基于MRF和SVM-KNN分类的假指纹检测方法，包括以下步骤：1）提取指纹图像特征：1.1）一阶统计量(FOS)；1.2）灰度共生矩阵(GLCM)；1.3）马尔科夫随机场(MRF)；2）进行SVM训练，分别对FOS和GLCM，及MRF这两项特征向量训练得到模型A和B；3）SVM-KNN分类：3.1）SVM分类机理；3.2）SVM-KNN分类器形成；4）决策融合以检测真假指纹。目前没找到将GLCM和MRF用于假指纹检测的相关文献，本文利用这两类特征量化指纹图像的物理结构信息以达到识别真假指纹的目的。实验结果表明该算法的认假率及拒真率分别为1.84%和1.79%。本发明专利技术精确度高、实用性好。
【技术实现步骤摘要】
本专利技术涉及图像处理和模式识别等
，主要内容为假指纹的检测方法。
技术介绍
图像特征提取、特征训练以及决策融合等是图像处理及模式识别领域中的重要知识点，它们都与假指纹检测方法的效果密切相关。假指纹检测方法过程主要分为图像特征提取、SVM训练、SVM-KNN分类以及决策融合等四个步骤，其中特征提取在假指纹检测过程中尤为重要。Emanuela Marasco提出提取指纹图像的纹理特征信息,通过一阶统计量来对假指纹进行检测。该方法在采集仪分辨率较高的情况下，假指纹识别率比较好，但是对于500dpi的通用分辨率图像的识别率性能一般。Nikam和Agrwal提出了另外一种基于纹理的方法，用指纹像素相关的灰度级分析指纹图像的活性。Abhyankar和Schuckers提出了一种基于多分辨率纹理分析和纹路频率分析的方法，用不同的纹理特性量化物理结构变化时灰度级分布变化。但此方法在实际应用中有一定的局限性，因为局部脊线频率的计算会受天气影响，也与不同皮肤状况有关。灰度共生矩阵(GLCM)建立在两个位置像素值的联合概率密度的基础上，可用于将灰度值转化为纹理信息，反映图像灰度关于相邻间隔、方向、变化幅度的综合信息。GLCM是对图像上保持某距离的像素点的灰度值情况进行统计得到的。1973年Haralick研究了图像纹理中灰度级的空间依赖关系，提出灰度共生矩阵的实质是从图像中灰度为X的像素(其位置为(xl，yl))出发，统计与其距离为d灰度为y的像素(x2，y2)同时出现的次数。通常可以用能量、对比度、熵、局部平稳、自相关和不相似性等标量来表征GLCM特征。马尔科夫随机场(MRF)模型是在1973年由Besag提出，可以表达图像数据的空间概率关系的建模并且用于纹理特征模型，MRF已被证明对于图像特征提取是有效的。MRF纹理特征从结构分析法角度来看，就是要找出纹理基元以及纹理基元间的相互依赖关系。对于MRF纹理特征的基元关系可以用条件概率模型表示。随机图像的纹理区域可看成是二维随机过程的有限取样，不同的统计参数表示不同的随机过程。纹理基元之间展现出的依赖关系，反映了纹理基元的不同聚集，而不同聚集之间的纹理又对应着不同的统计参数。应用数学上的MRF能够很好地描述纹理的随机特征。SVM是一种建立在统计学习理论基础上的分类方法，它主要基于以下三种考虑:(I)基于结构风险最小化，通过最小化函数集的VC维来控制学习机器的结构风险，使其具有较强的推广能力；(2)通过最大化分类间隔(寻找最优分类超平面)来实现对VC维的控制，这是由统计学习理论的相关定理保证的；(3) SVM在技术上采用核化技术，根据泛函中的定理,寻找一个函数(核函数)将样本空间中内积对。SVM分类有两个要求:1)能正确区分两类样本；2)分类间隔最大的分类面确定为最优分类面。支持向量就是最优分类面上的样本。近邻法(简称NN)是模式识别非参数法中最重要的方法之一，NN的一个很大特点是将各类中全部样本点都作为“代表点”，INN是将所有训练样本都作为代表点，因此在分类时需要计算待识别样本P到所有训练样本的距离，结果就是与P最近的训练样本所属于的类别。KNN是INN的推广，即分类时选出K个最近邻，看这K个近邻中的多数属于哪一类，就把P分到哪一类。SVM的优点有:结构简单、学习速度快、推广性能好、优化求解时具有唯一的极小点等；通过修正核函数可以获得各种不同的分类曲面。支持向量机是为了解决二分类问题而提出来的，不需要利用样本趋向于无穷大的渐进性条件。然而SVM分类算法存在一个缺点:当样本距离分类超平面小于一个给定的阈值e时，其分类准确率会降低。目前比较常用的假指纹检测方法可分为两类:第一类用手指温度、皮肤导电性、脉搏血氧等特性，这些特性可以通过在指纹采集仪上加入额外的硬件设备来检测得到，但是会增加采集仪的成本，这类方法称为基于硬件的假指纹检测方法。第二类方法为了检测指纹图像的活性信息，对指纹样本图像做额外的处理，这类方法称为基于软件的方法。基于软件的方法成本低，对用户的侵入性较小，且能用于现有的指纹采集仪。因此对基于软件的假指纹检测方法的研究，具有重大的实用价值和推广意义。
技术实现思路
本专利技术要克服现有假指纹检测技术仍不够成熟且识别正确率还是比较低的现状，提出一种基于MRF和SVM-KNN分类的假指纹检测方法，该方法提取图像的一阶统计量(F0S)、灰度共生矩阵(GLCM)以及马尔科夫随机场(MRF)等特征，通过特征选择得到特征向量，然后通过SVM进行训练；由于SVM对超平面附近的样本分类存在不稳定性，引入SVM-KNN分类对假指纹进行检测，最后通过决策融合技术对指纹的真假做出准确判断。一种基于MRF和SVM-KNN分类的假指纹检测方法，所述方法包括以下步骤:I)特征提取1.1) 一阶统计量(FOS)用于衡量图像中随机位置某一灰度值出现的概率，像素之间相关性可以表明指纹的真假性。通过直方图计算像素之间的变化程度，并提取F0S，目标是当图像的物理结构发生变化时，量化灰度级分布的变化，再由此判别真假指纹。假设H(n)为归一化直方图，N表示最大灰度级，U为灰度均值，FOS计算如下:能量权利要求1.一种基于MRF和SVM-KNN分类的假指纹检测方法，所述方法包括以下步骤: 1)特征提取 1.1) 一阶统计量(FOS) 用于衡量图像中随机位置某一灰度值出现的概率，像素之间相关性可以表明指纹的真假性。通过直方图计算像素之间的变化程度，并提取F0S，目标是当图像的物理结构发生变化时，量化灰度级分布的变化，再由此判别真假指纹。假设H(n)为归一化直方图，N表示最大灰度级，U为灰度均值，FOS计算如下: 能量:全文摘要基于MRF和SVM-KNN分类的假指纹检测方法，包括以下步骤1)提取指纹图像特征1.1)一阶统计量(FOS)；1.2)灰度共生矩阵(GLCM)；1.3)马尔科夫随机场(MRF)；2)进行SVM训练，分别对FOS和GLCM，及MRF这两项特征向量训练得到模型A和B；3)SVM-KNN分类3.1)SVM分类机理；3.2)SVM-KNN分类器形成；4)决策融合以检测真假指纹。目前没找到将GLCM和MRF用于假指纹检测的相关文献，本文利用这两类特征量化指纹图像的物理结构信息以达到识别真假指纹的目的。实验结果表明该算法的认假率及拒真率分别为1.84%和1.79%。本专利技术精确度高、实用性好。文档编号G06K9/62GK103116744SQ20131004612公开日2013年5月22日 申请日期2013年2月5日 优先权日2013年2月5日专利技术者张永良, 刘超凡, 肖刚, 方珊珊, 卞英杰 申请人:浙江工业大学本文档来自技高网...
【技术保护点】
一种基于MRF和SVM?KNN分类的假指纹检测方法，所述方法包括以下步骤：1）特征提取1.1）一阶统计量（FOS）用于衡量图像中随机位置某一灰度值出现的概率，像素之间相关性可以表明指纹的真假性。通过直方图计算像素之间的变化程度，并提取FOS，目标是当图像的物理结构发生变化时，量化灰度级分布的变化，再由此判别真假指纹。假设H(n)为归一化直方图，N表示最大灰度级，μ为灰度均值，FOS计算如下：能量：熵：?方差：偏度：峰度：1.2）灰度共生矩阵（GLCM）图像的GLCM能反映出图像灰度关于变化幅度、方向、相邻间隔的综合信息，它是分析图像局部模式及其排列规则的基础。图像的GLCM已被证明在纹理确定上是一个很好的方法，广泛用于将灰度值转换为纹理信息。Haralick于1973年研究了图像纹理中灰度级的空间依赖关系，提出灰度共生矩阵的实质。图像中灰度为x的像素（其位置为(i,k)），统计与其距离为d，方向为θ，灰度为y的像素(i+Di,k+Dk)，出现次数p(x,y,d,θ)的数学表达式为：p(x,y,d,θ)={[(i,k),(i+Di,k+Dk)|f(i,k)=x,f(i+Di,k+Dk)=y]}?????????(6)?（修改：公式两行变一行）式中x，y=1，2，...，L?表示图像中的灰度级；i，k=1，2，...，K?表示像素坐标；?为生成灰度共生矩阵的步长；Di，Dk是位置偏移量；生成方向θ可取任意方向，从而生成不同方向的共生矩阵。对GLCM进行归一化处理：将共生矩阵描述纹理的状况量化，由于指纹库中的指纹纹线宽度不一，为了提高假指纹的识别率，本文方法提取了距离d为1~4，θ分别取0°，45°，90°，135°四个方向，共计16个灰度共生矩阵；然后分别计算对应的能量、对比度、熵、局部平稳、自相关以及不相似性，计算公式如下：能量：?对比度：熵：局部平稳：自相关：不相似性：其中，这几个纹理特征可有效描述指纹图像的纹理特征，具有较好的鉴别能力；1.3）马尔科夫随机场（MRF）MRF是一个二维点阵，可以用概率模型来描述每个点，MRF的假设前提是点阵中的每个点的像元值仅仅依赖于其邻域中像元的像元值。MRF可用如下局部条件概率密度(PDF)?来描述：p(x(c)|x(m),m=1,2,…,N×M,c≠m)=p(x(c)|x(m),m∈N(c))?????????(18)其中x(c)是在点阵N×M中点c的像素值，N(c)是以c为中心的邻域像素点集，p(x(c))的值受x(m)的影响。如果PDF服从高斯分布，那么MRF为高斯?马尔科夫随机场(GMRF)。用邻域信息来估计像素点灰度值的对称差分方程：x(c)=∑βc,m[x(c+m)+x(c?m)]+ec?????????????????(19)其中βc,m为每个邻域像素点贡献于中心像素点灰度值的权值，ec为均值为0的高斯分布噪声，m是离中心点c的偏差。表示成矩阵符号公式为：x(c)=βTQc+ec????????????????????????????(20)其中β是由βc,m组成的向量，Qc的定义如下：利用最小二乘法计算得到纹理特征量，?用GMRF对指纹图像进行二阶参数估计，图像中任一3×3窗口为图像采样模板范围，由此Qc已经确定，U代表指纹图像，对于每一个3×3的窗口β就是特征值，MRF特征值对灰度级变化不敏感；2）SVM训练使用LIBSVM对特征向量进行训练和分类，随机选取数据库中50%的图像作为训练指纹，其余用于分类测试。LIBSVM使用的一般步骤如下：a）按照LIBSVM软件包所要求的格式准备数据集；b）对数据进行简单的缩放操作；c）选用RBF?核函数；d）采用交叉验证选择最佳参数C与g；e）采用最佳参数C与g?对整个训练集进行训练获取支持向量机模型；f）利用获取的模型进行测试与预测，得到预测值Sc；Sc为真指纹的置信度，阈值为T1，则：(a)如果Sc=T1，判定指纹为真；3）SVM?KNN分类3.1）SVM分类机理SVM方法是通过一个非线性映射f，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得原来样本空间中非线性可分的问题转化为在特征空间中线性可分的问题，并寻找样本在此特征空间中的最优线性分类超平面；3.2）SVM?KNN分类器形成传统SVM分类算法存在一个缺点：当样本距离分类超平面小于一个给定的阈值ε时，其分类准确率会降低。SVM分类过程中对于取得的每类支持向量的代表点的误差度决定了SVM的分类准确率，可通过KNN来对容易出现偏差的样本进行分类以提高分类准...
【技术特征摘要】
【专利技术属性】
技术研发人员：张永良，刘超凡，肖刚，方珊珊，卞英杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。