[发明专利]一种基于深度学习的现场指纹特征点提取方法

权利要求书

1.一种基于深度学习的现场指纹特征点提取方法，其特征在于包括以下步骤：

步骤1，指纹数据集准备，包括每个人两张原始指纹图像，和对应的两张增强图像，其中原始指纹图像包括一张现场指纹图像和一张对应捺印指纹图像；

步骤2，通过步骤1中的原始指纹图像数据集，求解带约束的最优化问题，得到小波框架基；

步骤3，制作神经网络训练集，得到现场指纹图像上的细节点标记信息，包括所有端点和分叉点的位置，具体操作如下：首先选取步骤1中的现场指纹图像和对应的增强图像；然后对其增强图像依次进行二值化操作和细化操作；最后根据端点以及分叉点的特殊空间特征，在细化后得到的图像上找到所有端点和分叉点的位置，该位置即为对应现场指纹图像上的细节点位置；

步骤4，使用步骤2中训练出的小波框架基，对步骤1中现场指纹图像进行滤波，得到滤波图像；

步骤5，构建神经网络，用于提取指纹特征点；

步骤6，训练神经网络，采用两阶段训练的方式得到神经网络参数；

步骤7，使用神经网络，将待分析的现场指纹图片经过小波框架基滤波后，输入训练完成的神经网络，先通过第一部分网络得到特征图，将特征图输入第二部分网络得到初步预测信息，最后将特征图和初步预测信息输入第三部分网络，得到最终预测的特征点。

2.根据权利要求1所述一种基于深度学习的现场指纹特征点提取方法，其特征在于：

步骤2中所述带约束的最优化问题如下：

该最优化问题应用在二维图像领域，即d＝2，表示滤波器维数，每个滤波器都是一个矩阵；其中Z^d表示一个d维整数域空间，n∈Z^d，n表示大小为d×d的对角矩阵，对角线元素是从Z^d中取的d个整数；x_j是原始指纹图像，一共有N张图像；a_i是滤波器，一共有m个；是使用滤波器a_i对原始指纹图像进行滤波变换；Φ(v_i,j)是衡量滤波得到图像v_i,j的稀疏性价值函数，采用L₁或L₂范数；M是采样矩阵，取或a_i(Mn+k)表示取滤波器a_i索引为Mn+k的值；|det(M)|^-1表示采样矩阵M的行列式的倒数；当时δ_k＝1，否则δ_k＝0，求解该问题，得到所述的自适应小波框架基，即m个滤波器a_i。

3.根据权利要求1所述一种基于深度学习的现场指纹特征点提取方法，其特征在于：

步骤3中所述的二值化具体包括以下步骤：首先，将现场指纹图像的增强图像转换为像素值为[0,255]的灰度图像；然后，计算该增强指纹图像的平均像素值；接下来，遍历灰度图像中的每个像素点，大于等于平均像素值的像素点为指纹点，像素值为255，小于该值的为背景点，像素值为0，输出二值化图像；

步骤3中所述的细化操作具体包括以下步骤：首先，输入二值化图像，在不改变指纹图像的拓扑结构下，将指纹线条从多像素宽度减少到单位像素宽度，输出细化图像；

步骤3中所述端点以及分叉点的特殊空间特征，指以端点或者分叉点为中心的像素八邻域内，指纹点与背景点之间的空间拓扑关系，指纹细节点包括指纹端点和指纹分叉点。

4.根据权利要求1所述一种基于深度学习的现场指纹特征点提取方法，其特征在于：

步骤4中具体包括：将步骤2中训练出来的一组滤波器，即小波框架基，对现场指纹图像进行二维卷积，得到滤波图像。