一种局部差值极化的指纹活性检测方法技术

本发明专利技术公开了一种局部差值极化的指纹活性检测方法，其特征在于：首先利用LBP来提取指纹图像特征，再利用鲁棒主成分分析法将LBP特征图进行降秩操作，对低秩部分利用局部阈值极化算法进行极化分割，并对其进行特征统计，转化成特征向量并进行特征选择，最后把构造的特征作为分类器的输入，用于后续模型的训练和测试，鉴别待测指纹图像是否为伪造指纹。本发明专利技术能够有效降低噪声对特征识别的误导，使得原有的纹理特征更加清晰，且准确率得到了提升，增强了对用户的信息和财产安全的保护。强了对用户的信息和财产安全的保护。强了对用户的信息和财产安全的保护。

【技术实现步骤摘要】
一种局部差值极化的指纹活性检测方法


[0001]本专利技术属于信息安全
，具体涉及一种局部差值极化的指纹活性检测方法。

技术介绍

[0002]近年来，随着生物技术的迅速发展，生物识别技术在身份验证领域得到普遍应用，如指纹识别、人脸识别、虹膜识别等。传统的身份验证方法普遍采用用户名和密码的身份认证方式，但是该类方法存在的问题就是用户密码易丢失、被盗或破译的风险。为此，设计一种更为安全、便捷的身份认证方式迫在眉睫。人体生物特征具有易取性、独特性、普遍性等特点，为此可以用于用户的身份认证。而在现有的生物特征识别技术中。指纹识别技术的应用更为普遍，如手机支付、考勤系统、门禁识别等生活的方方面面。近期研究表明，指纹识别系统同样存在安全隐患。尤其是近些年随着各种高分辨率仿真、3D打印、生成对抗网络等新兴技术的出现，指纹识别系统极易遭受各类攻击，例如利用新兴技术或硅胶、明胶等特殊材料对采集的指纹进行仿造，制成假指纹来欺骗指纹识别系统，并成功取得指纹识别系统的信任。为了解决上述问题，伪造指纹检测技术应运而生。
[0003]目前，指纹活性检测大致分为两类，一类是基于硬件的指纹活性检测方法，一类是基于软件的指纹活性检测方法。前者在鉴别真假指纹过程中，需要在指纹识别模块中引入额外的硬件，利用其对手指的生理特性进行定性测量，如温度，弹性，导电性等等，从而判断待验证指纹是否为活体。虽然该方法能有效鉴别指纹的真伪，但需要额外的外部硬件与指纹识别系统进行配合使用。此外，在面对新型攻击时效果较差，需要配备相应的新外部硬件来更新对手指的生物特征进行检测，从而增加了检测的成本。现有的软件的指纹活性检测方法有很多，常见的有局部二值模式(Local Binary Pattern，LBP)、韦伯局部描述子(Webor Local Descriptor，WLD)等等，但这些特征描述子只是粗略提取指纹的特征，其中还含有大量噪声，会影响模型对指纹真假的判断。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足提供一种局部差值极化的指纹活性检测方法，其能够有效降低噪声对特征识别的误导，使得原有的纹理特征更加清晰，且准确率得到了提升，增强了对用户的信息和财产安全的保护。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种局部差值极化的指纹活性检测方法，其特征在于包含以下步骤：
[0007]步骤一：首先利用LBP算法提取每个像素块对应的特征值，通过对这些特征值进行重新组合，形成与原指纹相类似的特征图像，即LBP特征图，LBP特征图能更好地刻画真假指纹的内部差异，如脊线与汗孔之间的差异等，可以更好的鉴别真假指纹图像；
[0008]步骤二：再利用鲁棒性主成分分析算法将LBP特征图进行降秩处理，将指纹图像分解成两部分，一部分具有低秩特性，另一个部分具有稀疏特性，对低秩部分利用局部阈值极
化算法进行极化分割，并对其进行特征统计，转化成特征向量并进行特征选择；
[0009]步骤三：最后把构造的特征作为分类器的输入，用于后续模型的训练和测试，鉴别待测指纹图像是否为伪造指纹。
[0010]上述的步骤一中的LBP算法以3
×
3的像素块为基本单位，利用中心像素点与邻近8个像素点的差异来提取出中心像素点的纹理特征，即LBP特征值，若邻近像素点的像素值小于中心像素点的像素值，则将邻近像素点的特征值置为0，否则置为1。
[0011]上述的步骤二中的局部阈值极化算法利用空白区域的不规则特性来弱化LBP特征图与指纹信息关系度较低的部分，以此来突出指纹的纹理特征。
[0012]上述的步骤二中的局部阈值极化算法由以下步骤组成：
[0013]第一步：取四个角上5
×
5像素块的LBP特征值总和S，将S除以所取像素的个数得到阈值Y，如公式(1)和(2)所示：
[0014][0015][0016]其中X为低秩LBP特征图，m为图像行数，n为图像列数，将大于阈值Y的像素值置为1，否则置为0，得到阈值图，以5
×
5的像素块为基本单位，对于单位内每个像素点的邻近8个像素块进行统计，若与中心像素点值相同则将中心像素点的差异值D加1，差异值为阈值图中中心像素点与邻近8个像素点值相同的个数，如公式(3)所示：
[0017][0018]第二步：对于单位内每个像素点的差异值D，若D大于设定的值P，就将该单位的规整度R加1，规整度是单位内像素点差异值D大于设定值P的像素点个数，用来衡量该单位内图像的规律性，如公式(4)所示：
[0019][0020]第三步：当规整度R小于设定值Q时，将LBP特征图中该单位内所有像素点的值极化为最大值255，得到粗糙的极化图，由于极化图中应被极化的部分尚有残留且指纹有被误极化部分，所以需要再设置一个更大的像素块，如20
×
20的像素块，对该像素块内被极化的5x5单位像素块数量进行统计，若数量不超过设定值则将大像素块内所有被极化的像素块复原，得到最终的切割图。
[0021]本专利技术提出一种低秩LBP算法，并对提取的特征进行降秩处理，使得提取的特征信息更加紧凑有效，减少特征中的噪声；此外，本专利技术利用图片背景区域LBP特征的无规律性提出局部差异极化算法，此算法将空白区域极化为最大值，去除其对指纹识别的影响，最终提高了指纹活性检测的准确率；首先利用LBP算法提取每个像素块对应的特征值，通过对这些特征值进行重新组合，形成与原指纹相类似的特征图像，即LBP特征图，LBP特征图能更好地刻画真假指纹的内部差异，如脊线与汗孔之间的差异等，可以更好的鉴别真假指纹图像；接着再利用鲁棒性主成分分析算法将LBP特征图进行降秩处理，将指纹图像分解成两部分，
一部分具有低秩特性(由于内部有一定的结构信息，造成各行或列间是线性相关的)，另一个部分具有稀疏特性(由于含有噪声，而噪声是稀疏的)，因为LBP算法能够放大隐藏在指纹图像内部的细微差异，而图像背景区域部分由于采集时光照强度的不均匀，所以其LBP特征的不规则性被放大；因此，本专利提出一种局部差异极化算法将背景区域的LBP特征值极化为最大值，以消除指纹背景区域的无效特征；本专利将LBP特征进行降秩和去冗处理，转化成特征向量并进行特征选择，筛选出更为有效的特征，最后把特征向量投入分类器中，识别出该指纹图像是否为伪造的指纹图像。
[0022]本专利技术中的低秩LBP算法以3
×
3的像素块为基本单位，利用中心像素点与邻近8个像素点的差异来提取出中心像素点的纹理特征(即LBP特征值)，若邻近像素点的像素值小于中心像素点的像素值，则将邻近像素点的特征值置为0，否则置为1；以左上角的像素点为起点，按顺时针方向以二进制形式累加，得到LBP特征值(如图2所示)，设中心像素点的像素值为x,邻近8个像素点的像素值为x
i
(i＝0，...，7)，3
×
3的像素块如公式(5)所示：
[0023][0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种局部差值极化的指纹活性检测方法，其特征在于包含以下步骤：步骤一：首先利用LBP算法提取每个像素块对应的特征值，通过对这些特征值进行重新组合，形成与原指纹相类似的特征图像，即LBP特征图，LBP特征图能更好地刻画真假指纹的内部差异，如脊线与汗孔之间的差异等，可以更好的鉴别真假指纹图像；步骤二：再利用鲁棒性主成分分析算法将LBP特征图进行降秩处理，将指纹图像分解成两部分，一部分具有低秩特性，另一个部分具有稀疏特性，对低秩部分利用局部阈值极化算法进行极化分割，并对其进行特征统计，转化成特征向量并进行特征选择；步骤三：最后把构造的特征作为分类器的输入，用于后续模型的训练和测试，鉴别待测指纹图像是否为伪造指纹。2.根据权利要求1所述的一种集成机器学习的多模式降水预估方法，其特征在于：所述的步骤一中的LBP算法以3
×
3的像素块为基本单位，利用中心像素点与邻近8个像素点的差异来提取出中心像素点的纹理特征，即LBP特征值，若邻近像素点的像素值小于中心像素点的像素值，则将邻近像素点的特征值置为0，否则置为1。3.根据权利要求1所述的一种集成机器学习的多模式降水预估方法，其特征在于：所述的步骤二中的局部阈值极化算法利用空白区域的不规则特性来弱化LBP特征图与指纹信息关系度较低的部分，以此来突出指纹的纹理特征。4.根据权利要求1所述的一种集成机...

【专利技术属性】
技术研发人员：陈明宇，袁程胜，陈杰，付章杰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：