CN114898412A - 一种针对低质量指纹、残缺指纹的识别方法 - Google Patents
一种针对低质量指纹、残缺指纹的识别方法 Download PDFInfo
- Publication number
- CN114898412A CN114898412A CN202210504420.8A CN202210504420A CN114898412A CN 114898412 A CN114898412 A CN 114898412A CN 202210504420 A CN202210504420 A CN 202210504420A CN 114898412 A CN114898412 A CN 114898412A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- fingerprint image
- phase correlation
- incomplete
- quality
- 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 32
- 238000005314 correlation function Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 230000009194 climbing Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
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
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开一种针对低质量、残缺指纹的识别方法，属于图像处理技术领域。首先对获取的低质量、残缺指纹进行预处理，接着利用二维傅里叶变换及Hough变换对指纹图像进行校正，将校正的低质量、残缺指纹与数据库中的指纹进行相位相关性计算，设定阈值，当相位相关系数高于阈值时，将数据库中的该指纹图像保存在临时数据库中，用区域匹配的方法找到小面积模板在临时数据库中的大致位置并向四周扩展T像素，将扩展后的指纹图像保存在临时数据库1中；最后用爬山搜索的方法计算小面积模板与临时数据库1中每张待匹配指纹的相位相关性，找到最优解，以此判断出低质量、残缺指纹的来源。本发明能有效地提高低质量，残缺指纹的相位相关函数峰值及识别率，从而降低误识风险。
Description
技术领域
本发明涉及一种图像处理技术领域方法，具体是一种针对低质量、残缺指纹的识别方法。
背景技术
指纹是目前应用最广泛的生物识别技术之一，随着信息技术的飞速发展，指纹的应用场景也越来越广泛，例如，指纹在刑事侦察方面得到广泛应用，这一应用也加快了破案的进度。
针对低质量、残缺指纹而言：使用传统的特征点匹配过程中，无法找到足够多的特征点对使之匹配成功；使用小面积模板匹配过程中，匹配效果往往达不到预期的效果，甚至会出现误匹配的现象；使用纯相位相关匹配过程中，虽然能达到匹配成功的效果，但相位相关峰值仍不够理想。
发明内容
本发明的目的在于提供一种针对低质量、残缺指纹的识别方法，具体包括以下步骤：
(1)对获取的低质量、残缺指纹进行图像分割、增强处理：分别计算获取的指纹图像信息的强度场、梯度场、方向场、频率场，根据计算的强度场和梯度场确定指纹图像，将确定的指纹图像从背景中分割出来，对指纹图像进行均衡化处理；根据局部纹线方向和纹线频率构造相应的Gabor滤波器，并对局部指纹图像进行滤波，则滤波器的通带正好与局部纹线方向和频率分布重合，可以在增强局部纹线方向和频率信息的同时滤掉其他噪声信号，从而实现指纹图像增强。
(2)利用二维傅里叶变换及Hough变换对步骤(1)所得指纹图像进行校正。
(3)将步骤(2)中校正的低质量、残缺指纹与数据库中的指纹图像进行相位的相关性计算。
(4)初筛：在步骤(3)的计算过程中，设定阈值为t，即最小相位相关系数为t，当相位相关系数大于t时，自动将此指纹图像存入临时数据库中，直至遍历完数据库。
(5)根据低质量、残缺指纹的具体情况，对校正后的低质量、残缺指纹进行小面积模板的选取。
(6)用区域匹配的方法找到小面积模板在临时数据库中的大致位置，以该位置为中心，向四周扩展T像素，扩展后的指纹即为待匹配的指纹，将待匹配的指纹图像保存在临时数据库1中。
(7)用改进的爬山搜索法计算小面积模板与临时数据库1中每张待匹配指纹图像的最大相位相关系数，找到最优解，以此判断出低质量、残缺指纹的来源。
优选的，本发明所述步骤(2)中对步骤(1)所得指纹图像进行校正，具体包括以下步骤：
假设原指纹图像为f(x,y)，大小M×N，坐标范围为：x＝0,1,2…M-1，y＝0,1,2…N-1。则原指纹图像的傅里叶变换图为：
其中，M、N分别为原指纹图像的宽与高，u、v分别为与x、y所对应的频率变量。
然后对(1)进行Hough变换，Hough变换如下：
在直角坐标系O-xy中，假设有一条这样的直线，它与原点O的距离为l，方向角为θ，现设A点坐标为(x,y)，过A点作垂直于x轴且与x轴交于B点的直线，过B点作垂直于OA且与OA相交于C点的直线，于是有：
OC＝x cosθ,CA＝y sinθ (2)
则：
l＝OC+CA＝x cosθ+y sinθ (3)
设D(x1,y1)为直线上的另一坐标点，过D点作垂直于AB的直线且与AB相交于E点，过E点作垂直于AD的直线且与AD交于F点，则有：
EF＝(y-y1)sinθ＝(x1-x)cosθ (4)
即：
l＝x cosθ+y sinθ＝x1 cosθ+y1 sinθ (5)
也就是说直线上的每一点都满足方程(5)，由(4)可知：
所以原指纹图像的倾斜角度为：
之后根据计算出的倾斜角度θ对原指纹图像进行旋转校正即可得到矫正后的指纹图像。
优选的，本发明所述计算(2)与数据库中存储的指纹图像的相位相关系数，具体包括以下步骤：
设指纹图像f(x,y)与g(x,y)的大小为M×N，坐标范围为:x＝0,1,2,Λ,M-1，y＝0,1,2,Λ,N-1。
若F(u,v)与G(u,v)分别为f(x,y)与g(x,y)的二维傅里叶变换，则有：
其中：M、N分别为原指纹图像的宽与高，u、v分别为与x、y对应的频率变量，θG、θF为相位角，AF(u,v)，AG(u,v)为幅值，j为虚数。
则f(x,y)与g(x,y)在空域的相位相关频谱为：
θ(u,v)＝θF(u,v)-θG(u,v) (11)
其中，G(u,v)*为G(u,v)的复共轭，θ(u,v)为相位差。
若f(x,y)与g(x,y)来源于同一幅指纹图像，则(10)式表示两幅指纹图像f(x,y)和g(x,y)的相位差与互功率谱的相位相等。
对式(10)进行傅里叶反变换，则有相位相关函数为：
即：
rfg(x,y)＝δ(x-x0，y-y0) (13)
而
式(13)中rfg(x,y)是位于(x0,y0)的冲击函数，若两幅指纹图像相似时，则他们的相位相关函数就会出现明显的尖峰系数，将尖峰系数称为最大相位相关系数，若两幅图像不相似时，相位相关系数就很不明显，判断指纹图像是否匹配的标准是判断相位相关系数的高度；通过相位相关系数的位置还可以找到(x0,y0)的位置，进一步增加或缩减位移量，以减小由于峰值带来的轻微误差。
优选的，本发明所述用改进的爬山搜索法计算小面积模板与临时数据库1中每张待匹配指纹图像的最大相位相关系数，找到最优解，以此判断出低质量、残缺指纹的来源，下面以临时数据库1中的任一张指纹图像为例，具体步骤如下：
①以待匹配指纹图像中心点为起始点，以小面积模板的半宽与半高分别为横向与纵向提取小面积模板。
②以待匹配指纹图像中心点所在的模板为起始模板。
③计算小面积模板与起始模板相位相关系数，并假设此时起始模板相位相关系数为最大值，即Cmax。
④以起始模板为中心，以步长为T1(T1≤T)像素向四周作与起始模板相邻的8个相同大小的模板，记为li(x,y)，且i＝1,…,8，计算小面积模板与li(x,y)的相位相关峰值，记为Ci，比较Ci的大小并找出较优解，记为ri，若ri<Cmax，步长依次减1像素，向起始模板方向作与起始模板相同大小的8个相邻子区域模板，记为lj(x,y)，j＝1,…,8，计算小面积模板与lj(x,y)的相位相关峰值，记为Cj，同理找到Cj的较优解，记为rj，若rj<Cmax，同上步骤，直至找到最优解为止；若rj>Cmax，又以rj所对应的模板为起始模板，计算小面积模板与rj所对应的模板周围的8个相邻子区域模板的相位相关峰值，记为Ck，同理找到Ck的较优解，记为rk，若rk>rj，同上述步骤，直至找到最优解为止。
本发明的有益效果：
本发明提供了一种专门针对低质量、残缺指纹的小面积相位相关匹配方法，该匹配方法能有效地解决由于特征点、小面积模板、纯相位相关匹配所带来的缺陷，从而使得匹配率得以提升。基于以上理论，为了测试本发明的可行性，本发明测试了100对指纹图像，检测准确。
附图说明
图1本发明基于低质量、残缺指纹的识别原理图；
图2本发明校正原理图；
图3本发明针对低质量、残缺指纹提取小面积模板流程图；
图4本发明实验测试统计图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
实施例1
一种针对低质量、残缺指纹的识别方法，具体包括以下几个步骤：
(1)对获取的低质量、残缺指纹进行图像分割、增强处理：分别计算获取的指纹图像信息的强度场、梯度场、方向场、频率场，根据计算的强度场和梯度场确定指纹图像，将确定的指纹图像从背景中分割出来，对指纹图像进行均衡化处理；根据局部纹线方向和纹线频率构造相应的Gabor滤波器，并对局部指纹图像进行滤波，则滤波器的通带正好与局部纹线方向和频率分布重合，可以在增强局部纹线方向和频率信息的同时滤掉其他噪声信号，从而实现指纹图像增强。
(2)利用二维傅里叶变换及Hough变换对步骤(1)所得指纹图像进行校正：假设原指纹图像为f(x,y)，大小360×400像素，坐标范围为：x＝0,1,2…359，y＝0,1,2…399；则原指纹图像的傅里叶变换图为：
然后对(1)进行Hough变换，Hough变换如下：
在直角坐标系O-xy中，假设有一条这样的直线，它与原点O的距离为l，方向角为θ，现设A点坐标为(x,y)，过A点作垂直于x轴且与x轴交于B点的直线，过B点作垂直于OA且与OA相交于C点的直线，于是有：
OC＝x cosθ,CA＝y sinθ (2)
则：
l＝OC+CA＝x cosθ+y sinθ (3)
设D(x1,y1)为直线上的另一坐标点，过D点作垂直于AB的直线且与AB相交于E点，过E点作垂直于AD的直线且与AD交于F点，则有：
EF＝(y-y1)sinθ＝(x1-x)cosθ (4)
即：
l＝x cosθ+y sinθ＝x1 cosθ+y1 sinθ (5)
也就是说直线上的每一点都满足方程(5)，由(4)可知：
所以原指纹图像的倾斜角度为：
之后根据计算出的倾斜角度θ对原指纹图像进行旋转校正即可得到矫正后的指纹图像。
(3)将步骤(2)中校正的低质量、残缺指纹与数据库中的指纹图像进行相位相关性计算：
设指纹图像f(x,y)与g(x,y)的大小为360×400，坐标范围为:x＝0,1,2…359，y＝0,1,2…399；
若F(u,v)与G(u,v)分别为f(x,y)与g(x,y)的二维傅里叶变换，则有：
其中，AF(u,v)，AG(u,v)为幅值，
为相位
则f(x,y)与g(x,y)在空域的相位相关频谱为：
θ(u,v)＝θF(u,v)-θG(u,v) (11)
其中，G(u,v)*为G(u,v)的复共轭，θ(u,v)为相位差。
若f(x,y)与g(x,y)来源于同一幅指纹图像，则(10)式表示两幅指纹图像f(x,y)和g(x,y)的相位差与互功率谱的相位相等。
对式(10)进行傅里叶反变换，则有相位相关函数为：
即：
rfg(x,y)＝δ(x-x0，y-y0) (13)
而
式(13)中rfg(x,y)是位于(x0,y0)的冲击函数，若两幅指纹图像相似时，则他们的相位相关函数就会出现明显的尖峰系数，将尖峰系数称为最大相位相关系数，若两幅图像不相似时，相位相关系数就很不明显，判断指纹图像是否匹配的标准是判断相位相关系数的高度；通过相位相关系数的位置还可以找到(x0,y0)的位置，进一步增加或缩减位移量，以减小由于峰值带来的轻微误差。
(4)初筛：在步骤(3)的计算过程中，设定阈值为t＝0.1，即最小相位相关系数为0.1，当相位相关系数大于0.1时，自动将此指纹图像存入临时数据库中，直至遍历完数据库。
(5)根据低质量、残缺指纹的具体情况，对校正后的低质量、残缺指纹进行小面积模板的选取，在小面积模板的选取过程中，找指纹纹理相对较好的区域作为小面积模板，小面积模板的尺寸为30×30像素。在本实施例中低质量、残缺指纹的小面积模板选取如图3所示。
(6)用区域匹配的方法找到小面积模板在临时数据库中的大致位置，以该位置为中心，向四周扩展20个像素，扩展后的指纹即为待匹配的指纹，此时，待匹配指纹图像尺寸为70×70像素，将待匹配的指纹图像保存在临时数据库1中。
(7)用改进的爬山搜索法计算小面积模板与临时数据库1中每张待匹配指纹图像的最大相位相关系数，找到最优解，以此判断出低质量、残缺指纹的来源。在本实施例中，为了验证所提方案的可行性，测试了100对指纹图像，测试统计结果如图4所示。
按步骤(3)所述的推导过程计算小面积的相位相关系数，以临时数据库1中的任一张指纹图像为例，具体步骤如下：
①以待匹配指纹图像中心点为起始点，以步骤(5)所述的小面积模板的半宽与半高分别为横向与纵向提取小面积模板。
②以待匹配指纹图像中心点所在的模板为起始模板。
③计算步骤(5)所述的小面积模板与②的起始模板相位相关系数，并假设此时起始模板相位相关系数为最大值，即Cmax。
④以起始模板为中心，以步长为5像素向四周作与起始模板相邻的8个相同大小的模板，记为li(x,y)，且i＝1,…,8，计算小面积模板与li(x,y)的相位相关峰值，记为Ci，比较Ci的大小并找出较优解，记为ri，若ri<Cmax，步长依次减1像素，向起始模板方向作与起始模板相同大小的8个相邻子区域模板，记为lj(x,y)，j＝1,…,8，计算小面积模板与lj(x,y)的相位相关峰值，记为Cj，同理找到Cj的较优解，记为rj，若rj<Cmax，同上步骤，直至找到最优解为止；若rj>Cmax，又以rj所对应的模板为起始模板，计算小面积模板与rj所对应的模板周围的8个相邻子区域模板的相位相关峰值，记为Ck，同理找到Ck的较优解，记为rk，若rk>rj，同上述步骤，直至找到最优解为止。
为了测试本发明的可行性，本发明测试了100对指纹图像，在测试过程中，本发明对相位相关函数的峰值进行了统计，其统计结果如图4所示。
在实验中，判断指纹是否匹配成功的关键在于相位的相关系数，本发明以t＝0.1为阈值来判断两个指纹是否为相同指纹。如果相位的相关系数高于设定的阈值0.1，则说明两幅指纹图像来自同一手指，否则匹配失败。从图4可以看出，与纯相位相关匹配算法相比，本发明所提算法的峰值有了很大程度的变化，匹配率也得到显著提升。
Claims (4)
1.一种针对低质量、残缺指纹的识别方法，其特征在于，具体包括以下几个步骤：
(1)对获取的低质量、残缺指纹进行图像分割、增强处理：分别计算获取的指纹图像信息的强度场、梯度场、方向场、频率场，根据计算的强度场和梯度场确定指纹图像，将确定的指纹图像从背景中分割出来，对指纹图像进行均衡化处理；根据局部纹线方向和纹线频率构造相应的Gabor滤波器，并对局部指纹图像进行滤波，则滤波器的通带正好与局部纹线方向和频率分布重合，可以在增强局部纹线方向和频率信息的同时滤掉其他噪声信号，从而实现指纹图像增强；
(2)利用二维傅里叶变换及Hough变换对步骤(1)所得指纹图像进行校正；
(3)将步骤(2)中校正的低质量、残缺指纹与数据库中的指纹图像进行相位相关性计算；
(4)初筛：在步骤(3)的计算过程中，设定阈值为t，即最小相位相关系数为t，当相位相关系数大于t时，自动将此指纹图像存入临时数据库中，直至遍历完数据库；
(5)根据低质量、残缺指纹的具体情况，对校正后的低质量、残缺指纹进行小面积模板的选取；
(6)用区域匹配的方法找到小面积模板在临时数据库中的大致位置，以该位置为中心，向四周扩展T像素，扩展后的指纹即为待匹配的指纹，将待匹配的指纹图像保存在临时数据库1中；
(7)用改进的爬山搜索法计算小面积模板与临时数据库1中每张待匹配指纹图像的最大相位相关系数，找到最优解，以此判断出低质量、残缺指纹的来源。
2.根据权利要求1针对低质量、残缺指纹的识别方法，其特征在于：步骤(2)中对步骤(1)所得指纹图像进行校正，具体包括以下步骤：
假设原指纹图像为f(x,y)，尺寸为M×N，坐标范围为：x＝0,1,2…M-1，y＝0,1,2…N-1；则原指纹图像的傅里叶变换图为：
其中，M、N分别为原指纹图像的宽与高，u、v分别为与x、y所对应的频率变量。
然后对式(1)进行Hough变换，具体步骤如下：
在直角坐标系O-xy中，假设有一条这样的直线，它与原点O的距离为l，方向角为θ，现设A点坐标为(x,y)，过A点作垂直于x轴且与x轴交于B点的直线，过B点作垂直于OA且与OA相交于C点的直线，于是有：
OC＝xcosθ,CA＝ysinθ (2)
则：
l＝OC+CA＝xcosθ+ysinθ (3)
设D(x1,y1)为直线上的另一坐标点，过D点作垂直于AB的直线且与AB相交于E点，过E点作垂直于AD的直线且与AD交于F点，则有：
EF＝(y-y1)sinθ＝(x1-x)cosθ (4)
即：
l＝xcosθ+ysinθ＝x1cosθ+y1sinθ (5)
也就是说直线上的每一点都满足方程(5)，由(4)可知：
所以原指纹图像的倾斜角度为：
之后根据计算出的倾斜角度θ对原指纹图像进行旋转校正即可得到矫正后的指纹图像。
3.根据权利要求1针对低质量、残缺指纹的识别方法，其特征在于：将步骤(2)中校正的低质量、残缺指纹与数据库中的指纹图像进行相位相关性计算，具体步骤如下：
设指纹图像f(x,y)与g(x,y)的大小为M×N，坐标范围为:x＝0,1,2,Λ,M-1，y＝0,1,2,Λ,N-1；
若F(u,v)与G(u,v)分别为f(x,y)与g(x,y)的二维傅里叶变换，则有：
其中，M、N分别为原指纹图像的宽与高，u、v分别为与x、y对应的频率变量，θG、θF为相位角，AF(u,v)，AG(u,v)为幅值；j为为虚数；
则f(x,y)与g(x,y)在空域的相位相关频谱为：
θ(u,v)＝θF(u,v)-θG(u,v) (11)
其中，G(u,v)*为G(u,v)的复共轭，θ(u,v)为相位差；
若f(x,y)与g(x,y)来源于同一幅指纹图像，则(10)式表示两幅指纹图像f(x,y)和g(x,y)的相位差与互功率谱的相位相等；
对式(10)进行傅里叶反变换，则有相位相关函数为：
即：
rfg(x,y)＝δ(x-x0，y-y0) (13)
而
式(13)中rfg(x,y)是位于(x0,y0)的冲击函数，若两幅指纹图像相似时，则他们的相位相关函数就会出现明显的尖峰系数，将尖峰系数称为最大相位相关系数，若两幅图像不相似时，相位相关系数就很不明显，判断指纹图像是否匹配的标准是判断相位相关系数的高度；通过相位相关系数的位置还可以找到(x0,y0)的位置，进一步增加或缩减位移量，以减小由于峰值带来的轻微误差。
4.根据权利要求1针对低质量、残缺指纹的识别方法，其特征在于：爬山搜索法的具体步骤为：
①以待匹配指纹图像中心点为起始点，以小面积模板的半宽与半高分别为横向与纵向提取小面积模板；
②以待匹配指纹图像中心点所在的模板为起始模板；
③计算小面积模板与起始模板相位相关系数，并假设此时起始模板相位相关系数为最大值，即Cmax；
④以起始模板为中心，以步长为T1(T1≤T)像素向四周作与起始模板相邻的8个相同大小的模板，记为li(x,y)，且i＝1,…,8，计算小面积模板与li(x,y)的相位相关峰值，记为Ci，比较Ci的大小并找出较优解，记为ri，若ri<Cmax，步长依次减1像素，向起始模板方向作与起始模板相同大小的8个相邻子区域模板，记为lj(x,y)，j＝1,…,8，计算小面积模板与lj(x,y)的相位相关峰值，记为Cj，同理找到Cj的较优解，记为rj，若rj<Cmax，同上步骤，直至找到最优解为止；若rj>Cmax，又以rj所对应的模板为起始模板，以T1为步长计算小面积模板与rj所对应的模板周围的8个相邻子区域模板的相位相关峰值，记为Ck，同理找到Ck的较优解，记为rk，若rk>rj，同上述步骤，直至找到最优解为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210504420.8A CN114898412A (zh) | 2022-05-10 | 2022-05-10 | 一种针对低质量指纹、残缺指纹的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210504420.8A CN114898412A (zh) | 2022-05-10 | 2022-05-10 | 一种针对低质量指纹、残缺指纹的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114898412A true CN114898412A (zh) | 2022-08-12 |
Family
ID=82722520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210504420.8A Pending CN114898412A (zh) | 2022-05-10 | 2022-05-10 | 一种针对低质量指纹、残缺指纹的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114898412A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311263A (zh) * | 2022-10-09 | 2022-11-08 | 南通市通州区顺行纺织有限公司 | 一种纺织印花缺陷的检测方法及系统 |
| CN116229525A (zh) * | 2023-03-31 | 2023-06-06 | 深圳市皇家金盾智能科技有限公司 | 针对破损指纹的指纹门锁解锁方法，装置，介质及指纹门锁 |
-
2022
- 2022-05-10 CN CN202210504420.8A patent/CN114898412A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311263A (zh) * | 2022-10-09 | 2022-11-08 | 南通市通州区顺行纺织有限公司 | 一种纺织印花缺陷的检测方法及系统 |
| CN115311263B (zh) * | 2022-10-09 | 2022-12-20 | 南通市通州区顺行纺织有限公司 | 一种纺织印花缺陷的检测方法及系统 |
| CN116229525A (zh) * | 2023-03-31 | 2023-06-06 | 深圳市皇家金盾智能科技有限公司 | 针对破损指纹的指纹门锁解锁方法，装置，介质及指纹门锁 |
| CN116229525B (zh) * | 2023-03-31 | 2023-08-01 | 深圳市皇家金盾智能科技有限公司 | 针对破损指纹的指纹门锁解锁方法，装置，介质及指纹门锁 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145915B (zh) | 一种复杂场景下车牌快速畸变矫正方法 | |
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| CN114898412A (zh) | 一种针对低质量指纹、残缺指纹的识别方法 | |
| CN105740753A (zh) | 指纹识别方法及指纹识别系统 | |
| CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| Shahroudnejad et al. | Copy-move forgery detection in digital images using affine-SIFT | |
| CN109559273B (zh) | 一种面向车底图像的快速拼接方法 | |
| CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
| CN107862708A (zh) | 一种sar与可见光图像配准方法 | |
| CN110147800A (zh) | 基于sift的图像复制粘贴篡改盲检方法 | |
| CN107945120B (zh) | 基于样本块的旋转及缩放图像修复方法 | |
| Shen et al. | CNN-based high-resolution fingerprint image enhancement for pore detection and matching | |
| CN109711420B (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 | |
| KR20210082624A (ko) | 지문 향상 방법 | |
| CN112102209B (zh) | 一种异常静脉图像的修复方法及装置 | |
| Panzade et al. | Copy-move forgery detection by using HSV preprocessing and keypoint extraction | |
| Deb et al. | Projection and least square fitting with perpendicular offsets based vehicle license plate tilt correction | |
| CN110956200A (zh) | 一种轮胎花纹相似度检测方法 | |
| Ustubioglu et al. | A novel keypoint based forgery detection method based on local phase quantization and SIFT | |
| Alasadi et al. | Fingerprint verification system based on active forgery techniques | |
| CN115797773A (zh) | 一种基于边缘检测和区域分割的超宽带雷达目标识别方法 | |
| CN115619637A (zh) | 一种可移植到arm端的全景图像自动拼接融合方法 | |
| CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 | |
| CN111709434A (zh) | 一种鲁棒的基于最近邻特征点匹配的多尺度模板匹配方法 | |
| Fahmy et al. | A novel scheme for fingerprint enhancement |
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 |