[發明專利]一種基于深度學習的現場指紋特征點提取方法

在審

• 申請號: 202210160407.5
• 申請日: 2022-02-22
• 公開（公告）號: CN114529951A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 劉波;李劍
• 申請（專利權）人: 北京工業大學
• 主分類號: G06V40/12
• 分類號: G06V40/12;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種基于深度學習的現場指紋特征點提取方法，其特征在于包括以下步驟：

步驟1，指紋數據集準備，包括每個人兩張原始指紋圖像，和對應的兩張增強圖像，其中原始指紋圖像包括一張現場指紋圖像和一張對應捺印指紋圖像；

步驟2，通過步驟1中的原始指紋圖像數據集，求解帶約束的最優化問題，得到小波框架基；

步驟3，制作神經網絡訓練集，得到現場指紋圖像上的細節點標記信息，包括所有端點和分叉點的位置，具體操作如下：首先選取步驟1中的現場指紋圖像和對應的增強圖像；然后對其增強圖像依次進行二值化操作和細化操作；最后根據端點以及分叉點的特殊空間特征，在細化后得到的圖像上找到所有端點和分叉點的位置，該位置即為對應現場指紋圖像上的細節點位置；

步驟4，使用步驟2中訓練出的小波框架基，對步驟1中現場指紋圖像進行濾波，得到濾波圖像；

步驟5，構建神經網絡，用于提取指紋特征點；

步驟6，訓練神經網絡，采用兩階段訓練的方式得到神經網絡參數；

步驟7，使用神經網絡，將待分析的現場指紋圖片經過小波框架基濾波后，輸入訓練完成的神經網絡，先通過第一部分網絡得到特征圖，將特征圖輸入第二部分網絡得到初步預測信息，最后將特征圖和初步預測信息輸入第三部分網絡，得到最終預測的特征點。

2.根據權利要求1所述一種基于深度學習的現場指紋特征點提取方法，其特征在于：

步驟2中所述帶約束的最優化問題如下：

該最優化問題應用在二維圖像領域，即d＝2，表示濾波器維數，每個濾波器都是一個矩陣；其中Z^d表示一個d維整數域空間，n∈Z^d，n表示大小為d×d的對角矩陣，對角線元素是從Z^d中取的d個整數；x_j是原始指紋圖像，一共有N張圖像；a_i是濾波器，一共有m個；是使用濾波器a_i對原始指紋圖像進行濾波變換；Φ(v_i,j)是衡量濾波得到圖像v_i,j的稀疏性價值函數，采用L₁或L₂范數；M是采樣矩陣，取或a_i(Mn+k)表示取濾波器a_i索引為Mn+k的值；|det(M)|^-1表示采樣矩陣M的行列式的倒數；當時δ_k＝1，否則δ_k＝0，求解該問題，得到所述的自適應小波框架基，即m個濾波器a_i。

3.根據權利要求1所述一種基于深度學習的現場指紋特征點提取方法，其特征在于：

步驟3中所述的二值化具體包括以下步驟：首先，將現場指紋圖像的增強圖像轉換為像素值為[0,255]的灰度圖像；然后，計算該增強指紋圖像的平均像素值；接下來，遍歷灰度圖像中的每個像素點，大于等于平均像素值的像素點為指紋點，像素值為255，小于該值的為背景點，像素值為0，輸出二值化圖像；

步驟3中所述的細化操作具體包括以下步驟：首先，輸入二值化圖像，在不改變指紋圖像的拓撲結構下，將指紋線條從多像素寬度減少到單位像素寬度，輸出細化圖像；

步驟3中所述端點以及分叉點的特殊空間特征，指以端點或者分叉點為中心的像素八鄰域內，指紋點與背景點之間的空間拓撲關系，指紋細節點包括指紋端點和指紋分叉點。

4.根據權利要求1所述一種基于深度學習的現場指紋特征點提取方法，其特征在于：

步驟4中具體包括：將步驟2中訓練出來的一組濾波器，即小波框架基，對現場指紋圖像進行二維卷積，得到濾波圖像。