[发明专利]一种基于SVM和随机森林的指纹图像质量判断方法

权利要求书

1.一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：包括样本训练和样本预测，样本训练步骤包括：

挑选质量相对较好的图像作为训练用正样本，挑选质量较差的图像作为训练用负样本；

对训练用正样本和训练用负样本进行方差、脊谷对比度、方向一致性、Gabor特征值、HOG特征和LBP特征的提取，将这些特征组成特征向量并进行归一化处理；

将归一化后的特征向量输入到LIBSVM进行训练得到SVM模型；

将归一化后的特征向量输入到随机森林模型进行训练得到随机森林模型；

样本预测步骤包括：

对待预测样本进行特征提取和特征向量归一化处理；

将归一化的待预测样本的特征向量分别代入SVM模型和随机森林模型获得相应的质量分数；

将SVM模型得到的质量分数与随机森林模型得到的质量分数求均值，并将其作为最终的预测结果。

2.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：训练用正样本为不同传感器的不同手指采集的相对质量较好的图像。

3.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：训练用负样本为不同传感器采集的无手指图像和质量很差的有手指图像。

4.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤中提取的特征与样本训练步骤中提取的特征是一致的。

5.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤中归一化处理方法与样本训练步骤中归一化处理方法是一致的。

6.根据权利要求1～5之一所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤和样本训练步骤中特征提取方法如下：

a)先计算整幅指纹图像的均值，将每个像素点的灰度值与均值的差值的平方累加起来，再除以像素点的个数，得到该图像的方差；

b)先计算整幅图像的均值，然后统计整幅图像中大于均值的像素点个数和小于均值的像素点个数，最后将二者相除，得到脊谷对比对；

c)首先计算整幅图像所有像素点的梯度向量协方差矩阵，然后计算该协方差矩阵的特征值a1和a2，根据计算得到的特征值a1和a2，方向一致性(coh)可表示为：

coh＝((a1-a2)*(a1-a2))/((a1+a2)*(a1+a2))；

d)Gabor特征值的提取方法为将图像与不同尺度和方向的模板卷积得到多个Gabor特征值，继续计算上述Gabor特征值的标准差，该标准差即为组成特征向量所需要的特征；

e)HOG特征的提取方法为计算每个像素点处的梯度幅值和方向，并将同方向像素点的梯度幅值累加起来；找出最大梯度幅值对应的方向和其反方向，并将这两个方向对应的梯度幅值作为最终提取的特征。

f)将图像中每个像素与周围的8个像素进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样3*3邻域内的8个点经比较可产生8位二进制数，即得到窗口中心像素点的十进制LBP值；统计每个十进制LBP值出现的频率，生成直方图并进行归一化，该归一化后的直方图即为所需提取的LBP特征。

7.根据权利要求6所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：SVM模型包括训练所采用的核函数、惩罚系数、支持向量机的个数、支持向量和判别函数的偏置项。

8.根据权利要求6所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：随机森林模型包括组成随机森林的决策树的个数、决策树的节点分裂属性和节点决策函数，其输出的结果是通过多数投票对比分析完成。