【摘要】 本发明公开了一种新的指纹奇异点检测方法。它解决了目前奇异点提取方法严重依赖指纹方向场、不能有效处理低质量指纹图像、难以适于工程应用等问题，该方法分为前后两个阶段，前一阶段对现有的Poincare index庞加莱指数方法进行了有效的改进，并利用其提取指纹图像中的候选奇异点，后一阶段有效利用Gaussian-Hermite高斯-埃尔米特矩对候选奇异点进行去伪处理，该方法有效结合了奇异点周围邻域的纹线方向变化信息和奇异点周围局部区域的纹线一致性变化趋势信息，能准确可靠地提取指纹图像中的奇异点，具有抗噪性强、准确可靠性高、工程应用价值大等特点。。 【专利类型】发明授权 【申请人】山东大学 【申请人类型】学校 【申请人地址】250061 山东省济南市历下区经十路73号 【申请人地区】中国 【申请人城市】济南市 【申请人区县】历下区 【申请号】CN200810138119.X 【申请日】2008-07-01 【申请年份】2008 【公开公告号】CN101303729B 【公开公告日】2010-06-02 【公开公告年份】2010 【授权公告号】CN101303729B 【授权公告日】2010-06-02 【授权公告年份】2010.0 【IPC分类号】G06K9/00 【发明人】杨公平; 翁大伟; 尹义龙; 任春晓; 詹小四 【主权项内容】1.一种新的指纹奇异点检测方法，其特征是，它的方法为， (1)预备阶段：进行指纹图像的背景分离和方向场信息计算； (2)第一阶段：候选奇异点的提取，包括以下几个步骤： (a)对方向域O′中的每一个点(i，j)计算其相应的Poincare index庞加莱指数值PG，C(i，j)，计算时采用两条长度分别为5×5和7×7的封闭曲线来计算每个点的Poincare index庞加莱指数值，只要其中一条的计算结果符合奇异点条件，则认定该点为候选奇异点，若两条曲线检测出的奇异点类型不一致，则直接认定该点为伪点；计算每一个奇异点(i，j)的Poincare index庞加莱指数值时按如下的公式进行： δ(k)＝O′(ψx(i′)，ψy(i′))-O′(ψx(i)，ψy(i))， i′＝(i+1)modNψ， 其中ψx(i)和ψy(i)分别是以给定点为中心的具有Nψ个像素的封闭曲线上第k个点的x和y坐标；δ(k)表示两相邻方向角的差值，Δ(k)表示对差值调整以后的结果，i′表示第i个点之后的下一个点；本算法中采用了5×5和7×7的正方形封闭曲线，该公式的形成基于对原有PoincareIndex庞加莱指数方法的改进，用于计算某点对应封闭曲线上方向角变化的累积； 奇异点条件是指奇异点应满足的条件，该条件是对公式(1)的计算过程进行约束，具体是指，在沿封闭曲线做方向角变化的累加时附加以下限制条件： 统计这Nψ个方向的符号变化次数，若方向由正到负和由负到正各发生一次，且仅有一次，则继续计算其Poincare index庞加莱指数值，否则，认为该点是普通点； 统计这Nψ个差中 的差的个数，若个数多于一个则认为该点是普通点； 如果最终Poincare index庞加莱指数的值为1/2，那么该被检测点(i，j)就被确定为core核心点，如果Poincare index庞加莱指数值为-1/2，那么该被检测点(i，j)就被确定为delta二角点； (b)对上一步检测到的候选奇异点运用聚类算法按欧氏距离分别进行聚类，并统计各个聚类包含的奇异点的个数Nm，Nm＜N的聚类被删除；其中，N表示指纹模式区应该能够检测到的奇异点的个数，这个数目是稳定的，这里N取为25； (c)求取剩余的各个聚类的平均突变程度，并按奇异点类型、突变程度大小分别对这些聚类进行排序，选取前M个突变程度较大的聚类作为候选奇异点聚类，候选奇异点最终就定位在这些聚类的质心上；突变程度是指，封闭曲线上相邻两方向角作差过程中， 的那个差值，平均突变程度是指每一聚类内所有像素的突变程度的平均； (3)第二阶段：候选奇异点的去伪，包含以下几个步骤： 对每个候选奇异点，计算其周围半径为6τ的圆形邻域内每个像素的分布一致性coherence值，τ为平均纹线距离； 然后将该圆形区域划分为32个扇形和一个中心小圆形区域并计算各个部分的平均coherence值，圆形区域的半径和两个圆带的宽度均为2τ； 最后，比较16个方向每个方向上的三个区域的平均分布一致性coherence值的大小，中心圆形区域为16个方向公共的区域，若自里向外分布一致性coherence值越来越大，则标记该方向为有效方向；对某一候选奇异点而言，若有效方向数大于等于10，则提取该点为奇异点，否则，认为该点为伪点；若奇异点的某些方向出了指纹边界则将剩余的方向作为参考方向，在这些方向上计算有效方向；具体过程为： 分布一致性coherence值来表达纹线的一致性信息，而分布一致性coherence值的计算采用了Gaussian-Hermite高斯-埃尔米特矩；即用四个矩来描述指纹的纹线一致性信息：M0，1，M1，0，M0，3，M3，0；并对这四个不同阶的Gaussian-Hermite高斯-埃尔米特矩做如下定义： 这里λ是不同阶的Gaussian-Hermite高斯-埃尔米特矩的联合权重系数，其中0＜λ＜1，此处λ取值0.5；利用公式(2)，指纹图像中的每一个象素(i，j)都可以计算得到一个特征向量[Mu，Mv]T；在指纹奇异点区和非奇异点区[Mu，Mv]T的分布具有不同的特征，在非奇异点区[Mu，Mv]T沿着垂直于脊线的方向分布，在奇异点区[Mu，Mv]T则均匀地分布在各个方向上，采用主分量分析方法提取[Mu，Mv]T的分布特性，[Mu，Mv]T协方差矩阵CM由下式定义： 其中， mu表示窗口W内平均的Mu值，mv表示窗口W内平均的Mv值，n×n是窗口W的大小，本方法n取值为4τ+1，τ为平均纹线距离； 设λ1和λ2是协方差矩阵CM的两个特征值，则当λ1＞＞λ2时，[Mu，Mv]T的分布主要是沿着长轴方向分布，也即沿着垂直于脊线的方向分布，而在噪声区或者奇异点区λ1和λ2的值是很接近的，因此，定义[Mu，Mv]T的分布一致性coherence特征如下： 由此，纹线一致性越好，分布一致性coherence越大。 【当前权利人】山东大学 【当前专利权人地址】山东省济南市历下区经十路73号 【统一社会信用代码】12100000495570303U 【引证次数】6.0 【他引次数】6.0 【家族引证次数】6.0 【家族被引证次数】18
