一種基于SVM和稀疏表示的假指紋檢測方法技術

本發明專利技術公開了一種基于SVM和稀疏表示的假指紋檢測方法。采集數百張真、假指紋圖像，對其提取統計特性、頻域特性等特征數據，對特征數據歸一化并進行支持向量機(SVM)訓練得到SVM的分類模型，對需要進行檢測的指紋提取圖像，提取同樣的特征數據并歸一化，使用上述SVM的分類模型進行分類，得到“真”或“假”的SVM分類結果；同時對指紋圖像隨機提取子圖像，訓練稀疏表示字典，對需要進行檢測的指紋圖像隨機提取子圖像，進行稀疏表示，判斷子圖像為“真子圖”或“假子圖”；最后使用上述分類和判斷結果進行綜合決策。本發明專利技術不需要對采集指紋的硬件進行改造，計算速度快且正確率高，對提高指紋識別系統的安全性有重要應用價值。

【技術實現步驟摘要】
一種基于SVM和稀疏表示的假指紋檢測方法
本專利技術涉及生物特征識別領域，特別涉及圖像處理和模式識別。
技術介紹
目前指紋識別被廣泛應用于各種安全系統，包括正確率、速度在內的識別性能都較為良好。然而不法分子卻可以利用各種材料制作假的指紋，通過指紋識別系統。真指紋也稱活體指紋，是指具有人體生物功能的手指，也就是活著的人體的手指。與其相對應的假指紋也稱死體指紋，其中包括材料制成的指紋，如硅膠、粘土、印刷了指紋圖像的紙等，甚至是離開人本身身體的手指都叫做死體指紋。假指紋的采集，從采集過程到采集到的圖像與真指紋的采集有所不同，利用這些不同之處，可以檢測采集到的指紋的真假。例如在采集指紋時檢測手指的溫度，如果遠離人體溫度，則可判斷采集到的指紋為假指紋；也可以在采集過程中維持幾秒鐘，先后采集多次，手指流出的微量汗液會使前后采集到的圖像有所不同。然而這些方法都需要硬件的支持，改造成本較高且不利于推廣。因此直接檢測單張指紋圖像的真假，也就是完全軟件的檢測，仍然是亟待解決的問題。值得指出的是，很多文獻指出的真假指紋的區別，如真指紋黑色條紋中間有白點（氣孔）、假指紋的黑色條紋有破損、假指紋的白色條紋中有黑色雜點、假指紋的黑白條紋間不清晰、真假指紋的條紋寬度不同等區別，在實際提取的真假指紋圖像中都有出現，評人眼辨識這些區別，根本無法判斷真假，真指紋圖像示例圖見圖2，假指紋圖像示例圖見圖3。經過研究發現，假指紋與真指紋的不同，主要是肉眼不可分辨的一些統計特性、頻域特性，利用這些不同之處，可以檢測采集到的指紋的真假。區分真假屬于分類問題，主成分分析（PCA）是常用的降維手段，能大大縮短訓練時間，支持向量機和稀疏表示是很成熟的分類方法，在運算速度快的同時能得到很好的分類正確率。
技術實現思路
本專利技術提供了一種在不改動指紋采集硬件的前提下、以較小的代價判斷指紋的真假，本專利技術提供一種能以軟件實現的假指紋檢測方法。為了實現上述目的本專利技術采用以下技術方案：一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于：進行檢測之前的訓練工作，包括步驟1～步驟5：步驟1：采集真、假指紋圖像，作為訓練使用；步驟2：對訓練使用的指紋圖像提取特征數據；步驟3：對訓練使用的特征數據進行歸一化；步驟4：對歸一化的特征數據進行支持向量機訓練得到支持向量機的分類模型；步驟5：對訓練使用的指紋圖像訓練稀疏表示字典步驟6：對需要進行檢測的指紋提取圖像；對需要進行檢測的指紋進行的操作，包括步驟6～步驟11：步驟7：對需要進行檢測的指紋的圖像提取特征數據；步驟8：對需要進行檢測的指紋的特征數據進行歸一化；步驟9：對歸一化的需要進行檢測的指紋的特征數據，使用上述SVM的分類模型進行分類，得到“真”或“假”的SVM分類結果；步驟10：對需要進行檢測的指紋圖像提取6個子圖，分別使用稀疏表示字典進行稀疏表示，判斷該子圖像為“真子圖”或“假子圖；步驟11：綜合決策得出綜合決策分類結果。上述技術方案中，步驟2和步驟7所述的提取特征數據需要在有效區域內進行，所述有效區域的選擇方法為在圖形內搜索最大內接矩形，具體步驟是：步驟2.1：使用Otsu法對指紋圖進行二值化處理，對得到的二值圖使用半徑為10的disk結構元素進行閉操作，得到完整、光滑的指紋覆蓋的區域；步驟2.2：利用質心公式求指紋覆蓋區域的質心，過質心做傾角θ=30°～75°共46條直線，每條直線與指紋覆蓋區域交于兩點，記兩點之間線段長度為Li(θ)，以該直線為對角線的矩形i的面積為其中Mi＝min{Li(θ),Li(θ+π/2)}為矩形是否完整的必要條件，最大矩形為對應矩形就是選擇得到的有效區域。上述技術方案中，步驟2和步驟7所述的特征數據包括：統計特征、頻域特征、共生矩陣特征、特征曲線。上述技術方案中，步驟4所述的訓練過程中，需要對指紋進行分類，至少要按真、假指紋要分為兩類，而對于假指紋的不同材料，將假指紋再分為幾類，對于檢測結果，即判斷需要檢測的指紋屬于哪一類，其分類結果若為“真”，則認為檢測結果為“真”，分類結果若為其它結果，不管是哪一種材料的假指紋結果，都認為檢測結果為“假”。上述技術方案中，步驟5所述的訓練稀疏表示字典的具體步驟為：步驟5.1：在指紋圖像的有效區域中盡量分散且不靠近邊緣地隨機選取6個白色像素，它們都分別位于白色紋線的中間部位，具體地，可以隨機選取6個白色像素，分別對它們的5*5鄰域內的白色像素進行統計，統計每個白色像素的5*5鄰域內的所有像素值的和，選取擁有最大和的像素；分別對這6個白色像素的每一個，在其16*16鄰域，使用所述梯度公式得到其紋線的方向，根據紋線的方向對指紋圖像進行旋轉，使得這個白色像素周邊局部的紋線方向變成水平方向，再以這個白色像素為中心，從旋轉后的指紋圖像中提取出60*60的子圖像，若子圖像包含了指紋圖像有效區域以外的部分，則重新選取這個白色像素，再次計算方向、旋轉指紋圖像、提取子圖像；步驟5.2：使用步驟5.1所述的方法對每幅指紋圖像提取得到6個子圖像；步驟5.3：對每個子圖像，將每一列像素連接在上一列的末尾，得到3600*1的子圖像列向量，對真、假指紋的若干個3600*1的子圖像列向量構成的矩陣進行主成分分析（PCA），將3600維的特征降至20維以內，再輸入稀疏表示字典訓練算法構造字典，訓練得到真、假指紋的稀疏表示字典。上述技術方案中，步驟5所述的訓練稀疏表示字典過程中，指紋的分類至少要按真、假指紋要分為兩類，而對于假指紋的不同材料，將假指紋再分為幾類，對每一類訓練得到其稀疏表示字典；對于子圖的判斷，不管是判斷為哪一種材料的子圖，都判斷為“假子圖”。上述技術方案中，步驟10所述的具體步驟為：對需要進行檢測的指紋的圖像，使用步驟5.1～5.3所述的方法得到6個子圖像列向量，將3600維降維至與步驟5.3中相同的維數，對它們分別使用真、假指紋的稀疏表示字典進行稀疏表示，以分別獲得每個子圖像在真、假指紋的稀疏表示字典上的重構誤差，若在真指紋的稀疏表示字典上的重構誤差最小，則判斷該子圖像為“真子圖”，反之為“假子圖”。上述技術方案中，步驟11所述的綜合決策的具體步驟為：定義SVM分類結果為“真”和“假”分別對應SVM分類結果值為1和0，定義子圖的判斷結果為“真子圖”和“假子圖”分別對應子圖判斷結果值為1和0；綜合分類結果值=a*SVM分類結果值+b*6個子圖判斷結果值的和，其中a和b是權重，都大于0，且滿足a+6b=1，取經驗值a=0.4，b=0.1；若綜合分類結果值小于0.5，則綜合分類結果為“假”，否則為“真”。上述技術方案中，所述頻域特征的具體的計算方法是：使用傅里葉變換將指紋圖像的空域圖像轉換至頻域：公式中u,v是fft的坐標，x,y是圖像的坐標，j是模為1的復數，M、N分別是nImg(x,y)的行、列數，為對圖像進行標準化后得到標準化的圖像，其中每個像素的平均灰度值其中subimg(x,y)是有效區域中的本文檔來自技高網...

【技術保護點】
一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于：進行檢測之前的訓練工作，包括步驟1～步驟5：步驟1：采集真、假指紋圖像，作為訓練使用；步驟2：對訓練使用的指紋圖像提取特征數據；步驟3：對訓練使用的特征數據進行歸一化；步驟4：對歸一化的特征數據進行支持向量機訓練得到支持向量機的分類模型；步驟5：對訓練使用的指紋圖像訓練稀疏表示字典步驟6：對需要進行檢測的指紋提取圖像；對需要進行檢測的指紋進行的操作，包括步驟6～步驟11：步驟7：對需要進行檢測的指紋的圖像提取特征數據；步驟8：對需要進行檢測的指紋的特征數據進行歸一化；步驟9：對歸一化的需要進行檢測的指紋的特征數據，使用上述SVM的分類模型進行分類，得到“真”或“假”的SVM分類結果；步驟10：對需要進行檢測的指紋圖像提取6個子圖，分別使用稀疏表示字典進行稀疏表示，判斷該子圖像為“真子圖”或“假子圖；步驟11：綜合決策得出綜合決策分類結果。

【技術特征摘要】
1.一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于：進行檢測之前的訓練工作，包括步驟1-步驟5：步驟1：采集真、假指紋圖像，作為訓練使用；步驟2：對訓練使用的指紋圖像提取特征數據；步驟3：對訓練使用的特征數據進行歸一化；步驟4：對歸一化的特征數據進行支持向量機訓練得到支持向量機的分類模型；步驟5：對訓練使用的指紋圖像訓練稀疏表示字典；步驟6：對需要進行檢測的指紋提取圖像；對需要進行檢測的指紋進行的操作，包括步驟6-步驟11：步驟7：對需要進行檢測的指紋的圖像提取特征數據；步驟8：對需要進行檢測的指紋的特征數據進行歸一化；步驟9：對歸一化的需要進行檢測的指紋的特征數據，使用上述SVM的分類模型進行分類，得到“真”或“假”的SVM分類結果；步驟10：對需要進行檢測的指紋圖像提取6個子圖，分別使用稀疏表示字典進行稀疏表示，判斷該子圖像為“真子圖”或“假子圖”；步驟11：綜合決策得出綜合決策分類結果；步驟2和步驟7所述的提取特征數據需要在有效區域內進行，所述有效區域的選擇方法為在圖形內搜索最大內接矩形，具體步驟是：步驟2.1：使用Otsu法對指紋圖進行二值化處理，對得到的二值圖使用半徑為10的disk結構元素進行閉操作，得到完整、光滑的指紋覆蓋的區域；步驟2.2：利用質心公式求指紋覆蓋區域的質心，過質心做傾角θ＝30°-75°共46條直線，每條直線與指紋覆蓋區域交于兩點，記兩點之間線段長度為Li(θ)，以該直線為對角線的矩形i的面積為其中Mi＝min{Li(θ),Li(θ+π/2)}為矩形是否完整的必要條件，最大矩形為對應矩形就是選擇得到的有效區域。2.根據權利要求1所述的一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于，步驟2和步驟7所述的特征數據包括：統計特征、頻域特征、共生矩陣特征、特征曲線。3.根據權利要求1所述的一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于，步驟4所述的訓練過程中，需要對指紋進行分類，至少要按真、假指紋要分為兩類，而對于假指紋的不同材料，將假指紋再分為幾類，對于檢測結果，即判斷需要檢測的指紋屬于哪一類，其分類結果若為“真”，則認為檢測結果為“真”，分類結果若為其它結果，不管是哪一種材料的假指紋結果，都認為檢測結果為“假”。4.根據權利要求1所述的一種基于SVM和稀疏表示的假指紋檢測方法，其特征在于，步驟5所述的訓練稀疏表示字典的具體步驟為：步驟5.1：在指紋圖像的有效區域中盡量分散且不靠近邊緣地隨機...

【專利技術屬性】
技術研發人員：程建，周圣云，王峰，李鴻升，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：