[发明专利]现场指纹的特征点提取和匹配的方法

说明书

本发明涉及一种现场指纹的特征点提取和匹配的方法，用于提高指纹识别率和减少人工劳动成本。主要包括使用深度神经网络进行指纹图像预处理、在提取指纹特征时提出使用Split Bregman算法求解滤波器组构建要满足的约束问题，将用于训练的指纹数据库作为该算法输入来训练具有稀疏性的滤波器组，把预处理后的指纹图像应用在该滤波器组上能够得到该指纹图像的特征点、将指纹图像与已知指纹图像的数据库进行匹配。将本发明提出的方法在不同的指纹数据集上进行实验验证，实验结果显示本发明所提出的方法对于低质量的现场指纹图片有一定效果。

技术领域

本发明属于计算机视觉领域，利用人体的物理和行为特征进行身份识别。通过指纹来进行身份的确认，是生物特征识别的一种。

背景技术

指纹由脊线和谷线组成的,指纹上突起的线条通常叫做脊线,凹下去的线叫做谷线。指纹识别的一个难点就是指纹特征的提取，指纹特征可以从总体特征和局部特征来进行研究，总体特征包括纹形(环形、弓形、螺旋形)、模式区(包括纹形特征的区域)、核心点(位于指纹纹路的渐进中心)、三角点(位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点)、纹数(脊密度)；局部特征指的是指纹节点的特征。指纹的纹路并不是连续、平滑笔直的，经常会出现分叉、折转或中断。这些交叉点、折转点或断点称为“细节点”。

指纹识别可以分为两种形式，1：1匹配和1：N匹配。在1：1匹配中，一个人进行指纹采样时对同一指纹录入1次样，指纹识别时只对比一次，然后判断是与否。例如手机指纹解锁。而1：N匹配指的是将一个人采集到的指纹与数据库中存在的所有指纹进行对比。经常用在指纹库查找罪犯的过程中。

现场指纹，指的是现场遗留并通过警察等人员收集的指纹。指纹在收集后首先需要让指纹专家进行指纹特征的标记，然后在指纹数据库中进行对比，从中找到最相似的指纹。在进行现场指纹识别中由于需要专家人工的标记细节点增加了劳动和时间的成本。随着对机器学习研究的深入，出现了许多可以直接进行指纹特征的提取的方法。但是对于现场指纹图像质量较差时，如果只使用指纹的细节点作为特征提取的方法，特征提取的效果难以达到预期。本发明旨在使用机器学习自动提取特征，减少人工劳动成本的同时，基于指纹局部特征与总体特征相结合的方法提高特征提取能力进行指纹识别的方法。通过与传统提取指纹细节点方法进行对比，本发明在指纹特征点提取的速度和准确率均优于传统方法，因而，本发明对于现场指纹的特征点提取和匹配的方法有着一定的理论和实际意义。

发明内容

本发明要解决的问题是：现场指纹由于图像质量较差，使用传统机器学习方法提取细节点可能出现错误，故需要专家进行人工指纹细节点提取。本发明针对此问题提出了一种通过训练滤波器组来提取通道峰值的特征提取的方法。该方法将指纹图像分块训练得到滤波器组，滤波器组能够学习不同方向的指纹特征。将现场指纹图像经过预处理后通过训练好的滤波器组，得到一个多维张量，该张量就是现场指纹图像对于不同方向指纹特征的提取。在张量的通道内寻找峰值，求出该指纹的特征点。最终，通过指纹匹配方法得到相似度分数。

本发明专利总体分为三大部分：

(1)对指纹图像进行图像预处理的操作。

(2)构建一个用于指纹图像特征提取的滤波器组。

(3)对于指纹图像进行匹配。

本发明提出的方法具体技术方案如下：

1、使用卷积神经网络来对待检测指纹图像进行预处理；将归一化后的待检测指纹图像使用卷积神经网络进行指纹方向的确定、指纹区域的分割、指纹图像的增强；