[發明專利]一種基于SVM和隨機森林的指紋圖像質量判斷方法

在審

• 申請號: 201711103387.3
• 申請日: 2017-11-10
• 公開（公告）號: CN107992800A
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 羅美美;楊波
• 申請（專利權）人: 杭州晟元數據安全技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 杭州千克知識產權代理有限公司33246
• 代理人: 趙芳,張瑜

技術領域

本發明屬于指紋領域，涉及一種基于SVM和隨機森林的指紋圖像質量判斷方法。

背景技術

隨著生物識別技術的發展，指紋識別技術因其唯一性、永久性和穩定性，已經廣泛地應用于我們生活的各個方面，成為我們生活中不可或缺的一個組成部分。但是現有的指紋識別模塊，由于平臺限制，其識別速度與性能均有待提高。而在指紋圖像注冊、特征提取和比對時對指紋圖像質量的判斷水平是影響整個指紋識別模塊水平的重要因素之一。可見，一種快速有效地判斷指紋圖像質量方法的提出，對提高整個指紋識別模塊的速度和性能有很大的實際意義。

在這樣一個大趨勢下，亟需一種指紋圖像質量判斷方法，來快速剔除質量很差的圖像，提高整個模塊的識別速度和性能。一個較好的指紋識別模塊應要求用戶多次錄入指紋，對于質量很差的指紋圖像不予注冊，僅注冊質量較好的指紋圖像。特征提取時，僅對那些質量較好的指紋圖像提取特征，以有效地降低拒真率和提高識別速度。在比對時，對于質量差的指紋圖像，不參與比對和生成模板，這樣可以有效地降低認假率和提高識別速度。

對現有的基于主成分分析(PCA)的指紋圖像質量判斷方案描述如下：

1)對輸入的指紋圖像分塊，得到多個圖像塊；

2)對每個圖像塊中的每個像素點，獲取其鄰域像素信息，組成塊樣本矩陣；

3)采用主成分分析方法(PCA)獲取每個塊樣本矩陣的投影矩陣和特征值向量；

4)從投影矩陣和特征值向量中計算用于圖像塊質量判斷的特征：圓分布特征和主方向特征值殘差特征；

5)將圓分布特征和主方向特征值殘差特征相乘，得到圖像塊的局部塊質量；

6)基于圖像塊的局部塊質量，結合圖像塊Harris強度，得到輸入指紋圖像的全局質量。

綜上所述，該方案需分塊判斷指紋圖像的質量，耗時較大，不適合那些對速度要求高的應用領域。此外，該方案的質量判斷準確率也有待提高，降低了整個指紋識別模塊的性能。因此，亟需提出一種新的指紋圖像質量判斷方法。

現有專利申請CN104268529A公開了一種指紋圖像質量的判斷方法和裝置，所述判斷方法包括步驟：獲取指紋圖像樣本；利用SVM分類器根據所述指紋圖像樣本進行學習，獲得最優分類面；獲取待判斷的指紋圖像，并計算所述指紋圖像的HOG特征；根據所述HOG特征和最優分類面判斷所述指紋圖像的質量。該申請采用了單一的機器學習方法并結合了單一的指紋特征，魯棒性不夠高，而且判斷準確率也有待提高。

發明內容

本發明提供了一種極大地提高整個指紋識別模塊的性能和速度，判斷結果更具魯棒性、準確率更高的基于SVM和隨機森林的指紋圖像質量判斷方法。

本發明采用的技術方案是：

一種基于SVM和隨機森林的指紋圖像質量判斷方法，其特征在于：包括樣本訓練和樣本預測，樣本訓練步驟包括：

挑選質量相對較好的圖像作為訓練用正樣本，挑選質量較差的圖像作為訓練用負樣本；

對訓練用正樣本和訓練用負樣本進行方差、脊谷對比度、方向一致性、Gabor特征值、HOG特征和LBP特征的提取，將這些特征組成特征向量并進行歸一化處理；

將歸一化后的特征向量輸入到LIBSVM進行訓練得到SVM模型；

將歸一化后的特征向量輸入到隨機森林模型進行訓練得到隨機森林模型；

樣本預測步驟包括：

對待預測樣本進行特征提取和特征向量歸一化處理；

將歸一化的待預測樣本的特征向量分別代入SVM模型和隨機森林模型獲得相應的質量分數；

將SVM模型得到的質量分數與隨機森林模型得到的質量分數求均值，并將其作為最終的預測結果。

進一步，訓練用正樣本為不同傳感器的不同手指采集的相對質量較好的圖像。

進一步，訓練用負樣本為不同傳感器采集的無手指圖像和質量很差的有手指圖像。

進一步，樣本預測步驟中提取的特征與樣本訓練步驟中提取的特征是一致的。

進一步，樣本預測步驟中歸一化處理方法與樣本訓練步驟中歸一化處理方法是一致的。

進一步，樣本預測步驟和樣本訓練步驟中特征提取方法如下：

a)先計算整幅指紋圖像的均值，將每個像素點的灰度值與均值的差值的平方累加起來，再除以像素點的個數，得到該圖像的方差；

b)先計算整幅圖像的均值，然后統計整幅圖像中大于均值的像素點個數和小于均值的像素點個數，最后將二者相除，得到脊谷對比對；