CN1246800C - 协同指纹识别方法 - Google Patents

Abstract

协同指纹识别方法，其特征是以整幅指纹图像作为运算单元，采用分级群体检索方式，即首先进行协同指纹分类，再在协同指纹分类的基础上，进行协同指纹匹配，具体为：采集原始指纹，按类存入指纹数据库；以每一类别中的原始指纹作为学习样本，采用K-均值聚类方法产生聚类中心；输入待识别指纹，按协同指纹分类法将其分入相应类别中；按协同指纹匹配法进行指纹匹配，给出识别结果。该方法计算代价小、复杂度低、识别速度快、鲁棒性较强，对加噪、微量旋转、污损、划痕等指纹样本具有较高的识别率，可以广泛的应用于金融证券、IT产业、安防、公安、医疗、福利等行业中的身份认证领域。

Description

协同指纹识别方法

技术领域：

本发明涉及生物特征识别技术，特别是指纹识别技术。

背景技术：

随着计算机与网络技术的发展，信息的安全性便显得极为重要，生物特征识别技术，尤其是指纹识别技术在这一领域中越来越受到关注。

在自动指纹识别中，指纹分类和匹配是重点。传统的指纹分类算法主要是基于方向场的计算，而传统的指纹匹配算法普遍依赖于指纹图像中心，基于指纹的细节特征来进行识别。基于此的现有指纹识别方法存在如下问题：

1、计算机复杂度高、识别速度慢。大多方法以对图像像素点逐一计算以分析特征点的空间特性为主流，以像素方式完成搜索，整个过程需要作多次整幅图像的遍历操作，系统耗时和计算代价相当高，预处理和特征提取复杂。

2、对于残缺、污损指纹识别率不高，鲁棒性不强。在实际图像采集过程中，由于每次手指按压的方位、力度不完全一样，会造成指纹图像存在不同程度的旋转和变形，加之其他因素造成的模糊、残缺，传统的预处理和特征提取方法会有一定的困难，识别效果不好。

3、以单一像素点为基本运算单元，图像的整体信息被忽略，自下而上的寻找图像特征点，计算过程中较多的依赖于先验知识，造成分类和匹配的自适应能力不强。

发明内容：

本发明所要解决的技术问题是避免上述现有技术中所存在的不足之处，提供一种计算复杂度低、识别速度高、算法鲁棒性较强的协同指纹识别方法。

本发明解决技术问题所采用的技术方案是：

本发明方法的特点是以整幅指纹图像作为运算单元，采用分级群体检索方式，即首先进行协同指纹分类，再在协同指纹分类的基础上，进行协同指纹匹配，具体步骤为：

a、存储：采集有进入权限个体的原始指纹，按拱、左旋、右旋、尖拱及漩涡五大类存入指纹数据库；

b、聚类：以每一类别中的原始指纹作为学习样本，采用K-均值聚类方法产生聚类中心，作为第一级类别原型向量；

c、分类：输入待识别指纹，按协同指纹分类法将其分入相应类别中待匹配；

d、匹配：以该类别中存储的原始指纹作为第二级原型向量，按协同指纹匹配法进行指纹匹配，给出识别结果；

所述协同指纹分类法为：

a、每一类别中选取一定量代表性样本，采用K-均值聚类算法得到该类别聚类中心；

b、将五类别聚类中心图像向量化后，在经过归一化和零均值处理，作为原型向量v_k存入预存储矩阵；

c、求出原型向量v_k的伴随向量v_k ⁺，完成网络学习；

d、待识别指纹图像向量化，计算出满足归一化和零均值条件的输入模式向量q(0)；

e、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值ξ_k(0)；

f、各序参量竞争演化，直到系统稳定于某原型模式，待识别指纹归入该原型模式所代表的类别；

所述协同指纹匹配法为：

a、训练图像向量化，计算出满足归一化和零均值的原型模式向量v_k；

b、求出原型向量v_k的伴随向量v_k ⁺；

c、待识别图像向量化，计算出满足归一化和零均值条件的输入模式向量q(0)；

d、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值；检查输入样本合法性：计算各模式序参量的初值，判断输入指纹是否合法：若是合法的，则转步骤e；否则，则进入步骤f；

e、将序参量进行演化，直到系统稳定于某个模式而识别出指纹模式；

f、给出非法输入信息，拒绝识别，结束。

20世纪80年代末，Haken教授提出将协同学原理运用于模式识别的新概念。协同模式识别过程可以理解为若干序参量竞争的过程，对待识别模式q可以构造一个动力学过程，使q经过一个中间状态q(t)进入到诸原型模式中的一个模式v_k，即这个原型模式与q(0)最为靠近。满足模式识别的方程为：

$\stackrel{\·}{q}=\underset{k}{\mathrm{\Σ}}{\mathrm{\λ}}_k{v}_k\left(v_k^{+}q\right)-B\underset{k\≠k^{\′}}{\mathrm{\Σ}}{\left(v_{k^{\′}}^{+}q\right)}^2\left(v_k^{+}q\right)v_k-C\left(q^{+}q\right)q+F\left(t\right)---\left(1\right)$

式中：λ_k为注意参数，只有当它为正时，模式才能被识别；q为待识别模式；v_k为原型模式；v_k ⁺为v_k的正交伴随向量；F(t)为涨落力。序参量的引入可使协同模式识别过程的表达简化，定义序参量

${\mathrm{\ξ}}_k=v_k^{+}q---\left(2\right)$

并且服从方程：

$\stackrel{\·}{\mathrm{\ξ}}={\mathrm{\ξ}}_k(\mathrm{\λ}-D+{\mathrm{B\ξ}}_k^2),D=(B+C)\underset{k^{\′}}{\mathrm{\Σ}}{\mathrm{\ξ}}_{k^{\′}}^2---\left(3\right)$

在Haken图像识别模型中，数字图像矩阵首先被转换为两维的图像灰度值矩阵，平铺后，进行归一化、零均值处理，然后转置为一维列向量作为输入向量。不考虑空间信息，故状态向量仅与时间坐标t有关。

协同指纹分类法可分为两个过程：一是求取聚类中心获得五个类别的原型向量，二是指纹分类过程。而协同指纹匹配法也分为两个过程：一是训练过程，二是具体匹配过程。

协同指纹分类和匹配都是以协同神经网络为运算单元，它们遵循的是同样的动力学过程和工作原理，协同指纹识别即是建立于此基础之上。利用分级网络来使自动指纹识别得以实现。

上述模型体现了等级化的原则，将全局竞争转换为若干个子域之中的局部竞争，每次参与的原型向量数目只约为经典Haken网络的五分之一(指纹划分为五大类型)，克服了原有网络处理海量模式识别时伴随向量求取的困难。

为了克服Haken网络中WTA(Winner Take All)策略中可能出现的认伪情况，可以采用序参量选择机制，防止非法指纹的入侵：设定一个序参量初始模值最低门限，若在指纹匹配过程中，序参量中最大初始模值低于这个阈值，则给出拒绝识别信息，相似度太低的指纹图像识别是不安全的，是非法的。

本发明中基于协同模式识别提取的协同指纹特征具有两个整体性：求取整体性和对比整体性。这样的运算方式无需传统特征提取中像素逐个遍历过程，算法复杂度和运算代价随之降低。同时，也保存了图像的整体信息，有利于残缺、污损等像素域结构信息丢失的指纹识别。它不仅提取出单个图像的自有特征，而且考虑到该图像与其他图像的不同之处。协同的方法直接针对整体图像像素灰度，不需要对数据库中每个图像的形状、纹理、特征点单独进行分析，是一种独立于应用领域之外的索引方法。协同神经网络是自上而下的神经网络，协同方法是群体检索方式。因此，与已有技术相比，本发明有益效果体现在：

1、本发明方法中运用的算法计算代价小、复杂度低、识别速度快，无须对指纹图像作大量预处理和复杂的特征提取工作。

2、本发明方法对残缺、污损样本识别率高、算法鲁棒性较强，对输入图像的质量要求不高。

3、本发明方法分级完成识别，是自上而下的，没有伪状态的出现，且利用了图像的整体信息，不过多依赖先验知识，识别自适应性强，更接近人脑认知机理的机制。

4、本发明方法可适用于网络密码认证、门禁系统等，作为嵌入式系统用于需要进行安全性防范的场合。在包括金融证券、IT产业、安防、公安、医疗、福利等领域具有广阔的应用前景。

附图说明：

图1为实施本发明方法的系统框图。

图2为本发明协同指纹分类法框图。

图3为本发明协同指纹匹配法框图。

具体实施方式：

以整幅指纹图像作为运算单元，采用分级群体检索方式，即首先采用协同指纹分类器，按指纹的五大类：拱、左旋、右旋、尖拱及漩涡五大类进行分类，即快速的粗糙级识别；然后，在协同指纹分类的结果上，在某一协同指纹匹配器中进行匹配，即精细级的识别。具体步骤为：

a、存储：采集有进入权限个体的原始指纹，按拱、左旋、右旋、尖拱及漩涡五大类存入指纹数据库；

b、聚类：以每一类别中的原始指纹作为学习样本，采用K-均值聚类方法产生聚类中心，作为第一级类别原型向量；

c、分类：输入待识别指纹，按协同指纹分类法将其分入相应类别中待匹配；

d、匹配：以该类别中存储的原始指纹作为第二级原型向量，按协同指纹匹配法进行指纹匹配，给出识别结果。

参见图1，实施本发明方法的系统主要由两部分组成：协同指纹分类器与协同指纹匹配器。其中，协同指纹分类器由预存储系统和分类系统组成，协同指纹分类法框图如图2所示。协同指纹匹配器由预存储系统和匹配系统组成，协同指纹匹配法框图如图3所示。

参见图2，协同指纹分类法的具体实现为：

a、每一类别中选取一定量代表性样本，采用K-均值聚类算法得到该类别聚类中心；

b、将五类别聚类中心图像向量化后，在经过归一化和零均值处理，作为原型向量v_k存入预存储矩阵；

c、求出原型向量v_k的伴随向量v_k ⁺，完成网络学习；

d、待识别指纹图像向量化，计算出满足归一化和零均值条件的输入模式向量q(0)；

e、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值ξ_k(0)；

f、各序参量竞争演化，直到系统稳定于某原型模式，待识别指纹归入该原型模式所代表的类别。在协同指纹分类中，所使用的序参量竞争方程为：

${\stackrel{\·}{\mathrm{\ξ}}}_k=\mathrm{\γ}({\mathrm{\λ}}_k-D+{\mathrm{B\ξ}}_{k^{\′}}^2\left(t\right)){\mathrm{\ξ}}_k\left(t\right)---\left(4\right)$

$D=(B+C)\underset{k^{\′}}{\mathrm{\Σ}}{\mathrm{\ξ}}_{k^{\′}}^2\left(t\right)---\left(5\right)$

其中γ是迭代步长。

参见图3，协同指纹匹配法的具体实施为：

a、训练图像向量化，计算出满足归一化和零均值的原型模式向量v_k；

b、求出原型向量v_k的伴随向量v_k ⁺；

c、待识别图像向量化，计算出满足归一化和零均值条件的输入模式向量q(0)；

d、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值；检查输入样本合法性：计算各模式序参量的初值，判断输入指纹是否合法：若是合法的，则转步骤e；否则，则进入步骤f；

e、将序参量进行演化，直到系统稳定于某个模式而识别出指纹模式；

f、给出非法输入信息，拒绝识别，结束。

应用举例：

假设某局域网系统，有进入权限的个体N个，而每个个体只能进入各自相应的子系统。以指纹识别作为身份认证手段，采用协同指纹识别系统，可以如下实现。

首先，系统分别采集N个个体的训练指纹样本a₁、a₂、…、a_N个，共M个训练样本。这M个训练样本被划分为5类，每个类别的聚类中心向量作为协同指纹分类器的原型向量，而每个类别的原始指纹样本，向量化后，作为相应的指纹匹配器的原型向量。系统完成训练后，就可以进行识别。

系统识别时，对采集的某待识别个体的样本，首先在指纹分类器中进行分类，按协同指纹分类算法将其划分为某一类别，进入相应的指纹匹配器，再按照协同指纹匹配算法进行指纹匹配，给出识别结果，个体可进入相应的子系统。若待识别个体不是有进入权限的N个个体中的某一个，系统将给出非法输入信息，拒绝识别。

Claims (1)

1、协同指纹识别方法，其特征是以整幅指纹图像作为运算单元，采用分级群体检索方式，即首先进行协同指纹分类，再在协同指纹分类的基础上，进行协同指纹匹配，具体步骤为：

a、存储：采集有进入权限个体的原始指纹，按拱、左旋、右旋、尖拱及漩涡五大类存入指纹数据库；

b、聚类：以每一类别中的原始指纹作为学习样本，采用K-均值聚类方法产生聚类中心，作为第一级类别原型向量；

c、分类：输入待识别指纹，按协同指纹分类法将其分入相应类别中待匹配；

d、匹配：以该类别中存储的原始指纹作为第二级原型向量，按协同指纹匹配法进行指纹匹配，给出识别结果；

所述协同指纹分类法为：

a、每一类别中选取一定量代表性样本，采用K-均值聚类算法得到该类别聚类中心；

b、将五类别聚类中心图像向量化后，在经过归一化和零均值处理，作为原型向量v_k存入预存储矩阵；

c、求出原型向量v_k的伴随向量v_k ⁺，完成网络学习；

d、待识别指纹图像向量化，计算出满足归一化和零均值条件的输入模式向量q(0)；

e、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值ξ_k(0)；

f、各序参量竞争演化，直到系统稳定于某原型模式，待识别指纹归入该原型模式所代表的类别；

所述协同指纹匹配法为：

a、训练图像向量化，计算出满足归一化和零均值的原型模式向量v_k；

b、求出原型向量v_k的伴随向量v_k ⁺；

c、待识别图像向量化，计算出满足归一化的零均值条件的输入模式向量q(0)；

d、由输入模式向量q(0)和伴随向量v_k ⁺，求出序参量的初始值；检查输入样本合法性：计算各模式序参量的初值，判断输入指纹是否合法：若是合法的，则转步骤e；否则，则进入步骤f；

e、将序参量进行演化，直到系统稳定于某个模式而识别出指纹模式；

f、给出非法输入信息，拒绝识别，结束。

Images