[發明專利]一種基于孿生支持向量機的指紋圖像分類系統與方法

在審

• 申請號: 201810429965.0
• 申請日: 2018-05-08
• 公開（公告）號: CN108921186A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 丁世飛;史頌輝;王麗娟;安悅瑄
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公布了一種基于孿生支持向量機的指紋圖像分類系統與方法，涉及量子粒子群算法和“一對多”多分類孿生支持向量機算法，能夠對“一對多”多分類孿生支持向量機分類器中的參數進行優化，完成指紋圖像的分類，屬于人工智能及圖像分類領域。本發明主要包括如下內容：步驟1：指紋圖像預處理；步驟2：指紋圖像的特征提取；步驟3：用量子粒子群算法對“一對多”多分類孿生支持向量機分類器的參數進行優化；步驟4：將最優參數帶入“一對多”多分類孿生支持向量機分類器中，確定最終的分類模型并對指紋圖像進行分類。本方法成功的將孿生支持向量機應用于指紋分類并獲得較高的分類準確率。

技術領域

本發明一種基于孿生支持向量機的指紋圖像分類系統與方法，涉及量子粒子群算法和“一對多”多分類孿生支持向量機算法，能夠對“一對多”多分類孿生支持向量機分類器中的參數進行優化，完成指紋圖像的分類，屬于人工智能及圖像分類領域。

背景技術

目前，指紋識別技術已經被廣泛應用于考勤、門禁、電子商務、手機安全等領域。由于指紋識別技術的重要性，該技術已經成為機器學習領域一個重要研究內容。指紋圖像分類是指紋識別的核心步驟之一，直接關系到識別的準確率，對實現海量指紋圖像的檢索和建立完善的索引機制都起到了至關重要的作用。

通常情況下，指紋可以分為六類：左箕型(Left Loop)、右箕型(Right Loop)、斗型(Whorl)、弓型(Arch)、尖弓型(TentedArch)、雙箕型(Twin Loops)。

近幾十年來，國內外開發了許多經典的指紋圖像分類算法。這些方法大致可以分為四大類，即：基于模型的方法、基于結構的方法、基于頻率的方法和基于語法的方法。其中，基于結構的指紋方向場的算法是指紋分類中最受歡迎的方法。例如：Cappelli等人[1]提出的使用定向圖像分割的指紋分類算法。

另外，建立在統計學習理論中的支持向量機，作為模式分類相對強大的工具，同樣也可用于指紋分類。并且已經有人開發了基于支持向量機的算法。例如：Yao等人[2]提出的使用遞歸神經網絡和支持向量機結合的指紋分類方法，Guo等人[3]提出的基于支持向量機的自動分類方法。這些方法的一個總體思想就是提取指紋圖像的特征作為支持向量機的特征向量來進行分類。2004年，Batra等人[4]將Gaborl濾波器和支持向量機結合用于指紋分類。他們使用基于Gabor濾波器的特征提取方案為每個指紋圖像生成384維特征向量。2007年，Ji等人[5]提出了使用指紋圖像方向場和支持向量機結合的指紋分類方法。Ji通過計算指紋圖像方向場，估計了四個方向來描述指紋圖像。最后計算每個方向所占百分比，將其構建成一個四維向量作為支持向量機的特征向量對指紋進行分類。

2007年，Jayadeva等人[6]提出了一種非平行超平面分類器，稱為孿生支持向量機(Twin Support Vector Machines，TWSVM)，用于二分類問題。孿生支持向量機旨在產生兩個不平行的超平面，使得每個超平面更接近兩個類中的一個，并且盡可能遠離另一個類。兩個超平面也沒有平行條件的約束，最終將二分類問題轉化為兩個規模更小的二次規劃問題。顯然，解決兩個規模更小的二次規劃問題要比解決一個大型的二次規劃問題的工作速度更快。孿生支持向量機的時間復雜度較低，算法的訓練時間縮減到支持向量機的1/4，大大提高了工作效率，并且在解決異或問題等方面具有更大的優勢，特別是在處理特大數據的分類問題時，其優越性更加突出。雖然孿生支持向量機在處理問題的效率和性能方面都要優于傳統的支持向量機，但是仍需要考慮它的參數選擇問題，即懲罰因子以及核函數本身參數的選擇。2013年，Shifei Ding等人[7]提出了基于量子粒子群的孿生支持向量機(Twin Support Vector Machines based on Quantum Particle Swarm Optimizati on,QPSO-TWSVM)。QPSO-TWSVM利用量子粒子群在全局搜索中的能力，在全局范圍內搜索最優參數，避免了過早陷入局部最優解，得到的最優參數更具有說服力，與傳統的TWSVM相比，參數的指定更加精準，避免了參數選擇的盲目性，提高了孿生支持向量機的分類準確率。

發明內容