CN116704557A - 一种基于纹理信息的低质量指纹匹配方法 - Google Patents
一种基于纹理信息的低质量指纹匹配方法 Download PDFInfo
- Publication number
- CN116704557A CN116704557A CN202310452380.1A CN202310452380A CN116704557A CN 116704557 A CN116704557 A CN 116704557A CN 202310452380 A CN202310452380 A CN 202310452380A CN 116704557 A CN116704557 A CN 116704557A
- Authority
- CN
- China
- Prior art keywords
- minutiae
- fingerprint
- matching
- image
- information
- 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 42
- 238000001914 filtration Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate 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
- G06V10/26—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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了指纹识别技术领域的一种基于纹理信息的低质量指纹匹配方法,包括以下步骤:S1:将指纹输入到在对数尺度上具有高斯分布的LogGabor滤波器;S2:细节点提取;S3:指纹特征信息提取;S4:建立细节点支持系统;S5:获得图像对齐参数;S6:细节点与纹理信息匹配;S7:匹配分数计算,脊图案提供了可用于匹配指纹的可分辨性信息,LogGabor函数可以覆盖更大的频率范围,且总是没有直流分量,图像处理时不受亮度条件的影响,根据细节点的方向信息确定LogGabor滤波器组方向,使得纹理特征信息更加准确;根据细节点建立核心细节点系统,获得图像对齐参数,并且进行细节点匹配。
Description
技术领域
本发明涉及指纹识别的技术领域,尤其是涉及一种基于纹理信息的低质量指纹匹配方法。
背景技术
小面积的低质量指纹的匹配是传统的基于细节点的指纹匹配方法所遇到的难题,为此,Jain等提出了基于纹理特征的指纹匹配方法,一定程度上弥补了基于细节点的不足。Gabor滤波用于提取指纹图像的纹理特征表现出较好的效果。
基于细节点的匹配方法是目前普遍使用的指纹匹配算法。这种方法的主要步骤是分割,归一化,估计方向场,脊线滤波,二值化及细化和提取细节特征(端点和分叉点)。
尽管此方法在一定程度上满足了指纹匹配的要求,但是随着指纹识别在身份认证领域越来越广泛的应用,人们发现,单纯基于细节点的指纹匹配并不完全可靠。两个来自不同手指的指纹竟有25个细节点相匹配,若按大多数自动指纹识别系统的匹配标准——超过12个特征匹配即认为指纹匹配,就会产生明显的误判。同时,小面积指纹使得同一个手指的不同捺印只有很少一部分重叠和采集的图像节点信息不够丰富,这样,如果只用细节特征匹配,也会产生较大的误差。出于对以上原因的考虑,出现了另一种指纹识别算法——基于结构的方法,该方法利用Gabor变换,既能抓住图像的全局特征,充分利用了指纹图像的纹理结构,又能体现细节特点。指纹图像的脊线和谷线具有局部平行性和特定的纹理频率,基于结构的算法利用Gabor滤波器,选择合适的参数,可以获取局部和全局特征,增强特定方向的信息,保留真正的脊线和谷线结构,降低其他方向上的强度。Jain和Lee在这方面做了探索性工作。不同的是Jain采用了圆形网格,有利于匹配时保持旋转不变,避免了旋转定位问题,这样就必须进行极坐标变换,计算复杂;而Lee采用的是正方形网格,但忽略了旋转不变问题。他们提出的算法一定程度上弥补了基于细节点的指纹匹配方法在小面积指纹匹配上的不足,识别率虽优于基于细节点的匹配算法但并没有达到实际应用的要求。
细节描述符采用了存在于许多低质量指纹上的具有识别价值的指纹特征。此外,细节描述符对非线性失真、亮度变化和缺少低质量指纹特征的敏感度低于全局、组合和基于变换的特征表示。因此,细节描述符已经成为低质量指纹最广泛使用的指纹特征表示。
基于纹理的描述符采用细节点周围的纹理信息来表示指纹。纹理信息可以包括脊线方向、频率或周期。几位作者已经采用细节点周围的纹理信息来表示指纹。他们创建了基于脊线的细节坐标系统,或者在细节表示中加入了额外的纹理信息。
例如,Lee等人将脊线频率作为细节表示的新组成部分。他们将脊线频率定义为细节点周围预定义窗口内的脊线数量。其他作者后来在低质量指纹表示中使用了脊频率,并提高了识别率。
其他研究提出了与Tico和Kuosmanen提出的基于方向的细节描述符相似的细节描述符。然而,这些研究使得基于方向的细节描述符依赖于指纹的全局特征,从而产生了受非线性失真影响更大的描述符,而非线性失真通常存在于低质量指纹上。
此外,Shi和Govindaraju的工作没有采用全局特征,而是修改了标准,以用于指纹验证的螺旋分割方案来选择采样点。此外,他们将纹理信息与邻域中的细节点相结合。根据他们在指纹验证上的实验结果,我们认为值得探索这种变化,以提高基于方向的细节描述符在低质量指纹表示中的性能。
Bohné和Despiege提出了局部骨架描述符,这是一个基于沿脊线流向选定曲线段的坐标系。预定义邻域周围的细节点被投影到局部骨架描述符上。细节点的坐标是曲线段上的细节点投影和曲线段上的细节点投影之间的带符号脊线计数的代数曲线距离。虽然这种指纹特征表示被用于低质量指纹,但所实现的性能较低。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本发明的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题,本发明提供一种基于纹理信息的低质量指纹匹配方法,采用如下的技术方案:包括以下步骤:
S1:指纹图像增强:将指纹输入到在对数尺度上具有高斯分布的Log Gabor滤波器;
S2:细节点提取:在指纹图像中检测细节点的过程,每个细节点由其在图像中的(x,y)位置以及在其上被检测到的脊线的方向θ来表征,在(x,y)点周围的区域中的脊线信息与每个细节相关联;
S3:指纹特征信息提取:将给定指纹图像相对于细节点进行分割,特征向量由从每个子块中包含的局部信息中提取的特征的有序枚举组成,特征元素捕获局部信息,而子块的有序枚举捕获局部模式之间的不变全局关系;
S4:建立细节点支持系统:
一个指纹图像中包含N个细节点,Mi=(xi,yi,θi),其中1≤i≤N,(x,y)是细节点在坐标系中的位置,θ是细节点沿着指纹纹线切线方向与横坐标所构成的夹角,对N个细节点中的一个细节点进行平移和旋转,坐标上调整到坐标原点,方向上调整到2π,然后将剩余所有细节点按照平移和旋转的细节点的旋转平移量进行调整,经过调整之后的平移和旋转的细节点叫做核心细节点,而其他所有的细节点叫做支持细节点,将所有的支持细节点称作该核心细节点的核心细节点支持系统;
S5:获得图像对齐参数:将适当旋转的Log Gabor滤波器应用于查询图像对滤波得到的图像旋转并提取特征值;
S6:细节点与纹理信息匹配:利用混合指纹匹配器对两组不同的指纹信息进行指纹匹配:细节点特征和纹理特征图;
S7:匹配分数计算:通过比较细节节点集和脊线特征图而生成的匹配分数被组合,以生成单个匹配分数。
可选的,在线性频率尺度上,Log Gabor滤波器的传递函数定义为:
式中,ω0为滤波器的中心频率。为了保证滤波器的形状恒定,对于不同的ω0选择k使k/ω0保持不变。
可选的,所述细节点提取具体包括如下阶段:
1)方向场估计:通过检查方块内x和y方向上像素强度的梯度,在不重叠的方块中计算指纹图像的方向性;
2)脊线检测:通过应用能够沿着局部脊线方向的法线方向突出局部最大灰度值的掩模来识别指纹图像中存在的脊线;
3)脊线细化:利用上一阶段构造的脊线图得到细化后的脊线图像;
4)细节点检测:将一组规则应用于细化的脊线,以标记细节点,即脊端和脊分叉,作为后处理步骤,应用细化算法去除虚假的细节点。
可选的,所述子块中包含的局部信息中提取的特征为平均绝对偏差,子块的平均绝对偏差是每一点的灰度值与子块的平均灰度之间的绝对差值的平均值。
可选的,假设N为5,对细节点M4进行平移和旋转,坐标上调整到坐标原点,方向上调整到2π,然后将剩余所有细节点按照M4的旋转平移量进行调整,调整之后的位置和方向表达式如下所示:
可选的,设H表示增强的查询图像,(tx,ty,tφ)是使用细节点匹配信息获得的平移和旋转参数,然后,得到滤波图像:
其中,表示过滤后的图像旋转了tφ角,/>表示过滤方向θ-tφ对应的过滤图像旋转了tφ角,然后将过滤图像平移(tx,ty),以确保查询图像与模板重叠。
可选的,当输入查询图像时,匹配如下进行:
(I)匹配查询和模板细节点特征以生成细节点匹配分数和将查询和模板指纹关联的变换参数(平移和旋转);
(II)使用旋转参数旋转8个Log Gabor滤波器,并将旋转后的过滤器应用于查询图像;
(III)然后根据参数平移和旋转过滤后的查询图像;
(IV)从这些过滤图像中提取纹理特征;
(V)匹配查询和模板纹理特征;
(VI)结合细节点和纹理特征匹配结果,生成单一匹配分数。
可选的,细节点匹配分数对查询和模板图像的细节点集合的相似性的度量,匹配分数越高,匹配越好,相似性分数在[0,100]范围内归一化;脊线特征图匹配分数为通过计算八维特征向量在相应的网格单元中的欧几里德距离和来比较查询图像和模板图像的纹理特征图,在匹配过程中不使用标记为背景的单元格,这会产生距离分数测量;距离分数越高,表示匹配度越差,距离分数在[0,100]范围内归一化,并通过从100中减去它来转换为相似性分数;
生成单个匹配分数S表达式如下:
S=αSM+(1-α)SR
其中α∈[0,1],改变α来为各个匹配者分配不同的权重。
综上所述,本发明包括以下至少一种有益效果:
1、由指纹的脊图案定义的纹理特征信息在大多数当前匹配系统的匹配阶段没有被明确使用,当以不同的分辨率和方向观察时,脊图案提供了可用于匹配指纹的可分辨性信息。
2、在指纹纹理特征提取中,本发明使用Log Gabor函数弥补传统Gabor函数低频表示过度而高频表示不足的缺点,Log Gabor函数可以覆盖更大的频率范围,且总是没有直流分量,图像处理时不受亮度条件的影响。
3、在纹理信息的表达方法上,本发明使用特征向量方法表达纹理特征信息,本发明根据细节点的方向信息确定Log Gabor滤波器组方向,使得纹理特征信息更加准确。
4、本发明主要使用纹理信息进行匹配,但为了使用上述编码方式,需要对图像进行校准,所以本发明根据细节点建立核心细节点系统,获得图像对齐参数,并且进行细节点匹配。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于纹理信息的低质量指纹匹配方法的流程图;
图2为本发明Log Gabor函数的传递函数在线性和对数频率尺度上的形状示意图;
图3为本发明将指纹图像分割为扇区示意图;
图4为本发明核心细节点支持系统示意图。
具体实施方式
以下结合附图1-4对本发明作进一步详细说明。
本发明公开一种基于纹理信息的低质量指纹匹配方法,通过使用所提出的含有纹理特征编码的细节描述符进行匹配,细节描述符作为广泛使用的局部表示,通常包括细节点与图像原点的坐标和角度,以及关于其他相邻特征的附加信息。当需要验证或识别时,从输入指纹图像中生成细节描述符,并将它们与数据库中的细节描述符(模板)进行比较,如图1中的流程图所示。
具体包括以下步骤:
S1:指纹图像增强:将指纹输入到在对数尺度上具有高斯分布的Log Gabor滤波器;
二维Gabor滤波器可以被认为是由二维高斯包络调制的复杂平面波。这些过滤器在捕捉局部方位和频率信息上表现很好。通过将Gabor滤波器调谐到特定的频率和方向,可以获得局部频率和方向信息。因此,它们适合于从图像中提取纹理信息。
偶数对称Gabor滤波器在空间域中具有以下一般形式:
x′=xsinθ+ycosθ,
y′=xcosθ-ysinθ
其中f是与x轴成θ角的正弦平面波的频率,δx和δy分别是沿x轴和y轴的高斯包络的标准偏差。
为了提取Gabor曲线不同方向上的脊线响应,参数(f,δx,δy,θ)设置为下列值:
频率f对应于指纹图像中的脊间距离。数据库中指纹图像的平均脊间间距约为8像素。因此,
标准偏差值δx和δy的选择涉及一种权衡。值越大,对噪声的鲁棒性越强,但不能很好地捕捉脊线信息。另一方面,较小的值对图像中的噪声的鲁棒性较差,但可以很好地捕获脊线信息。基于经验数据,这两个值都被设置为4,即δx=δy=δ=4。
取用了八个不同的方向。分别对应于0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°。
这些参数在匹配过程中是固定的,从而允许在称为Gabor滤波器组的查找表中预先存储Gabor滤波器表达式。该滤波器组预计算出所有感兴趣方向的Gabor滤波器的傅里叶表示。该公式大大改进了一对多匹配方案中的匹配时间。
在对数频率尺度上,滤波器的传递函数大致是对称的。Field也指出使用在对数频率尺度上传递函数为高斯函数的滤波器可以对图像进行更有效的编码。而Gabor函数的传递函数在线性频率尺度上为高斯函数。为了弥补Gabor函数存在的缺陷,引入了在对数尺度上具有高斯分布的Log Gabor函数,因为它更能真实地反映自然图像的频率响应,如图2所示。在线性频率尺度上,Log Gabor滤波器的传递函数定义为:
式中,ω0为滤波器的中心频率。为了保证滤波器的形状恒定,对于不同的ω0选择k使k/ω0保持不变。如图2所示Log Gabor函数的传递函数在线性和对数频率尺度上的形状,从Log Gabor函数的频率响应可以看出,Log Gabor滤波器没有DC响应,而且在对数尺度上具有高斯形状的分布,这些保证了Log Gabor滤波器具有类似Gabor滤波器的局部分析能力,同时又弥补了Gabor滤波器的上述不足。
S2:细节点提取:在指纹图像中检测细节点的过程,每个细节点由其在图像中的(x,y)位置以及在其上被检测到的脊线的方向θ来表征,在(x,y)点周围的区域中的脊线信息与每个细节相关联;这在匹配两个细节集合时是有用的。细节点提取方案可以大致分为以下几个阶段:
1)方向场估计:通过检查方块内x和y方向上像素强度的梯度,在不重叠的方块中计算指纹图像的方向性;
2)脊线检测:通过应用能够沿着局部脊线方向的法线方向突出局部最大灰度值的掩模来识别指纹图像中存在的脊线;
3)脊线细化:利用上一阶段构造的脊线图得到细化后的脊线图像;
4)细节点检测:将一组规则应用于细化的脊线,以标记细节点,即脊端和脊分叉,作为后处理步骤,应用细化算法去除虚假的细节点。
细节点匹配涉及对两个细节点集合的点匹配操作。使用弹性串匹配技术来比较两个细节集。匹配处理的输出是表现被比较的两个集合的相似性的匹配分数,以及表现来自两个集合的细节点的配对的对应图。对应图用于计算对准两个指纹图像所需的变换参数。
S3:指纹特征信息提取:将给定指纹图像相对于细节点进行分割,如图3。特征向量由从每个子块中包含的局部信息中提取的特征的有序枚举组成。因此,特征元素捕获局部信息,而子块的有序枚举捕获局部模式之间的不变全局关系。
使用五个同心圆用于特征提取。每个环20像素宽,并被分割成16个扇区。在一个500dpi的指纹图像中,一个20像素宽的环平均捕捉了一个横跨大约一个脊线和谷线对的区域。宽度为20像素的环对于捕获扇区中的单个细节是必要的,这使我们能够捕获这个局部信息。如果扇区宽度大于20像素,则局部信息可能含有全局信息。最里面的圆不用于特征提取,因为在一个非常高的曲率点(核心)附近的区域流场相干性较差。因此,该区域定向LogGabor响应的绝对偏差可能是不可靠的匹配特征。因此,我们总共有16×5=80个扇区,有效区域是半径为120像素的圆,以细节点为中心。
一个特征向量,我们称之为“FingerCode”,是每个经过滤波的图像中所有特征(每个扇区)的集合。这些特征既捕捉到了脊线和谷线的全局特征,也捕捉到了局部特征。匹配是基于FingerCode之间的欧氏距离。滤波后图像携带了指纹的局部方向信息,滤波后图像有一些数据冗余,但对于识别率而言是有利的。这样大的信息量使这些结构信息不可能用来匹配,所以要进一步提取特征。精确匹配要依赖局部信息,即那些在Log Gabor滤波时表现出的“异常”,也就是细节点。对于那些有噪声的图像,很难精确提取,而其统计特性却能缓解噪声带来的影响。Jain等用子块的平均绝对偏差(AAD)作为其特征,收到良好的效果。子块的平均绝对偏差是每一点的灰度值与子块的平均灰度之间的绝对差值的平均值,它反映了子块内脊线的差异,对于指纹识别是非常有用的。
S4:建立细节点支持系统:对准和配准指纹图像的问题是一项计算密集的任务。本发明使用细节点集来对齐纹理特征图像,不需要额外的计算时间来配准图像。为了更好地配准图像,本发明建立核心细节点支持系统。
一个指纹图像中包含N个细节点,Mi=(xi,yi,θi),其中1≤i≤N,(x,y)是细节点在坐标系中的位置,θ是细节点沿着指纹纹线切线方向与横坐标所构成的夹角,假设N为5,对细节点M4进行平移和旋转,坐标上调整到坐标原点,方向上调整到2π,然后将剩余所有细节点按照M4的旋转平移量进行调整,调整之后的位置和方向表达式如下所示:
经过调整之后的M′4叫做核心细节点,而其他所有的细节点叫做支持细节点,将所有的支持细节点称作该核心细节点的核心细节点支持系统;如图4所示。因此,每个细节点都将被看成核心细节点,并且每个核心细节点的特征信息都会被相对应的核心细节点支持系统更加准确的描述出来,所以,我们就能够通过核心细节点支持系统之间的相似性来准确的表示核心细节点之间的相似性,进而准确的描述细节点对之间的相似性。
S5:获得图像对齐参数:将适当旋转的Log Gabor滤波器应用于查询图像对滤波得到的图像旋转并提取特征值;
为了比较两幅图像的纹理特征图,需要对图像本身进行适当的对齐,以确保两幅指纹图像中共同区域的重叠。这是通过确定查询图像与模板对齐的转换参数(tx,ty,tφ)来完成的。细节点匹配提供的配对的对应图用于计算(tx,ty,tφ)。
一旦获得了变换参数(tx,ty,tφ),就可以将查询图像与模板对齐。但是旋转查询图像将导致可能影响后续滤波操作的伪影。为了避免这种情况,将适当旋转的Log Gabor滤波器(也存储在Log Gabor滤波器组中)应用于查询图像。然后对滤波得到的图像旋转并提取特征值。设H表示增强的查询图像,(tx,ty,tφ)是使用细节点匹配信息获得的平移和旋转参数,然后,得到滤波图像:
其中,表示过滤后的图像旋转了tφ角,/>表示过滤方向θ-tφ对应的过滤图像旋转了tφ角,然后将过滤图像平移(tx,ty),以确保查询图像与模板重叠。
指纹的脊和谷具有很好的局部特性:如局部平行性,特定的局部频率和方向。选择合适参数的Log Gabor滤波器,可以去除噪声,保留真正的脊和谷结构,并提供特殊的图像方向信息。
设Cθ(i,j)表示放置在滤波图像Vθ上的网格中的第(i,j)个单元格。方差表示与该单元格对应的特征值。因此,对于每个Vθ,可以获得方差值的特征映射。让Rθ表示与滤波图像Vθ相关联的特征集合。
其中,θ∈{0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°},i=1,…,nc,j=1,…,nc,
以这种方式获得对应于八个过滤图像的八维特征图。这些纹理特征图用于表示查询图像并将其与模板进行匹配。
使用设计好的Log Gabor滤波器对指纹图像进行滤波。对于反变换得到的空域图像,我们只保留有效区域之内的图像,便于后面的特征编码。
S6:细节点与纹理信息匹配:指纹匹配的过程包括将查询指纹与一组一个或多个模板指纹进行比较。在匹配处理之前,从所有模板图像中提取特征信息。本发明提出的混合指纹匹配器利用两组不同的指纹信息进行指纹匹配:细节点特征和纹理特征图。当输入查询图像时,匹配如下进行:
(I)匹配查询和模板细节点特征以生成细节点匹配分数和将查询和模板指纹关联的变换参数(平移和旋转);
(II)使用旋转参数旋转8个Log Gabor滤波器,并将旋转后的过滤器应用于查询图像;
(III)然后根据参数平移和旋转过滤后的查询图像;
(IV)从这些过滤图像中提取纹理特征;
(V)匹配查询和模板纹理特征;
(VI)结合细节点和纹理特征匹配结果,生成单一匹配分数。
S7:匹配分数计算:通过比较细节节点集和脊线特征图而生成的匹配分数被组合,以生成单个匹配分数。
细节点匹配分数对查询和模板图像的细节点集合的相似性的度量,匹配分数越高,匹配越好,相似性分数在[0,100]范围内归一化;脊线特征图匹配分数为通过计算八维特征向量在相应的网格单元中的欧几里德距离和来比较查询图像和模板图像的纹理特征图,在匹配过程中不使用标记为背景的单元格,这会产生距离分数测量;距离分数越高,表示匹配度越差,距离分数在[0,100]范围内归一化,并通过从100中减去它来转换为相似性分数;
通过比较细节节点集和脊线特征图而生成的匹配分数被组合,以生成单个匹配分数。虽然可以使用各种策略来融合这些分数,但我们采用以下求和规则。设SM和SR分别表示细节点匹配和纹理特征图匹配得到的相似度得分。然后,最终匹配分数S被计算为:
S=αSM+(1-α)SR
其中α∈[0,1],α被设置为0.5,可以改变改变α来为各个匹配者分配不同的权重。
实验方法
本发明是基于MATLAB 2020b平台进行的,包括算法调试以及实验结果分析,本发明所使用的指纹数据库是FVC2000、FVC2002、FVC2004。指纹图像匹配的目的是为了提高指纹匹配准确率,所以指纹图像匹配效果可以从指纹图像匹配准确率进行评估。本发明在实验数据库中使用基于细节点的匹配算法与本发明算法进行比较,且比较使用经典Gabor滤波器提取纹理信息和使用Log Gabor滤波器提取纹理信息的情况下的匹配准确率。并且通过实验,比较基于细节点的指纹图像匹配算法与本发明算法耗时情况。
实验数据库
本发明选用的指纹数据库是FVC2000,FVC2002和FVC2004。FVC2000数据库,FVC2002数据库以及FVC2004数据库各自包括4个子数据库,分别由三种不同的传感器和SFinGE合成器采集而成。传感器的类型包括低成本的固态电容传感器,不同面积的光学传感器以及热扫描传感器,不同的传感器采集的指纹图像显示不同的背景噪声。FVC2000数据库考虑了低成本的传感器,FVC2002数据库考虑了采集方式的位移,旋转以及手指状态的干湿程度等干扰因素,FVC2004数据库重点关注变形和干湿程度等干扰因素。但数据库中的指纹图像并非全是低质量指纹图像,故需要对其中的低质量指纹图像进行筛选,建立低质量指纹数据库。本发明选择使用当前被广泛认可的由Tabassi、Wilson和Watson提出的估计全局指纹质量的方法NFIQ[32]进行低质量指纹的筛选工作,建立低质量指纹数据库。
以上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 (8)
1.一种基于纹理信息的低质量指纹匹配方法,其特征在于:包括以下步骤:
S1:指纹图像增强:将指纹输入到在对数尺度上具有高斯分布的LogGabor滤波器;
S2:细节点提取:在指纹图像中检测细节点的过程,每个细节点由其在图像中的(x,y)位置以及在其上被检测到的脊线的方向θ来表征,在(x,y)点周围的区域中的脊线信息与每个细节相关联;
S3:指纹特征信息提取:将给定指纹图像相对于细节点进行分割,特征向量由从每个子块中包含的局部信息中提取的特征的有序枚举组成,特征元素捕获局部信息,而子块的有序枚举捕获局部模式之间的不变全局关系;
S4:建立细节点支持系统:
一个指纹图像中包含N个细节点,Mi=(xi,yi,θi),其中1≤i≤N,(x,y)是细节点在坐标系中的位置,θ是细节点沿着指纹纹线切线方向与横坐标所构成的夹角,对N个细节点中的一个细节点进行平移和旋转,坐标上调整到坐标原点,方向上调整到2π,然后将剩余所有细节点按照平移和旋转的细节点的旋转平移量进行调整,经过调整之后的平移和旋转的细节点叫做核心细节点,而其他所有的细节点叫做支持细节点,将所有的支持细节点称作该核心细节点的核心细节点支持系统;
S5:获得图像对齐参数:将适当旋转的LogGabor滤波器应用于查询图像对滤波得到的图像旋转并提取特征值;
S6:细节点与纹理信息匹配:利用混合指纹匹配器对两组不同的指纹信息进行指纹匹配:细节点特征和纹理特征图;
S7:匹配分数计算:通过比较细节节点集和脊线特征图而生成的匹配分数被组合,以生成单个匹配分数。
2.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:在线性频率尺度上,Log Gabor滤波器的传递函数定义为:
式中,ω0为滤波器的中心频率,为了保证滤波器的形状恒定,对于不同的ω0选择k使k/ω0保持不变。
3.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:所述细节点提取具体包括如下阶段:
1)方向场估计:通过检查方块内x和y方向上像素强度的梯度,在不重叠的方块中计算指纹图像的方向性;
2)脊线检测:通过应用能够沿着局部脊线方向的法线方向突出局部最大灰度值的掩模来识别指纹图像中存在的脊线;
3)脊线细化:利用上一阶段构造的脊线图得到细化后的脊线图像;
4)细节点检测:将一组规则应用于细化的脊线,以标记细节点,即脊端和脊分叉,作为后处理步骤,应用细化算法去除虚假的细节点。
4.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:所述子块中包含的局部信息中提取的特征为平均绝对偏差,子块的平均绝对偏差是每一点的灰度值与子块的平均灰度之间的绝对差值的平均值。
5.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:假设N为5,对细节点M4进行平移和旋转,坐标上调整到坐标原点,方向上调整到2π,然后将剩余所有细节点按照M4的旋转平移量进行调整,调整之后的位置和方向表达式如下所示:
6.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:设H表示增强的查询图像,(tx,ty,tφ)是使用细节点匹配信息获得的平移和旋转参数,然后,得到滤波图像:
其中,表示过滤后的图像旋转了tφ角,/>表示过滤方向θ-tφ对应的过滤图像旋转了tφ角,然后将过滤图像平移(tx,ty),以确保查询图像与模板重叠。
7.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:当输入查询图像时,匹配如下进行:
(I)匹配查询和模板细节点特征以生成细节点匹配分数和将查询和模板指纹关联的变换参数,包括平移和旋转;
(II)使用旋转参数旋转8个LogGabor滤波器,并将旋转后的过滤器应用于查询图像;
(III)然后根据参数平移和旋转过滤后的查询图像;
(IV)从这些过滤图像中提取纹理特征;
(V)匹配查询和模板纹理特征;
(VI)结合细节点和纹理特征匹配结果,生成单一匹配分数。
8.根据权利要求1所述的一种基于纹理信息的低质量指纹匹配方法,其特征在于:细节点匹配分数对查询和模板图像的细节点集合的相似性的度量,匹配分数越高,匹配越好,相似性分数在[0,100]范围内归一化;脊线特征图匹配分数为通过计算八维特征向量在相应的网格单元中的欧几里德距离和来比较查询图像和模板图像的纹理特征图,在匹配过程中不使用标记为背景的单元格,这会产生距离分数测量;距离分数越高,表示匹配度越差,距离分数在[0,100]范围内归一化,并通过从100中减去它来转换为相似性分数;
生成单个匹配分数S表达式如下:
S=αSM+(1-α)SR
其中α∈[0,1],改变α来为各个匹配者分配不同的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452380.1A CN116704557A (zh) | 2023-04-25 | 2023-04-25 | 一种基于纹理信息的低质量指纹匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452380.1A CN116704557A (zh) | 2023-04-25 | 2023-04-25 | 一种基于纹理信息的低质量指纹匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704557A true CN116704557A (zh) | 2023-09-05 |
Family
ID=87838224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452380.1A Pending CN116704557A (zh) | 2023-04-25 | 2023-04-25 | 一种基于纹理信息的低质量指纹匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704557A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152637A (zh) * | 2023-10-30 | 2023-12-01 | 中国海洋大学 | 基于fy-4a卫星云图预测序列的强对流云识别方法 |
CN117218691A (zh) * | 2023-11-09 | 2023-12-12 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
-
2023
- 2023-04-25 CN CN202310452380.1A patent/CN116704557A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152637A (zh) * | 2023-10-30 | 2023-12-01 | 中国海洋大学 | 基于fy-4a卫星云图预测序列的强对流云识别方法 |
CN117218691A (zh) * | 2023-11-09 | 2023-12-12 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
CN117218691B (zh) * | 2023-11-09 | 2024-01-26 | 四川酷比通信设备有限公司 | 一种基于指纹识别的解锁方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748877B (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
Lee et al. | Partial fingerprint matching using minutiae and ridge shape features for small fingerprint scanners | |
US7142699B2 (en) | Fingerprint matching using ridge feature maps | |
Bazen et al. | A correlation-based fingerprint verification system | |
CN101777128B (zh) | 一种融入全局信息的指纹细节点匹配方法及系统 | |
US10445555B2 (en) | Systems and methods for ridge-based fingerprint analysis | |
CN116704557A (zh) | 一种基于纹理信息的低质量指纹匹配方法 | |
Shi et al. | A chaincode based scheme for fingerprint feature extraction | |
US20110044513A1 (en) | Method for n-wise registration and mosaicing of partial prints | |
Zanganeh et al. | Partial fingerprint matching through region-based similarity | |
Jiang et al. | Reference point detection for fingerprint recognition | |
Oldal et al. | Hand geometry and palmprint-based authentication using image processing | |
Patel et al. | An improved approach in fingerprint recognition algorithm | |
Cui et al. | Dense registration and mosaicking of fingerprints by training an end-to-end network | |
Deshpande et al. | End-to-end automated latent fingerprint identification with improved DCNN-FFT enhancement | |
Nachar et al. | Hybrid minutiae and edge corners feature points for increased fingerprint recognition performance | |
Ahmed et al. | An advanced fingerprint matching using minutiae-based indirect local features | |
Mali et al. | Fingerprint recognition using global and local structures | |
Surajkanta et al. | A digital geometry-based fingerprint matching technique | |
Liu et al. | Fingerprint image quality assessment based on BP neural network with hierarchical clustering | |
Balti et al. | Invariant and reduced features for Fingerprint Characterization | |
Sabir | Sensitivity and specificity analysis of fingerprints based algorithm | |
Pintavirooj et al. | Fingerprint verification and identification based on local geometric invariants constructed from minutiae points and augmented with global directional filterbank features | |
Yang et al. | Fingerprint matching using invariant moment features | |
Iwasokun et al. | Singular-minutiae points relationship-based approach to fingerprint matching |
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 |