專利名稱：一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法
一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法技術(shù)領(lǐng)域發(fā)明涉及一種指紋圖像分割方法，尤其涉及一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法。
技術(shù)背景目前在自動指紋識別領(lǐng)域，指紋圖像分割是指紋圖像預(yù)處理一個重要步驟。有效的分割 不僅能夠減少后續(xù)處理的時間，而且可以顯著地改進特征提取的可信度。在現(xiàn)有的基于像素 的指紋圖像分割方法中，通常是通過手工標記大量的指紋像素點，建立足夠充足的監(jiān)督訓(xùn)練 樣本集進行訓(xùn)練。這種處理方法速度慢、耗費大量人力、依賴于具體的指紋圖像質(zhì)量，不適 于工程應(yīng)用。工程中非常需要一種高速、有效的指紋分割方法。 發(fā)明內(nèi)容本發(fā)明的目的就是為了解決現(xiàn)有的基于像素的指紋圖像分割方法速度慢、耗費大量人力、 依賴于具體的指紋圖像質(zhì)量，不適于工程應(yīng)用的問題，提供一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法。它是一種采用雙分類器協(xié)同訓(xùn)練結(jié)構(gòu)、利用少量監(jiān)督樣本和大量非監(jiān)督樣本信 息進行指紋圖像分割的方法，具有運行速度快、人力耗費少，算法有效性強、工程應(yīng)用價值 大，適合于快速指紋圖像分割等優(yōu)點。為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案 一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，它的步驟為(1) 對于指紋圖像的有類別標記的指紋像素集^和無類別標記的指紋像素集Fu，提取每個像素點特征(c,m,v)，通過隨機抽取樣本，建立空間分布模型；其中c,m,v分別表示像 素點的方向一致性coherence、灰度均值mean、灰度方差variance三個特征；(2) 針對步驟(1)建立的空間分布模型，采用標記盒學(xué)習(xí)器iofce/Sox與支持向量機學(xué) 習(xí)器SWW作為底層學(xué)習(xí)器，分別對無類別的指紋像素集Fu進行分類決策，并從所獲得的結(jié) 果集中分別選擇置信度最高的樣本集，加入對方的有類別標記的指紋像素集Fl中；(3) 令步驟(2)循環(huán)k次，即可構(gòu)建統(tǒng)一模型fc。p0,用于指紋圖像分割；其中fc。(X) 是學(xué)習(xí)器io6e/fiox和學(xué)習(xí)器5WW集成的結(jié)果，k為參數(shù)，取值為1~10。所述步驟(1)中，方向一致性coherence、灰度均值mean、灰度方差variance三個特征 反映了前景像素點和背景像素點在特征空間分布的差異性，取值需要進行歸一化，最終取值 均在0, l]之間。所述步驟(1)中，有類別標記的指紋像素集^采用bootstrap隨機抽樣方法抽樣獲得，從少量幾幅指紋中部分易于標記的像素區(qū)域隨機抽取像素，重新組成像素點集合。所述步驟(2)中，兩個學(xué)習(xí)器工作在相同的方向一致性coherence、灰度均值mean、灰度方差variance特征體系下。所述步驟(2)中，本方法所選取的兩個學(xué)習(xí)器采用的是交叉訓(xùn)練方式，即每個分類器選擇出樣本后，將其加入對方分類器的已標記的指紋像素集。所述步驟(2)中，每個樣本的置信度為這個樣本被分為"前景"或者被分為"背景"的后驗概率，其計算公式為fK卜:H ,如)戶^')，其中后驗概率i-l， 2 ;先驗乂=1概率戶(A), i=l, 2 ;類條件概率密度/7(4^),i-l， 2 ;累加變量j， j=l,2;決策閾值為0.5;當后驗概率大于等于0.5分為正類，其他分為負類。所述步驟(2)中，每個學(xué)習(xí)器決策一次，選擇2000個前景點和1000個背景點。 所述步驟(3)中，根據(jù)未標記的指紋像素集大小，以及需要算法運行的時間長短，確定參數(shù)k的取值,k為正整數(shù)，取值為[l， 10。所述步驟(3)中，最終決策模型fc。(;o通過加權(quán)計算集成，其計算公式為fc。(X) - 0.5 F,。te,toc(X) + 0.5 其中f,。teftoxPO和代表最終訓(xùn)練好的兩個底層學(xué)習(xí)器單獨進行決策的結(jié)果。本發(fā)明方法包括提出一個運用協(xié)同訓(xùn)練進行指紋圖像分割的具體工程算法，兩種指紋分 割學(xué)習(xí)器的選擇和集成原則，隨機抽樣方法構(gòu)建標記樣本集的方法，可調(diào)控指紋分割時間的 迭代訓(xùn)練方法等。兩種指紋分割學(xué)習(xí)器的選擇和集成原則本發(fā)明方法的最終分類器fc。(X)通過加權(quán)計算集成，其計算公式為fc。W-o.5f她e,^(;o + o.5/^m(;o，其中F,。b她w(x)和f卿po代表最終訓(xùn)練好標記盒學(xué)習(xí)器和支持向量機學(xué)習(xí)器單獨進行決策的結(jié)果。最終分類器的決策以兩個訓(xùn)練好的底層分類器為基礎(chǔ)，每個底層分類器的加權(quán)系數(shù)為0.5。隨機抽樣方法構(gòu)建標記樣本集的方法本發(fā)明方法構(gòu)建有類別標記的指紋像素集Fl采用 bootstrap隨機抽樣方法隨機抽樣，從少量幾幅指紋中部分易于標記的像素區(qū)域隨機抽取像素， 重新組成像素點集合?？烧{(diào)控指紋分割時間的迭代訓(xùn)練方法本發(fā)明方法設(shè)定一個參數(shù)k，表示算法的協(xié)同訓(xùn)練結(jié)構(gòu)需要循環(huán)的次數(shù)。根據(jù)未標記的指紋像素集大小，以及需要算法運行的時間長短，確定參數(shù)k的取值，取值一般為1~10。另外在每次循環(huán)中，每個底層分類器分別選擇2000個 前景點(正類)和10O0個背景點(負類)。本發(fā)明的有益效果由于采用了上述的運算方法，指紋圖像得到了快速有效的分割處理; 標記指紋像素采用了隨機抽樣的方法，免去了大量人工勞動，使算法的智能性得到提高；雙 分類器協(xié)同訓(xùn)練的結(jié)構(gòu)，能夠?qū)崿F(xiàn)兩個分類器優(yōu)勢互補，降低了對具體的指紋圖像質(zhì)量的依 賴；利用少量監(jiān)督樣本和大量非監(jiān)督樣本信息，有很強的實用性，滿足了工業(yè)中高效、高質(zhì) 的要求。
圖1為本發(fā)明的算法工作流程圖。
具體實施方式
下面結(jié)合附圖與實施例對本發(fā)明做進一步說明。圖1中， 一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，它的步驟為(1) 對于指紋圖像的有類別標記的指紋像素集R和無類別^H己的指紋像素集Fu,提取 每個像素點特征(c,m,v)，通過隨機抽取樣本，建立空間分布模型；其中c,m,v分別表示像 素點的方向一致性coherence、灰度均值mean、灰度方差variance三個特征；方向一致性coherence、灰度均值mean、灰度方差variance三個特征反映了前景像素點 和背景像素點在特征空間分布的差異性，取值需要進行歸一化，最終取值均在
之間。
3. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(1)中，有類 別標記的指紋像素集R采用bootstrap隨機抽樣方法抽樣獲得，從少量幾幅指紋中部分易于 標記的像素區(qū)域隨機抽取像素，重新組成像素點集合。
4. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(2)中，兩個 學(xué)習(xí)器工作在相同的方向一致性coherence、灰度均值mean、灰度方差variance特征體系下。
5. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(2)中，本方 法所選取的兩個學(xué)習(xí)器采用的是交叉訓(xùn)練方式，即每個分類器選擇出樣本后，將其加入對方 分類器的已標記的指紋像素集。
6. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(2)中，每個 樣本的置信度為這個樣本被分為"前景"或者被分為"背景"的后驗概率，其計算公式為,咖')，')，其中后驗概率/ ), i=l， 2 ;先驗概率尸(q), i=l， 2 ;類乂=1條件概率密度p(;^),i-l， 2 ;累加變量j, j=l,2;決策閾值為0.5;當后驗概率大于等于0.5分為正類，其他分為負類。
7. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(2)中，每個 學(xué)習(xí)器決策一次，選擇2000個前景點和1000個背景點。
8. 如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(3)中，根據(jù)未標記的指紋像素集大小，以及需要算法運行的時間長短，確定參數(shù)k的取值,k為正整數(shù)， 取值為1, 10〗。
9.如權(quán)利要求1所述的基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，所述步驟(3)中，最終 決策模型/^。(X)通過加權(quán)計算集成，其計算公式為Fc。(X) = 0.5 。。禱ox(X) + 0.5 F，(X),其中和代表最終訓(xùn)練好的兩個底層 學(xué)習(xí)器單獨進行決策的結(jié)果。
全文摘要
本發(fā)明公開了一種基于協(xié)同訓(xùn)練的快速指紋圖像分割方法，適于快速指紋圖像分割，方法為(1)對指紋圖像有類別標記的指紋像素集F<sub>L</sub>和無類別標記的指紋像素集F<sub>U</sub>，提取各像素點特征(c，m，v)，隨機抽取樣本，建立空間分布模型；其中c，m，v分別表示像素點的方向一致性coherence、灰度均值mean、灰度方差variance三個特征；(2)針空間分布模型，用標記盒學(xué)習(xí)器Labe/Box與支持向量機學(xué)習(xí)器SVM作為底層學(xué)習(xí)器，分別對無類別指紋像素集F<sub>U</sub>進行分類決策，并從所獲得的結(jié)果集中分別選擇置信度最高的樣本集，加入對方的有類別標記指紋像素集F<sub>L</sub>中；(3)令步驟(2)循環(huán)k次，構(gòu)建統(tǒng)一模型F<sub>co</sub>(X)，用于指紋圖像分割；其中F<sub>co</sub>(X)是學(xué)習(xí)器LabelBox和學(xué)習(xí)器SVM集成的結(jié)果，k為參數(shù)，取值為1～10。
文檔編號G06K9/00GK101299238SQ200810138118
公開日2008年11月5日 申請日期2008年7月1日 優(yōu)先權(quán)日2008年7月1日
發(fā)明者任春曉, 周廣通, 尹義龍, 楊公平, 郭文鵑 申請人:山東大學(xué)