一种基于频谱的指纹纹理特征提取方法技术

本发明专利技术涉及一种基于频谱attention的纹理特征提取方法，利用了纹理图像在频域上的特征，进行深度学习的训练，结合了图像的时域特征和频谱特征，更好地提取了指纹图像的纹理特征。本发明专利技术通过添加频谱attention模块帮助卷积神经网络更好地提取指纹的纹理特征，从而提高形变指纹的识别精度。本发明专利技术是基于InceptionV3所做的实验，也可适应于其它深度网学习网络。网学习网络。网学习网络。

【技术实现步骤摘要】
一种基于频谱的指纹纹理特征提取方法


[0001]本专利技术是一种神经网络改进方法，具体是一种基于频谱的指纹纹理特征提取方法，在特征提取过程中引入了图像的频谱特征，提高特征提取的效果。

技术介绍

[0002]指纹识别已广泛应用于日常生活的很多领域。一些犯罪分子为了避免被识别到，通过切割、移植、燃烧等方式改变指纹的脊状结构，由此产生的指纹称为形变指纹。他们就以形变指纹干扰识别系统，逃避检查。
[0003]指纹图像具有很好的纹理性，用深度学习的方法可以很好的提取指纹图像的特征，并加以识别。
[0004]指纹图像的频谱图也有明显特征，高频和低频比较明显，在频谱图上呈现圆环状态。普通的深度学习网络并不会针对指纹的这种频谱纹理特征进行学习。

技术实现思路

[0005]为了解决现有技术问题，本专利技术的目的在于克服已有技术存在的不足，提供一种基于频谱的指纹纹理特征提取方法，通过添加的频谱attention模块帮助卷积神经网络更好地提取指纹的纹理特征，提高形变指纹的识别精度。本专利技术为了利用这种频谱上的特征，在深度学习的方法上添加了频谱attention的模块，提升特征提取的效果。
[0006]为达到上述专利技术创造目的，本专利技术采用如下技术方案：
[0007]一种基于频谱的指纹纹理特征提取方法，在卷积神经网络中添加了一个频谱attention模块，包括以下步骤：
[0008]步骤1、将输入的特征图进行傅里叶变换从时域图转换为频谱图，采用的公式如式(1)所示：
[0009][0010]在式(1)中u和v是频率变量，x和y是空间域图像变量；j为虚数单位，f(x,y)为时域图像的空间域的值，M1，N1为时域图像的尺寸大小，F(u,v)为频域图像的频域的值；
[0011]步骤2、经过傅里叶变换，将频谱图实部和虚部分离成两张特征图；
[0012]步骤3、两张特征图分别经过卷积核为1*1，3*3，1*1三个卷积层进行网络学习，提取频谱特征，卷积公式如式(2)所示：
[0013][0014]式(2)中H(m,n)是卷积后的图像的特征值；ω是一个矩形卷积核，ω(s,t)为卷积核ω中s行，t列的值大小；f是卷积前的时域图像的特征值，f(m
‑
s,n
‑
t)为图像f中第m行第n列像素f(m,n)沿横坐标移动距离s、沿纵坐标移动距离t的像素值；
[0015]步骤4、将通过卷积层的特征图重新合并成频谱图，经过傅里叶反变换回到时域特
征图，用到的公式如式(3)：
[0016][0017]在式(3)中M2，N2为频域图像的尺寸大小；
[0018]步骤5、将得到的时域图经过softmax得到对应0
‑
1范围上的映射值；
[0019]步骤6、将映射值与原图相乘进行attention计算；
[0020]步骤7、将频谱attention模块嵌入不同的网络层，进行计算，得到基于频谱的指纹纹理特征数据。
[0021]本专利技术与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
[0022]1.本专利技术不只关注了图像的时域特征，还关注了指纹图像的频谱特征，将指纹图像的时域特征和频谱特征相结合，更好得保留了指纹图像的纹理特征，提高了形变指纹的识别精度；
[0023]2.本专利技术利用了纹理图像在频域上的特征，进行深度学习的训练，结合了图像的时域特征和频谱特征，更好地提取了指纹图像的纹理特征，从而提高形变指纹的识别精度；本专利技术是基于InceptionV3所做的实验，也可以适用于其它深度学习网络。
附图说明
[0024]图1为本专利技术方法提取的形变指纹图像。
[0025]图2为本专利技术方法提取的指纹图像的频谱图。
[0026]图3为本专利技术方法的频谱attention结构图。
[0027]图4为本专利技术方法的频谱attention中的卷积网络结构。
[0028]图5为本专利技术方法提取的训练loss图。
具体实施方式
[0029]以下对本专利技术的优选实施例结合附图做进一步说明如下：
[0030]实施例一：
[0031]参见图1，一种基于频谱的指纹纹理特征提取方法，在卷积神经网络中添加了一个频谱attention模块，包括以下操作步骤：
[0032]步骤1、将输入的特征图进行傅里叶变换从时域图转换为频谱图，采用的公式如式(1)所示：
[0033][0034]在式(1)中，u和v是频率变量，x和y是空间域图像变量；j为虚数单位，f(x,y)为时域图像的空间域的值，M1，N1为时域图像的尺寸大小，F(u,v)为频域图像的频域的值；
[0035]步骤2、经过傅里叶变换，将频谱图实部和虚部分离成两张特征图；
[0036]步骤3、两张特征图分别经过卷积核为1*1，3*3，1*1三个卷积层进行网络学习，提取频谱特征，卷积公式如式(2)所示：
[0037][0038]式(2)中H(m,n)是卷积后的图像的特征值；ω是一个矩形卷积核，ω(s,t)为卷积核ω中s行，t列的值大小；f是卷积前的时域图像的特征值，f(m
‑
s,n
‑
t)为图像f中第m行第n列像素f(m,n)沿横坐标移动距离s、沿纵坐标移动距离t的像素值；
[0039]步骤4、将通过卷积层的特征图重新合并成频谱图，经过傅里叶反变换回到时域特征图，用到的公式如式(3)：
[0040][0041]在式(3)中M2，N2为频域图像的尺寸大小；
[0042]步骤5、将得到的时域图经过softmax得到对应0
‑
1范围上的映射值；
[0043]步骤6、将映射值与原图相乘进行attention计算；
[0044]步骤7、将频谱attention模块嵌入不同的网络层，进行计算，得到基于频谱的指纹纹理特征数据。
[0045]本实施例基于频谱attention的指纹纹理特征提取方法，利用了纹理图像在频域上的特征，进行深度学习的训练，结合了图像的时域特征和频谱特征，更好地提取了指纹图像的纹理特征，从而提高形变指纹的识别精度。本实施例方法是基于InceptionV3所做的实验，也可以适用于其它深度学习网络。
[0046]实施例二：
[0047]本实施例与实施例一基本相同，特别之处在于：
[0048]在本实施例中，将特征图输入到InceptionV3深度学习网络中，网络结构如下表1所示。
[0049]表1.本专利技术实施例二InceptionV3网络结构数据表
[0050]网络层类型网络层结构输入尺寸卷积层3*3卷积，步长为23*299*299卷积层3*3卷积，步长为132*149*149卷积层3*3卷积，步长为132*147*147池化层3*3池化，步长为264*147*147卷积层3*3卷积，步长为164*73*73卷积层3*3卷积，步长为280*73本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频谱的指纹纹理特征提取方法，其特征在于，在卷积神经网络中添加了一个频谱attention模块，包括以下步骤：步骤1、将输入的特征图进行傅里叶变换从时域图转换为频谱图，采用的公式如式(1)所示：在式(1)中，u和v是频率变量，x和y是空间域图像变量；j为虚数单位，f(x,y)为时域图像的空间域的值，M1，N1为时域图像的尺寸大小，F(u,v)为频域图像的频域的值；步骤2、经过傅里叶变换，将频谱图实部和虚部分离成两张特征图；步骤3、两张特征图分别经过卷积核为1*1，3*3，1*1三个卷积层进行网络学习，提取频谱特征，卷积公式如式(2)所示：式(2)中H(m,n)是卷积后的图像的特征值；ω是一个矩形卷积核，ω(s,t...

【专利技术属性】
技术研发人员：冯国瑞，徐超，
申请(专利权)人：上海大学，
类型：发明
国别省市：