专利名称：一种基于Sigmoid扩展的指纹分数融合系统及方法
技术领域：
本发明属于生物特征识别技术领域，涉及图像处理、模式识别、计算机技术等前沿知识，特别涉及一种基于Sigmoid扩展的指纹分数融合系统及方法，通过指纹分数融合和基于Sigmoid扩展而实现指纹匹配。
背景技术：
指纹识别技术是目前生物特征识别领域中研究和应用最为成熟的技术之一。由于指纹具有唯一性和稳定性的优点，而且采集过程方便、成本低廉，目前已广泛应用在身份鉴定、信息安全、访问控制等很多方面。过几十年的研究，指纹识别技术取得了飞速的发展，但是指纹识别算法的性能还远远达不到理论估计的精度，算法的时间性能也有待提高。指纹细节点被公认为是指纹最具鉴别能力且最可靠的局部特征，基于指纹细节点特征的匹配算法也是目前指纹识别技术的主流算法。其中，应用比较广泛的细节点特征包括细节点局部方向描述、细节点局部三角结构、细节点拓扑结构等，也有联合其它指纹信息进行匹配的算法，如联合细节点相连脊线信息、局部方向场信息、局部纹理信息等。这些方法最终都是通过指纹细节点及其辅助结构的相似度来确定指纹图像的匹配分数。但是，由于两幅指纹图像之间的平移和旋转的相对变换以及指纹形变程度都事先未知，所以两组指纹细节点之间的对应关系也是不确定的，这就决定了仅由细节点其辅助结构的相似度决定的指纹图像的匹配分数同样有其不可靠性。为了解决以上问题，很多研究者开始考虑融合多种特征或多种分数进行指纹图像的匹配。Feng提出了支持向量机的17维特征融合方法，但是支持向量机的方法对于系统而言只是一个“黑盒子”，无从得知其内部处理过程，且相当耗时。其它已发表的为数不多的指纹特征融合或分数融合方法也在时间性能或其它方面存在缺陷。鉴于对指纹识别系统性能要求的不断提高，单纯基于指纹细节点的指纹匹配方法逐渐不能满足要求且没有了改进的空间，而基于特征融合或分数融合的指纹识别方法就越来越受到研究者的重视。分数融合比特征融合需要的附加资源和时间消耗都要少得多，因此实用性更好，但是性能上往往提高有限。这是因为不同分数有不同的分布以及各异的属性。如果可以通过某种策略将不同分数扩展到相同的空间并尽可能统一属性，必然可以提高分数融合的性能。
发明内容
(一 )要解决的技术问题针对现有指纹分数融合过程中，不同分数具有不同的分布以及各异的属性，从而限制指纹分数融合系统的性能提升的问题，本发明的主要目的是提出一种基于Sigmoid扩展的指纹分数融合系统及方法，通过对不同的分数进行Sigmoid扩展，使得不同分数拥有了相似的分布和属性，从而提高了分数融合的效率，提高了指纹分数融合系统的性能。
( 二)技术方案为达成所述目的，本发明提供了一种基于Sigmoid扩展的指纹分数融合系统，包括训练图像预处理单元1，用于对训练指纹数据集中的每一个训练指纹图像对分别进行预处理，分别获得训练指纹图像对的细化指纹图像和指纹方向场图像；训练特征提取单元2，与训练图像预处理单元I连接，用于从训练图像预处理单元I输出的训练指纹图像对的细化指纹图像中提取指纹细节点信息，并从训练图像预处理单元I输出的训练指纹图像对的指纹方向场图像中为每一个指纹细节点提取细节点局部方向描述；训练特征对准单元3，与训练特征提取单元2连接，用于对训练特征提取单元2输
出的训练指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到训练指纹图像对的细节点平均相似度分数和方向场平均距离分数；Sigmoid参数训练单元4,与训练特征对准单元3连接,用于对训练特征对准单元3输出的训练指纹图像对的细节点平均相似度分数和方向场平均距离分数进行计算，分别得到细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数；测试图像预处理单元5，用于对测试指纹图像对分别做预处理，分别获得测试指纹图像对的细化指纹图像和指纹方向场图像；测试特征提取单元6，与测试图像预处理单元5连接，用于从测试图像预处理单元5输出的测试指纹图像对的细化指纹图像中提取指纹细节点信息，并从测试图像预处理单元5输出的测试指纹图像对的指纹方向场图像中为每一个指纹细节点提取细节点局部方向描述；测试特征对准单元7，与测试特征提取单元6连接，用于对测试特征提取单元6输出的测试指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到测试指纹图像对的细节点平均相似度分数和方向场平均距离分数；以及分数融合单元8,与测试特征对准单元7及Sigmoid参数训练单元4连接,用于利用Sigmoid参数训练单元4输出的细节点平均相似度分数的Sigmoid扩展参数对测试特征对准单元7输出的测试指纹图像对的细节点平均相似度分数进行Sigmoid扩展，并利用Sigmoid参数训练单元4输出的方向场平均距离分数的Sigmoid扩展参数对测试特征对准单元7输出的测试指纹图像对的方向场平均距离分数进行Sigmoid扩展；然后将扩展后的两个分数融合在一起，得到最终匹配分数，从而判断测试指纹图像对是否来源于同一个手指。为达成所述目的，本发明还提供了一种基于Sigmoid扩展的指纹分数融合方法，该方法首先在训练指纹图像集上训练出细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数，然后对测试指纹图像对提取特征并对准，在对准后的信息上提取细节点平均相似度分数和方向场平均距离分数，并分别对每个分数进行Sigmoid扩展；对Sigmoid扩展后的细节点平均相似度分数和方向场平均距离分数进行融合；融合后得到的结果作为最终的匹配分数；根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的匹配。上述方案中，所述的基于Sigmoid扩展的指纹分数融合方法，具体包括以下步骤
步骤SI :对指纹图像进行预处理，获得细化指纹图像和指纹方向场图像；步骤S2 :提取指纹细节点信息和细节点局部方向描述；步骤S3 :根据细节点局部方向描述计算指纹细节点之间的相似度；步骤S4 :在参数训练阶段，选取细节点相似度最大的一组指纹细节点对作为初始点对，对细节点信息和指纹方向场图像进行对准；步骤S5 :在参数训练阶段，根据对准结果，计算细节点平均相似度分数和方向场平均距离分数；步骤S6 :在参数训练阶段，对细节点平均相似度分数和方向场平均距离分数分别进行训练，计算细节点平均相似度分数的Sigmoid扩展参数和方向场平均距离分数的
Sigmoid扩展参数；步骤S7 :在指纹测试阶段，根据步骤S3得到的指纹细节点相似度，选取细节点相似度最大的N个指纹细节点对作为对准初始点对，对细节点信息和指纹方向场图像进行对准；步骤S8 :在指纹测试阶段，根据每一组对准结果，分别计算细节点平均相似度分数和方向场平均距离分数；步骤S9 :对N组细节点平均相似度分数和方向场平均距离分数分别进行Sigmoid扩展，得到N组扩展后的细节点平均相似度分数和方向场平均距离分数；步骤SlO :对每一组扩展后的细节点平均相似度分数和方向场平均距离分数进行融合；步骤Sll :选取N个匹配分数中最大的匹配分数作为最终匹配分数，根据最终匹配分数的大小判断测试指纹图像对是否来源于同一个手指。(三)有益效果本发明提供的基于Sigmoid扩展的指纹分数融合系统及方法，采用Sigmoid扩展策略来同化不同指纹分数，使其分布和属性近似统一。由于Sigmoid扩展后的不同分数有了相似的分布和属性，因此可以更有效地融合，提高了指纹匹配的精度；同时，Sigmoid扩展是一个简单的计算过程，附加的空间资源和时间消耗都非常小，因此在提高了分数融合系统的匹配精度性能的同时，其实时性能没有明显下降，最终提高了指纹识别系统的性能。
图I是依照本发明实施例的基于Sigmoid扩展的指纹分数融合系统的示意图；图2是依照本发明实施例的基于Sigmoid扩展的指纹分数融合系统中训练特征对准模块的结构示意图；图3是依照本发明实施例的基于Sigmoid扩展的指纹分数融合系统中测试特征对准模块的结构示意图；图4是依照本发明实施例的基于Sigmoid扩展的指纹分数融合系统中分数融合模块的结构示意图；图5是依照本发明实施例的基于Sigmoid扩展的指纹分数融合的方法流程图；图6示出了本发明提供的基于Sigmoid扩展的指纹分数融合的方法在FVC2002DB1上的对比实验结果；
图7示出了本发明提供的基于Sigmoid扩展的指纹分数融合的方法在FVC2004DB1上的对比实验结果。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。本发明的核心思想是基于Sigmoid扩展的指纹分数融合，该融合过程首先在训练指纹图像集上训练出细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数，然后对测试指纹图像对提取特征并对准，在对准后的信息上提取细节点平均相似度分数和方向场平均距离分数，并分别对每个分数进行Sigmoid扩展；对Sigmoid扩展后的细节点平均相似度分数和方向场平均距离分数进行融合；融合后得到的结果作为最终的匹配分数；
根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的匹配。基于上述的思路和目的，下面将指纹图像的识别处理过程划分为若干个步骤，简要介绍执行每个步骤时需要注意的关键问题，来设计和改进我们的系统，建立最终的基于Sigmoid扩展的指纹分数融合的理论框架及系统原型。本发明的核心在于对用于融合的指纹分数进行Sigmoid扩展，然后再对扩展后的指纹分数进行融合来完成指纹的匹配。对现有技术进行改进实现了本发明的系统结构，如图I所示，本发明提供的基于Sigmoid扩展的指纹分数融合系统，包括训练图像预处理单元I、训练特征提取单元2、训练特征对准单元3、Sigmoid参数训练单元4、测试图像预处理单元5、测试特征提取单元6、测试特征对准单元7和分数融合单元8。其中，训练图像预处理单元I、训练特征提取单元2、训练特征对准单元3和Sigmoid参数训练单元4属于训练过程，用于在训练指纹数据集上训练测试过程所需的Sigmoid扩展参数；测试图像预处理单元5、测试特征提取单元6、测试特征对准单元7和分数融合单元8属于测试过程，利用训练过程得到的Sigmoid扩展参数对测试过程的测试指纹图像对进行Sigmoid扩展和匹配。训练图像预处理单元1，用于对训练指纹数据集中的每一个训练指纹图像对分别进行预处理，分别获得训练指纹图像对的细化指纹图像和指纹方向场图像。训练图像预处理单元I对训练指纹数据集中的每一个训练指纹图像对分别进行预处理，该预处理包括图像分割、图像增强、图像二值化、细化处理以及方向场提取。训练特征提取单元2，与训练图像预处理单元I连接，用于从训练图像预处理单元I输出的训练指纹图像对的细化指纹图像中提取指纹细节点信息，并从训练图像预处理单元I输出的训练指纹图像对的指纹方向场图像中为每一个指纹细节点提取细节点局部方向描述。训练特征提取单元2从训练图像预处理单元I输出的训练指纹图像对的细化指纹图像中提取指纹细节点信息，该指纹细节点信息包括细节点的位置、方向和类型。训练特征对准单元3，与训练特征提取单元2连接，用于对训练特征提取单元2输出的训练指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到训练指纹图像对的细节点平均相似度分数和方向场平均距离分数。Sigmoid参数训练单元4,与训练特征对准单元3连接,用于对训练特征对准单元3输出的训练指纹图像对的细节点平均相似度分数和方向场平均距离分数进行计算，分别得到细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数。测试图像预处理单元5，用于对测试指纹图像对分别做预处理，分别获得测试指纹图像对的细化指纹图像和指纹方向场图像。测试图像预处理单元5对测试指纹图像对分别做预处理，该预处理包括图像分割、图像增强、图像二值化、细化处理以及方向场提取。测试特征提取单元6，与测试图像预处理单元5连接，用于从测试图像预处理单元5输出的测试指纹图像对的细化指纹图像中提取指纹细节点信息，并从测试图像预处理单元5输出的测试指纹图像对的指纹方向场图像中 为每一个指纹细节点提取细节点局部方向描述。测试特征提取单元6从测试图像预处理单元5输出的测试指纹图像对的细化指纹图像中提取指纹细节点信息，该指纹细节点信息包括细节点的位置、方向和类型。测试特征对准单元7，与测试特征提取单元6连接，用于对测试特征提取单元6输出的测试指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到测试指纹图像对的细节点平均相似度分数和方向场平均距离分数。分数融合单元8,与测试特征对准单元7及Sigmoid参数训练单元4连接,用于利用Sigmoid参数训练单元4输出的细节点平均相似度分数的Sigmoid扩展参数对测试特征对准单元7输出的测试指纹图像对的细节点平均相似度分数进行Sigmoid扩展，并利用Sigmoid参数训练单元4输出的方向场平均距离分数的Sigmoid扩展参数对测试特征对准单元7输出的测试指纹图像对的方向场平均距离分数进行Sigmoid扩展；然后将扩展后的两个分数融合在一起，得到最终匹配分数，从而判断测试指纹图像对是否来源于同一个手指。本发明提供的基于Sigmoid扩展的指纹分数融合系统中训练特征对准单元3的构成示意图如图2所示,包括训练细节点相似度计算单元31，用于根据训练特征提取单元2输出的训练指纹图像对的指纹细节点信息和细节点局部方向描述计算训练指纹图像对的所有指纹细节点之间的相似度；训练对准初始点对选取单元32，与训练细节点相似度计算单元31连接，用于从训练细节点相似度计算单元31输出的所有细节点相似度中，选取相似度最大的一对指纹细节点作为对准初始点对；训练对准单元33，与训练对准初始点对选取单元32连接，用于根据训练对准初始点对选取单元32选取的对准初始点对对指纹细节点信息和指纹方向场图像进行平移和旋转，以完成对准；训练细节点平均相似度分数计算单元34，与训练对准单元33连接，用于在训练对准单元33对准后的指纹细节点信息和细节点局部方向描述基础上，计算细节点平均相似度分数；以及训练方向场平均距离分数计算单元35，与训练对准单元33连接，用于在训练对准单元33对准后的指纹方向场图像基础上，计算方向场平均距离分数。本发明提供的基于Sigmoid扩展的指纹分数融合系统中测试特征对准单元7的构成示意图如图3所示,包括测试细节点相似度计算单元71，用于根据测试特征提取单元6输出的测试指纹图像对的指纹细节点信息和细节点局部方向描述计算测试指纹图像对的所有细节点之间的相似度；测试对准初始点对选取单元72，与测试细节点相似度计算单元71连接，用于从测试细节点相似度计算单元71输出的所有细节点相似度中，选取相似度最大的N对指纹细节点作为对准初始点对，其中N为大于或等于I的整数；测试对准单元73，与测试对准初始点对选取单元72连接，用于根据测试对准初始点对选取单元72选取的N对对准初始点对分别对指纹细节点信息和指纹方向场图像进行平移和旋转，共完成N组对准；测试细节点平均相似度分数计算单元74，与测试对准单元73连接，用于根据测试对准单元73输出的N组对准，在对准后的指纹细节点信息和细节点局部方向描述基础上，分别计算得到N个细节点平均相似度分数；以及测试方向场平均距离分数计算单元75，与测试对准单元73连接，用于根据测试对准单元73输出的N组对准，在对准后的指纹方向场图像基础上，分别计算得到N个方向场平均距离分数。本发明提供的基于Sigmoid扩展的指纹分数融合系统中分数融合单元8的构成示意图如图4所示,包括细节点平均相似度分数扩展单元81，用于利用Sigmoid参数训练单元4输出的细节点平均相似度分数的Sigmoid扩展参数对特征对准单元7输出的N个细节点平均相似度分数进行Sigmoid扩展，得到N个扩展后的细节点平均相似度分数；方向场平均距离分数扩展单元82，用于利用Sigmoid参数训练单元4输出的方向场平均距离分数的Sigmoid扩展参数对特征对准单元7输出的N个方向场平均距离分数进行Sigmoid扩展，得到N个扩展后的方向场平均距离分数；Sigmoid扩展分数融合单元83，与细节点平均相似度分数扩展单元81和方向场平均距离分数扩展单元82连接，用于对细节点平均相似度分数扩展单元81输出的N个扩展后的细节点平均相似度分数和方向场平均距离分数扩展单元82输出的N个扩展后的方向场平均距离分数分别进行融合，得到N个融合分数；以及最终匹配分数输出单元84，与Sigmoid扩展分数融合单元83连接，用于对Sigmoid扩展分数融合单元83输出的N个融合分数进行比较，选取最大的融合分数作为最终匹配分数，从而判断测试指纹图像对是否来源于同一个手指。基于图I至图4所示的基于Sigmoid扩展的指纹分数融合系统，图5示出了依照本发明实施例的基于Sigmoid扩展的指纹分数融合的方法流程图，该方法包括参数训练和指纹测试两个阶段；图5中实线表示指纹测试阶段、虚线表示参数训练阶段；当在训练指纹图像集上进行参数训练时，按照虚线所示的流程对所有训练指纹图像对进行处理；当对测试指纹图像对进行测试时，按照实线所示的流程执行；参数训练阶段在指纹测试阶段之前执行；具体包括步骤如下步骤SI :对指纹图像进行预处理，该预处理包括分别对指纹图像的图像分割、图像增强、图像二值化、细化处理以及方向场提取，获得细化指纹图像和指纹方向场图像；该预处理具体的详细步骤有步骤Sll :灰度的均衡化，以消除不同图像之间对比度的差异；
步骤S12 :使用低通滤波算法消除斑点噪声和高斯噪声；步骤S13 :方向场的估计，计算出指纹图像每个像素的方向；步骤S14 :利用方向场一致性以图像的均值和方差将指纹图像划分成前景区域和背景区域；步骤S15 :二值化，根据每个像素点的方向来对指纹图像处理为只有黑白二种像素的图像；步骤S16 :细化，根据二值化图像，将指纹的脊线宽度细化至只有一个像素，生成指纹细化图；步骤S17 :细化后处理，清除细化图像中的不良脊线结构，所述不良脊线结构至少
包括明显的断线、脊线间明显的桥、脊线上的毛刺、过短的脊线和单个斑点。步骤S2 :提取指纹细节点信息和细节点局部方向描述。在细化指纹图像中提取指纹细节点信息，包括每个指纹细节点的(x，y)方向上的坐标，方向以及类型；然后在指纹方向场图像中对每一个指纹细节点分别提取细节点局部方向描述。所述提取细节点局部方向描述的具体方法为在细节点周围取L个半径为rl，(O ^ I ^ L)的同心圆，然后在每个圆上取K1个采样点a u，(O < k < K1)将圆周等分；于是细节点局部方向描述就能够用采样点集合a = {aka}的形式来表示，其中a u表示第I个圆上第k个采样点处的方向；这里，1，I^UK1均为非负整数。步骤S3 :根据细节点局部方向描述计算指纹细节点之间的相似度。所述计算指纹细节点之间的相似度的具体方法为对于分别来自训练指纹图像对或测试指纹图像对中两个指纹图像上的两个细节点，用a= { a k, J和b= {β,,Ο分别表示这两个细节点的局部方向描述，其中，a"和Pu分别表示两个细节点的局部方向描述中第I个同心圆上的第k个采样点处的方向，则a和b的相似度Sab的计算方法如下Sab = mean (s (A ( a k β kj χ))) (2)其中，A ( α k β k l)是α u和I1之间的方向差值，s ( A ( a k ^kjl))是关于A (aka, ^ka)的相似度函数，用X表示相似度函数s(x)的变量，则相似度函数S(X)可表示为 S(X) = e_x/°, O 取为 JI/16。步骤S4 :在参数训练阶段，选取细节点相似度最大的一组指纹细节点对作为初始点对，对细节点信息和指纹方向场图像进行对准。首先计算这组指纹细节点对之间的平移旋转参数，然后根据平移旋转参数确定指纹细节点之间的对应关系，最后根据平移旋转参数确定指纹方向场之间的对准关系；步骤S5 :在参数训练阶段，根据对准结果，计算细节点平均相似度分数和方向场平均距离分数。对于对准后有对应关系的所有的细节点对的细节点相似度求取平均值，从而得到细节点平均相似度分数。对于对准后的指纹方向场，计算所有对应点的方向场差值的绝对值，然后对所有的差值绝对值求取平均，从而得到方向场平均距离分数。步骤S6 :在参数训练阶段，对细节点平均相似度分数和方向场平均距离分数分别进行训练，计算细节点平均相似度分数的Sigmoid扩展参数和方向场平均距离分数的Sigmoid扩展参数，至此完成参数训练阶段。用分别表示分数j的真匹配序列和假匹配序列，其中G和I分别表示参数训练过程总共执行的真匹配次数和假匹配次数，g和i分别表示第g次真匹配和第i次假匹配；j = 1,2, j = I时，表示细节点平均相似度分数；j = 2时,表示方向场平均距离分数；Score(j, g)和Score (j, i)都是非负实数，G和I都是大于O的整数；对于分数j，计算Sigmoid扩展参数的步骤如下步骤S61 :计算Sigmoid扩展参数Max (j)和Min (j),并对分数j进行归一化；寻找S core (j, g)g=i^UScore(j, :)丨 =1中的最大值Max (j)和最小值Min (j),然后利用下面的方法进行归一化Scorc(j:g)f=i = (Score(j, g)^ — Min(f))/(Ma.r{j) — Min{j)) (2)ScoreiJ )]=ι 二 (Score(j, i)[=1 — Min(j))/(Mctv(j) — Min(j))其中，ScoreiJ' g)^=1和Score(j, f)[=1分别表示归一化后的真匹配序列和假匹配序列；如果j = 2，还要进行取反计算ScoreiJ, g)f=i = I - Score{j, g)^=1，S'core(j’ Of=x = I - Score(j, 。步骤S62:计算分数j的错误匹配率FMR序列和错误不匹配率FNMR序列；取 阈值 Thr = {0,1,2, ...，1000}/1000，对于每一个 Thr (s)，S = 1,2,3, ... ,1001,计算Score(j, i)彡！"/^(占^勺次数如!!!!^·, s)和SiCore(Jj) < r/w'(s)的次数 NumN(j, s),从而得到分数j的错误匹配率FMR序列·[FmrCi，s) = NumM(j, *·)//；^ 和错误不匹配率FNMR 序列{■Fnmrij.，s) = _/Vwn]v(j.，3)/6^2=0]1。步骤S63 :寻找特征点S]Jl(j)和S]J2(j);比较错误匹配率FMR序列
和错误不匹配率FNMR序列Fnmr(j_，，寻找Fmr (j, s) ^ Fnmr (j, s)的最大的s值sul(j)和 Fmr(j, s) ^ Fnmr (j, s)的最小的 s 值 su2 (j);如果寻找失败，则 Slll (j) = O,S112(J) = 1001。步骤S64 :寻找特征点S1 (j)和sh(j);在错误匹配率FMR序列中，寻找Fmr(j，s) <0.01的最小的s值sh(j)，如果没有Fmr(j，s) <0.01，则知(」)=1001 ;在错误不匹配率FNMR序列中，寻找Fnmr (j, s) < O. 01的最大的s值S1(J),如果没有Fnmr (j,s) < O. 01，则 S1 (j) = O。步骤S65 :计算 Sigmoid 扩展参数 μ (j) , S1(J)和 δ h(j) 0 μ (j)，S1(J)和 δ h(j)的计算方法如下μ (j) = (Slll (j)+s1J2(j))/1001/2 ；S1(J) = (μ (J)-S1(J)/1001)/2 ； (3)5h(j) = (sh(j)/1001-y (j))/2.步骤S7 :在指纹测试阶段，根据步骤S3得到的指纹细节点相似度，选取细节点相似度最大的N个指纹细节点对作为对准初始点对，对细节点信息和指纹方向场图像进行对准。其中N为大于或等于I的整数，实验中N取为10。计算每一组对准初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对指纹细节点信息和指纹方向场图像进行对准，共得到N组对准结果；步骤S8 :在指纹测试阶段，根据每一组对准结果，分别计算细节点平均相似度分数和方向场平均距离分数。对对准后有对应关系的所有的细节点对的细节点相似度求取平均值，从而得到细节点平均相似度分数；对于对准后的指纹方向场，计算所有对应点的方向场差值的绝对值，然后对所有的差值绝对值求取平均，从而得到方向场平均距离分数#组对准结果，共得到N组细节点平均相似度分数和方向场平均距离分数。步骤S9 :对N组细节点平均相似度分数和方向场平均距离分数分别进行Sigmoid扩展，得到N组扩展后的细节点平均相似度分数和方向场平均距离分数。用η)1=泰示N组分数,其中，Scr (j, η)是非负实数,表示第η组分数；j = 1,2, j = I时表示细节点平均相似度分数，j = 2时表示方向场平均距离分数，首先通过下面的方法对分数j进行归一化
权利要求
1.一种基于Sigmoid扩展的指纹分数融合系统，其特征在于，包括 训练图像预处理单元(I)，用于对训练指纹数据集中的每一个训练指纹图像对分别进行预处理，分别获得训练指纹图像对的细化指纹图像和指纹方向场图像； 训练特征提取单元(2)，与训练图像预处理单元(I)连接，用于从训练图像预处理单元(I)输出的训练指纹图像对的细化指纹图像中提取指纹细节点信息，并从训练图像预处理单元(I)输出的训练指纹图像对的指纹方向场图像中为每一个指纹细节点提取细节点局部方向描述； 训练特征对准单元(3)，与训练特征提取单元(2)连接，用于对训练特征提取单元(2)输出的训练指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到训练指纹图像对的细节点平均相似度分数和方向场平均距离分数； Sigmoid参数训练单元(4),与训练特征对准单元(3)连接,用于对训练特征对准单元(3)输出的训练指纹图像对的细节点平均相似度分数和方向场平均距离分数进行计算，分别得到细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数； 测试图像预处理单元(5)，用于对测试指纹图像对分别做预处理，分别获得测试指纹图像对的细化指纹图像和指纹方向场图像； 测试特征提取单元￠)，与测试图像预处理单元(5)连接，用于从测试图像预处理单元(5)输出的测试指纹图像对的细化指纹图像中提取指纹细节点信息，并从测试图像预处理单元(5)输出的测试指纹图像对的指纹方向场图像中为每一个指纹细节点提取细节点局部方向描述； 测试特征对准单元(7)，与测试特征提取单元(6)连接，用于对测试特征提取单元(6)输出的测试指纹图像对的指纹细节点信息、细节点局部方向描述和指纹方向场图像进行计算，得到测试指纹图像对的细节点平均相似度分数和方向场平均距离分数；以及 分数融合单元(8),与测试特征对准单元(7)及Sigmoid参数训练单元(4)连接,用于利用Sigmoid参数训练单元(4)输出的细节点平均相似度分数的Sigmoid扩展参数对测试特征对准单元(7)输出的测试指纹图像对的细节点平均相似度分数进行Sigmoid扩展，并利用Sigmoid参数训练单元(4)输出的方向场平均距离分数的Sigmoid扩展参数对测试特征对准单元(7)输出的测试指纹图像对的方向场平均距离分数进行Sigmoid扩展；然后将扩展后的两个分数融合在一起，得到最终匹配分数，从而判断测试指纹图像对是否来源于同一个手指。
2.根据权利要求I所述的基于Sigmoid扩展的指纹分数融合系统，其特征在于，所述训练特征对准单元(3)包括 训练细节点相似度计算单元(31)，用于根据训练特征提取单元(2)输出的训练指纹图像对的指纹细节点信息和细节点局部方向描述计算训练指纹图像对的所有指纹细节点之间的相似度； 训练对准初始点对选取单元(32)，与训练细节点相似度计算单元(31)连接，用于从训练细节点相似度计算单元(31)输出的所有细节点相似度中，选取相似度最大的一对指纹细节点作为对准初始点对； 训练对准单元(33)，与训练对准初始点对选取单元(32)连接，用于根据训练对准初始点对选取单元(32)选取的对准初始点对对指纹细节点信息和指纹方向场图像进行平移和旋转，以完成对准； 训练细节点平均相似度分数计算单元(34)，与训练对准单元(33)连接，用于在训练对准单元(33)对准后的指纹细节点信息和细节点局部方向描述基础上，计算细节点平均相似度分数；以及 训练方向场平均距离分数计算单元(35)，与训练对准单元(33)连接，用于在训练对准单元(33)对准后的指纹方向场图像基础上，计算方向场平均距离分数。
3.根据权利要求I所述的基于Sigmoid扩展的指纹分数融合系统，其特征在于，所述测试特征对准单元(7),包括 测试细节点相似度计算单元(71)，用于根据测试特征提取单元(6)输出的测试指纹图像对的指纹细节点信息和细节点局部方向描述计算测试指纹图像对的所有细节点之间的相似度； 测试对准初始点对选取单元(72)，与测试细节点相似度计算单元(71)连接，用于从测试细节点相似度计算单元(71)输出的所有细节点相似度中，选取相似度最大的N对指纹细节点作为对准初始点对，其中N为大于或等于I的整数； 测试对准单元(73)，与测试对准初始点对选取单元(72)连接，用于根据测试对准初始点对选取单元(72)选取的N对对准初始点对分别对指纹细节点信息和指纹方向场图像进行平移和旋转，共完成N组对准； 测试细节点平均相似度分数计算单元(74)，与测试对准单元(73)连接，用于根据测试对准单元(73)输出的N组对准，在对准后的指纹细节点信息和细节点局部方向描述基础上，分别计算得到N个细节点平均相似度分数；以及 测试方向场平均距离分数计算单元(75)，与测试对准单元(73)连接，用于根据测试对准单元(73)输出的N组对准，在对准后的指纹方向场图像基础上，分别计算得到N个方向场平均距离分数。
4.根据权利要求I所述的基于Sigmoid扩展的指纹分数融合系统，其特征在于，所述分数融合单元(8),包括 细节点平均相似度分数扩展单元(81)，用于利用Sigmoid参数训练单元(4)输出的细节点平均相似度分数的Sigmoid扩展参数对特征对准单元(7)输出的N个细节点平均相似度分数进行Sigmoid扩展，得到N个扩展后的细节点平均相似度分数； 方向场平均距离分数扩展单元(82)，用于利用Sigmoid参数训练单元(4)输出的方向场平均距离分数的Sigmoid扩展参数对特征对准单元(7)输出的N个方向场平均距离分数进行Sigmoid扩展，得到N个扩展后的方向场平均距离分数； Sigmoid扩展分数融合单元(83)，与细节点平均相似度分数扩展单元(81)和方向场平均距离分数扩展单元(82)连接，用于对细节点平均相似度分数扩展单元(81)输出的N个扩展后的细节点平均相似度分数和方向场平均距离分数扩展单元(82)输出的N个扩展后的方向场平均距离分数分别进行融合，得到N个融合分数；以及 最终匹配分数输出单元(84)，与Sigmoid扩展分数融合单元(83)连接，用于对Sigmoid扩展分数融合单元(83)输出的N个融合分数进行比较，选取最大的融合分数作为最终匹配分数，从而判断测试指纹图像对是否来源于同一个手指。
5.根据权利要求I所述的基于Sigmoid扩展的指纹分数融合系统，其特征在于，所述训练图像预处理单元(I)对训练指纹数据集中的每一个训练指纹图像对分别进行预处理，该预处理包括图像分割、图像增强、图像二值化、细化处理以及方向场提取； 所述训练特征提取单元(2)从训练图像预处理单元(I)输出的训练指纹图像对的细化指纹图像中提取指纹细节点信息，该指纹细节点信息包括细节点的位置、方向和类型； 所述测试图像预处理单元(5)对测试指纹图像对分别做预处理，该预处理包括图像分害I]、图像增强、图像二值化、细化处理以及方向场提取； 所述测试特征提取单元(6)从测试图像预处理单元(5)输出的测试指纹图像对的细化指纹图像中提取指纹细节点信息，该指纹细节点信息包括细节点的位置、方向和类型。
6.—种基于Sigmoid扩展的指纹分数融合方法,其特征在于,该方法首先在训练指纹图像集上训练出细节点平均相似度分数和方向场平均距离分数的Sigmoid扩展参数，然后对测试指纹图像对提取特征并对准，在对准后的信息上提取细节点平均相似度分数和方向场平均距离分数，并分别对每个分数进行Sigmoid扩展；对Sigmoid扩展后的细节点平均相似度分数和方向场平均距离分数进行融合；融合后得到的结果作为最终的匹配分数；根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的匹配。
7.根据权利要求6所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，具体包括以下步骤 步骤SI :对指纹图像进行预处理，获得细化指纹图像和指纹方向场图像； 步骤S2 :提取指纹细节点信息和细节点局部方向描述； 步骤S3 :根据细节点局部方向描述计算指纹细节点之间的相似度； 步骤S4 :在参数训练阶段，选取细节点相似度最大的一组指纹细节点对作为初始点对，对细节点信息和指纹方向场图像进行对准； 步骤S5 :在参数训练阶段，根据对准结果，计算细节点平均相似度分数和方向场平均距离分数； 步骤S6 :在参数训练阶段，对细节点平均相似度分数和方向场平均距离分数分别进行训练，计算细节点平均相似度分数的Sigmoid扩展参数和方向场平均距离分数的Sigmoid扩展参数； 步骤S7 :在指纹测试阶段，根据步骤S3得到的指纹细节点相似度，选取细节点相似度最大的N个指纹细节点对作为对准初始点对，对细节点信息和指纹方向场图像进行对准；步骤S8 :在指纹测试阶段，根据每一组对准结果，分别计算细节点平均相似度分数和方向场平均距离分数； 步骤S9 :对N组细节点平均相似度分数和方向场平均距离分数分别进行Sigmoid扩展，得到N组扩展后的细节点平均相似度分数和方向场平均距离分数； 步骤SlO :对每一组扩展后的细节点平均相似度分数和方向场平均距离分数进行融合； 步骤Sll :选取N个匹配分数中最大的匹配分数作为最终匹配分数，根据最终匹配分数的大小判断测试指纹图像对是否来源于同一个手指。
8.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤SI中所述对指纹图像进行预处理，是分别对指纹图像的图像分割、图像增强、图像二值化、细化处理以及方向场提取，具体包括 步骤Sll :灰度的均衡化，以消除不同图像之间对比度的差异； 步骤S12 :使用低通滤波算法消除斑点噪声和高斯噪声； 步骤S13 :方向场的估计，计算出指纹图像每个像素的方向； 步骤S14 :利用方向场一致性以图像的均值和方差将指纹图像划分成前景区域和背景区域； 步骤S15:二值化，根据每个像素点的方向来对指纹图像处理为只有黑白二种像素的图像； 步骤S16:细化，根据二值化图像，将指纹的脊线宽度细化至只有一个像素，生成指纹细化图； 步骤S17 :细化后处理，清除细化图像中的不良脊线结构。
9.根据权利要求8所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S17中所述不良脊线结构至少包括明显的断线、脊线间明显的桥、脊线上的毛刺、过短的脊线和单个斑点。
10.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S2中所述提取指纹细节点信息和细节点局部方向描述，是在细化指纹图像中提取指纹细节点信息，包括每个指纹细节点的(x，y)方向上的坐标，方向以及类型；然后在指纹方向场图像中对每一个指纹细节点分别提取细节点局部方向描述。
11.根据权利要求10所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，所述提取细节点局部方向描述的具体方法为在细节点周围取L个半径为rl，(OS I <L)的同心圆，然后在每个圆上取K1个采样点CikI(OSkSK1)将圆周等分；于是细节点局部方向描述就能够用采样点集合a = { a k, J的形式来表示，其中a u表示第I个圆上第k个采样点处的方向；这里，1，k，L，K1均为非负整数。
12.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S3中所述根据细节点局部方向描述计算指纹细节点之间的相似度，包括 对于分别来自训练指纹图像对或测试指纹图像对中两个指纹图像上的两个细节点，用a = {ak, 1}和&= (^kjlI分别表示这两个细节点的局部方向描述，其中，ctk, 1和Pk,别表示两个细节点的局部方向描述中第I个同心圆上的第k个采样点处的方向，则a和b的相似度Sab的计算方法如下Sab = mean(s(A (ak l, ^kjl))) (I) 其中，A ( a k β k, O是a k, i和β k, i之间的方向差值，s ( A ( a k U )是关于A (aka, ^ka)的相似度函数，用X表示相似度函数s(x)的变量，则相似度函数S(X)可表示为 S(X) = e_x/°, O 取为 JI/16。
13.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S4中所述对细节点信息和指纹方向场图像进行对准，包括 首先计算细节点信息和指纹方向场图像这组指纹细节点对之间的平移旋转参数，然后根据平移旋转参数确定指纹细节点之间的对应关系，最后根据平移旋转参数确定指纹方向场之间的对准关系。
14.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S5中所述根据对准结果计算细节点平均相似度分数和方向场平均距离分数，包括 对于对准后有对应关系的所有的细节点对的细节点相似度求取平均值，从而得到细节点平均相似度分数； 对于对准后的指纹方向场，计算所有对应点的方向场差值的绝对值，然后对所有的差值绝对值求取平均，从而得到方向场平均距离分数。
15.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法,其特征在于,步骤S6中所述对细节点平均相似度分数和方向场平均距离分数分别进行训练，计算细节点平均相似度分数的Sigmoid扩展参数和方向场平均距离分数的Sigmoid扩展参数，是用SrorfO',别表示分数j的真匹配序列和假匹配序列，其中G和I分别表示参数训练过程总共执行的真匹配次数和假匹配次数，g和i分别表示第g次真匹配和第i次假匹配；j = 1,2, j = I时,表示细节点平均相似度分数；j = 2时,表示方向场平均 距离分数；Sc0re(j，g)和Score (j，i)都是非负实数，G和I都是大于O的整数；对于分数j,计算Sigmoid扩展参数的步骤如下 步骤S61 :计算Sigmoid扩展参数Max (j)和Min (j),并对分数j进行归一化； 步骤S62 :计算分数j的错误匹配率FMR序列和错误不匹配率FNMR序列； 步骤S63 :寻找特征点Slll (j)和S112 (j)； 步骤S64 :寻找特征点S1(J)和sh (j)； 步骤S65 :计算Sigmoid扩展参数μ (j), δ ^j)和δ h(j)。
16.根据权利要求15所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S61中所述计算Sigmoid扩展参数Max (j)和Min (j),并对分数j进行归一化,包括 寻找和
17.根据权利要求15所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S62中所述计算分数j的错误匹配率FMR序列和错误不匹配率FNMR序列，包括 取阈值
18.根据权利要求15所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S63中所述寻找特征点Sll Jj)和S112(J),包括 比较错误匹配率FMR序列和错误不匹配率序列Fnmr(j, ，寻找 Fmr (j, s) ^ Fnmr (j, s)的最大的 s 值 sul(j)和 Fmr(j, s) ^ Fnmr (j, s)的最小的 s值 S112U);如果寻找失败，则 SlllU) = O, S112(J) =1001。
19.根据权利要求15所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S64中所述寻找特征点S1(J)和sh(j),包括 在错误匹配率FMR序列乃71 <」_，.#20/中，寻找Fmr (j，s) < O. 01的最小的s值sh(j)，如果没有Fmr (j，s) <0.01,则sh(j) = 1001 ;在错误不匹配率FNMR序列中，寻找Fnmr (j,s) < 0.01 的最大的 s 值 S1 (j)，如果没有 Fnmr (j，s) < O. 01，则 S1 (j) = O。
20.根据权利要求15所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S65中所述计算Sigmoid扩展参数μ (j)，S1(J)和Sh(j)，采用计算公式如下
21.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S7中所述对细节点信息和指纹方向场图像进行对准，是计算每一组对准初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对指纹细节点信息和指纹方向场图像进行对准，共得到N组对准结果。
22.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S8中所述计算细节点平均相似度分数和方向场平均距离分数，包括 对对准后有对应关系的所有的细节点对的细节点相似度求取平均值，从而得到细节点平均相似度分数；对于对准后的指纹方向场，计算所有对应点的方向场差值的绝对值，然后对所有的差值绝对值求取平均，从而得到方向场平均距离分数；N组对准结果，共得到N组细节点平均相似度分数和方向场平均距离分数。
23.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤S9中所述对N组细节点平均相似度分数和方向场平均距离分数分别进行Sigmoid扩展，得到N组扩展后的细节点平均相似度分数和方向场平均距离分数，包括 用n)f=1表示N组分数,其中，Scr (j, η)是非负实数,表示第η组分数；j = I,.2，j = I时表示细节点平均相似度分数，j = 2时表示方向场平均距离分数，首先通过下面的方法对分数j进行归一化
24.根据权利要求7所述的基于Sigmoid扩展的指纹分数融合方法，其特征在于，步骤SlO中所述对每一组扩展后的细节点平均相似度分数和方向场平均距离分数进行融合，融合方法采用加法，N个扩展后的细节点平均相似度分数分别与N个扩展后的方向场平均距离分数相加，得到N个匹配分数。
全文摘要
本发明公开了一种基于Sigmoid扩展的指纹分数融合系统及方法。本系统包括训练和测试两个过程利用训练图像预处理单元、训练特征提取单元、训练特征对准单元和Sigmoid参数训练单元来实现训练过程；并利用测试图像预处理单元、测试特征提取单元、测试特征对准单元和分数融合单元来实现测试过程。在分数融合单元，对每一个分数，分别利用Sigmoid参数训练单元输出的参数进行Sigmoid扩展；对Sigmoid扩展后的分数进行融合；融合后得到的结果作为最终的匹配分数。根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的匹配。
文档编号G06K9/66GK102819754SQ20121026420
公开日2012年12月12日 申请日期2012年7月27日 优先权日2012年7月27日
发明者田捷, 臧亚丽, 杨鑫 申请人:中国科学院自动化研究所