一种活体指纹图像的检测方法技术

一种活体指纹图像的检测方法，涉及到手机指纹识别领域。解决现有的指纹识别与活体检测相结合方案存在的使用不便，需增加硬件成本，采用如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2）得到的神经网络进行模型预测，判断其是真指纹还是假指纹；真指纹则进入指纹识别系统。采用神经网络对活体图像纹理特征进行学习，在检测指纹信息的同时检测被检体特有的活体特征信息，在不增加其它硬件设施的情况下，使得通过指纹检测进行身份验证更安全、更可靠。

【技术实现步骤摘要】

本专利技术涉及到手机指纹识别领域。
技术介绍
目前，手机指纹解锁指纹支付应用越来越广泛，使用也越来越方便。然而，目前市场上的大部分手机指纹识别系统，利用电容液制作的电容指纹，即可轻松破解，这样，对手机指纹识别系统构成了极大的安全隐患，甚至可能对用户造成极大的财产损失。为了解决上述技术问题，现有技术通过增加硬件模块如心电血液等采集方案进行活体检测，需要连续持久的采集，以及额外的硬件装置，或者针对考勤设备等大指纹进行，
技术实现思路
综上所述，本专利技术的目的在于解决现有的指纹识别与活体检测相结合方案存在的使用不便，需增加硬件成本，方案安装受限的技术不足，而提出一种活体指纹图像的检测方法。为解决本专利技术所提出的技术问题，采用的技术方案为：一种活体指纹图像的检测方法，其特征在于所述检测方法采用如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，可以判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。作为对本专利技术进一步限定的技术方案包括有：第1)步提取的指纹图像纹理特征包括有：灰度直方图的特征、指纹图像的LBP特征、灰度共生矩阵纹理GLCM特征和马尔科夫随机场MRF特征。第1)步中提取指纹图像的灰度直方图的特征包括有均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var共7维特征。求指纹图像的LBP特征的方法包括如下步骤；2.1、LBP用全局旋转不变LBP模式，首先求256维LBP和旋转不变36维LBP的转换表；2.2、扫描指纹图像，求出每个像素点的LBP值，并根据转换表转换为旋转不变LBP，求出图像的LBP分布图，得到36维的LBP直方图特征，并进行归一化；2.3、利用2.2步提供的方法和训练样本，对36维LBP特征进行主成分分析，得到PCA矩阵，对36维LBP特征进行PCA降维，取前3个主成分，可保留原来90％以上的信息；2.4、利用2.2步计算得到的原始LBP特征和2.3步训练得到的PCA矩阵对LBP特征进行降维，得到最终的3维LBP特征。求指纹图像灰度共生矩阵纹理GLCM特征的方法为：通过计算两灰度值在图像中的预设方向相邻像素对出现的次数得到的GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数，把灰度图像(0～255)将转换到16级(0～15)，灰度的级数决定了GLCM矩阵的大小尺寸；3.1、提取步长为1，方向分别为0度，45度，90度，135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)；3.2、分别计算3.1步计算得到4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征，总共得到16维特征；3.3、利用3.2步提供的方法和训练样本，对16维GLCM特征进行主成分分析，得到PCA矩阵，可对16维GLCM特征进行PCA降维，取前6个主成分，可保留原来90％以上的信息；3.4、利用3.2步计算得到的16维原始GLCM特征特征和3.3步训练得到的PCA矩阵对GLCM特征进行降维，得到最终的6维GLCM特征。提取马尔科夫随机场MRF特征的方法为：邻域结构WinData可以表示为：采用4阶邻域马尔科夫矩阵；a点的像素值仅与其距离以内的点相关，设这些点的集合为G，是1行N列的向量；G＝[WinData(cr,cr-1)+WinData(cr,cr+1),WinData(cr-1,cr)+WinData(cr+1,cr),WinData(cr-1,cr+1)+WinData(cr+1,cr-1),WinData(cr-1,cr-1)+WinData(cr+1,cr+1),WinData(cr,cr-2)+WinData(cr,cr+2),WinData(cr-2,cr)+WinData(cr,cr+2),WinData(cr+2,cr-1)+WinData(cr-2,cr+1),WinData(cr+1,cr-2)+WinData(cr-1,cr+2),WinData(cr-1,cr-2)+WinData(cr+1,cr+2),WinData(cr-2,cr-1)+WinData(cr+2,cr+1)]；马尔可夫特征矩阵为Esita，a点像素值为X，则G*Esita＝X；其中G和X是已知，Esita是要求的特征向量，用最小二乘法解此方程；G*Esita＝X(G'*G)*Esita＝G'*XEsita＝inv(G'*G)*G'*X；inv为矩阵求逆；可求得每个指纹图像的10维马尔科夫特征值。指纹图像的灰度直方图分布为h(i)，归一化直方图分布公式，i为灰度值，i在0～255之间，则均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var计算公式如下：块均值方差var：将指纹图像按中心均分为4个块，分别求每个块的均值，然后求这4个均值的方差。第3.2)步中4个灰度共生矩阵的能量、信息熵、对比度、一致性4个特征计算公式如下：本专利技术的有益效果为：本专利技术采用神经网络对活体图像纹理特征进行学习，在检测指纹信息的同时检测被检体特有的活体特征信息，通过神经网络提供一种小尺寸手机指纹图像活体检测的判断方法，在不增加其它硬件设施的情况下，使得通过指纹检测进行身份验证更安全、更可靠。附图说明图1为本专利技术方案实施所需系统框图；图2为神经网络模拟图；图3为一种活动指纹图像；图4为一种电容指纹图像。具体实施例以下结合附图对本专利技术的方法作进一步地说明。参照图1中所示，本专利技术一种活体指纹图像的检测方法，包括如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；其中m可以为大于1的任意整数，纹理特征越多，识别的准确越高，但识别速度也就相应越慢；2)、对于每一个指纹图像训练样本求出其m维纹理特征，对N个样本的所有特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，可以判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。本专利技术具体的检测方法可以采用如下步骤：1)根据指纹采集系统获取的指纹图像提取指纹图像的灰度直方图的特征；提取灰度直方图的以下特征、均值、方差、能量、熵、偏度、峰度还有灰度图像的块均值方差共7维特征。指纹灰度直访图分布为h(i)(归一化分布公式，i为灰度值，在0～255之间)则块均值方差var：将指本文档来自技高网...

【技术保护点】
一种活体指纹图像的检测方法，其特征在于所述检测方法采用如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；2)、对N个指纹图像样本的所有m维纹理特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X‑2；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。

【技术特征摘要】
1.一种活体指纹图像的检测方法，其特征在于所述检测方法采用如下步骤：1)、根据指纹采集系统获取的指纹图像提取指纹图像的m维纹理特征；2)、对N个指纹图像样本的所有m维纹理特征进行BP神经网络训练得到一个神经网络模型；所述神经网络模型包括输入层、输出层和隐含层，总层数为X，X为大于等于3的整数，其中，所述输入层和所述输出层的层数各为1，所述隐含层层数为X-2；3)、对每个待测试指纹求出其m维纹理特征后，输入由步骤2)得到的神经网络进行模型预测，判断其是真指纹还是假指纹；如果是真指纹则进入指纹识别系统，如果是假指纹，则进行重新采集；如果连续多次检测均为假指纹，则暂停使用指纹识别系统，需要重新输入密码才能继续使用指纹识别系统。2.根据权利要求1所述的一种活体指纹图像的检测方法，其特征在于：第1)步提取的指纹图像纹理特征包括有：灰度直方图的特征、指纹图像的LBP特征、灰度共生矩阵纹理GLCM特征和马尔科夫随机场MRF特征。3.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：提取指纹图像的灰度直方图的特征包括有均值u、方差σ、能量e、信息熵s、偏度η1、峰度η2及灰度图像的块均值方差var共7维特征。4.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：求指纹图像的LBP特征的方法包括如下步骤；2.1、LBP用全局旋转不变LBP模式，首先求256维LBP和旋转不变36维LBP的转换表；2.2、扫描指纹图像，求出每个像素点的LBP值，并根据转换表转换为旋转不变LBP，求出图像的LBP分布图，得到36维的LBP直方图特征，并进行归一化；2.3、利用2.2步提供的方法和训练样本，对36维LBP特征进行主成分分析，得到PCA矩阵，对36维LBP特征进行PCA降维，取前3个主成分，可保留原来90％以上的信息；2.4、利用2.2步计算得到的原始LBP特征和2.3步训练得到的PCA矩阵对LBP特征进行降维，得到最终的3维LBP特征。5.根据权利要求2所述的一种活体指纹图像的检测方法，其特征在于：求指纹图像灰度共生矩阵纹理GLCM特征的方法为：通过计算两灰度值在图像中的预设方向相邻像素对出现的次数得到的GLCM中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数，把灰度图像(0～255)将转换到16级(0～15)，灰度的级数决定了GLCM矩阵的大小尺寸；3.1、提取步长为1，方向分别为0度，45度，90度，135度的灰度共生矩阵，并进行归一化得到矩阵GLCM(i,j)；3.2、分别计算3.1步计算得到4个灰度共生矩阵的...

【专利技术属性】
技术研发人员：于泽，
申请(专利权)人：深圳芯启航科技有限公司，
类型：发明
国别省市：广东;44