基于多象限编码的活体指纹识别方法
【技术领域】
[0001] 本发明设及指纹识别方法技术领域，尤其设及一种基于多象限编码的活体指纹识 别方法。
【背景技术】
[0002] 指纹识别主要根据人体指纹的纹路、细节特征等信息对操作或被操作者进行身份 鉴定，现如今，指纹识别技术已经非常成熟，并被广泛运用于身份认证、信息加密等领域。然 而，大多数指纹识别系统并不能区分所扫描的指纹是否来自于真正的人体，使用橡胶、娃脂 甚至印刷在纸上的假指纹都可W成功地欺骗指纹识别系统。
【发明内容】
[0003] 本发明所要解决的技术问题是提供一种基于多象限编码的活体指纹识别方法，所 述方法通过分析活体指纹与假指纹在纹理特征上的细微差别将真假指纹区分开，提高了指 纹识别系统的安全性。
[0004] 为解决上述技术问题，本发明所采取的技术方案是：一种基于多象限编码的活体 指纹识别方法，其特征在于包括如下步骤：
[0005] 采集足够数量的真假指纹图像；
[0006] 在采集到的指纹图像上随机采样大量不同尺寸图像块；
[0007] 通过正交簇保持学习算法学习各尺寸图像块下的分割面，W最大化分割超平面与 图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；
[000引使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特 征；
[0009] 对所述获得的指纹图像纹理特征进一步降维，交叉验证参数并训练分类器，挑选 最佳参数训练得到最终分类器。
[0010] 进一步的技术方案在于:所述的通过正交簇保持学习算法学习3X3尺度下的分割 面的方法如下：
[00…将3 X 3图像块拉伸成9维的列向量并进行归一化得到具体如下表示：
[0013] 其中n代表每个尺寸上随机采集真假图像块数。
[0014] 进一步的技术方案在于:所述的最大化分割超平面与图像块数据的平均角度方法 如下：
[0015] 迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，具体 实现如下：
[0016]首先随机初始化滤波器组，F=[fi，f2,…，fd]ER9xd，其中d为当前尺度下的滤波器 数量，使分界面尽量不会将单个簇分割开，其中用N表示随机采取到的各个尺寸下的真假图 像块数
[0019] 由于目标函数具有不可导点，该优化问题需要使用带正交约束的一阶梯度下降算 法求解。
[0020] 进一步的技术方案在于:所述的分割超平面与图像块数据的平均角度按照如下方 法进行最大化：
[0021] 首先将滤波器组与训练数据投影到当前运算的空间I .沒載％ 叛餐，其中H 是投影矩阵，初始化为对角矩阵H=l9X9,接着计算损失函数和梯度得到学习率，其中损失函 数如下：
[0023] 其中I表示投影到当前运算空间的滤波器组分量，j表示滤波器向量组索引值，％ 表示图像块向量化的表示
[0024] 梯度表示如下：
[0026] 最后更新投影矩阵，将训练得到的新的滤波器组投影回原空间。
[0027] 进一步的技术方案在于:所述的使用分割平面的法向量对待训练图像进行多象限 编码处理，获得指纹图像纹理特征的具体方法如下：
[0028] 用得到的正交基即分割超平面的法向量对待训练图像进行卷积，并利用训练得到 的正交基的零均值特性统计指纹图像梯度，将白色背景滤除，利用多象限编码技术对卷积 结果进行编码，在滤除背景之后的指纹图像上统计得到编码直方图，对直方图进行归一化 操作，并使用PCA算法进行压缩，最后将各个尺度下的归一化直方图进行组合即将各个尺度 的特征串联起来，获得指纹图像纹理特征。
[0029] 进一步的技术方案在于:所述的使用分割平面的法向量对待训练图像进行处理， 获得指纹图像纹理特征的具体方法如下：
[0030] 使用滤波器fi对待训练图像进行卷积，卷积后根据结果是否大于0进行二值化处 理，具体如下表示：
[0031] (，(/) = X2' 亡1
[0032] 其中I为输入图像，*为卷积符号，d为当前尺度下的滤波器数量，C(I)为卷积后的 图像，当I*f i的值大于0的时候s( I*fi)的取值为1，否则取值0;
[0033] 根据得到的卷积结果，得到梯度图像并统计整幅图的梯度取图像梯度较大值的 80%作为前景掩膜，由公式
I得到梯度图像，其中I为输入图像，*为卷积符 号，G(I)为计算后的梯度图像；
[0034] 统计前景图像的直方图并进行归一化，统计卷积后图像C(I)中每个数字的个数， 形成共2d维的特征直方图，其中d表示当前尺度下滤波器的数量，即在3X3尺度下生成256 维直方图严 3,其他尺度下生成4096维直方图严4~fWxiD，该操作实际是在统计由滤波器组 运组正交基所切出的各个象限中图像前景掩膜下所有图像块的个数，运就是多象限编码中 多象限的含义，继而对得到的直方图进行归一化；
[0035] 使用PCA算法对各个尺度下的归一化直方图进行压缩，并将各个尺度的特征进行 串联，获得指纹图像纹理特征。
[0036] 进一步的技术方案在于:所述的交叉验证参数并训练分类器的过程中，使用径向 基核支持向量机作为分类器交叉验证松弛变量C、径向宽度G和PCA降维后的维度R运S个参 数。
[0037] 采用上述技术方案所产生的有益效果在于:所述方法通过采用多象限编码技术， 可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统 的提升，通过对当前指纹识别软件系统的改进即可抵御大多数已知材料制作而成的假指纹 模具的攻击，提高了指纹识别系统的安全性。
【附图说明】
[0038] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0039] 图1是本发明所述方法的流程图；
[0040] 图2为进行多象限编码的一个示例图；
[0041 ]图3为多维象限编码在二维空间中的示意图；
[0042] 图4为多象限编码技术的流程图。
【具体实施方式】
[0043] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0044] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是本发明还可W 采用其他不同于在此描述的其它方式来实施，本领域技术人员可W在不违背本发明内涵的 情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0045] 本发明公开了一种基于多象限编码的活体指纹识别方法，所述方法能够对非活体 指纹进行有效甄别。
[0046] 图1示出了本发明的基本流程图。如图1所示，该方法包括如下步骤：
[0047] 步骤I:采集多张真、假指纹图像：
[0048] 分别使用硅胶、明胶、乳胶、共聚醋、木胶等材料制作手指大小的模具，将真人手指 按压在模具上，形成清晰的纹路，然后将材料放置于阴凉处自然风干凝固，得到假指纹。使 用真人手指和手指模具分别采集约2000张指纹图像。
[0049] 在指纹采集过程中，真人手指或材料制成的假手指正常按在指纹采集器表面，不 需刻意小屯、，也不需用力，采集到的指纹应具有一般性，将严重模糊和严重虚白等不能参与 指纹识别的图像排除。
[0050] 步骤2:采集指纹图像块：
[0051] 对采集到的真假指纹图像分别采样3X3、4X4到IOX 10共8个不同尺寸的图像块， 在每个尺寸上随机采集真假图像块各10万个。
[0052] 采集图像块时，剔除掉标准差小于20、平均灰度大于128的图像块，即完成指纹背 景滤除，防止其对训练基向量产生干扰。
[0053] 步骤3:训练各尺度下的分割面：
[0054] 下面仅使用3X3尺度的图像块举例说明如何训练分割面，运用同样的方法训练其 他尺度下的分割面，需要留意的是不同尺度下的滤波器数量存在差别，对3X3图像块来说， 滤波器数量d = 8,其它尺度下滤波器数量d = 12。特别的，滤波器组中每个滤波器展开成向 量之后即为分割面的法向量，本发明中提到的基向量、滤波器、向量化后的滤波器、分割面 等概念相互等价，都用fi表示。
[005引步骤3.1:将每个图像块拉伸成向量，例如3 X 3的图像块拉伸成一个9维的列向量X = [X1，X2,…，Xn] ER9Xd,对所有向量化的图像块进行归一化，即减去自身均值，除W自身标 准差
[0057]其中n代表每个尺寸上随机采集真假图像块数，在本发明实施例中取n = 100000。 [0化引接着随机初始化滤波器组，F=[fi，f2,…，fd]ER9xd，其中d为当前尺度下的滤波器 数量。对3 X 3图像块来说，d = 8,其它尺度下，d = 12。
[0059] 步骤3.2:迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均 角度，具体实现如下：
[0060] 滤波器的作用是将多维的列向量X中所有向量所聚成的多个簇分开，应该使滤波 器尽量不穿过向量点密集的地方。本发明使用如下优化式来最大化分割面和向量之间的角 度，使分界面尽量不会将单个簇分割开：
[0063] 其中N代表每个尺寸上随机采集真假图像块数，|和^分别是滤波器和图像块的 向量表示分量投影到运算空间的表达形式，由于增加了 PII^ = I的约束，且目标函数具有不 可导点，因此该式不可W使用常规的优化算法进行优化，本发明使用带正交约束的一阶梯 度下降算法来求解此问题：
[0064] 步骤3.2.1:将滤波器组与训练数据投影到当前运算的空间:H是投影矩阵，初始化 为对角矩阵H= 19X9
[00化]俄
[0066]步骤3.2.2:归一化fi使I襄.!I 是，重复计算损失函数和梯度，直至满足条件
[0070] 其中fi表示滤波器组中的第i个滤波器，i表示维度，Xi表示图像块向量化的表示。
[006引损失函数：
[0069] 梯度函数： 应用梯度下降更新当前运算空间的滤波器，
其中初始化捜索尺度0 = 1，线 捜索得到学习率曰。
[007。 步骤3.2.3:更新投影矩阵1作臟繊(|>、凝，