[发明专利]一种基于朴素贝叶斯分类器的假指纹检测方法

摘要

一种基于朴素贝叶斯分类器的假指纹检测方法，包括以下步骤1）训练库划分；2）图像归一化；3）特征提取；3.1）离散小波变换；3.2）去噪；3.3）小波重构；3.4）噪声图估计；3.5）标准差图计算；3.6）划分标准差图，统计得到图像的特征；4）特征划分；5）分类器训练；6）分类器性能评估；7）分类器融合利用朴素贝叶斯分类器构造的方法，融合得到新的分类器。本发明对单个分类器性能要求不高，但分类器融合后的效果却可以非常好。

主权项

一种基于朴素贝叶斯分类器的假指纹检测方法，其特征在于：所述假指纹检测方法包括以下步骤：1)训练库划分：将训练库图像随机分成相等的两份，记为A、B；2)图像归一化：利用指纹图像归一化函数将图像尺寸统一成m像素×n像素，m，n的取值为4的倍数；3)特征提取：对图像进行噪声提取和处理，包括以下过程：3.1)对图像进行离散小波变换，得到一个低频部分和六个高频部分；3.2)对变换后的六个高频部分用双曲收缩法去噪；3.3)根据步骤3.2)得到的六个高频部分和之前的低频部分进行小波重构，得到去噪后的图像；3.4)将原图像与去噪后图像相减，得到噪声图；3.5)将噪声图划分成个小块，其中px为小块的宽度与原图像宽度的比值，py为小块的长度与原图像长度的比值，计算每一块的标准差，得到标准差图；3.6)计算标准差图中的最大值，记为S，把区间[0，S]分成k份，得到k个区间，将标准差图划分为个小块，其中qx为小块的宽度与原图像宽度的比值，qy为小块的长度与原图像长度的比值，统计每一小块中标准差值落入k个区间中的数目，得到k个值，以此作为该小块特征，综合每一块，即得到该图像特征；4)特征划分：将特征划分为4份，分别对应于图像的左上、右上、左下、右下四个部分；5)分类器训练：用SVM分别训练划分后的特征，得到分类器，对于A、B两个训练库共可得到8个分类器；6)分类器性能评估：6.1)对于A中的4个分类器，分别用B中对应位置得到的特征来进行测试，统计假指纹的判对率以及真指纹的判错率；6.2)同理，对于B中的4个分类器，分别用A中对应位置得到的特征来进行测试，统计假指纹的判对率以及真指纹的判错率；7)分类器融合：7.1)对于一张未知的指纹图像，认为其为假指纹的概率为先验概率，综合8个分类器的分类结果后，当判为假指纹的概率大于等于概率阈值T时，即认为这张指纹是假指纹；7.2)对于之前得到的8个分类器，分别记为f1、f2，f3，f4，f5，f6，f7，f8,记C为类别集合{0,1},其中0代表假指纹，1代表真指纹；7.3)对于这8个分类器，认为它们之间是相互独立的，因此，在已知8个分类器的结果，以及8个分类器的性能，再运用贝叶斯公式，记P1＝∏P(C＝0|fi(X))，P2＝∏P(C＝1|fi(X))，得到一张指纹图像为假指纹的概率P＝P1/(P1+P2)，当P大于T，判为0，否则为1，其中的P(C＝0|fi(X))均可由贝叶斯公式得到，因此得到融合后的分类器F；8)假指纹检测：对要检测的图像进行1)、2)、3)步的操作，然后将得到的特征向量用分类器F来进行分类。