[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

说明书

技术领域

本发明属于指纹领域，涉及一种基于SVM和随机森林的指纹图像质量判断方法。

背景技术

随着生物识别技术的发展，指纹识别技术因其唯一性、永久性和稳定性，已经广泛地应用于我们生活的各个方面，成为我们生活中不可或缺的一个组成部分。但是现有的指纹识别模块，由于平台限制，其识别速度与性能均有待提高。而在指纹图像注册、特征提取和比对时对指纹图像质量的判断水平是影响整个指纹识别模块水平的重要因素之一。可见，一种快速有效地判断指纹图像质量方法的提出，对提高整个指纹识别模块的速度和性能有很大的实际意义。

在这样一个大趋势下，亟需一种指纹图像质量判断方法，来快速剔除质量很差的图像，提高整个模块的识别速度和性能。一个较好的指纹识别模块应要求用户多次录入指纹，对于质量很差的指纹图像不予注册，仅注册质量较好的指纹图像。特征提取时，仅对那些质量较好的指纹图像提取特征，以有效地降低拒真率和提高识别速度。在比对时，对于质量差的指纹图像，不参与比对和生成模板，这样可以有效地降低认假率和提高识别速度。

对现有的基于主成分分析(PCA)的指纹图像质量判断方案描述如下：

1)对输入的指纹图像分块，得到多个图像块；

2)对每个图像块中的每个像素点，获取其邻域像素信息，组成块样本矩阵；

3)采用主成分分析方法(PCA)获取每个块样本矩阵的投影矩阵和特征值向量；

4)从投影矩阵和特征值向量中计算用于图像块质量判断的特征：圆分布特征和主方向特征值残差特征；

5)将圆分布特征和主方向特征值残差特征相乘，得到图像块的局部块质量；

6)基于图像块的局部块质量，结合图像块Harris强度，得到输入指纹图像的全局质量。

综上所述，该方案需分块判断指纹图像的质量，耗时较大，不适合那些对速度要求高的应用领域。此外，该方案的质量判断准确率也有待提高，降低了整个指纹识别模块的性能。因此，亟需提出一种新的指纹图像质量判断方法。

现有专利申请CN104268529A公开了一种指纹图像质量的判断方法和装置，所述判断方法包括步骤：获取指纹图像样本；利用SVM分类器根据所述指纹图像样本进行学习，获得最优分类面；获取待判断的指纹图像，并计算所述指纹图像的HOG特征；根据所述HOG特征和最优分类面判断所述指纹图像的质量。该申请采用了单一的机器学习方法并结合了单一的指纹特征，鲁棒性不够高，而且判断准确率也有待提高。

发明内容

本发明提供了一种极大地提高整个指纹识别模块的性能和速度，判断结果更具鲁棒性、准确率更高的基于SVM和随机森林的指纹图像质量判断方法。

本发明采用的技术方案是：

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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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；