[發明專利]用于深度學習的指紋細節數據庫標注方法和系統

在審

• 申請號: 202111386111.7
• 申請日: 2021-11-22
• 公開（公告）號: CN114677552A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 鄭世寶;趙洪田;王玉
• 申請（專利權）人: 上海交通大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06T7/11;G06T7/136;G06T5/00;G06T5/30
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 黃磊

1.一種用于深度學習的指紋細節數據庫標注方法，其特征在于，包括：

步驟1：輸入原始指紋圖像I，基于灰度方差進行指紋興趣區域分割，并生成掩膜；

步驟2：對原始指紋圖像I做歸一化處理；

步驟3：基于梯度法進行指紋方向估計；

步驟4：基于掩膜、方向窗和脊線灰度投影進行頻率估計；

步驟5：基于Gabor濾波、方向場和頻率場進行指紋圖像增強；

步驟6：對增強后的圖像進行二值化；

步驟7：對二值化后的圖像進行細化操作，刪除二值化圖像中的紋線的邊緣像素，得到寬度為單位像素的紋線骨架圖像；

步驟8：對細化操作后的圖像，基于先驗定義進行細節點提取，得到特征點集合M；

步驟9：基于特征點集合M，刪除偽特征點和標注不符合預設要求的特征點，獲得最后的特征點集M_f。

2.根據權利要求1所述的用于深度學習的指紋細節數據庫標注方法，其特征在于，所述步驟1包括：將輸入的原始指紋圖像I，劃分為預設大小的圖像塊，然后求每一圖像塊的標準差，使用標準差值代替該區域所有像素的值，得到I_std，為標準差設置閾值sthresh，當I_std≥sthresh，表明為指紋前景區域，否則表明為指紋背景區域，并生成掩膜I_M。

3.根據權利要求1所述的用于深度學習的指紋細節數據庫標注方法，其特征在于，所述步驟2包括：先計算圖像I的均值Mean(I)和方差Var(I)，然后通過變換，將圖像像素值歸一化到均值和方差分別為0和1的形式，記作I_N1，隨后結合掩膜I_M，計算指紋前景均值和方差，利用N₁(I_N1 e I_M)對指紋前景圖像歸一化，得到I_N2。

4.根據權利要求1所述的用于深度學習的指紋細節數據庫標注方法，其特征在于，所述步驟3包括：

先對指紋圖像I按照尺寸為w×w的正方形進行劃分，建立預定義的濾波器F，并得到F在水平和豎直方向上的梯度分量F_x,F_y，通過F_x,F_y作用于指紋圖像I，獲得在x,y軸上的梯度圖像，通過尋找梯度變化的主方向來評估脊線上每一點的方向；

利用低通濾波卷積每一脊線點梯度的協方差，然后求取梯度的二倍角轉換成連續向量場：正弦和余弦，再使用低通濾波平滑角度：正弦和余弦值，最后通過反正切獲得指紋脊線方向。

5.根據權利要求1所述的用于深度學習的指紋細節數據庫標注方法，其特征在于，所述步驟4包括：

將圖像進行分塊處理，分成w×w的圖像塊，對每一個圖像塊進行旋轉操作，將塊旋轉至使坐標x軸垂直于脊線方向，同時y軸平行于脊線方向，并基于此建立坐標系；

裁剪旋轉后圖像塊中不符合預設要求的模塊，將方向窗中圖像灰度值向x軸投影，統計方向窗中像素灰度值在x軸上的投影總和proj，對proj做二維順序統計量濾波操作，取濾波窗口[1,windsze]，取窗口中最大像素的值作為該位置的結果，濾波后結果記作mpts；

查詢proj＝＝mpts對應的值，記為投影后的峰值點midx集合的坐標位置，取midx中最大坐標和最小坐標之間的平均單個峰值間距離，為平均脊間距離，記作wavelength，最后求頻率freq為wavelength的倒數。

6.根據權利要求1所述的用于深度學習的指紋細節數據庫標注方法，其特征在于，所述步驟5包括：

生成預設數量的Gabor濾波器，對不同圖像塊應用相應方向和頻率的Gabor濾波器進行濾波增強，具體操作為：

對頻率圖進行篩選和統計，選擇大于零的頻率，并且對頻率進行四舍五入處理；

在生成濾波器時固定角度增量AngleInc，濾波器數量為：AngleNum＝180°/AngleInc，然后進行插值處理，獲得對應的Gabor濾波模板，對應每個圖像塊，使用對應索引的角度和頻率的濾波器進行操作，獲得增強后的圖像I_E。