專利名稱：基于mrf和svm-knn分類的假指紋檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和模式識(shí)別等技術(shù)領(lǐng)域，主要內(nèi)容為假指紋的檢測(cè)方法。
背景技術(shù)：
圖像特征提取、特征訓(xùn)練以及決策融合等是圖像處理及模式識(shí)別領(lǐng)域中的重要知識(shí)點(diǎn)，它們都與假指紋檢測(cè)方法的效果密切相關(guān)。假指紋檢測(cè)方法過(guò)程主要分為圖像特征提取、SVM訓(xùn)練、SVM-KNN分類以及決策融合等四個(gè)步驟，其中特征提取在假指紋檢測(cè)過(guò)程中尤為重要。Emanuela Marasco提出提取指紋圖像的紋理特征信息,通過(guò)一階統(tǒng)計(jì)量來(lái)對(duì)假指紋進(jìn)行檢測(cè)。該方法在采集儀分辨率較高的情況下，假指紋識(shí)別率比較好，但是對(duì)于500dpi的通用分辨率圖像的識(shí)別率性能一般。Nikam和Agrwal提出了另外一種基于紋理的方法，用指紋像素相關(guān)的灰度級(jí)分析指紋圖像的活性。Abhyankar和Schuckers提出了一種基于多分辨率紋理分析和紋路頻率分析的方法，用不同的紋理特性量化物理結(jié)構(gòu)變化時(shí)灰度級(jí)分布變化。但此方法在實(shí)際應(yīng)用中有一定的局限性，因?yàn)榫植考咕€頻率的計(jì)算會(huì)受天氣影響，也與不同皮膚狀況有關(guān)?；叶裙采仃?GLCM)建立在兩個(gè)位置像素值的聯(lián)合概率密度的基礎(chǔ)上，可用于將灰度值轉(zhuǎn)化為紋理信息，反映圖像灰度關(guān)于相鄰間隔、方向、變化幅度的綜合信息。GLCM是對(duì)圖像上保持某距離的像素點(diǎn)的灰度值情況進(jìn)行統(tǒng)計(jì)得到的。1973年Haralick研究了圖像紋理中灰度級(jí)的空間依賴關(guān)系，提出灰度共生矩陣的實(shí)質(zhì)是從圖像中灰度為X的像素(其位置為(xl，yl))出發(fā)，統(tǒng)計(jì)與其距離為d灰度為y的像素(x2，y2)同時(shí)出現(xiàn)的次數(shù)。通?？梢杂媚芰?、對(duì)比度、熵、局部平穩(wěn)、自相關(guān)和不相似性等標(biāo)量來(lái)表征GLCM特征。馬爾科夫隨機(jī)場(chǎng)(MRF)模型是在1973年由Besag提出，可以表達(dá)圖像數(shù)據(jù)的空間概率關(guān)系的建模并且用于紋理特征模型，MRF已被證明對(duì)于圖像特征提取是有效的。MRF紋理特征從結(jié)構(gòu)分析法角度來(lái)看，就是要找出紋理基元以及紋理基元間的相互依賴關(guān)系。對(duì)于MRF紋理特征的基元關(guān)系可以用條件概率模型表示。隨機(jī)圖像的紋理區(qū)域可看成是二維隨機(jī)過(guò)程的有限取樣，不同的統(tǒng)計(jì)參數(shù)表示不同的隨機(jī)過(guò)程。紋理基元之間展現(xiàn)出的依賴關(guān)系，反映了紋理基元的不同聚集，而不同聚集之間的紋理又對(duì)應(yīng)著不同的統(tǒng)計(jì)參數(shù)。應(yīng)用數(shù)學(xué)上的MRF能夠很好地描述紋理的隨機(jī)特征。SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的分類方法，它主要基于以下三種考慮:
(I)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，通過(guò)最小化函數(shù)集的VC維來(lái)控制學(xué)習(xí)機(jī)器的結(jié)構(gòu)風(fēng)險(xiǎn)，使其具有較強(qiáng)的推廣能力；(2)通過(guò)最大化分類間隔(尋找最優(yōu)分類超平面)來(lái)實(shí)現(xiàn)對(duì)VC維的控制，這是由統(tǒng)計(jì)學(xué)習(xí)理論的相關(guān)定理保證的；(3) SVM在技術(shù)上采用核化技術(shù)，根據(jù)泛函中的定理,尋找一個(gè)函數(shù)(核函數(shù))將樣本空間中內(nèi)積對(duì)。SVM分類有兩個(gè)要求:1)能正確區(qū)分兩類樣本；2)分類間隔最大的分類面確定為最優(yōu)分類面。支持向量就是最優(yōu)分類面上的樣本。近鄰法(簡(jiǎn)稱NN)是模式識(shí)別非參數(shù)法中最重要的方法之一，NN的一個(gè)很大特點(diǎn)是將各類中全部樣本點(diǎn)都作為“代表點(diǎn)”，INN是將所有訓(xùn)練樣本都作為代表點(diǎn)，因此在分類時(shí)需要計(jì)算待識(shí)別樣本P到所有訓(xùn)練樣本的距離，結(jié)果就是與P最近的訓(xùn)練樣本所屬于的類別。KNN是INN的推廣，即分類時(shí)選出K個(gè)最近鄰，看這K個(gè)近鄰中的多數(shù)屬于哪一類，就把P分到哪一類。SVM的優(yōu)點(diǎn)有:結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)速度快、推廣性能好、優(yōu)化求解時(shí)具有唯一的極小點(diǎn)等；通過(guò)修正核函數(shù)可以獲得各種不同的分類曲面。支持向量機(jī)是為了解決二分類問(wèn)題而提出來(lái)的，不需要利用樣本趨向于無(wú)窮大的漸進(jìn)性條件。然而SVM分類算法存在一個(gè)缺點(diǎn):當(dāng)樣本距離分類超平面小于一個(gè)給定的閾值e時(shí)，其分類準(zhǔn)確率會(huì)降低。目前比較常用的假指紋檢測(cè)方法可分為兩類:第一類用手指溫度、皮膚導(dǎo)電性、脈搏血氧等特性，這些特性可以通過(guò)在指紋采集儀上加入額外的硬件設(shè)備來(lái)檢測(cè)得到，但是會(huì)增加采集儀的成本，這類方法稱為基于硬件的假指紋檢測(cè)方法。第二類方法為了檢測(cè)指紋圖像的活性信息，對(duì)指紋樣本圖像做額外的處理，這類方法稱為基于軟件的方法?；谲浖姆椒ǔ杀镜?，對(duì)用戶的侵入性較小，且能用于現(xiàn)有的指紋采集儀。因此對(duì)基于軟件的假指紋檢測(cè)方法的研究，具有重大的實(shí)用價(jià)值和推廣意義。

發(fā)明內(nèi)容
本發(fā)明要克服現(xiàn)有假指紋檢測(cè)技術(shù)仍不夠成熟且識(shí)別正確率還是比較低的現(xiàn)狀，提出一種基于MRF和SVM-KNN分類的假指紋檢測(cè)方法，該方法提取圖像的一階統(tǒng)計(jì)量(F0S)、灰度共生矩陣(GLCM)以及馬爾科夫隨機(jī)場(chǎng)(MRF)等特征，通過(guò)特征選擇得到特征向量，然后通過(guò)SVM進(jìn)行訓(xùn)練；由于SVM對(duì)超平面附近的樣本分類存在不穩(wěn)定性，引入SVM-KNN分類對(duì)假指紋進(jìn)行檢測(cè)，最后通過(guò)決策融合技術(shù)對(duì)指紋的真假做出準(zhǔn)確判斷。一種基于MRF和SVM-KNN分類的假指紋檢測(cè)方法，所述方法包括以下步驟:I)特征提取1.1) 一階統(tǒng)計(jì)量(FOS)用于衡量圖像中隨機(jī)位置某一灰度值出現(xiàn)的概率，像素之間相關(guān)性可以表明指紋的真假性。通過(guò)直方圖計(jì)算像素之間的變化程度，并提取F0S，目標(biāo)是當(dāng)圖像的物理結(jié)構(gòu)發(fā)生變化時(shí)，量化灰度級(jí)分布的變化，再由此判別真假指紋。假設(shè)H(n)為歸一化直方圖，N表示最大灰度級(jí)，U為灰度均值，F(xiàn)OS計(jì)算如下:能量
權(quán)利要求
1.一種基于MRF和SVM-KNN分類的假指紋檢測(cè)方法，所述方法包括以下步驟: 1)特征提取 1.1) 一階統(tǒng)計(jì)量(FOS) 用于衡量圖像中隨機(jī)位置某一灰度值出現(xiàn)的概率，像素之間相關(guān)性可以表明指紋的真假性。通過(guò)直方圖計(jì)算像素之間的變化程度，并提取F0S，目標(biāo)是當(dāng)圖像的物理結(jié)構(gòu)發(fā)生變化時(shí)，量化灰度級(jí)分布的變化，再由此判別真假指紋。假設(shè)H(n)為歸一化直方圖，N表示最大灰度級(jí)，U為灰度均值，F(xiàn)OS計(jì)算如下: 能量:
全文摘要
基于MRF和SVM-KNN分類的假指紋檢測(cè)方法，包括以下步驟1)提取指紋圖像特征1.1)一階統(tǒng)計(jì)量(FOS)；1.2)灰度共生矩陣(GLCM)；1.3)馬爾科夫隨機(jī)場(chǎng)(MRF)；2)進(jìn)行SVM訓(xùn)練，分別對(duì)FOS和GLCM，及MRF這兩項(xiàng)特征向量訓(xùn)練得到模型A和B；3)SVM-KNN分類3.1)SVM分類機(jī)理；3.2)SVM-KNN分類器形成；4)決策融合以檢測(cè)真假指紋。目前沒(méi)找到將GLCM和MRF用于假指紋檢測(cè)的相關(guān)文獻(xiàn)，本文利用這兩類特征量化指紋圖像的物理結(jié)構(gòu)信息以達(dá)到識(shí)別真假指紋的目的。實(shí)驗(yàn)結(jié)果表明該算法的認(rèn)假率及拒真率分別為1.84%和1.79%。本發(fā)明精確度高、實(shí)用性好。
文檔編號(hào)G06K9/62GK103116744SQ20131004612
公開(kāi)日2013年5月22日 申請(qǐng)日期2013年2月5日 優(yōu)先權(quán)日2013年2月5日
發(fā)明者張永良, 劉超凡, 肖剛, 方珊珊, 卞英杰 申請(qǐng)人:浙江工業(yè)大學(xué)