[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(jìn);王菁怡;楊軼涵
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 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

本發(fā)明提供了一種基于RCNN的指紋奇異點檢測方法，其過程共分為五步：構(gòu)造數(shù)據(jù)集、指紋圖像增強、指紋圖像分割、指紋圖像奇異點檢測以及準(zhǔn)確度檢驗。相比于傳統(tǒng)的指紋奇異點檢測方法，該方法創(chuàng)新性的結(jié)合了卷積，基于RCNN框架進(jìn)行檢測，具有檢測速度快、準(zhǔn)確度高、效率高的優(yōu)勢。其中圖像增強過程降低了對指紋圖像質(zhì)量的要求，分塊網(wǎng)絡(luò)的運用簡化省略了以往處理方法中數(shù)據(jù)增強的操作。

技術(shù)領(lǐng)域

本文涉及一種圖像奇異點檢測方法，尤其是指紋奇異點檢測方法，屬于計算機視覺和深度學(xué)習(xí)的領(lǐng)域。

背景技術(shù)

由于其獨特性，指紋圖像如今被作為身份標(biāo)識廣泛運用于訪問許可與犯罪調(diào)查等方面，人們可通過判斷所使用指紋圖像與數(shù)據(jù)庫內(nèi)圖像的一致性，確定某指紋圖像的所屬者。奇異點，作為指紋圖像上的本質(zhì)全局特征與顯著標(biāo)識，具有不隨旋轉(zhuǎn)、形變等變化的特征，適用于指紋檢索、指紋分類等各種指紋識別的場景中。

龐加萊指數(shù)在指紋奇異點檢測中有大量的運用，使用龐加萊指數(shù)的方法普遍存在容易受圖片噪點影響，在低質(zhì)量指紋圖片上表現(xiàn)較差的問題，且容易造成龐大計算量。現(xiàn)存的奇異點檢測方法大多是基于龐加萊指數(shù)的提升。如結(jié)合龐加萊指數(shù)與多尺度檢測算法，該方法只需計算可能區(qū)域的奇異點，可以有效提高檢測速度，但檢測準(zhǔn)確度并不理想，除此之外，使用零極點模型結(jié)合霍夫變換方法的性能也被龐加萊指數(shù)的準(zhǔn)確度所限制。

深度卷積神經(jīng)網(wǎng)絡(luò)如今推動了許多尖端計算機視覺方向的發(fā)展，在生物模式識別、視頻識別等領(lǐng)域被廣泛使用，并且達(dá)到了很好的效果。其中的RCNN網(wǎng)絡(luò)，在目標(biāo)檢測方面有較強的效果，它使用具有較高容量的卷積神經(jīng)網(wǎng)絡(luò)，自底而上的傳播候選區(qū)域，以達(dá)到目標(biāo)定位和分割的目的。對于標(biāo)簽的訓(xùn)練數(shù)據(jù)比較少的情況，RCNN可以使用訓(xùn)練好的參數(shù)作為輔進(jìn)行微調(diào)，能夠較好的提升識別效果，除此之外，RCNN采用大量樣本下有監(jiān)督預(yù)訓(xùn)練與少量樣本下微調(diào)相結(jié)合的方式，有效解決了小樣本難以訓(xùn)練甚至過擬合等問題。

發(fā)明內(nèi)容：

鑒于傳統(tǒng)方法存在諸多缺陷，本發(fā)明提出一種基于RCNN的指紋奇異點檢測方法，其實施流程如圖1所示，目的是更高效，更準(zhǔn)確地從如圖2a所示的指紋圖像中，提取到如圖2b所示的指紋奇異點，同時能夠降低對樣本指紋圖像質(zhì)量的要求。

為實現(xiàn)上述目的，本發(fā)明在計算機讀入原始指紋圖像后，進(jìn)行以下步驟：

步驟一，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，人工手動進(jìn)行圖像增強，并且標(biāo)注出groundtruth，將圖像進(jìn)行歸一化，同時按照8:2的比例劃分訓(xùn)練集和測試集；

步驟二，圖像增強：搭建用于圖像增強的解編碼卷積神經(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(jìn)行訓(xùn)練圖像增強網(wǎng)絡(luò)，并將網(wǎng)絡(luò)預(yù)測輸出的256*320的指紋圖片進(jìn)行保存，作為步驟三的輸入；

步驟三，圖像分割：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(biāo)注每個區(qū)域所屬的類別，并用矩陣表示，作為groundtruth，接著設(shè)置概率閾值，用于分類后的結(jié)果篩選。使用增強后的圖像數(shù)據(jù)集訓(xùn)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，用于奇異點坐標(biāo)檢測；

步驟四，奇異點檢測：將步驟三中含奇異點的區(qū)域圖像作為輸入，將歸一化后的指紋坐標(biāo)作為輸出，進(jìn)行FCN的訓(xùn)練，該本質(zhì)上是對提出的感興趣區(qū)域進(jìn)行回歸；

步驟五，準(zhǔn)確度計算：提取步驟四中FCN的預(yù)測結(jié)果，與真實值進(jìn)行比較，計算方法預(yù)測的準(zhǔn)確性。以預(yù)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。

針對步驟一，人工圖像增強指運用圖像處理技術(shù)進(jìn)行濾波、降噪等操作，標(biāo)注groundtruth指手動標(biāo)注出奇異點的位置，并且讀取奇異點的坐標(biāo)，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)。