指纹图像质量的判断方法和装置制造方法
【专利摘要】本发明公开了一种指纹图像质量的判断方法和装置，所述判断方法包括步骤：获取指纹图像样本；利用SVM分类器根据所述指纹图像样本进行学习，获得最优分类面；获取待判断的指纹图像，并计算所述指纹图像的HOG特征；根据所述HOG特征和最优分类面判断所述指纹图像的质量。从而实现了在小尺寸指纹采集设备中对指纹图像质量的准确判断，不仅省去人工确定判断阈值的工作，而且具有很好的扩展能力，即这种判断方式可以判定多种类型噪声带来的影响，只需输入需要的样本类型即可完成判断，在大量实验中表现出极佳的效果，为提高指纹识别率、降低认假率打下了良好的基础。
【专利说明】指纹图像质量的判断方法和装置
【技术领域】
[0001] 本发明涉及通信【技术领域】，尤其是涉及一种指纹图像质量的判断方法和装置。
【背景技术】
[0002] 指纹识别技术已开始广泛应用于移动终端，针对移动终端的指纹识别，识别算法 则是核心技术。由于指纹采集传感器的限制，当手指带有汗渍、泥渍等情况下，识别率会大 大降低，特别是移动终端这种小尺寸指纹采集设备，识别算法更是依赖输入的指纹图像质 量，质量越高则识别率越高，认假率越低，因此在识别之前对指纹图像质量的判断尤为重 要。
[0003] 传统的判断方法，首先统计指纹图像的均值、方差、信息熵、环形谱结构等特征指 标，然后综合这些指标计算质量分值。但这类方法只适用于全采集指纹识别系统，而针对小 尺寸指纹采集系统并不适用；再者这些特征指标也并没有充分考虑指纹是具有特定纹理结 构的图像。因此，现有技术中的指纹图像质量的判断方法，还不能对小尺寸指纹采集设备 (或系统）中指纹图像质量进行准确的判断。
【发明内容】
[0004] 本发明的主要目的在于提供一种指纹图像质量的判断方法和装置，旨在自动判断 指纹图像质量，为提高指纹识别率、降低认假率打下良好的基础。
[0005] 为达以上目的，本发明提出一种指纹图像质量的判断方法，包括步骤：
[0006] 获取指纹图像样本；
[0007] 利用SVM支持向量机分类器根据所述指纹图像样本进行学习，获得最优分类面；
[0008] 获取待判断的指纹图像，并计算所述指纹图像的H0G梯度方向直方图特征；
[0009] 根据所述H0G特征和最优分类面判断所述指纹图像的质量。
[0010] 优选地，所述利用SVM支持向量机分类器根据所述指纹图像样本进行学习获得最 优分类面包括：
[0011] 计算所述指纹图像样本的H0G特征；
[0012] 将所述指纹图像样本的H0G特征输入所述SVM分类器中进行训练学习，获得最优 分类面。
[0013] 优选地，所述计算所述指纹图像的H0G梯度方向直方图特征包括：
[0014] 计算所述指纹图像中每一像素位置的梯度方向值；
[0015] 将所述指纹图像分成多个单元格，根据所述梯度方向值为每个单元格构建梯度方 向直方图；
[0016] 将所述单元格组合成块，在所述块内归一化所述梯度方向直方图，将所述指纹图 像中所有块的梯度方向直方图结合起来形成H0G特征。
[0017] 优选地，所述根据所述H0G特征和最优分类面判断所述指纹图像的质量包括：
[0018] 将所述指纹图像的H0G特征输入所述最优分类面的函数f(x) = w*x-b中进行计 算，其中W为最优分类面的支持向量，b为常数项，X为指纹图像的HOG特征；
[0019] 若计算结果为f(x) > 0,则判定所述指纹图像的质量好；
[0020] 若计算结果为f(x) < 0,则判定所述指纹图像的质量差。
[0021] 本发明同时提出一种指纹图像质量的判断装置，包括学习模块和判断模块，其 中：
[0022] 学习模块，用于获取指纹图像样本，利用SVM分类器根据所述指纹图像样本进行 学习，获得最优分类面；
[0023] 判断模块，用于获取待判断的指纹图像，并计算所述指纹图像的H0G梯度方向直 方图特征，根据所述H0G特征和最优分类面判断所述指纹图像的质量。
[0024] 优选地，所述学习模块用于：计算所述指纹图像样本的H0G特征，将所述指纹图像 样本的H0G特征输入所述SVM分类器中进行训练学习，获得最优分类面。
[0025] 优选地，所述判断模块包括处理单元，所述处理单元用于：计算所述指纹图像中每 一像素位置的梯度方向值；将所述指纹图像分成多个单元格，根据所述梯度方向值为每个 单元格构建梯度方向直方图；将所述单元格组合成块，在所述块内归一化所述梯度方向直 方图，将所述指纹图像中所有块的梯度方向直方图结合起来形成H0G特征。
[0026] 优选地，所述判断模块包括处理单元和判别单元，其中：
[0027] 处理单元，用于将所述指纹图像的H0G特征输入所述最优分类面的函数f(x)= w*x-b中进行计算，其中w为最优分类面的支持向量，b为常数项，X为指纹图像的HOG特 征；
[0028] 判别单元，用于根据处理单元的计算结果进行判别，若计算结果为f(x) > 0,则判 定所述指纹图像的质量好；若计算结果为f(x) < 〇,则判定所述指纹图像的质量差。
[0029] 本发明所提供的一种指纹图像质量的判断方法，通过SVM分类器对指纹图像样本 进行学习获得最优分类面，并将H0G特征引入到指纹图像质量判断中，根据H0G特征和最优 分类面自动判断指纹图像的质量。不仅省去了人工确定判断阈值的工作，而且具有很好的 扩展能力，即这种判断方式可以判定多种类型噪声带来的影响，只需输入需要的样本类型 即可完成判断，在大量实验中表现出极佳的效果。本发明的判断方法主要适用于小尺寸指 纹采集设备对采集的指纹图像质量好坏的判断，尤其针对汗渍、泥渍、噪声等造成指纹图像 模糊的情形，可以在指纹识别前对指纹图像的质量进行准确的判断，为提高指纹识别率、降 低认假率打下了良好的基础。
【专利附图】
【附图说明】
[0030] 图1是本发明指纹图像质量的判断方法一实施例的流程图；
[0031] 图2是本发明实施例中计算指纹图像样本的H0G特征的流程图；
[0032] 图3是本发明实施例中最优分类面的示意图；
[0033] 图4是本发明实施例中计算指纹图像的H0G特征的流程图；
[0034] 图5是本发明指纹图像质量的判断装置一实施例的结构框图；
[0035] 图6是本发明实施例中判断模块的结构框图。
[0036] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
【具体实施方式】
[0037] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0038] 本发明的指纹图像质量的判断方法，考虑到HOG (Histogram of Oriented Gradient，梯度方向直方图）特征描述了图像梯度方向分布，是有效的纹理统计特征，因此 通过引入H0G特征并采用SVM监督学习模式来成功的区分出指纹图像质量，实现了对小尺 寸指纹采集设备中指纹图像质量进行准确的判断。
[0039] 参见图1，提出本发明的指纹图像质量的判断方法一实施例，所述判断方法包括以 下步骤：
[0040] 步骤S101 :获取指纹图像样本
[0041] 指纹图像样本包括正负样本，即质量好的样本和质量差的样本，正负样本至少各 一个，优选多个。指纹图像样本由人工选择，可以是现场人工采集获取的指纹图像，也可以 是从外部获取的现成的指纹图像。
[0042] 步骤S102 :利用SVM分类器根据指纹图像样本进行学习，获得最优分类面
[0043] 具体的，首先计算指纹图像样本的H0G特征，然后将指纹图像样本的H0G特征输入 SVM(Support Vector Machine,支持向量机）分类器中进行训练学习，从而获得最优分类 面。
[0044] H0G特征是一种物体检测的特征描述子，它通过统计图像局部区域的梯度方向直 方图来构成特征。梯度方向直方图描述了图像梯度方向分布，是有效的纹理统计特性。指 纹图像样本的H0G特征的计算方法如图2所示，包括以下步骤：
[0045] 步骤S121 :计算指纹图像样本中每一像素位置的梯度方向值
[0046] 具体的，计算指纹图像样本中横纵坐标方向的梯度，并根此计算每个像素位置的 梯度方向值。指纹图像样本中像素点（X，y)处的梯度为：
[0047] Gx (x, y) = I (x+1, y) -I (x~l, y)
[0048] Gy (x, y) = I (x, y+1) -I (x, y-1)
[0049] 其中Gx(x, y)、Gy(x, y)和I (x, y)分别表示指纹图像样本中像素点（x, y)处的水 平方向梯度、垂直方向梯度和图像灰度值。像素点（x，y)处的梯度幅值G(x，y)和梯度方向 Θ (X，y)分别为：
[0050]
【权利要求】
1. 一种指纹图像质量的判断方法，其特征在于，包括步骤： 获取指纹图像样本； 利用SVM支持向量机分类器根据所述指纹图像样本进行学习，获得最优分类面； 获取待判断的指纹图像，并计算所述指纹图像的HOG梯度方向直方图特征； 根据所述HOG特征和最优分类面判断所述指纹图像的质量。
2. 根据权利要求1所述的指纹图像质量的判断方法，其特征在于，所述利用SVM支持向 量机分类器根据所述指纹图像样本进行学习获得最优分类面包括： 计算所述指纹图像样本的HOG特征； 将所述指纹图像样本的HOG特征输入所述SVM分类器中进行训练学习，获得最优分类 面。
3. 根据权利要求1所述的指纹图像质量的判断方法，其特征在于，所述计算所述指纹 图像的HOG梯度方向直方图特征包括： 计算所述指纹图像中每一像素位置的梯度方向值； 将所述指纹图像分成多个单元格，根据所述梯度方向值为每个单元格构建梯度方向直 方图； 将所述单元格组合成块，在所述块内归一化所述梯度方向直方图，将所述指纹图像中 所有块的梯度方向直方图结合起来形成HOG特征。
4. 根据权利要求1所述的指纹图像质量的判断方法，其特征在于，所述根据所述HOG特 征和最优分类面判断所述指纹图像的质量包括： 将所述指纹图像的HOG特征输入所述最优分类面的函数f(x) =w*x-b中进行计算，其 中w为最优分类面的支持向量，b为常数项，X为指纹图像的HOG特征； 若计算结果为f(x) > 〇,则判定所述指纹图像的质量好； 若计算结果为f(x) < 〇,则判定所述指纹图像的质量差。
5. -种指纹图像质量的判断装置，其特征在于，包括学习模块和判断模块，其中： 学习模块，用于获取指纹图像样本，利用SVM分类器根据所述指纹图像样本进行学习， 获得最优分类面； 判断模块，用于获取待判断的指纹图像，并计算所述指纹图像的HOG梯度方向直方图 特征，根据所述HOG特征和最优分类面判断所述指纹图像的质量。
6. 根据权利要求5所述的指纹图像质量的判断装置，其特征在于，所述学习模块用于： 计算所述指纹图像样本的HOG特征，将所述指纹图像样本的HOG特征输入所述SVM分类器 中进行训练学习，获得最优分类面。
7. 根据权利要求5所述的指纹图像质量的判断装置，其特征在于，所述判断模块包括 处理单元，所述处理单元用于：计算所述指纹图像中每一像素位置的梯度方向值；将所述 指纹图像分成多个单元格，根据所述梯度方向值为每个单元格构建梯度方向直方图；将所 述单元格组合成块，在所述块内归一化所述梯度方向直方图，将所述指纹图像中所有块的 梯度方向直方图结合起来形成HOG特征。
8. 根据权利要求5所述的指纹图像质量的判断装置，其特征在于，所述判断模块包括 处理单元和判别单元，其中： 处理单元，用于将所述指纹图像的HOG特征输入所述最优分类面的函数f(x) = w*x-b 中进行计算，其中W为最优分类面的支持向量，b为常数项，X为指纹图像的HOG特征； 判别单元，用于根据处理单元的计算结果进行判别，若计算结果为f(x) > 0,则判定所 述指纹图像的质量好；若计算结果为f(x) < 〇,则判定所述指纹图像的质量差。
【文档编号】G06K9/62GK104268529SQ201410510227
【公开日】2015年1月7日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】姜洪霖, 王兵 申请人:深圳市汇顶科技股份有限公司