[发明专利]加权的多尺度复合窗指纹方向场建立方法及分级平滑算法

说明书

本发明公开了一种加权的多尺度复合窗指纹方向场建立方法及分级平滑算法。本发明通过首先建立一系列不同尺度复合窗下的指纹方向场OF信息；然后通过平方梯度一致性指标确定各个尺度在整个系列中的权重；最后通过权重将整个系列下的OF信息整合得到一个指纹方向场OF；有效地重建了低质量指纹图像的指纹方向场OF，且更好地拟合奇异点区域的方向，能准确估计噪声区域的方向而且避免了奇异点位置的偏移。此外，本发明采用分级平滑算法对指纹方向场进行处理修复了错误的脊线结构的同时保证了真实的奇异点位置不偏移。

技术领域

本发明属于数值图像处理技术领域，具体涉及了一种加权的多尺度复合窗指纹方向场建立方法。

背景技术

指纹方向场(Orientation field，OF)显示了指纹脊线整体结构信息，从宏观上描述了指纹的基本形状、结构特征和脊线信息。准确可靠的OF对许多后续的指纹图像处理，如指纹图像增强、奇异点检测和指纹图像分类等，均有着重要的影响。

梯度法计算指纹OF具有计算复杂度低和直观等优点,因此是应用最为广泛的指纹方向场求取算法之一，但也极易受噪声干扰。为提高现有的梯度法的OF计算精度，需解决以下几个问题：

(1)如何自适应选择局部块的大小？梯度法最早是于1987年提出的，该方法用块梯度向量来计算OF。后续研究者对该方法进行了改进以获得更精确的OF,但是这些方法很难平衡精确性与鲁棒性问题。因为小块计算的OF比较精确但是对噪声敏感，大块计算的OF抗噪性强但是精确性减低。因此，研究者提出了复合窗的梯度法，实验结果表明复合窗相比于单一窗，能更好地平衡精确性和鲁棒性问题，但是复合窗却引入了一个复杂的问题：如何选择内窗和外窗的大小？现有方法依赖大量实验来根据经验选择较合适的内窗和外窗尺寸。无法自适应地选择复合窗的大小。

(2)如何精确重建低质量指纹图像奇异点附近的脊线信息而不引起奇异点位置偏移？现有的梯度法对于低质量指纹图像的抗噪性较差，为了重建低质量指纹图像的OF信息，研究者提出了很多改进的梯度法，如分级梯度法、加权平均法、复合窗梯度法等，但是因为奇异点附近的脊线曲率较高，这些方法在低质量指纹图像OF重构时，在奇异点附近会得到错误的脊线结构或引起奇异点位置偏移。偏移的奇异点用作后续指纹匹配或识别的特征点时，将引起匹配和识别结果的较大误差甚至是错误。

发明内容

为了有效重建低质量指纹图像的脊线信息及真实的奇异点位置，本发明的第一个目的在于提供一种能有效重建低质量指纹图像的指纹方向场OF，且能准确估计噪声区域的方向而且避免了奇异点位置的偏移的加权的多尺度复合窗指纹方向场建立方法。

本发明的第二个目的在于提供一种能够修复错误的脊线结构的同时保证真实的奇异点位置不偏移的指纹方向场分级平滑算法。

为了实现本发明的第一个目的，在此所提供的加权的多尺度复合窗指纹方向场建立方法具体包括以下步骤：

S1：建立一系列不同尺度复合窗下的指纹方向场；

S2：通过平方梯度一致性确定各个尺度在整个系列中的权重；

S3：通过权重将整个系列下的指纹方向场信息整合得到一指纹方向场。

进一步的，所述步骤S1中的采用梯度法建立一系列不同尺度复合窗下的指纹方向场，具体的步骤如下：

A：求取整幅图像的梯度向量[G_x,G_y]^T；

B：将梯度向量转换为平方梯度向量[G_sx,G_sy]^T；

C：将指纹图像划分为互不重叠的w×w的小块；

D：求取小块内平方梯度向量的平均向量[G_mx,G_my]^T；