一种基于空间聚类的形变指纹匹配方法组成比例

本发明专利技术提供了一种基于空间聚类的形变指纹匹配方法，通过计算候选匹配结构对并在变换空间进行聚类筛选得到更为精确完整的匹配特征点对，减少了因无法覆盖形变指纹数据产生的指纹特征点匹配点对遗漏或者误判，此方法具有良好的指纹匹配性能，有效提高了形变指纹匹配的准确率。的准确率。的准确率。

【技术实现步骤摘要】
一种基于空间聚类的形变指纹匹配方法


[0001]本专利技术涉及指纹识别
，具体涉及一种基于空间聚类的形变指纹匹配方法。

技术介绍

[0002]由于指纹的独特性、易获取性和方便识别性，指纹识别成为一项具有广泛应用领域的生物特征识别技术。指纹识别的最终目的是判定两副指纹图像是否来自同一手指，指纹匹配作为指纹识别的最后一个环节，其准确性直接关系到指纹图像最终识别的正确性，是不可或缺的重要步骤。
[0003]目前市面上已有多种不同类别的指纹匹配算法，其中主流之一便是基于特征点的指纹匹配算法。现有大部分指纹特征点匹配算法，通常默认所有匹配点对的旋转平移参数是统一的，然而现实情况是由于每次指纹采集时因按捺位置、力量等的不同，所获得的指纹图像不可能完全相同，存在不同程度的形变失真，使得不同匹配点对的旋转平移参数存在一定偏差，若采用统一参数进行匹配，可能不仅会造成匹配点对缺失，也会使得原本可以匹配的细节点对不满足匹配条件或原本不可以匹配的细节点对满足匹配条件造成误识，极大的影响了指纹匹配的准确性。

技术实现思路

[0004]针对
技术介绍
中提出的问题，本专利技术提出一种基于空间聚类的形变指纹匹配方法，通过计算候选匹配结构对并在变换空间进行聚类筛选获得匹配度高的特征点对，实现指纹匹配精度的有效提升。
[0005]一种基于空间聚类的形变指纹匹配方法，包括如下步骤：
[0006]步骤1，对两枚指纹进行指纹特征点提取，获得两个初始特征点集T和I。
[0007]步骤2，针对由初始特征点集T中任一特征点与初始特征点集I中任一特征点组成的全部特征点对，建立对应的局部结构P和Q。
[0008]步骤3，计算由初始特征点集T、局部结构P构成的特征点对与由初始特征点集I、局部结构Q构成的特征点对之间的相似度分数。
[0009]步骤4，任选局部结构P、Q，针对其构成的特征点对，以步骤3中对应相似度分数为连接权重，使用KM算法进行最大权重匹配，得到匹配点对集M，所选局部结构P、Q的相似度分数即为匹配点对集M中所含点对对应的相似度分数之和；
[0010]若匹配点对集M中点对个数不小于T1且对应所选局部结构P、Q的相似度分数不小于T2，则将所选局部结构P、Q构成的局部结构对视为候选匹配局部结构对，其中T1、T2是通过实验设定的经验阈值。
[0011]步骤5，继续任选局部结构P、Q并构成新的特征点对，针对新特征点对重复执行步骤4中操作，直到完成对所有由局部结构P、Q构成的特征点对的遍历，获得全部候选匹配局部结构对。
[0012]步骤6，对全部候选匹配局部结构对，利用其在变换空间的邻近性计算聚类，判断任意两个候选匹配局部结构对是否是邻近的。
[0013]步骤7，设置初始化空集S1，任意选取一个候选匹配局部结构对加入S1，随后将与该候选匹配局部结构对邻近的候选匹配局部结构对加入S1，重复操作直到S1中的每一个候选匹配局部结构对及与其邻近的候选匹配局部结构对均已属于S1。随后设置初始化空集S2，在剩余的候选匹配局部结构对中继续任选一个对空集S2重复上述操作，直到所有候选匹配局部结构对被分配完成，最终得到序列{S1,S2,
…
,S
c
}。
[0014]步骤8，对于序列中的每个Si，以其中包含的候选匹配局部结构对作为带权重的边构成带权图，以局部结构相似度分数作为连接权重，使用KM算法进行最大权重匹配，将得到的匹配对作为Si对应的最终匹配局部结构对，所对应的局部结构相似度分数之和即为S
i
对应的原始匹配分。
[0015]步骤9，若S
i
对应的原始匹配分不小于阈值T
S
，则其最终匹配局部结构对中的局部结构所对应的特征点构成最终匹配特征点对，根据最终匹配特征点进一步计算可得S
i
对应的最终匹配分，其中阈值T
S
为通过实验确定的经验值。
[0016]步骤10，取序列{S1,S2,
…
,S
c
}中最终匹配分的最大值作为两枚指纹的最终匹配分数。根据指纹最终匹配分数和指纹匹配阈值T
M
，判断两枚指纹是否匹配：若指纹最终匹配分数不小于指纹匹配阈值T
M
，则判定两枚指纹来自同一手指，反之则判定两枚指纹并非来自同一手指。其中指纹匹配阈值T
M
具体数值不固定，可根据应用场合所需的安全等级来设定。
[0017]进一步地，各个特征点包括信息如下：横坐标、纵坐标和特征方向与横轴的夹角。
[0018]进一步地，步骤2中构建的局部结构P为以点集T中的任一特征点为中心点，其所含特征点与中心点的欧氏距离均不大于T
d
，局部结构Q为以点集I中的任一特征点为中心点，其所含特征点与中心点的欧氏距离均不大于T
d
。
[0019]进一步地，所述T
d
为经验阈值，可根据特征点间距离的变化进行适当调节，本专利技术中优选取值为100。
[0020]进一步地，步骤6包括步骤如下：
[0021](1)计算出每个候选匹配局部结构对所对应的旋转角度；
[0022](2)计算两两候选匹配局部结构对中对应特征点间的欧式距离；
[0023](3)计算两两候选匹配局部结构对的旋转角度差，若旋转角度差不大于阈值T
Θ
，则再计算平均旋转角度，其中阈值T
Θ
为通过实验确定的经验值；
[0024](4)基于(3)中得到的平均旋转角度计算旋转后的相对位移差；
[0025](5)若两个候选匹配局部结构对间的计算结果同时满足欧氏距离均不大于T
d
、旋转角度差不大于阈值T
Θ
、相对位移差不大于阈值T
L
，则判定当前两个候选匹配结构对是邻近的，其中阈值T
L
为通过实验确定的经验值。
[0026]相比
技术介绍
中通过采用统一参数进行特征点匹配，本专利技术提供了一种基于空间聚类的形变指纹匹配方法，通过计算候选匹配结构对并在变换空间进行聚类筛选获得匹配度高的特征点对，大大避免了产生遗漏或者误判指纹特征点匹配点对的问题，此方法具有良好的指纹匹配性能，可有效提高形变失真指纹匹配的准确率。
【附图说明】
[0027]图1为本专利技术提供的基于空间聚类的形变指纹匹配方法流程示意图。
[0028]图2是同一手指的两张形变程度不同的指纹图像。
[0029]图3为以z
i
为中心的局部结构P
i
和以z
′
j
为中心的局部结构Q
j
示意图。
[0030]图4是本专利技术实施例步骤4中提供的以KM算法调整匹配关系的示意图。
【具体实施方式】
[0031]下面结合附图和具体实施例对本专利技术提供的技术方案进一步阐述。需要说明的是，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间聚类的形变指纹匹配方法，其特征在于，包括如下步骤：步骤1，对两枚指纹进行指纹特征点提取，获得两个初始特征点集T和I；步骤2，对于初始特征点集T中任一特征点与初始特征点集I中任一特征点组成的全部特征点对，建立对应的局部结构P和Q；步骤3，计算由初始特征点集T、局部结构P构成的特征点对与由初始特征点集I、局部结构Q构成的特征点对之间的相似度分数；步骤4，任选局部结构P、Q，针对其构成的特征点对，以步骤3中对应相似度分数为连接权重，使用KM算法进行最大权重匹配，得到匹配点对集M，所选局部结构P、Q的相似度分数即为匹配点对集M中所含点对对应的相似度分数之和；若匹配点对集M中点对个数不小于T1且对应所选局部结构P、Q的相似度分数不小于T2，则将所选局部结构P、Q构成的局部结构对视为候选匹配局部结构对，其中T1、T2是通过实验设定的经验阈值；步骤5，继续任选局部结构P、Q并构成新的特征点对，针对新特征点对重复执行步骤4中操作，直到完成对所有由局部结构P、Q构成的特征点对的遍历，获得全部候选匹配局部结构对；步骤6，对全部候选匹配局部结构对，利用其在变换空间的邻近性计算聚类，判断任意两个候选匹配局部结构对是否是邻近的；步骤7，设置初始化空集S1，任意选取一个候选匹配局部结构对加入S1，随后将与该候选匹配局部结构对邻近的候选匹配局部结构对加入S1，重复操作直到S1中的每一个候选匹配局部结构对及与其邻近的候选匹配局部结构对均已属于S1。随后设置初始化空集S2，在剩余的候选匹配局部结构对中继续任选一个对空集S2重复上述操作，直到所有候选匹配局部结构对被分配完成，最终得到序列{S1,S2,
…
,Sc}；步骤8，对于序列中的每个Si，以其中包含的候选匹配局部结构对作为带权重的边构成带权图，以局部结构相似度分数作为连接权重，使用KM算法进行最大权重匹配，将得到的匹配对作为Si对应的最终匹配局部结构对，所对应的局部结构相似度分数之和即为Si对应的原始匹配分；步骤9，若Si对应的原始匹配分不小于阈值T
S
，则其最终匹配局部结构对中的局部结构所对应的特征点构成最终匹配特征点对，根据最终匹配特征点进一步计算可得Si对应的最终匹配分，其中阈值T
S
为通过实验确定的经验值...

【专利技术属性】
技术研发人员：刘中秋，祝江威，何小梅，章东平，常雪景，
申请(专利权)人：浙江中正智能科技有限公司，
类型：发明
国别省市：