CN116665256A - 一种基于指纹图像局部区域质量的指纹匹配方法 - Google Patents
一种基于指纹图像局部区域质量的指纹匹配方法 Download PDFInfo
- Publication number
- CN116665256A CN116665256A CN202310658786.5A CN202310658786A CN116665256A CN 116665256 A CN116665256 A CN 116665256A CN 202310658786 A CN202310658786 A CN 202310658786A CN 116665256 A CN116665256 A CN 116665256A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- quality
- image
- sub
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013441 quality evaluation Methods 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000001303 quality assessment method Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
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
- 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
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于指纹识别技术领域，尤其为一种基于指纹图像局部区域质量的指纹匹配方法，该方法具体包括如下步骤，步骤1，指纹图像特征提取：读取指纹图像，并采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子；步骤2，指纹局部区域质量评估：首先，将指纹图像划分为互不重叠的子图像块；然后，分别计算每个子图像块的质量评估分数；最后，将计算得到的子图像块的质量评估分数与设定的阈值相比较，得到最终指纹图像局部区域的质量评估结果。本发明使用了FAST特征点检测算法来加速特征点的提取，并对提取的指纹特征进行质量评估，关注重要的高质量特征，去除了虚假特征，大大降低了数据计算量，提高了指纹匹配速度。
Description
技术领域
本发明涉及指纹识别技术领域，具体为一种基于指纹图像局部区域质量的指纹匹配方法。
背景技术
指纹识别已广泛应用于身份识别、移动支付和法医鉴定等领域，指纹识别通过计算指纹图像特征点的相对距离来判断指纹图像的相似程度，在实际指纹采集过程中，采集设备的内部噪声、手指的按压力度、人为破坏等都会影响指纹图像的局部质量，指纹图像局部的质量直接影响该区域特征点提取的可信度，从而影响指纹识别的准确率，然而，现有的指纹识别方法大多是评估整幅指纹图像的质量，无法精确评估图像中局部指纹的质量。
中国专利公开号为“CN106326882A”，名称为“一种基于图像质量评估技术的指纹识别系统及方法”，该系统包括：指纹采集装置，质量评估系统，图像处理系统同，检索匹配系统，和数据库，该方法首先采用指纹采集装置获取原始指纹图像信息；然后将采集到的指纹图像传输到质量评估系统进行指纹质量评估，若质量评估不通过，则发送控制命令到指纹采集装置提醒使用者需要重新采集指纹，若质量评估通过，则将原始图像数据信息发送至图像处理系统；接着图像处理系统对原始指纹图像进行滤波和二值化，并将处理好的指纹图像发送到检索匹配系统；最后，检索匹配系统提取指纹的特征信息并进行检索，得出匹配结果，通过该方法评估的指纹图像仅能得到整幅图像的质量值，无法评估指纹图像的局部区域质量，也无法计算所提取特征的质量；同时该方法适用于线上实时的指纹识别，不能提高线下指纹识别的准确率。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于指纹图像局部区域质量的指纹匹配方法，解决了现有指纹的识别准确率和速度低下的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案：一种基于指纹图像局部区域质量的指纹匹配方法，该方法具体包括如下步骤，
步骤1，指纹图像特征提取：读取指纹图像，并采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子；
步骤2，指纹局部区域质量评估：首先，将指纹图像划分为互不重叠的子图像块；然后，分别计算每个子图像块的质量评估分数；最后，将计算得到的子图像块的质量评估分数与设定的阈值相比较，得到最终指纹图像局部区域的质量评估结果；
步骤3，指纹特征质量评估：确定步骤1提取的指纹图像特征所在区域，根据步骤2得到的指纹图像局部区域的质量评估结果，判断指纹特征的质量，将质量高的指纹特征传输到指纹特征匹配单元，舍弃质量低的指纹特征；
步骤4，指纹特征匹配：使用ORB特征点匹配算法将步骤3中发送过来的指纹特征与数据库中的指纹特征匹配，得出匹配结果。
进一步地，所述步骤1中FAST特征点检测算法的具体步骤为:
(a)创建特征点筛选模板：以半径为3像素、外围16像素的圆的作为模板筛选特征点，其中p是中心像素点，外围的16个像素点分别记为P1，P2，...，P16；
(b)判断特征点位置：定义一个阈值，计算P1、P5、P9、P13与中心P的像素差，若它们的绝对值有至少3个超过阈值，则当作候选特征点，再进行下一步考察；否则，不是特征点；若P是候选点，则计算P1到P16这16个点与中心P的像素差，若它们有至少连续9个超过阈值，则是特征点；否则，不是特征点；
(c)特征点非极大值抑制：计算特征点处的FAST得分值，即16个点与中心差值的绝对值总和，若以特征点P为中心的一个5×5邻域内，有多个特征点，判断每个特征点的FAST得分值，保留邻域内FAST得分值最大的特征点，抑制其他特征点；若邻域内只有一个特征点，则保留；
(d)计算特征点位置处的BRIEF描述子。
进一步地，所述步骤2中采用四种不同的质量评价指标计算指纹子图像块的质量分数，质量评价指标包括：
S1、指纹子图像块中像素点的方向一致性；
S2、指纹子图像块的方向可靠性；
S3、指纹子图像块的脊线的清晰度；
S4、指纹子图像块的特征点密度；
根据计算得到的指纹子图像块的各评价指标的质量评估分数，计算指纹子图像块的总质量评估分数；将计算得到的子图像块的总质量评估分数与设定的阈值ω相比较，质量评估分数大于ω的子图像块的评估结果为1，质量评估分数小于ω的质量块的评估结果为0。
进一步地，所述步骤3中指纹特征所在区域的质量评估结果为1，则区域对应的指纹特征质量高；指纹特征所在区域的质量评估结果为0，则区域对应的指纹特征质量低。
进一步地，所述步骤4中ORB特征点匹配算法的具体步骤为：(a)对BRIEF描述子进行旋转矫正；(b)对输入指纹图像和数据库中的指纹图像的特征描述子进行匹配，得到匹配结果。
(三)有益效果
与现有技术相比，本发明提供了一种基于指纹图像局部区域质量的指纹匹配方法，具备以下有益效果：
本发明使用了FAST特征点检测算法来加速特征点的提取，并对提取的指纹特征进行质量评估，关注重要的高质量特征，去除了虚假特征，大大降低了数据计算量，提高了指纹匹配速度。
本发明采用的ORB特征点匹配算法对特征点邻域进行旋转矫正，使指纹特征更加稳定，当旋转指纹图像，改变指纹图像位置时，仍可得到较好的匹配效果。
本发明提出的方法适应性强，不受指纹采集装置和方式的影响。同时，由于本方法可以评估指纹图像的局部区域质量并去除指纹的虚假特征，对于质量差和被破坏的指纹具有较高的识别精度。本文所提出的方法与现有方法相比Rank-1识别率提高了2.7％。
附图说明
图1为本发明流程图；
图2为本发明指纹特征提取单元结构图；
图3为本发明指纹局部区域质量评估单元的流程图；
图4为本发明指纹局部质量评估分数计算方法的结构示意图；
图5为本发明指纹特征质量评估单元的流程图；
图6为本发明现有方法和本发明提出方法匹配性能比对表。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1-6所示，本发明一个实施例提出的一种基于指纹图像局部区域质量的指纹匹配方法，该方法具体包括如下步骤：
步骤1，指纹图像特征提取：读取指纹图像，并采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子；FAST特征点检测算法的具体步骤为:(a)创建特征点筛选模板：以半径为3像素、外围16像素的圆的作为模板筛选特征点，其中p是中心像素点，外围的16个像素点分别记为P1,P2,...,P16；(b)判断特征点位置：定义一个阈值，计算P1、P5、P9、P13与中心P的像素差，若它们的绝对值有至少3个超过阈值，则当作候选特征点，再进行下一步考察；否则，不是特征点；若P是候选点，则计算P1到P16这16个点与中心P的像素差，若它们有至少连续9个超过阈值，则是特征点；否则，不是特征点；(c)特征点非极大值抑制：计算特征点处的FAST得分值，即16个点与中心差值的绝对值总和，若以特征点P为中心的一个5×5邻域内，有多个特征点，判断每个特征点的FAST得分值，保留邻域内FAST得分值最大的特征点，抑制其他特征点；若邻域内只有一个特征点，则保留；(d)计算特征点位置处的BRIEF描述子。
步骤2，指纹局部区域质量评估：首先，将指纹图像划分为互不重叠的子图像块；然后，分别计算每个子图像块的质量评估分数，采用四种不同的质量评价指标计算所述指纹子图像块的质量分数，质量评价指标包括：指纹子图像块中像素点的方向一致性、指纹子图像块的方向可靠性、指纹子图像块的脊线的清晰度、指纹子图像块的特征点密度；根据计算得到的指纹子图像块的各评价指标的质量评估分数，计算指纹子图像块的总质量评估分数；最后，将计算得到的子图像块的总质量评估分数与设定的阈值ω相比较，质量评估分数大于ω的子图像块的评估结果为1，质量评估分数小于ω的质量块的评估结果为0。
步骤3，指纹特征质量评估：确定步骤1提取的指纹图像特征所在区域，根据步骤2得到的指纹图像局部区域的质量评估结果，判断指纹特征的质量，指纹特征所在区域的质量评估结果为1，则区域对应的指纹特征质量高；指纹特征所在区域的质量评估结果为0，则区域对应的指纹特征质量低，将质量高的指纹特征传输到指纹特征匹配单元，舍弃质量低的指纹特征。
步骤4，指纹特征匹配：使用ORB特征点匹配算法将步骤3中发送过来的指纹特征与数据库中的指纹特征匹配，得出匹配结果。ORB特征点匹配算法的具体步骤为：(a)对BRIEF描述子进行旋转矫正；(b)对输入指纹图像和数据库中的指纹图像的BRIEF描述子进行匹配，得到匹配结果。
实施例2
如图1所示，一种基于指纹图像局部区域质量的指纹匹配方法，该方法具体包括如下步骤：
步骤1，指纹图像特征提取：读取指纹图像，并提取指纹图像特征。在特征提取前对输入的指纹图像进行预处理，预处理流程包括：图像灰度均衡化，低通滤波，Gabor滤波。采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子，图2为本发明指纹特征提取单元结构图，FAST特征点检测算法的具体步骤为:
(a)创建特征点筛选模板：以半径为3像素、外围16像素的圆的作为模板筛选特征点，其中p是中心像素点，外围的16个像素点分别记为P1,P2,...,P16。
(b)判断特征点位置：定义一个阈值，计算P1、P5、P9、P13与中心P的像素差，若它们的绝对值有至少3个超过阈值，则当作候选特征点，再进行下一步考察；否则，不是特征点；若P是候选点，则计算P1到P16这16个点与中心P的像素差，若它们有至少连续9个超过阈值，则是特征点；否则，不是特征点。
(c)特征点非极大值抑制：计算特征点处的FAST得分值，即16个点与中心差值的绝对值总和，若以特征点P为中心的一个5×5邻域内，有多个特征点，判断每个特征点的FAST得分值，保留邻域内FAST得分值最大的特征点，抑制其他特征点；若邻域内只有一个特征点，则保留。
(d)计算特征点位置处的BRIEF描述子，以特征点P为中心，取Z×Z的邻域窗口，在窗口内随机选取一对点，比较二者像素的大小，进行如下二进制赋值，公式如下，
其中，P(u)，P(v)为随机点对的像素值。在窗口中随机选取M对随机点，重复上述二进制赋值，形成一个二进制编码，这个编码就是对特征点的描述，即特征描述子：
步骤2，指纹局部区域质量评估：如图3所示，首先将指纹图像划分为互不重叠的大小为N×N的子图像块，本文N＝16；然后分别计算各评价指标子下指纹子图像块的质量评估分数，最后，将计算得到的子图像块的总质量评估分数与设定的阈值ω相比较，质量评估分数大于ω的子图像块的评估结果为1，质量评估分数小于ω的质量块的评估结果为0。
指纹局部质量评估分数计算方法如图4所示，采用四种不同的质量评价指标计算所述指纹子图像块的质量分数，质量评价指标包括：
S1、指纹子图像块中像素点的方向一致性；
S2、指纹子图像块的方向可靠性；
S3、指纹子图像块的脊线的清晰度；
S4、指纹子图像块的特征点密度；
根据指纹子图像块的各评价指标的质量评估分数，计算指纹子图像块的总质量评估分数，本发明采用多种不同的质量评价指标对指纹局部区域进行质量评估，得到的质量评估结果更加准确。
S1、指纹子图像块中像素点的方向一致性：通过比较指纹图像块中的每个像素点的方向与指纹子图像块的方向差异，来计算指纹子图像块中像素点的方向一致性：
首先，计算指纹子图像块中像素点的脊线方向：
θ(i,j)＝tan-1(Gx(i,j)/Gy(i,j))+π/2
其中[Gx(i,j),Gy(i,j)]是像素点I(i,j)的梯度向量。
然后，计算指纹子图像块中的方向：
最后，计算指纹子图像块内各像素点方向和子图像块的方向一致性：
则指纹子图像块中像素点的方向一致性的质量评估分数为：
S2、指纹子图像块的方向可靠性：质量好的指纹区域中脊线是缓慢平滑流动的，因此质量好的指纹子图像块与其周围区域图像块的方向差异较小；而低质量指纹区域脊线斑驳杂乱，从而导致质量低的指纹子图像块与其周围区域图像块的方向差异大，本发明用指纹子图像块与周围图像块的方向差异来表示指纹子图像块的方向可靠性，指纹子图像块的方向可靠性计算方法如下：
其中φ为指纹子图像块的方向，φm为指纹子图像块邻域的图像块的方向，M为指纹子图像块邻域图像块的数量，此处M＝8。
则指纹子图像块的方向可靠性的质量评估分数为:
指纹子图像块的清晰度S3：本发明使用平均梯度来评价指纹子图像块的清晰度，平均梯度越大，指纹子图像块的清晰度越高，则指纹子图像块的清晰度的质量评估结果为：
指纹子图像块的特征点密度S4：在质量好的指纹区域中，特征点分布在脊线的端点和分叉点，然而，质量低的指纹区域脊线结构遭到破坏，因此常伴随大量的虚假特征点，本文用指纹子图像块的特征点密度来判断区域中指纹脊线的连续性。
其中t是指纹子图像块中特征点的数量，T为特征点密度的阈值，此处T＝3。
指纹子图像块的总评估分数：结合上述四种评价标准，计算指纹子图像块的总质量评估分数：
S＝λ1S1+λ2S2+λ3S3+λ4S4
其中是质量分数的权重，且λ1+λ2+λ3+λ4＝1。
步骤3，指纹特征质量评估：指纹特征质量评估流程如图5所示，首先确定输入指纹图像中每个特征点的具体位置；然后根据步骤2得到的指纹图像局部区域的质量评估结果，判断指纹特征点所在区域的质量，若指纹特征所在区域的质量评估结果为1，则区域对应的指纹特征质量高，若指纹特征所在区域的质量评估结果为0，则区域对应的指纹特征质量低，舍弃质量低的指纹特征，将剩余的高质量特征点传输到指纹特征匹配单元，对提取的指纹特征进行质量评估，可以有效的减少虚假特征对后续特征匹配的影响，提高了指纹识别准确率，同时，由于可以本方法可以评估指纹图像的局部区域质量并去除指纹的虚假特征，对于质量差和被破坏的指纹具有较高的识别精度。
步骤4，指纹特征匹配：指纹特征匹配：使用ORB特征点匹配算法将步骤3中发送过来的指纹特征与数据库中的指纹特征匹配，得出匹配结果，ORB特征点匹配算法的具体步骤为：
(a)采用质心法计算特征点的主方向，对于以特征点为中心的图像块，对应的2x2的矩的元素表达为：
则该图像块的质心为：
特征点与质心的夹角定义为特征点的方向：
θC＝tan-1(m01/m10)
对BRIEF描述子进行旋转矫正。设特征描述子的n个点对为(xi,yi)，定义一个2×n矩阵：
利用角度θ形成的旋转矩阵为Rθ，那么旋转后匹配点的坐标为：
旋转后的BRIEF描述子变为：
gn(P,θ):＝fn(P)|(xi,yi)∈Sθ
(b)基于Hamming距离对输入指纹图像和数据库中的指纹图像的BRIEF描述子进行匹配，得到匹配结果。
通过与现有指纹识别方法对比，进一步验证了本发明所提出方法优越性。现有方法和本发明提出方法匹配性能比对如图6所示。
其中，灰度均衡化、低通滤波、Gabor滤波、梯度向量、Hamming距离方法的实现是本领域技术人员公知的算法，具体流程和方法可在相应的教科书或者技术文献中查阅到。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于指纹图像局部区域质量的指纹匹配方法，其特征在于：该方法具体包括如下步骤，
步骤1，指纹图像特征提取：读取指纹图像，并采用FAST特征点检测算法提取指纹图像特征，得到特征点坐标位置和特征描述子；
步骤2，指纹局部区域质量评估：首先，将指纹图像划分为互不重叠的子图像块；然后，分别计算每个子图像块的质量评估分数；最后，将计算得到的子图像块的质量评估分数与设定的阈值相比较，得到最终指纹图像局部区域的质量评估结果；
步骤3，指纹特征质量评估：确定步骤1提取的指纹图像特征所在区域，根据步骤2得到的指纹图像局部区域的质量评估结果，判断指纹特征的质量，将质量高的指纹特征传输到指纹特征匹配单元，舍弃质量低的指纹特征；
步骤4，指纹特征匹配：使用ORB特征点匹配算法将步骤3中发送过来的指纹特征与数据库中的指纹特征匹配，得出匹配结果。
2.根据权利要求1所述的一种基于指纹图像局部区域质量的指纹匹配方法，其特征在于：所述步骤1中FAST特征点检测算法的具体步骤为:
(a)创建特征点筛选模板：以半径为3像素、外围16像素的圆的作为模板筛选特征点，其中p是中心像素点，外围的16个像素点分别记为P1，P2，...，P16；
(b)判断特征点位置：定义一个阈值，计算P1、P5、P9、P13与中心P的像素差，若它们的绝对值有至少3个超过阈值，则当作候选特征点，再进行下一步考察；否则，不是特征点；若P是候选点，则计算P1到P16这16个点与中心P的像素差，若它们有至少连续9个超过阈值，则是特征点；否则，不是特征点；
(c)特征点非极大值抑制：计算特征点处的FAST得分值，即16个点与中心差值的绝对值总和，若以特征点P为中心的一个5×5邻域内，有多个特征点，判断每个特征点的FAST得分值，保留邻域内FAST得分值最大的特征点，抑制其他特征点；若邻域内只有一个特征点，则保留；
(d)计算特征点位置处的BRIEF描述子。
3.根据权利要求1所述的一种基于指纹图像局部区域质量的指纹匹配方法，其特征在于：所述步骤2中采用四种不同的质量评价指标计算指纹子图像块的质量分数，质量评价指标包括：
S1、指纹子图像块中像素点的方向一致性；
S2、指纹子图像块的方向可靠性；
S3、指纹子图像块的脊线的清晰度；
S4、指纹子图像块的特征点密度；
根据计算得到的指纹子图像块的各评价指标的质量评估分数，计算指纹子图像块的总质量评估分数；将计算得到的子图像块的总质量评估分数与设定的阈值ω相比较，质量评估分数大于ω的子图像块的评估结果为1，质量评估分数小于ω的质量块的评估结果为0。
4.根据权利要求1所述的一种基于指纹图像局部区域质量的指纹匹配方法，其特征在于：所述步骤3中指纹特征所在区域的质量评估结果为1，则区域对应的指纹特征质量高；指纹特征所在区域的质量评估结果为0，则区域对应的指纹特征质量低。
5.根据权利要求1所述的一种基于指纹图像局部区域质量的指纹匹配方法，其特征在于：所述步骤4中ORB特征点匹配算法的具体步骤为：(a)对BRIEF描述子进行旋转矫正；(b)对输入指纹图像和数据库中的指纹图像的特征描述子进行匹配，得到匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658786.5A CN116665256B (zh) | 2023-06-05 | 2023-06-05 | 一种基于指纹图像局部区域质量的指纹匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658786.5A CN116665256B (zh) | 2023-06-05 | 2023-06-05 | 一种基于指纹图像局部区域质量的指纹匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665256A true CN116665256A (zh) | 2023-08-29 |
| CN116665256B CN116665256B (zh) | 2024-03-15 |
Family
ID=87713408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310658786.5A Active CN116665256B (zh) | 2023-06-05 | 2023-06-05 | 一种基于指纹图像局部区域质量的指纹匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665256B (zh) |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
| CN102567993A (zh) * | 2011-12-15 | 2012-07-11 | 中国科学院自动化研究所 | 基于主成分分析的指纹图像质量评价方法 |
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| JP2013171306A (ja) * | 2012-02-17 | 2013-09-02 | Nec Soft Ltd | 指紋品質評価装置、指紋品質評価方法、指紋品質評価プログラム |
| CN104809453A (zh) * | 2015-05-19 | 2015-07-29 | 成都英力拓信息技术有限公司 | 一种基于指纹的认证方法 |
| CN105718848A (zh) * | 2015-10-21 | 2016-06-29 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法及装置 |
| CN105912920A (zh) * | 2016-06-17 | 2016-08-31 | 广东欧珀移动通信有限公司 | 一种指纹解锁方法及终端 |
| US20160307023A1 (en) * | 2015-04-15 | 2016-10-20 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing fingerprint |
| JP2016207207A (ja) * | 2015-04-15 | 2016-12-08 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 指紋認識方法及び装置 |
| CN106326882A (zh) * | 2016-09-21 | 2017-01-11 | 成都创慧科达科技有限公司 | 一种基于图像质量评估技术的指纹识别系统及方法 |
| CN106650572A (zh) * | 2016-09-12 | 2017-05-10 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法 |
| CN106709450A (zh) * | 2016-12-23 | 2017-05-24 | 上海斐讯数据通信技术有限公司 | 一种指纹图像识别方法及系统 |
| CN106789940A (zh) * | 2016-11-30 | 2017-05-31 | 彭州市运达知识产权服务有限公司 | 一种基于指纹识别的家庭互联网管理系统及方法 |
| US20170168600A1 (en) * | 2015-12-10 | 2017-06-15 | Fingerprint Cards Ab | Method and system for estimating finger movement with selection of navigation subareas |
| CN108428241A (zh) * | 2018-05-07 | 2018-08-21 | 桂林市思奇通信设备有限公司 | 高清视频中移动目标的运动轨迹捕获方法 |
| CN109101921A (zh) * | 2018-08-10 | 2018-12-28 | 安徽师范大学 | 一种结合方向扩散的指纹方向场提取方法 |
| CN110189447A (zh) * | 2019-05-31 | 2019-08-30 | 安徽柏络智能科技有限公司 | 一种基于人脸身份识别的智慧社区闸机控制系统 |
| CN111353332A (zh) * | 2018-12-21 | 2020-06-30 | 中国电信股份有限公司 | 指纹图像处理方法、装置和计算机可读存储介质 |
| CN111429359A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像拼接方法、装置、设备及存储介质 |
| CN113298744A (zh) * | 2021-06-07 | 2021-08-24 | 长春理工大学 | 一种端到端的红外与可见光图像融合方法 |
| CN114120378A (zh) * | 2021-12-06 | 2022-03-01 | 中电万维信息技术有限责任公司 | 一种三级分类指纹识别方法 |
| CN114862902A (zh) * | 2022-05-16 | 2022-08-05 | 辽宁科技大学 | 一种基于四叉树的光照自适应orb特征提取和匹配方法 |
| CN115331269A (zh) * | 2022-10-13 | 2022-11-11 | 天津新视光技术有限公司 | 一种基于梯度向量场的指纹识别方法及应用 |
| CN115641367A (zh) * | 2022-11-08 | 2023-01-24 | 长春理工大学 | 一种基于多级特征匹配的红外和可见光图像配准方法 |
-
2023
- 2023-06-05 CN CN202310658786.5A patent/CN116665256B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
| CN102567993A (zh) * | 2011-12-15 | 2012-07-11 | 中国科学院自动化研究所 | 基于主成分分析的指纹图像质量评价方法 |
| JP2013171306A (ja) * | 2012-02-17 | 2013-09-02 | Nec Soft Ltd | 指紋品質評価装置、指紋品質評価方法、指紋品質評価プログラム |
| CN102855496A (zh) * | 2012-08-24 | 2013-01-02 | 苏州大学 | 遮挡人脸认证方法及系统 |
| US20160307023A1 (en) * | 2015-04-15 | 2016-10-20 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing fingerprint |
| JP2016207207A (ja) * | 2015-04-15 | 2016-12-08 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | 指紋認識方法及び装置 |
| CN104809453A (zh) * | 2015-05-19 | 2015-07-29 | 成都英力拓信息技术有限公司 | 一种基于指纹的认证方法 |
| CN105718848A (zh) * | 2015-10-21 | 2016-06-29 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法及装置 |
| US20170168600A1 (en) * | 2015-12-10 | 2017-06-15 | Fingerprint Cards Ab | Method and system for estimating finger movement with selection of navigation subareas |
| CN105912920A (zh) * | 2016-06-17 | 2016-08-31 | 广东欧珀移动通信有限公司 | 一种指纹解锁方法及终端 |
| CN106650572A (zh) * | 2016-09-12 | 2017-05-10 | 深圳芯启航科技有限公司 | 一种指纹图像的质量评估方法 |
| CN106326882A (zh) * | 2016-09-21 | 2017-01-11 | 成都创慧科达科技有限公司 | 一种基于图像质量评估技术的指纹识别系统及方法 |
| CN106789940A (zh) * | 2016-11-30 | 2017-05-31 | 彭州市运达知识产权服务有限公司 | 一种基于指纹识别的家庭互联网管理系统及方法 |
| CN106709450A (zh) * | 2016-12-23 | 2017-05-24 | 上海斐讯数据通信技术有限公司 | 一种指纹图像识别方法及系统 |
| CN108428241A (zh) * | 2018-05-07 | 2018-08-21 | 桂林市思奇通信设备有限公司 | 高清视频中移动目标的运动轨迹捕获方法 |
| CN109101921A (zh) * | 2018-08-10 | 2018-12-28 | 安徽师范大学 | 一种结合方向扩散的指纹方向场提取方法 |
| CN111353332A (zh) * | 2018-12-21 | 2020-06-30 | 中国电信股份有限公司 | 指纹图像处理方法、装置和计算机可读存储介质 |
| CN110189447A (zh) * | 2019-05-31 | 2019-08-30 | 安徽柏络智能科技有限公司 | 一种基于人脸身份识别的智慧社区闸机控制系统 |
| CN111429359A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像拼接方法、装置、设备及存储介质 |
| CN113298744A (zh) * | 2021-06-07 | 2021-08-24 | 长春理工大学 | 一种端到端的红外与可见光图像融合方法 |
| CN114120378A (zh) * | 2021-12-06 | 2022-03-01 | 中电万维信息技术有限责任公司 | 一种三级分类指纹识别方法 |
| CN114862902A (zh) * | 2022-05-16 | 2022-08-05 | 辽宁科技大学 | 一种基于四叉树的光照自适应orb特征提取和匹配方法 |
| CN115331269A (zh) * | 2022-10-13 | 2022-11-11 | 天津新视光技术有限公司 | 一种基于梯度向量场的指纹识别方法及应用 |
| CN115641367A (zh) * | 2022-11-08 | 2023-01-24 | 长春理工大学 | 一种基于多级特征匹配的红外和可见光图像配准方法 |
Non-Patent Citations (11)
| Title |
|---|
| LI三河: "FAST特征检测算法", 《HTTPS://BLOG.CSDN.NET/QQ_23123181/ARTICLE/DETAILS/122693442》, pages 1 * |
| MANIK HENDRE 等: "Biometric recognition robust to partial and poor quality fingerprints using distinctive region adaptive SIFT keypoint fusion", 《SPRINGER》 * |
| ROS漫步: "ORB特征", 《HTTPS://BLOG.CSDN.NET/QQ_34493401/ARTICLE/DETAILS/128371741》, pages 1 - 4 * |
| YAFANG BAI 等: "Fingerprint image classification based on deep learning", 《SPIE》 * |
| YUTING SUN 等: "Enhancement Method of Low Quality Fingerprint Based on U-Net", 《2022 4TH INTERNATIONAL CONFERENCE ON FRONTIERS TECHNOLOGY OF INFORMATION AND COMPUTER (ICFTIC)》 * |
| 张季: "指纹图像质量评估", 铁路计算机应用, no. 10, 23 October 2007 (2007-10-23) * |
| 王雅妮: "基于深度学习的困难指纹识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, 15 February 2018 (2018-02-15) * |
| 胡春风 等: "基于图像质量分区的指纹特征提取", 《计算机工程与科学》, vol. 31, no. 8 * |
| 胡春风: "指纹纹线特征提取与匹配", 《中国博士学位论文全文数据库 信息科技辑》, no. 03 * |
| 赵衍运 等: "指纹图像质量分析", 计算机辅助设计与图形学学报, no. 05, 20 May 2006 (2006-05-20) * |
| 陈晖 等: "一种基于细节点局部描述子的指纹图像匹配方法", 《计算机工程与科学》, vol. 32, no. 1, 31 December 2010 (2010-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665256B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
| CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
| CN101114335A (zh) | 全角度快速指纹识别方法 | |
| CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
| WO2015131468A1 (en) | Method and system for estimating fingerprint pose | |
| CN111639560B (zh) | 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置 | |
| CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
| CN114863493B (zh) | 一种低质量指纹图像和非指纹图像的检测方法及检测装置 | |
| CN112487867B (zh) | 基于增强三角剖分的视觉约束指纹识别方法 | |
| Oldal et al. | Hand geometry and palmprint-based authentication using image processing | |
| CN112614167A (zh) | 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 | |
| CN116092134A (zh) | 一种基于深度学习和特征融合的指纹活体检测方法 | |
| CN111695498A (zh) | 一种木材同一性检测方法 | |
| CN111079626A (zh) | 一种活体指纹识别方法、电子设备及计算机可读存储介质 | |
| Hu et al. | A composite fingerprint segmentation based on log-gabor filter and orientation reliability | |
| Al Tamimi et al. | Offline signature recognition system using oriented FAST and rotated BRIEF | |
| CN116665256B (zh) | 一种基于指纹图像局部区域质量的指纹匹配方法 | |
| KR100489430B1 (ko) | 위치이동, 회전에 무관한 지문인식 방법 및 지문인식 장치및 그 방법을 실행시키기 위한 프로그램을 기록한기록매체 | |
| Kim et al. | Fast line extraction from digital images using line segments | |
| CN112085683B (zh) | 一种显著性检测中的深度图可信度检测方法 | |
| Cao et al. | Fingerprint image enhancement and minutiae extraction algorithm | |
| CN114913607A (zh) | 一种基于多特征融合的指静脉仿冒检测方法 | |
| Topaloglu | Revised: Finger print classification based on gray-level fuzzy clustering co-occurrence matrix | |
| CN115050017B (zh) | 基于机器视觉的电力金具表面铭文识别方法 | |
| Miron et al. | Fuzzy logic method for partial fingerprint 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |