基于多尺度和多卷积层特征融合的指纹活性检测方法技术

本发明专利技术涉及基于多尺度和多卷积层特征融合的指纹活性检测方法，包括：步骤1）多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数；步骤2）主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；步骤3）多卷积层特征融合：将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；步骤4）支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。该方法通过图像多尺度的生成、图像感兴趣区域的构建，利用卷积神经网络技术自动的从带有标签的大量指纹图像中学习到富有代表性的真假指纹特征。

Fingerprint activity detection method based on multi-scale and multi-convolution feature fusion

The invention relates to fingerprint activity detection method based on multi-scale and multi-convolution feature fusion, which includes: step 1) multi-scale feature extraction training: extracting region of interest from original image and training network parameters; step 2) principal component analysis of each layer feature: extracting the results of each layer calculation according to the trained network structure, and then dividing the extracted features into several parts. Do not do principal component analysis; Step 3) Multi-convolution layer feature fusion: After fusing the convolution neural network and the features of each layer obtained by principal component analysis, the features extracted at different scales are connected; Step 4) Support vector machine model training and testing: authentic fingerprint image identification is carried out by selecting the classifier using support vector machine as feature. This method automatically learns representative true and false fingerprint features from a large number of fingerprint images with labels by generating multi-scale images and constructing regions of interest.

【技术实现步骤摘要】
基于多尺度和多卷积层特征融合的指纹活性检测方法
本专利技术涉及计算机视觉技术和模式识别领域，尤其涉及一种基于多尺度和多卷积层特征融合的指纹活性检测方法。
技术介绍
随着人工智能、模式识别等相关技术的发展，指纹传感器研发和生产技术日臻成熟，已能够捕获到大量高分辨率的指纹图像，这都为基于指纹图像的鉴定技术在金融、公安、门禁、户籍管理等领域得到了广泛的应用奠定了基础。但是，人类的指纹信息很容易被窃取和伪造，因此指纹识别系统给人们带来便捷身份认证方式的同时，也带来了身份认证的安全隐患。目前，基于真假指纹图像的活性检测技术可分为两类。第一类是基于硬件的指纹活性检测方案(Hardware-basedFLDscheme)。该检测方案需要在指纹认证系统中增加一些指纹传感器设备，用来采集手指(真手指和伪造的假手指)表皮的温度，脉搏、血含氧量或导电率等生物信息，通过分析这些采集的数据来鉴别真假指纹。有的鉴别技术可直接使用射频传感器发射出的微量射频信号，该信号可穿透手指的表皮层去探测真皮层里的指纹纹路图像。通过分析这些指纹纹路图像的细节信息，从而杜绝多种人造指纹材质生成的假指纹。但是，基于硬件的检测算法具有较好的检测精度，但在实际应用中易被非法用户找到漏洞，而且会增加系统的硬件成本。第二种是基于软件的指纹活性检测方案(Software-basedFLDscheme)。通过分析指纹图像的纹理结构、指纹气孔和弹性属性等静态特征，或者通过分析处理一个时间段内的两张连续指纹图像，得到毛孔中的汗液信号、时间压力变化这类动态特征。与基于硬件的方法相比，基于软件的检测算法成本相对较低，是目前研究的热点。Abhyankar和Schuckers提出了一个基于多尺度纹理特征和局部脊线频率特征的指纹活性检测算法。Ghiani等提出了一个基于傅利叶变换的指纹活性检测方法，利用傅利叶变换中的相位信息提取特征，获得了较好的检测精度。Gragnaniello等提出了一个基于局部对比相位信息描述子(LocalContrastPhaseDescriptor)的指纹活性检测算法，该方法同时从空域和频域提取特征，统计两类特征的共生矩阵来检测仿制指纹。尽管传统的指纹活性检测算法能够正确的区分出真假指纹，但真假指纹图像能否正确鉴别的关键是如何提出和设计一套最优的特征提取算法。传统分类算法输入的特征是研究者根据经验设计的，尽管传统分类算法检测性能很高，但有时很难用语言去描述。而深度学习通过构建多层网络结构对数据进行处理，从大量的带有标签的图像中自动的学习到描述物体的结构特征，研究人员无需任何的图像处理技术，已在各个领域取得了巨大成功。卷积神经网络(ConvolutionalNeuralNetwork，CNN)是深度学习在图像分类与识别中使用最为广泛的算法。把卷积神经网络应用到指纹活性检测领域，能大大提高算法的检测精度。目前市场上已有许多基于指纹图像的认证系统，但人类指纹易被窃取，伪造者可通过仿制用户指纹来实现非法认证；其次，人们也能替自己仿制出一个假指纹，从而达到欺骗指纹认证系统的目的，因此设计一个鉴别真假指纹活性的算法显得尤为重要。基于纹理特征的传统的指纹活性检测算法有较高的检测精度，但无法说明真假指纹具体的纹理差异，特征提取与检测问题之间存在语义鸿沟。
技术实现思路
本专利技术目的在于克服特征提取与检测问题之间存在语义鸿沟的问题，提供了一种基于多尺度和多卷积层特征融合的指纹活性检测方法，具体由以下技术方案实现：所述基于多尺度和多卷积层特征融合的指纹活性检测方法，包括如下步骤：步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度；步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤1)中提取感兴趣区域的方法为：根据式(1)进行Sobel边缘检测，求取边缘最小外接矩形，并截取图像的感兴趣区域，Sobel边缘检测算法如下：其中，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，G表示梯度大小，θ表示梯度方向，A表示矩阵，即待处理的图像。所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤2)中主成分分析技术具体包括如下步骤：步骤2-1)根据式(2)对提取特征进行处理，减少特征数据的维度，同时保留特征数据集的对整体方差贡献最大的特征，其中，R表示样本相关矩阵，Zij为标准化矩阵，R为相关系数矩阵，sj为标准差，为第j个样本平均值，xij为第i个样本的第j个数据，n为样本总数；步骤2-2)求得样本相关矩阵R后，解样本相关矩阵R的特征方程|R-λIp|＝0得p个特征根,确定主成分，按确定m值，使信息的利用率达85％以上，对每个λj,j＝1,2,...,m,解方程组Rb＝λjb得单位特征向量其中λj表示特征值，b为特征向量；步骤2-3)将标准化后的指标变量转换为主成分：对m个主成分进行加权求和，即得最终评价值，权数为每个主成分的方差贡献率。所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤4)中根据式(3)通过支持向量机线性可分问题进行优化，式中，(xi,yi)和(xj,yj)分别表示表示第i和第j样本的空间坐标的值，ai和aj为其对应的约束参数。所述基于多尺度和多卷积层特征融合的指纹活性检测方法的进一步设计在于，所述步骤1)中将提取感兴趣区域处理获取的图像的像素值转为为0至1范围内。本专利技术的优点如下：本专利技术的基于多尺度和多卷积层特征融合的指纹活性检测方法主要分为四个步骤：多尺度特征提取训练，主成分分析各层特征，多卷积层特征融合，支持向量机模型训练和测试。相比已有算法，本专利技术主要特点是利用卷积神经网络能够自动的从大量的标有数据样本的标签中自动的学习到描述图像固有结构的结构信息，无需具备特定的图像处理相关领域知识，但存在的问题就是每层学习到的特征维度比较大同时学习到的特征也会有大量的零元素，因此用主成分分析技术来解决上述问题。本专利技术的方法的特征提取操作简单、检测精度高。附图说明图1为指纹活性检测流程图。图2为原图像与提取到的感兴趣区域对比图。图3为卷积神经网络各层提取到的特征图。图4为池化层2提取到的特征经过主成分分析后得到的可视化图像。具体实施方式下面结合附图1-4对本专利技术的技术方案进一步说明。如图1，本实施例基于多尺度和多卷积层特征融合的指纹活性检测方法，本方法从卷积神经网络中提取训练好的特征，对每层特征做主成分分析后合并，然后将合并的多尺度多层特征输入到支持向量机训练和测试，完成真假指纹图像的分类，具体包括如下步骤：步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练本文档来自技高网...

【技术保护点】
1.一种基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于包括如下步骤：步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度；步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。

【技术特征摘要】
1.一种基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于包括如下步骤：步骤1)多尺度特征提取训练：对原图做提取感兴趣区域处理，并训练网络的参数，当精度趋于饱和时，停止训练，并保存参数，记录最终精度；步骤2)主成分分析各层特征：根据训练好的网络结构，提取每层计算后得到的结果，接着对提取到的特征分别做主成分分析处理；步骤3)多卷积层特征融合：通过不同指纹传感器搜集指纹图像，将输入图像的尺寸设定为若干个尺度实现指纹图像的尺度的不变性，将卷积神经网络和经过主成分分析得到的各层特征连接融合后，再将各尺度提取到的特征进行连接；步骤4)支持向量机模型训练和测试：通过选择使用支持向量机作为特征的分类器进行真假指纹图像鉴别。2.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤1)中提取感兴趣区域的方法为：根据式(1)进行Sobel边缘检测，求取边缘最小外接矩形，并截取图像的感兴趣区域，Sobel边缘检测算法如下：其中，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，G表示梯度大小，θ表示梯度方向，A表示待处理的图像的矩阵。3.根据权利要求1所述的基于多尺度和多卷积层特征融合的指纹活性检测方法，其特征在于所述步骤2)...

【专利技术属性】
技术研发人员：袁程胜，余佩鹏，夏志华，付章杰，孙星明，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32