基于分级分类器的指纹图像分类方法

摘要

本发明公开了一种基于多级分类器的指纹分类算法。主要解决现有技术的分类准确度低和分类器鲁棒性差的问题。其实现步骤为：(1)用梯度法提取指纹图像的块方向场，计算每一块方向场的质量，并建立归一化的方向场扩散模型，计算归一化后的指纹图像方向场；(2)根据归一化后的指纹图像方向场对指纹图像进行复数滤波；(3)提取指纹图像的脊线流向，以指纹图像方向场，复数滤波的响应和脊线流向为特征，设计一个分级分类器对指纹进行分类。本发明具有提取的方向场精确度高，提取的指纹特征区分性强，分类器鲁棒性好，分类精确度高的优点，可用于在自动化指纹识别系统中对指纹进行分类。

主权项

一种通过分级分类器实现指纹分类的方法，包括以下步骤：(1)使用快速傅里叶变换对指纹图像进行增强，将增强后的指纹图像I分成w×w的块，并用梯度法提取指纹图像I的块方向场θ(x,y)，其中x，y分别表示图像块的横坐标和纵坐标；(2)根据块方向场计算每一块指纹图像的质量q_(x,y)：q_(x,y)＝f(M_(x,y),M₁,M₂)·f(coh_(x,y),C₁,C₂)，式中，M₁为块内方向场均值的下限，M₂为块内方向场均值的上限，C₁为块内方向场一致性的下限，C₂为块内方向场一致性的上限，M_(x,y)表示块内方向场的均值，coh_(x,y)表示块内方向场的一致性，$f(M_{(x,y)},M_1,M_2)=\left\{\begin{array}{cc}0& \mathrm{if}{M}_{(x,y)}\le M_1\\ 1& \mathrm{if}{M}_{(x,y)}>M_2\\ \frac{M_{(x,y)}-M_1}{M_2-M_1}& \mathrm{otherwise}\end{array}\right.,$为块方向场均值归一化函数，$f({\mathrm{coh}}_{(x,y)},C_1,C_2)=\left\{\begin{array}{cc}0& \mathrm{if}{\mathrm{coh}}_{(x,y)}\le C_1\\ 1& \mathrm{if}{\mathrm{coh}}_{(x,y)}>C_2\\ \frac{{\mathrm{coh}}_{(x,y)}-C_1}{C_2-C_1}& \mathrm{otherwise}\end{array}\right.,$为块方向场一致性归一化函数；(3)将步骤(1)提取的指纹图像的块方向场转化为一个连续的向量场：v_(x,y)＝(v_1(x,y),v_2(x,y))，其中，v_1(x,y)＝cos(2θ(x,y))，v_2(x,y)＝sin(2θ(x,y))；(4)利用步骤(3)提取的连续向量场和步骤(2)计算的图像质量建立联合能量函数：J(u_(x,y))＝D(u_(x,y))+με(u_(x,y))，其中，u_(x,y)＝(u_1(x,y),u_2(x,y))为待求的归一化后的方向场，u_1(x,y)表示待求块方向场的余弦值，u_2(x,y)表示待求块方向场的正弦值，$D\left(u_{(x,y)}\right)=\frac{1}{2}{\int }_{\Omega }{q}_{(x,y)}{\left|\right|u_{(x,y)}-v_{(x,y)}\left|\right|}^2{d}_x{d}_y,$为源向量场v_(x,y)和归一化后的向量场u_(x,y)之间的差别项，为惩罚项，Ω表示指纹图像的有效区域，μ为决定差别项和惩罚项关系的归一化参数,||...||²表示1范数的平方；(5)求解使得联合能量函数J(u_(x,y))取得最小值的u_(x,y)，得出归一化后的方向场其中atan^‑1表示反正切，得出指纹图像的方向场图像B；(6)用归一化后的方向场对指纹图像I进行复数滤波，并判定指纹的类型：(6a)将复数滤波后指纹图像中每一点的响应与其最大响应阈值E进行比较，如果某一点的响应大于最大响应阈值E，则判定该点为核心点，反之该点不是核心点，其中0.4<E<0.8；(6b)将复数滤波的最大响应与其最小响应阈值F进行比较，如果复数滤波的最大响应小于最小响应阈值F，并且指纹图像中没有核心点，则判定指纹为拱型A，反之，执行步骤(6c),其中0.3<F<0.7，并且F<E；(6c)通过对块方向场图像B进行双线性插值运算提取指纹图像I的点方向场，根据点方向场提取指纹脊线上的采样点，求每对相邻采样点连线方向上的单位向量；(6d)设定第一个采样点与第二个采样点连线方向上的单位向量为初始向量，以每个单位向量与初始单位向量的内积为纵坐标，采样点序列为横坐标，作出脊线等高图，如果在脊线等高图中有两个局部极大值在0.8到1之间，两个局部极小值在‑0.8到‑1之间，则判定指纹为螺纹型W，反之，执行步骤(6e)；(6e)根据方向场图像B和复数滤波每一点的响应组建特征向量，用主成分分析法对特征向量进行降维，使用K最近邻分类算法对降维后的特征向量进行粗分类，找出最接近真实指纹类型的两类，如果此两类中包含左旋型L或右旋型R，不包含螺纹型W,脊线等高图中局部极大值在0.8到1之间，局部极小值在‑0.8到‑1之间，且指纹脊线上采样点的终点都在初始点的左侧，则判定指纹为左旋型L，若采样点的终点都在初始点的右侧，则判定指纹为右旋型R，反之，执行步骤(6f)；(6f)使用支持向量机对K最近邻分类算法输出的两种类型进行进一步分类，其支持向量机输出的分类结果为最终的指纹类型。