[發(fā)明專利]面向圖像質(zhì)量的指紋識別方法

無效

• 申請?zhí)枺?/td>: 200810138117.0
• 申請日: 2008-07-01
• 公開（公告）號: CN101303728A
• 公開（公告）日: 2008-11-12
• 發(fā)明（設(shè)計）人: 尹義龍;楊公平;駱功慶;張宇;詹小四;任春曉
• 申請（專利權(quán)）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 濟南圣達專利商標事務所有限公司
• 代理人: 張勇

1.一種面向圖像質(zhì)量的指紋識別方法，其特征是，它的步驟為：

(1)讀取采集的指紋圖像g(x，y)，其中g(shù)(x，y)為像素點(x，y)的灰度值；

(2)對指紋圖像進行質(zhì)量特征提取，分別提取梯度一致性Q_T、頻譜特征Q_F、灰度標準差Q_s共三個特征；三個特征分別從不同的方面反映了質(zhì)量的好壞，具體計算如下，QT=1rΣi=1rk~i,]]>r是前景塊的總數(shù)，為分塊圖像中一個塊的梯度一致性，其計算公式為：k~=(j11-j22)2+4j122(j11+j22)2,]]>其中，j₁₁，j₁₂，j₂₁，j₂₂為梯度向量協(xié)方差矩陣J中的元素；

若圖像分塊大小為b*b，則塊中所有b²個點的梯度向量協(xié)方差矩陣J=1b2Σs∈BgsgsT≡j11j12j21j22,]]>其中b²為分塊圖像的大小，s為該塊中的點，B為該塊中所有像素點的集合，g_s為點s的梯度向量，g_s^T為梯度向量的轉(zhuǎn)置；最終整幅圖像的質(zhì)量特征為所有塊的梯度一致性的均值；

Q_F的計算公式為：QF=19Σr=r0-4r0+4Q(r),]]>其中，Q(r)=1#CrΣ(u,v)∈Cr|G(u,v)|]]>為能量強度函數(shù)，為環(huán)r₀-4＜＝r＜＝r₀+4內(nèi)像素點的數(shù)目，而

|G(u,v)|=Σx=0N-1Σy=0N-1(g(x,y)cos(-2π<(x,y)(u,v)>/N)2+(g(x,y)sin(-2π<(x,y)(u,v)>/N))2]]>

|G_(u，v)|反映了傅里葉變換后的頻域圖像中點(u，v)處的能量強度，|G_(u，v)|構(gòu)成了頻域的強度譜；設(shè)g(x，y)表示大小為N×N的數(shù)字圖像中坐標為(x，y)像素點的灰度值，則g(x，y)的離散傅立葉變換G(u，v)定義為，

G(u,v)=Σx=0N-1Σy=0N-1g(x,y)e-2πj<(x,y)(u,v)>/N]]>

=Σx=0N-1Σy=0N-1g(x,y)(cos(-2π<(x,y)(u,v)>/N)+jsin(-2π<(x,y)(u,v)>/N))]]>

Q_F通過對頻譜圖像中亮環(huán)帶的能量進行計算，并用其大小來表示質(zhì)量的好壞；

Q_s的計算公式為：QS=1NΣk=1NSk,]]>

其中，Sk=1w‾2Σx=1w‾Σy=1w‾(g(x,y)-g(k))2]]>為分塊圖像中第個k塊的標準差，g(x，y)為像素點(x，y)的灰度值，g(k)是第個k塊灰度均值，w為分塊圖像的塊邊長；Q_s通過對所有的分塊圖像的標準差求均值來表示整幅圖像的質(zhì)量；

(3)采用SVM支持向量機分類器對指紋圖像的質(zhì)量進行學習和分類，將其確定為質(zhì)量較好或質(zhì)量較差兩種質(zhì)量類型；

(4)對質(zhì)量較好、質(zhì)量較差兩種指紋，分別采用基于細節(jié)點的匹配算法和基于紋理的匹配算法完成識別。