[發(fā)明專利]一種基于RCNN的指紋奇異點檢測方法

有效

• 申請?zhí)枺?/td>: 201911255304.1
• 申請日: 2019-12-10
• 公開（公告）號: CN110991374B
• 公開（公告）日: 2023-04-04
• 發(fā)明（設(shè)計）人: 漆進;王菁怡;楊軼涵
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06V40/12
• 分類號: G06V40/12;G06N3/0464;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于RCNN的指紋奇異點檢測方法，其特征在于，所述方法包括：

(1)在計算機讀取原始指紋圖像后構(gòu)造數(shù)據(jù)集：獲取大小為256*320含噪點的指紋原始灰度圖像，首先進行人工圖像增強、標注groundtruth，再將圖像進行歸一化處理，同時按照8:2的比例劃分訓練集和測試集；

(2)搭建用于圖像增強的編解碼卷積神經(jīng)網(wǎng)絡(luò)，由編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩個模塊組成,使用原始數(shù)據(jù)集進行訓練圖像增強網(wǎng)絡(luò)，并將網(wǎng)絡(luò)預測輸出的256*320的指紋圖片進行保存，作為(3)的輸入；

(3)將增強后的指紋圖像按照網(wǎng)格分割為大小為若干41*41的區(qū)域，手動標注每個區(qū)域所屬的類別，并用矩陣表示，作為groundtruth，再設(shè)置概率閾值，用于篩選分類后的結(jié)果，使用增強后的圖像數(shù)據(jù)集訓練Res-net分類器，針對每個區(qū)域的輸出結(jié)果，保留高于概率閾值的區(qū)域，用于步驟(4)；

(4)將步驟(3)中含奇異點的區(qū)域圖像作為輸入，將歸一化后的指紋坐標作為輸出，進行FCN的訓練，該FCN是對提出的感興趣區(qū)域進行回歸；

(5)提取步驟(4)中FCN的預測結(jié)果，與真實值進行比較，計算方法預測的準確性，以預測點與真實點之間的歐式距離作為依據(jù)，將距離低于閾值的點視為檢測成功。

2.根據(jù)權(quán)利要求1所述的基于RCNN的指紋奇異點檢測方法，其特征在于：所述步驟(1)一中人工圖像增強指運用圖像處理技術(shù)進行濾波、降噪等操作，標注groundtruth指手動標注出奇異點的位置，并且讀取奇異點的坐標，將其保存為csv文件，圖像歸一化指將所有像素點的灰度值除以255，使其值在[0,1]范圍內(nèi)。

3.根據(jù)權(quán)利要求1所述的基于RCNN的指紋奇異點檢測方法，其特征在于：所述步驟(2)中圖像增強網(wǎng)絡(luò)由編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)構(gòu)成，編碼器網(wǎng)絡(luò)由兩個卷積層和一個池化下采樣層構(gòu)成，其中所述兩個卷積層的卷積核均為3*3，通道數(shù)依次為16和64，步長均為1，所述最大池化下采樣層的窗口大小為2*2，解碼器網(wǎng)絡(luò)由一個池化上采樣層和兩個卷積層構(gòu)成，其中所述池化上采樣層的窗口大小為2*2，所述兩個卷積層的卷積核均為3*3，通道數(shù)依次為64和16，步長均為1，最后再通過一層卷積核為1*1的卷積層，訓練過程中使用均方誤差作為損失函數(shù)，使用隨機梯度下降算法進行參數(shù)優(yōu)化。

4.根據(jù)權(quán)利要求1所述的基于RCNN的指紋奇異點檢測方法，其特征在于：所述步驟(3)中標注各區(qū)域類別的矩陣如下所示：

其中C為類別矩陣，c_i∈{0,1},i＝1,2,3，c₁表示該區(qū)域內(nèi)是否含有奇異點，c₂表示該區(qū)域內(nèi)是否含有核心點，c₃表示該區(qū)域內(nèi)是否含有三角點，概率閾值依據(jù)具體數(shù)據(jù)集而定，本發(fā)明取概率閾值為預測概率最大值的0.95倍。

5.根據(jù)權(quán)利要求1所述的基于RCNN的指紋奇異點檢測方法，其特征在于：所述步驟(3)中的Res-net具體結(jié)構(gòu)為：一個卷積核為5*5、通道數(shù)為16的卷積層，連接一個窗口大小為2*2、通道數(shù)為16的下采樣層，然后連接卷積核為5*5、通道數(shù)為32的卷積層并且延伸出至下一卷積層的殘差網(wǎng)絡(luò)，接著是窗口大小為2*2、通道數(shù)為64的下采樣層，最后是一個卷積核為5*5、通道數(shù)為64的卷積層以及全連接層，該網(wǎng)絡(luò)的訓練參數(shù)設(shè)置同步驟(2)中的網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求1所述的基于RCNN的指紋奇異點檢測方法，其特征在于：所述步驟(4)中訓練集為步驟(3)中高于概率閾值的41*41像素的區(qū)域灰度圖片，需要通過原始圖像標注的坐標來計算該區(qū)域內(nèi)奇異點坐標，并將其歸一化，具體步驟如下：

其中x_i為原始坐標，x_i′為區(qū)域灰度圖片內(nèi)奇異點的坐標，為歸一化后的坐標值，n為數(shù)據(jù)集中指紋圖片的奇異點數(shù)量。