[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

本發明提出了一種基于深度學習的現場指紋特征點提取方法，所屬領域為計算機視覺。本發明將目標檢測思想應用到指紋特征點提取場景，將指紋細節點作為目標。通過對以細節點為中心的候選框進行分類預測和位置回歸。訓練中預設候選框區域設計為固定的32x32大小，能夠有效的關注細節點局部特征。網絡結構對Faster R?CNN進行改進，修改網絡結構和損失函數，并設計一種對輸入數據進行濾波預處理方法，以適應指紋特征點提取場景，加快指紋特征提取速度。本發明通過結合目標檢測思想，應用深度神經網絡對圖像特征的高表示性，充分提取指紋特征點，為指紋特征提取提供了一種新的解決方案。

技術領域

本發明屬于計算機視覺領域，涉及深度學習方法。

背景技術

指紋是人體生物特征之一，因其唯一性、易獲取和低成本而被廣泛使用，在我國法庭科學中有著廣泛的應用。隨著指紋數據庫容量的不斷擴大，應用計算機技術對指紋實現快速的自動比對識別成為趨勢。我國從20世紀80年代初開始指紋自動識別系統的研發工作，至20世紀90年代逐步走向成熟，21世紀初在公安機關得到了廣泛的應用。

傳統的指紋識別算法以指紋細節特征點的提取和匹配作為算法的主要工作目標和性能評判標準。進入21世紀，隨著指紋庫容量的不斷擴大，因現場指紋圖像質量問題造成特征點提取或標注不準確，使得后續指紋匹配識別準確率無法持續提高，基于傳統方法提取特征點的指紋識別技術遇到瓶頸。與此同時以深度學習技術為代表的人工智能技術開始在指紋識別領域嶄露頭角。

深度學習技術是通過建立具有多層結構的人工神經網絡，實現了模擬人類對圖像中所包含內容進行識別分辨的初級人工智能。基于深度學習的基礎理論，衍生出了大量結構各異的深度神經網絡，如卷積神經網絡、循環神經網絡等，在很多應用領域均取得了良好的效果。在指紋領域，借助深度神經網絡對高分辨率圖像特征學習和提取的優勢，本發明將深度學習技術應用于對指紋圖像的細節點特征提取。

發明內容

本發明提出一種基于深度學習的現場指紋特征點提取方法，充分發揮神經網絡在圖像特征學習和提取的優勢，以及對大量數據的學習適應能力。由于科技發展，指紋庫容量不斷擴大，以及現場指紋質量的參差不齊，都加大了指紋專家標注指紋細節點的人工成本。

本發明要解決的問題就是：利用神經網絡對現場指紋圖像進行特征點提取，適應現場指紋數據，提高提取效率，減小人工成本。

具體技術方案如下：

第一步，指紋數據集準備；第二步，訓練一組小波框架基；第三步，制作神經網絡訓練集；第四步，使用第二步訓練出的框架基，對第一步中的現場指紋圖像進行濾波；第五步，構建網絡；第六步，網絡訓練，將第四步中濾波得到的圖像和對應標注信息輸入到第五步構建的網絡中，通過設計的損失函數進行反向傳播，對神經網絡參數進行優化，得到最終優化模型；第七步，網絡實測使用。

所述方法包括以下步驟：

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，訓練小波框架基。將現場指紋圖片作為輸入，采用Bregman算法迭代求解如下帶約束的最優化問題，使得經過濾波后的圖片盡可能的稀疏，達到預處理的目標。