纹图像的前景与背景的分离和前景的清理,对于前者,采用最大类间方差法来实现,该方法首先对输入的指纹图像进行直方图的计算并归一化,接着设置分类阈值t,求解类间方差,具体表示为
g=ω0ω1(u0-u1)2
式中,g表示类间方差的大小,ω0为在指纹图像直方图中灰度级为0~t的像素与整幅图像的比值,ω1为在指纹图像直方图中灰度级为t~255的像素与整幅图像的比值,u0为前景像素的平均灰度,u1为背景像素的平均灰度;
进一步地,对于分离出的指纹图像利用步骤3.1)中获得的指纹图像梯度场进行清理,完成后即可成功得到指纹图像中的前景部分;
3.3)指纹图像的智能增强
对步骤3.2)中的结果图像进行智能增强,主要包括:对比度均衡、高斯校正、二次滤波和智能收敛的过程,其中,在对比度均衡部分使用直方图均衡算法,通过累积分布函数完成像素值均匀分布的映射,进一步地,使用二维高斯函数和模板大小为T×T的图像进行高斯校正,将所得结果图像作为二次滤波的输入,使用均值滤波算法完成增强,上述三步完成后,将结果图像作为智能收敛的输入,使用纹线自适应Gabor滤波算法来实现指纹图像的智能增强,其定义式表达如下
式中,x和y分别表示指纹图像的像素坐标,θ为指纹纹线的方向,xθ和yθ分别为经坐标轴旋转θ后的新坐标位置,τ为归一化后的曲率,f为指纹的频率,σ'x和σ'y分别为变换后的高斯空间常数;
进一步地,通过下式完成智能增强的过程
式中,H(i,j)表示智能增强后指纹图像的输出,w为滤波窗口尺寸,(u,v)为指纹图像中像素点坐标,(i,j)为滤波窗口尺寸中像素点坐标;
3.4)指纹图像的二值化
对步骤3.3)中的结果图像进行二值化处理,同时由于噪声的引入,需对二值化处理后的图像利用步骤3.1)中获得的指纹图像梯度场进行二次清理;
3.5)指纹图像的骨架提取
对步骤3.4)中的结果图像进行骨架提取处理,采用基于索引表的细化算法,该算法核心思想为遍历二值化图像的边缘,根据边缘点的八连通域情况并结合经验索引表以确定该边缘点是否能够被删除,直至骨架化完成;
3.6)指纹图像的特征提取
对步骤3.5)中的结果图像进行特征提取处理,包括指纹图像区域特征的提取、细节特征的提取和伪特征清理的过程,对于区域特征,采用Poincare Index算法提取指纹图像中的中心点和三角点特征;对于细节特征则根据Crossing Number理论对细化指纹图像中的所有像素点进行CN值计算,从而完成分叉点、端点的特征提取,最后根据经验函数进行伪特征的清理,至此完成多接口融合的指纹图像前处理方法的实现。
5.根据权利要求1所述的一种多接口融合的指纹图像前处理方法,其特征在于:在步骤4)中,进行输出结果的性能评价,具体步骤如下:
首先将待测指纹库中的图像分为两类:正样本指纹图像库和负样本指纹图像库,其中,正样本指纹图像库全部来自同一手指的指纹图像,而负样本指纹图像库来自不同手指的指纹图像,进一步地编写测试指纹识别率的Demo,并在其中引用步骤3)中的指纹图像前处理算法DLL库和一个开源的指纹识别函数,从而进行识别率输出结果的统计,完成性能评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492714.9A CN113516035A (zh) | 2021-05-06 | 2021-05-06 | 一种多接口融合的指纹图像前处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492714.9A CN113516035A (zh) | 2021-05-06 | 2021-05-06 | 一种多接口融合的指纹图像前处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516035A true CN113516035A (zh) | 2021-10-19 |
Family
ID=78064179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110492714.9A Pending CN113516035A (zh) | 2021-05-06 | 2021-05-06 | 一种多接口融合的指纹图像前处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516035A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996321A (zh) * | 2009-08-24 | 2011-03-30 | 北京易创科技有限公司 | 一种指纹识别预处理的方法及装置 |
JP2014160516A (ja) * | 2014-06-09 | 2014-09-04 | Univ Of Tokyo | 画像処理装置及び画像処理方法 |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN106569831A (zh) * | 2016-11-10 | 2017-04-19 | 上海电机学院 | 一种单界面实现多种光流算法的方法 |
CN107977607A (zh) * | 2017-11-20 | 2018-05-01 | 安徽大学 | 一种基于机器视觉的疲劳驾驶监测方法 |
CN108089544A (zh) * | 2017-12-25 | 2018-05-29 | 厦门大学嘉庚学院 | 一种鞋底喷胶机械人的轨迹生成方法及控制系统 |
CN111428701A (zh) * | 2020-06-10 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像特征提取方法、系统、终端及存储介质 |
AU2020104021A4 (en) * | 2020-12-11 | 2021-02-18 | Sichuan University of Science and Engineering | Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation |
-
2021
- 2021-05-06 CN CN202110492714.9A patent/CN113516035A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996321A (zh) * | 2009-08-24 | 2011-03-30 | 北京易创科技有限公司 | 一种指纹识别预处理的方法及装置 |
JP2014160516A (ja) * | 2014-06-09 | 2014-09-04 | Univ Of Tokyo | 画像処理装置及び画像処理方法 |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN106569831A (zh) * | 2016-11-10 | 2017-04-19 | 上海电机学院 | 一种单界面实现多种光流算法的方法 |
CN107977607A (zh) * | 2017-11-20 | 2018-05-01 | 安徽大学 | 一种基于机器视觉的疲劳驾驶监测方法 |
CN108089544A (zh) * | 2017-12-25 | 2018-05-29 | 厦门大学嘉庚学院 | 一种鞋底喷胶机械人的轨迹生成方法及控制系统 |
CN111428701A (zh) * | 2020-06-10 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像特征提取方法、系统、终端及存储介质 |
AU2020104021A4 (en) * | 2020-12-11 | 2021-02-18 | Sichuan University of Science and Engineering | Improved Retinex Image Enhancement Algorithm for Explicit Expression of Multi-scale and Histogram Truncation |
Non-Patent Citations (4)
Title |
---|
PRASAD, PS等: "Image Enhancement for Fingerprint Recognition Using Otsu\'s Method", 《 ICCCE 2018》, no. 500, 31 December 2019 (2019-12-31), pages 269 - 277 * |
林达: "自动指纹识别系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 05, 15 May 2008 (2008-05-15), pages 1 - 2 * |
罗元康: "基于图像处理的空中目标识别关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 03, 15 March 2019 (2019-03-15), pages 1 - 6 * |
陈斯宇: "指纹识别图像预处理系统的设计和实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 08, 15 August 2015 (2015-08-15), pages 138 - 1412 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI687832B (zh) | 生物識別系統及用於生物識別之電腦實施方法 | |
CN103902977B (zh) | 基于Gabor二值模式的人脸识别方法及装置 | |
Dagnes et al. | Occlusion detection and restoration techniques for 3D face recognition: a literature review | |
Yu et al. | Vision-based hand gesture recognition using combinational features | |
Thalji et al. | Iris Recognition using robust algorithm for eyelid, eyelash and shadow avoiding | |
CN104951940A (zh) | 一种基于掌纹识别的移动支付验证方法 | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
KR20090093223A (ko) | 얼굴 인식 시스템의 성능 향상을 위한 동적 마스크와 인페인팅을 이용한 안경제거 | |
CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
CN108121946B (zh) | 一种指纹图像预处理方法及装置 | |
CN113614731A (zh) | 使用软生物特征的认证验证 | |
Kalaiselvi et al. | Face recognition system under varying lighting conditions | |
Zhao et al. | Fingerprint pre-processing and feature engineering to enhance agricultural products categorization | |
Rajan et al. | A novel finger vein feature extraction technique for authentication | |
Chowdhury et al. | Fuzzy rule based approach for face and facial feature extraction in biometric authentication | |
CN110633666A (zh) | 一种基于手指颜色贴片的手势轨迹识别方法 | |
CN113516035A (zh) | 一种多接口融合的指纹图像前处理方法 | |
Sisodia et al. | A conglomerate technique for finger print recognition using phone camera captured images | |
Avey et al. | An FPGA-based hardware accelerator for iris segmentation | |
CN112348112A (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
CN112801034A (zh) | 一种指静脉识别装置 | |
Paul et al. | Automatic adaptive facial feature extraction using CDF analysis | |
Rossant et al. | A robust iris identification system based on wavelet packet decomposition and local comparisons of the extracted signatures | |
Kyaw et al. | Performance analysis of features extraction on iris recognition system | |
Memane et al. | Red algorithm based iris recognition |
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 |