CN117854120B - 一种指纹识别方法及系统 - Google Patents
一种指纹识别方法及系统 Download PDFInfo
- Publication number
- CN117854120B CN117854120B CN202410260078.0A CN202410260078A CN117854120B CN 117854120 B CN117854120 B CN 117854120B CN 202410260078 A CN202410260078 A CN 202410260078A CN 117854120 B CN117854120 B CN 117854120B
- Authority
- CN
- China
- Prior art keywords
- value
- points
- pixel point
- breakpoint
- fingerprint
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012795 verification Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000009966 trimming Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06V40/1365—Matching; Classification
- G06V40/1376—Matching features related to ridge properties or fingerprint 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
- G06V10/40—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
- G06V10/457—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 analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及人工智能技术领域,更具体地,本发明涉及一种指纹识别方法及系统,方法包括:录入指纹图像生成指纹库,采集指纹样本图像,进行预处理作为验证图像,计算验证图像中每条纹路上同梯度方向上的目标像素点和相邻两个像素点之间的平均差异值,并进行归一化后作为断点概率值;设置移动窗口,计算中心像素点与周围像素点的灰度值的变化程度值;对所有断点进行聚类,将每个聚类簇中其他断点依次连接并计算边缘齐整度值,基于边缘齐整度值判断聚类簇中所有断点是否为伤痕导致,并确定伤痕概率值;使用监督学习模型对验证图像与指纹库中的指纹匹配,本发明通过匹配结果,便于对印刷机指纹识别认证管理,提高指纹检测的准确性。
Description
技术领域
本发明一般地涉及人工智能技术领域。更具体地,本发明涉及一种指纹识别方法及系统。
背景技术
指纹识别广泛应用在工作中的各个领域,是一种重要的识别方式。比如在印刷机工厂中,就会使用指纹采集器将印刷机管理人员的指纹录入指纹库。在对印刷机进行操作时,需要管理人员通过指纹识别认证,保证印刷机只在管理人员的权限下才能运行。但是如果管理人员的指纹有伤痕,则当管理人员在采集器上再次输入自己的指纹时,采集器很难准确识别出对应指纹的管理人员,从而影响工作效率。因此,在进行指纹验证时,必须对有伤痕的指纹进行处理,解决有伤痕的指纹难以准确识别相对应管理人员的问题。
当使用图像处理算法连接因伤痕断开的纹路时,由于指纹本身含有小部分断开的纹路,这些纹路上含有指纹的特征点。如果不能准确识别出哪些纹路是因伤痕断开可连接,哪些纹路是指纹自身断开的纹路不能连接,则会导致所有断点连接在一起,从而失去指纹特征点,导致指纹识别系统不准确。
发明内容
为解决上述一个或多个技术问题,本发明提出对验证图像进行识别像素点为伤痕导致的断点,进一步分析排除指纹特征所存在的断点,计算剩余断点的边缘齐整度值,为了提高指纹识别系统的准确性,准确识别因伤痕断开的纹路并将其重新连接起来的问题,为此,本发明在如下的多个方面中提供方案。
在第一方面中,本发明公开一种指纹识别方法,包括:录入指纹图像,生成指纹库,采集指纹样本图像,对所述指纹样本图像进行预处理作为验证图像,其中采集指纹样本图像为再次录入纹理断裂的指纹图像;计算所述验证图像中每条纹路上同梯度方向上的目标像素点和目标像素点的相邻两个像素点之间的灰度值的平均差异值,将所述平均差异值进行归一化后作为像素点是断点的断点概率值;设置像素点的移动窗口,以使所述移动窗口至少包含所述验证图像中任意相邻三条纹理的边缘,计算不同尺寸的移动窗口内中心像素点与周围像素点的灰度值的方差并作为移动窗口内灰度值的变化程度值;使用均值聚类对所有断点进行聚类,得到多个聚类簇,对每个所述聚类簇中断点进行分析,将每个聚类簇中断点的连通域中属于同一聚类簇的其他断点依次连接,计算所述其他断点的边缘齐整度值,基于所述边缘齐整度值判断聚类簇中所有断点是否为伤痕导致;根据所述变化程度值和边缘齐整度值确定聚类簇中所有断点是伤痕的伤痕概率值;使用监督学习模型将再次录入的验证图像与指纹库中的指纹匹配,根据匹配结果,对印刷机进行指纹识别认证管理。
在一个实施例中,计算所述验证图像中每条纹路上同梯度方向上的目标像素点和目标像素点的相邻两个像素点之间的灰度值的平均差异值,将所述平均差异值进行归一化后作为像素点是断点的断点概率值,包括步骤:
使用边缘检测算法计算所述验证图像的纹路上目标像素点的梯度方向;
计算目标像素点与目标像素点相邻两个像素点的灰度值的差值,根据所述差值取绝对值后求平均值,作为平均差异值;
遍历所有纹路上所有的像素点,得出每个像素点属于断点的断点概率值。
在一个实施例中,所述遍历所有纹路上所有的像素点,得出每个像素点属于断点的断点概率值,断点概率值满足下述关系式:
;
式中,表示第/>个像素点属于断点内像素点的概率值,/>表示目标像素点的灰度值的平均差异值;
响应于目标像素点的概率值大于预设阈值,则目标像素点为断点内像素点。
在一个实施例中,设置像素点的移动窗口,包括步骤:
遍历计算所述验证图像中所有两个断点像素点之间的距离,根据所述距离获取两个断点像素点之间的中心像素点和中心像素点的坐标;
计算所述中心像素点的两个断点的梯度方向的平均方向,过中心像素点沿着平均方向获得中心像素点的相邻中心像素点,遍历计算所述中心像素点和相邻中心像素点之间的距离的最大值,对所述最大值取整,记为;
以所述中心像素点为中心,设置移动窗口的长为个像素点,宽为1个像素点,其中,/>的取值范围/>之间的整数。
在一个实施例中,所述变化程度值满足下述关系式:
;
式中,表示第/>个中心像素点的两个断点的变化程度值,/>是不同大小窗口的数量,/>是第/>个中心像素点与其他像素点在/>个窗口下的方差;
响应于变化程度值大于等于概率阈值时,对中心像素点的两个断点进行保留。
在一个实施例中,使用均值聚类对所有断点进行聚类,得到多个聚类簇,对每个所述聚类簇中断点进行分析,将每个聚类簇中断点的连通域中属于同一聚类簇的其他断点依次连接,计算所述其他断点的边缘齐整度值,包括:
使用K-means均值聚类算法,对所有断点进行聚类,均值聚类算法中的类簇数量由手肘法确定,得到多个聚类簇;
计算每个断点中像素点的梯度方向,获取任意一个断点的平均梯度方向作为基准方向与周围两侧相邻的断点的梯度方向进行作差,得到偏移程度值,遍历计算每个所述基准方向与两侧的平均梯度方向的偏移程度值;
根据所述偏移程度值得到边缘齐整度值。
在一个实施例中,所述偏移程度值满足下述关系式:
;
式中,表示第/>个断点平均梯度方向与基准方向的偏移程度,/>表示第/>个断点中像素点的梯度方向,且为基准方向,/>表示相邻第/>个断点中像素点的梯度方向,/>表示相邻第/>个断点中像素点的梯度方向;
所述边缘齐整度值满足下述关系式:
;
式中,表示边缘齐整度值,/>表示断点数量,/>表示断点的序号;
响应于边缘齐整度值大于边缘阈值,则该聚类簇中所有断点是由伤痕导致。
在一个实施例中,所述伤痕概率值满足下述关系式:
;
式中,表示第/>个断点为伤痕的概率值,/>表示边缘齐整度值,/>表示第/>个中心像素点的两个断点的变化程度值。
第二方面,本发明公开一种指纹识别系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现所述的或上述的的指纹识别方法。
本发明具有以下效果:
1.本发明通过确定验证图像中的断点,在所有断点中排除指纹特征点,计算剩余断点的边缘齐整度。根据像素点是断点的概率、像素点是由伤痕导致的概率以及断点的边缘齐整度,来计算断点由伤痕导致的可能性,进一步处理指纹受损导致图像采集不完全的缺点,提高指纹检测的准确性。
2.本发明通过根据断点由伤痕导致的可能性,识别验证图像中由伤痕导致的断点,通过插值法将此类中所有断点连接起来,达到复原指纹的效果,从而提高指纹检测的准确性。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种指纹识别方法中步骤S1-S6的方法流程图。
图2是本发明实施例一种指纹识别方法中去噪锐化的验证图像示意图。
图3是本发明实施例一种指纹识别方法中指纹特征点断点示意图。
图4是本发明实施例一种指纹识别方法中指纹特征点伤痕断点示意图。
图5是本发明实施例一种指纹识别方法中步骤S20-S23的方法流程图。
图6是本发明实施例一种指纹识别方法中步骤S30-S33的方法流程图。
图7是本发明实施例一种指纹识别方法中步骤S40-S42的方法流程图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种指纹识别方法包括步骤S1-步骤S6,具体如下:
S1:录入指纹图像,生成指纹库,采集指纹样本图像,对指纹样本图像进行预处理作为验证图像,其中采集指纹样本图像为再次录入纹理断裂的指纹图像。
进一步说明,本实施例中,对验证图像进行灰度化处理,处理后作为验证图像,并对验证图像进行去噪,再进行图像锐化,得到处理后的验证图像,参照图2,由于在对印刷机进行管理员识别认证时,指纹图像在采集过程中可能会受到如摄像头噪声的干扰,噪声干扰会降低指纹特征的清晰度,使图像变模糊。因此需要对验证图像使用滤波进行去噪处理,使用边缘增强技术进行锐化处理,从而达到消除图像噪声,增强图像的边缘细节,提高图像清晰度的有益效果。
S2:计算验证图像中每条纹路上同梯度方向上的目标像素点和目标像素点的相邻两个像素点之间的灰度值的平均差异值,将平均差异值进行归一化后作为像素点是断点的断点概率值。
进一步说明,当目标像素点处于纹路未断开的区域时,获取与目标像素点的梯度方向垂直的相邻像素点,垂直方向可以用来表示纹理方向。由于相邻像素点和目标像素点属于同一条纹理,因此灰度值差异较小;而当目标像素点处于纹路断开端点区域时,由于相邻像素点和目标像素点分别属于纹理和背景区域,因此相邻像素点与该像素点的灰度值差异较大,灰度值差异较大的像素点有可能是断点。因此可以通过计算每一条纹路同梯度方向上的目标像素点和目标像素点相邻像素点之间的灰度值差异来寻找验证图像中所有断开的点,称其为断点。
参照图5,包括步骤S20-步骤S23:
S20:使用边缘检测算法计算验证图像的纹路上目标像素点的梯度方向;
进一步说明,本实施例中,使用Sobel算子计算梯度方向,基于卷积操作的方法,通过与验证图像的每个像素点进行卷积,计算每个像素点水平和垂直方向的梯度,通过这两个梯度可以用来强调图像中的边缘,本技术为公知技术,本实施例不再详细描述。
S21:计算目标像素点与目标像素点相邻两个像素点的灰度值的差值,根据差值取绝对值后求平均值,作为平均差异值;
S22:遍历所有纹路上所有的像素点,得出每个像素点属于断点的断点概率值。
断点概率值满足下述关系式:
;
式中,表示第/>个像素点属于断点内像素点的概率值,/>表示目标像素点的灰度值的平均差异值;
进一步说明,当第个像素点的灰度值平均差异/>越大,则该像素点是断点的可能性/>就越大。
S23:响应于目标像素点的概率值大于预设阈值,则目标像素点为断点内像素点。
进一步说明,遍历验证图像中所有纹路上所有的像素点,得出每个像素点属于断点内像素点的可能性。本实施例中,预设阈值为0.3,当每个像素点的概率值大于0.3时,像素点是断点内像素点。需注意,断点内含有多个像素点。
进一步说明,分析去噪锐化后的验证图像,对两个相邻指纹特征点的断点间像素点进行分析:在断点所在纹理及其相邻俩条纹理的范围内,同梯度方向上的像素点之间的灰度值的变化程度较小,若超出两条纹理范围则灰度值变化程度较大,参照图3;其中,方框表示分析的范围,粗圆点表示指纹特征点的断点。
对两个由伤痕导致的相邻断点之间的像素点进行分析:在断点所在纹理及其相邻俩条纹理乃至更多条纹理之间,像素点的灰度值变化程度依旧很小,参照图4,因此设立以两个相邻断点之间的中间像素点为中心的移动窗口来分析这两个断点是否由伤痕导致。
S3:设置像素点的移动窗口,以使移动窗口至少包含验证图像中任意相邻三条纹理的边缘,计算不同尺寸的移动窗口内中心像素点与周围像素点的灰度值的方差并作为移动窗口内灰度值的变化程度值。
参照图6,包括步骤S30-步骤S33:
S30:遍历计算验证图像中所有两个断点像素点之间的距离,根据距离获取两个断点像素点之间的中心像素点和中心像素点的坐标;
S31:计算中心像素点的两个断点的梯度方向的平均方向,过中心像素点沿着平均方向获得中心像素点的相邻中心像素点,遍历计算中心像素点和相邻中心像素点之间的距离的最大值,对最大值取整,记为;
进一步说明,遍历计算中心像素点和相邻中心像素点之间的距离的最大值,使用两点之间的欧氏距离进行计算。
S32:以中心像素点为中心,设置移动窗口的长为个像素点,宽为1个像素点,其中,/>的取值范围为/>之间的整数;
进一步说明,的取值范围为/>之间的整数,取值范围最小是根据中心像素点和中心像素点两侧相邻中心像素点进行分析。
S33:计算不同移动窗口内中心像素点与周围像素点的灰度值的变化程度值,变化程度值满足下述关系式:
;
式中,表示第/>个中心像素点的两个断点的变化程度值,/>是不同大小窗口的数量,/>是第/>个中心像素点与其他像素点在/>个窗口下的方差;
进一步说明,计算不同移动窗口内中心像素点与周围像素点的灰度值的方差,方差能表示在不同大小的窗口内灰度值的变化程度,是第/>个中心像素点在/>个窗口下的平均方差,平均方差越大,说明在窗口内像素点的灰度值变化就越大,则中心像素点对应的两个断点是由伤痕导致的变化程度值/>就越大。若平均方差越小,则该中心像素点对应的两个断点是由伤痕导致的变化程度值/>就越小。
响应于变化程度值大于等于概率阈值时,对中心像素点的两个断点进行保留。
进一步说明,本实施例中概率阈值为0.6,变化程度值小于0.6的断点不是由伤痕导致的,则去掉这些断点,保留剩余变化程度值大于0.6的断点。
S4:使用均值聚类对所有断点进行聚类,得到多个聚类簇,对每个聚类簇中断点进行分析,将每个聚类簇中断点的连通域中属于同一聚类簇的其他断点依次连接,计算其他断点的边缘齐整度值,基于边缘齐整度值判断聚类簇中所有断点是否为伤痕导致。
进一步说明,由于无法确定剩余断点哪些属于同一条伤痕,因此下述实施例中使用K-means均值聚类算法来对所有断点进行聚类,将属于同一条伤痕的断点分成一类。
参照图7,包括步骤S40-步骤S42:
S40:使用K-means均值聚类算法,对所有断点进行聚类,均值聚类算法中的类簇数量由手肘法确定,得到多个聚类簇;
进一步说明,手肘法为现有公知技术,本事实施例不再详细描述。
S41:计算每个断点中像素点的梯度方向,获取任意一个断点的平均梯度方向作为基准方向与周围两侧相邻的断点的梯度方向进行作差,得到偏移程度值,遍历计算每个基准方向与两侧的平均梯度方向的偏移程度值;
偏移程度值满足下述关系式:
;
式中,表示第/>个断点平均梯度方向与基准方向的偏移程度,/>表示第/>个断点中像素点的梯度方向,且为基准方向,/>表示相邻第/>个断点中像素点的梯度方向,/>表示相邻第/>个断点中像素点的梯度方向;
进一步说明,偏移程度值较小,则说明该断点上的每个像素点与基准方向的梯度方向大致相似。如果每个断点的偏移程度值都比较小,则边缘齐整度值较小。
S42:根据偏移程度值得到边缘齐整度值,基于边缘齐整度值判断所有断点是否由伤痕导致。
边缘齐整度值满足下述关系式:
;
式中,表示边缘齐整度值,/>表示断点数量,/>表示断点的序号;
响应于边缘齐整度值大于边缘阈值,则该聚类簇中所有断点是由伤痕导致。
进一步说明,本实施例中边缘阈值为10,当边缘阈值大于10的聚类簇中所有断点是由伤痕导致的。通过插值法将此类中所有断点连接起来,达到复原指纹的效果,从而提高指纹检测的准确性。需要注意,插值法是现有公知技术,此处不再赘述。
S5:根据变化程度值和边缘齐整度值确定聚类簇中所有断点是伤痕的伤痕概率值。
伤痕概率值满足下述关系式:
;
式中,表示第/>个断点为伤痕的概率值,/>表示边缘齐整度值,/>表示第/>个中心像素点的两个断点的变化程度值。
进一步说明,本实施例中赋予变化程度值一个权重系数,如1.2来表示其影响程度。因为当变化程度值越大时,断点是由伤痕导致的可能性就越大,而边缘齐整度值的变化对断点是由伤痕导致的可能性影响不大。因此可以将边缘齐整度值作为一个修正系数,将变化程度值设置为指数,将边缘齐整度值作为底数,来表示二者之间的关系。
S6:使用监督学习模型将再次录入的验证图像与指纹库中的指纹匹配,根据匹配结果,对印刷机进行指纹识别认证管理。
进一步说明,本事实施例中,使用支持向量机用于验证图像分类和匹配,支持向量机的具体流程为:
特征提取及处理:对指纹库中的指纹数据和待匹配的采集指纹数据使用相同的特征提取方法,提取出特征向量。确保提取出来的特征向量维度一致。再对提取出的特征向量进行归一化处理。
训练SVM(Support Vector Machine,支持向量机)模型:使用指纹库中的指纹数据和相应的标签匹配来训练一个SVM模型。从而实现根据给定的标签对数据进行分类。
匹配并反馈结果:将待匹配的采集指纹数据,提取特征向量后,将其输入到训练好的SVM模型。根据实际情况设置合适的匹配阈值,根据模型的预测结果判断是否匹配。如果SVM输出的匹配度高于阈值,则判断为匹配,便于管理人员通过印刷机指纹识别认证。
系统包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明第一方面的指纹识别方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (7)
1.一种指纹识别方法,其特征在于,包括:
录入指纹图像,生成指纹库,采集指纹样本图像,对所述指纹样本图像进行预处理作为验证图像,其中采集指纹样本图像为再次录入纹理断裂的指纹图像;
计算所述验证图像中每条纹路上同梯度方向上的目标像素点和目标像素点的相邻两个像素点之间的灰度值的平均差异值,将所述平均差异值进行归一化后作为像素点是断点的断点概率值;
设置像素点的移动窗口,以使所述移动窗口至少包含所述验证图像中任意相邻三条纹理的边缘,计算不同尺寸的移动窗口内中心像素点与周围像素点的灰度值的方差并作为移动窗口内灰度值的变化程度值;
使用均值聚类对所有断点进行聚类,得到多个聚类簇,对每个所述聚类簇中断点进行分析,将每个聚类簇中断点的连通域中属于同一聚类簇的其他断点依次连接,计算所述其他断点的边缘齐整度值,基于所述边缘齐整度值判断聚类簇中所有断点是否为伤痕导致;
根据所述变化程度值和边缘齐整度值确定聚类簇中所有断点是伤痕的伤痕概率值;
使用监督学习模型将再次录入的验证图像与指纹库中的指纹匹配,根据匹配结果,对印刷机进行指纹识别认证管理;
使用均值聚类对所有断点进行聚类,得到多个聚类簇,对每个所述聚类簇中断点进行分析,将每个聚类簇中断点的连通域中属于同一聚类簇的其他断点依次连接,计算所述其他断点的边缘齐整度值,包括:
使用K-means均值聚类算法,对所有断点进行聚类,均值聚类算法中的类簇数量由手肘法确定,得到多个聚类簇;
计算每个断点中像素点的梯度方向,获取任意一个断点的平均梯度方向作为基准方向与周围两侧相邻的断点的梯度方向进行作差,得到偏移程度值,遍历计算每个所述基准方向与两侧的平均梯度方向的偏移程度值;
根据所述偏移程度值得到边缘齐整度值,基于所述边缘齐整度值判断所有断点是否由伤痕导致;
所述偏移程度值满足下述关系式:
;
式中,表示第/>个断点平均梯度方向与基准方向的偏移程度,/>表示第/>个断点中像素点的梯度方向,且为基准方向,/>表示相邻第/>个断点中像素点的梯度方向,表示相邻第/>个断点中像素点的梯度方向;
所述边缘齐整度值满足下述关系式:
;
式中,表示边缘齐整度值,/>表示断点数量,/>表示断点的序号;
响应于边缘齐整度值大于边缘阈值,则该聚类簇中所有断点是由伤痕导致。
2.根据权利要求1所述的一种指纹识别方法,其特征在于,计算所述验证图像中每条纹路上同梯度方向上的目标像素点和目标像素点的相邻两个像素点之间的灰度值的平均差异值,将所述平均差异值进行归一化后作为像素点是断点的断点概率值,包括步骤:
使用边缘检测算法计算所述验证图像的纹路上目标像素点的梯度方向;
计算目标像素点与目标像素点相邻两个像素点的灰度值的差值,根据所述差值取绝对值后求平均值,作为平均差异值;
遍历所有纹路上所有的像素点,得出每个像素点属于断点的断点概率值。
3.根据权利要求2所述的一种指纹识别方法,其特征在于,所述遍历所有纹路上所有的像素点,得出每个像素点属于断点的断点概率值,断点概率值满足下述关系式:
;
式中,表示第/>个像素点属于断点内像素点的概率值,/>表示目标像素点的灰度值的平均差异值;
响应于目标像素点的概率值大于预设阈值,则目标像素点为断点内像素点。
4.根据权利要求1所述的一种指纹识别方法,其特征在于,设置像素点的移动窗口,包括步骤:
遍历计算所述验证图像中所有两个断点像素点之间的距离,根据所述距离获取两个断点像素点之间的中心像素点和中心像素点的坐标;
计算所述中心像素点的两个断点的梯度方向的平均方向,过中心像素点沿着平均方向获得中心像素点的相邻中心像素点,遍历计算所述中心像素点和相邻中心像素点之间的距离的最大值,对所述最大值取整,记为;
以所述中心像素点为中心,设置移动窗口的长为个像素点,宽为1个像素点,其中,/>的取值范围为/>之间的整数。
5.根据权利要求1所述的一种指纹识别方法,其特征在于,
所述变化程度值满足下述关系式:
;
式中,表示第/>个中心像素点的两个断点的变化程度值,/>是不同大小窗口的数量,/>是第/>个中心像素点与其他像素点在/>个窗口下的方差;
响应于变化程度值大于等于概率阈值时,对中心像素点的两个断点进行保留。
6.根据权利要求1所述的一种指纹识别方法,其特征在于,
所述伤痕概率值满足下述关系式:
;
式中,表示第/>个断点为伤痕的概率值,/>表示边缘齐整度值,/>表示第/>个中心像素点的两个断点的变化程度值。
7.一种指纹识别系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-6任一项所述的指纹识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410260078.0A CN117854120B (zh) | 2024-03-07 | 2024-03-07 | 一种指纹识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410260078.0A CN117854120B (zh) | 2024-03-07 | 2024-03-07 | 一种指纹识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117854120A CN117854120A (zh) | 2024-04-09 |
CN117854120B true CN117854120B (zh) | 2024-05-28 |
Family
ID=90533016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410260078.0A Active CN117854120B (zh) | 2024-03-07 | 2024-03-07 | 一种指纹识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117854120B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657579A (zh) * | 2018-12-07 | 2019-04-19 | 上海爱信诺航芯电子科技有限公司 | 一种指纹裂纹的检测与修复方法 |
CN111753725A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种指纹修复方法及装置 |
CN114863493A (zh) * | 2022-07-06 | 2022-08-05 | 北京圣点云信息技术有限公司 | 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 |
CN114863492A (zh) * | 2022-07-06 | 2022-08-05 | 北京圣点云信息技术有限公司 | 一种低质量指纹图像的修复方法及修复装置 |
CN117423126A (zh) * | 2023-12-18 | 2024-01-19 | 广州市省信软件有限公司 | 一种基于数据分析的票据图文识别方法及系统 |
CN117496560A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市魔力信息技术有限公司 | 一种基于多维向量的指纹纹线识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676068B2 (en) * | 2006-09-18 | 2010-03-09 | Miguel Angel Cervantes | Biometric authentication |
US8379943B2 (en) * | 2009-05-28 | 2013-02-19 | Li-Kuo Chiu | High-performance fingerprint image-processing method |
-
2024
- 2024-03-07 CN CN202410260078.0A patent/CN117854120B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657579A (zh) * | 2018-12-07 | 2019-04-19 | 上海爱信诺航芯电子科技有限公司 | 一种指纹裂纹的检测与修复方法 |
CN111753725A (zh) * | 2020-06-24 | 2020-10-09 | 上海依图网络科技有限公司 | 一种指纹修复方法及装置 |
CN114863493A (zh) * | 2022-07-06 | 2022-08-05 | 北京圣点云信息技术有限公司 | 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 |
CN114863492A (zh) * | 2022-07-06 | 2022-08-05 | 北京圣点云信息技术有限公司 | 一种低质量指纹图像的修复方法及修复装置 |
CN117423126A (zh) * | 2023-12-18 | 2024-01-19 | 广州市省信软件有限公司 | 一种基于数据分析的票据图文识别方法及系统 |
CN117496560A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市魔力信息技术有限公司 | 一种基于多维向量的指纹纹线识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
一种改进的指纹图像二值化处理方法;田俊青 等;微型机与应用;20100930;29(第18期);52-55 * |
指纹图像预处理算法的改进;孟建民 等;机械制造与自动化;20090228(第01期);71-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN117854120A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860670B (zh) | 域自适应模型训练、图像检测方法、装置、设备及介质 | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
Wang et al. | iVAT and aVAT: enhanced visual analysis for cluster tendency assessment | |
CN112419297A (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
US20130089260A1 (en) | Systems, Methods, and Software Implementing Affine-Invariant Feature Detection Implementing Iterative Searching of an Affine Space | |
WO2011022212A1 (en) | Automatic identification of fingerprint inpainting target areas | |
CN103383732A (zh) | 图像处理方法和装置 | |
CN111079571A (zh) | 证卡信息识别及其边缘检测模型训练方法、装置 | |
CN112926592B (zh) | 一种基于改进Fast算法的商标检索方法及装置 | |
CN113011426A (zh) | 一种识别证件的方法和装置 | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN116228644A (zh) | 图像检测方法、电子设备及存储介质 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN111488811B (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
CN116434071B (zh) | 一种规整化建筑掩膜的确定方法、确定装置、设备及介质 | |
CN117854120B (zh) | 一种指纹识别方法及系统 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN116343223A (zh) | 一种基于深度学习的字轮式水表读数方法 | |
CN115439891A (zh) | 一种基于小指纹头、低算力和低存储芯片的指纹识别方法 | |
Yuan et al. | A detection method of palmprint principal lines based on local minimum gray value and line following | |
CN114677552A (zh) | 用于深度学习的指纹细节数据库标注方法和系统 | |
CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 |
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 |