一种求取重叠指纹方向场的方法和装置

摘要

本发明公开了一种求取重叠指纹方向场的方法和装置，方法步骤如下：标定出指纹有效区域，分块图像，将分块图像进行离散傅立叶变换，滤除低频分量并搜索频域幅值的极值点对，根据极值点对求得分块图像的初始方向场；将重叠有效区域的分块图像的初始方向场进行矩阵建模，计算相关性矩阵，设置初始标注概率矩阵，然后依次迭代进行随机标注、计算响应、更新标注概率矩阵、判断收敛，最终得到两个指纹的分离独立方向场；将独立有效区域和分离独立方向场进行组合并选择其中一种组合方式得到分离后的指纹方向场。装置包括标定模块、初始方向场估计模块、独立方向场分离模块和组合选择模块。本发明具有重叠指纹分离质量高、脊线检测准确性好、应用范围广的优点。

主权项

一种求取重叠指纹方向场的方法，其特征在于实施步骤如下：1)在原始图像上标定出指纹有效区域，所述指纹有效区域包括两个指纹的独立有效区域以及两个指纹之间的重叠有效区域；2)将原始图像进行分块得到分块图像，将每一个分块图像进行离散傅立叶变换得到频域图，滤除频域图中的低频分量并搜索频域幅值的极值点对，在独立有效区域的分块图像中搜索获得1个极值点对，在重叠有效区域的分块图像中搜索获得2个极值点对，分别计算所述极值点对所对应二维正弦波的相位角，根据分块图像中极值点对所对应二维正弦波的相位角求得各个分块图像的初始方向场；3)针对所有包含2个极值点对的重叠有效区域的分块图像，将分块图像的初始方向场进行矩阵建模，对所述矩阵模型对应的对象集合计算相关性矩阵，设置初始标注概率矩阵，然后依次迭代进行在两个指纹对应的标注中随机选择一个标注、计算对象集合中各个对象在随机选择标注后的响应、更新标注概率矩阵、判断标注概率矩阵的概率密度是否收敛，如果尚未收敛则返回继续迭代，否则迭代完成，根据在所述两个指纹对应的标注中选择的标注将所述对象集合中各个对象进行分离，从而得到所述重叠有效区域对应所述两个指纹的两个分离独立方向场；4)将所述两个指纹的独立有效区域的初始方向场和两个分离独立方向场进行组合得到两种组合方式，从两种组合方式中选择一种组合方式得到两个指纹分离后的指纹方向场；所述步骤3)的详细步骤如下：3.1)针对所有包含2个极值点对的重叠有效区域的分块图像，将对应极值点对的初始方向场进行矩阵建模；3.2)将所述矩阵模型中的每一个元素视为一个对象，针对所述矩阵模型对应的对象集合根据式(2)计算相关性矩阵；$s=1-\frac{\delta \left(\right|O(i,j,k)-O(i^{\prime },j^{\prime },k^{\prime })\left|\right)}{\pi /2}$式(2)中，R_IJ为对象集合的相关性矩阵；D为预设的控制边界宽度参数；s表示两个对象之间取相同标注的支持度因子，1‑s表示两个对象之间取不同标注的支持度因子；δ(·)为归一化函数，用于将输入值归一化到区间(‑π/2,π/2]内，当输入值小于或等于π/2时，直接将输入值作为输出值输出，否则用π减去输入值后作为输出值输出；O(i,j,k)和O(i′,j′,k′)为对象集合中被计算取相同标注的支持度因子的两个对象，i,j,k为对象O(i,j,k)在矩阵模型中的坐标，i′,j′,k′为对象O(i′,j′,k′)在矩阵模型中的坐标；3.3)针对所述对象集合设置标注概率矩阵，所述标注概率矩阵的每一个元素为由对应所述两个指纹的概率组成的转置矩阵，且所述标注概率矩阵的每一个元素的两个概率之和为1，通过均匀分布的方式初始化设置标注概率矩阵中所有元素的概率初始值；3.4)针对当前的标注概率矩阵，为所述对象集合中的所有对象在所述两个指纹对应的标注中随机选择一个标注；3.5)根据式(3)分别计算所述对象集合中各个对象在随机选择标注后的响应；${\beta }_{iq}=(1/N)\underset{j}{\Sigma }{R}_{ij}(q,s_j)---\left(3\right)$式(3)中，β_iq为所述对象集合中序号为i的对象在随机选择标注后的响应，N为所述对象集合中的对象数量，j为所述对象集合中与序号为i的对象计算关联关系另一个对象的序号，R_ij(q,s_j)为所述对象集合中序号为i的对象和对象集合中序号为j的对象之间的相关性矩阵，q为序号为i的对象在步骤3.4)中选择的标注，s_j为所述对象集合中序号为j的对象的在步骤3.4)中选择的标注；3.6)根据式(4)重新计算更新标注概率矩阵的每一个元素；$\begin{array}{c}{p}_{iq}(t+1)=p_{iq}\left(t\right)+{\mathrm{\alpha \beta }}_{iq}(1-p_{iq}(t))\\ p_{ir}(t+1)=p_{ir}\left(t\right)-{\mathrm{\alpha \beta }}_{iq}{p}_{ir}\left(t\right),r\ne q\end{array}---\left(4\right)$式(4)中，p_iq(t+1)为对象集合中序号为i的对象在本次迭代时对应第一个指纹的概率，p_iq(t)为对象集合中序号为i的对象在上一次迭代时对应第一个指纹的概率，q为第一个指纹的标注；p_ir(t+1)为对象集合中序号为i的对象在本次迭代时对应第二个指纹的概率，p_ir(t)为对象集合中序号为i的对象在上一次迭代时对应第二个指纹的概率，r为第二个指纹的标注；α为预设的权值参数，β_iq为所述对象集合中序号为i的对象在随机选择标注后的响应；3.7)计算第一个指纹在本次迭代时的概率和上一次迭代时的概率之间的概率差值，计算第二个指纹在本次迭代时的概率和上一次迭代时的概率之间的概率差值，如果所述两个概率差值均小于预设阈值，则判定所述标注概率矩阵的概率密度收敛，跳转执行步骤3.8)，否则判定所述标注概率矩阵的概率密度尚未收敛，继续跳转执行步骤3.4)进行下一轮迭代处理；3.8)根据在所述两个指纹对应的标注中选择的标注将所述对象集合中各个对象进行分离，从而得到所述重叠有效区域对应所述两个指纹的两个分离独立方向场；所述步骤4)的详细步骤如下：4.1)将重叠有效区域对应所述两个指纹的分离独立方向场进行膨胀运算处理；4.2)将所述两个指纹的独立有效区域的初始方向场和膨胀运算处理后的两个分离独立方向场进行组合得到两种组合方式，并根据式(5)计算所述两种组合方式的相似性因子；$\begin{array}{c}{c}_1=\frac{1}{2}[\frac{1}{N_1}\underset{x}{\Sigma }\underset{y}{\Sigma }\delta \left(\right|O_{o,1}^{\prime }\left(x,y\right)-O_{n,1}\left(x,y\right)\left|\right)·B_1(x,y)\\ +\frac{1}{N_2}\underset{x}{\Sigma }\underset{y}{\Sigma }\delta \left(\right|O_{o,2}^{\prime }\left(x,y\right)-O_{n,2}\left(x,y\right)\left|\right)·B_2(x,y)]\\ c_2=\frac{1}{2}[\frac{1}{N_1}\underset{x}{\Sigma }\underset{y}{\Sigma }\delta \left(\right|O_{o,2}^{\prime }\left(x,y\right)-O_{n,1}\left(x,y\right)\left|\right)·B_1(x,y)\\ +\frac{1}{N_2}\underset{x}{\Sigma }\underset{y}{\Sigma }\delta \left(\right|O_{o,1}^{\prime }\left(x,y\right)-O_{n,2}\left(x,y\right)\left|\right)·B_2(x,y)]\end{array}---\left(5\right)$式(5)中，c₁为第一种组合方式的相似性因子，c₂为第二种组合方式的相似性因子，O′_o,1(x,y)为膨胀运算处理后的第一个分离独立方向场，O′_o,2(x,y)为膨胀运算处理后的第二个分离独立方向场，O_n,1(x,y)为第一个独立有效区域，O_n,2(x,y)为第二个独立有效区域，B₁(x,y)为第一种组合方式中重叠有效区域与第一个独立有效区域之间形成的重合边界，B₂(x,y)为第二种组合方式中重叠有效区域与第二个独立有效区域之间形成的重合边界，N₁为重合边界B₁(x,y)的所有像素总和，N₂为重合边界B₂(x,y)的所有像素总和；x,y为像素点在图像中的坐标；4.3)比较两种组合方式的相似性因子，选择相似性因子数值较小的一种组合方式得到两个被分离的指纹方向场，分别通过均值滤波器滤波后输出。