【摘要】 本发明公开了一种基于协同训练的快速指纹图像分割方法，适于快速指纹图像分割，方法为：(1)对指纹图像有类别标记的指纹像素集FL和无类别标记的指纹像素集FU，提取各像素点特征(c，m，v)，随机抽取样本，建立空间分布模型；其中c，m，v分别表示像素点的方向一致性coherence、灰度均值mean、灰度方差variance三个特征；(2)针空间分布模型，用标记盒学习器LabelBox与支持向量机学习器SVM作为底层学习器，分别对无类别指纹像素集FU进行分类决策，并从所获得的结果集中分别选择置信度最高的样本集，加入对方的有类别标记指纹像素集FL中；(3)令步骤(2)循环k次，构建统一模型Fco(X)，用于指纹图像分割；其中Fco(X)是学习器LabelBox和学习器SVM集成的结果，k为参数，取值为1~10。 【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】CN200810138118.5 【申请日】2008-07-01 【申请年份】2008 【公开公告号】CN101299238B 【公开公告日】2010-08-25 【公开公告年份】2010 【授权公告号】CN101299238B 【授权公告日】2010-08-25 【授权公告年份】2010.0 【IPC分类号】G06K9/00 【发明人】任春晓; 尹义龙; 周广通; 郭文鹃; 杨公平 【主权项内容】一种基于协同训练的快速指纹图像分割方法，它的步骤为：(1)对于指纹图像的有类别标记的指纹像素集FL和无类别标记的指纹像素集FU，提取每个像素点特征(c，m，v)，通过随机抽取样本，建立空间分布模型；其中c，m，v分别表示像素点的方向一致性、灰度均值、灰度方差三个特征；(2)针对步骤(1)建立的空间分布模型，采用标记盒学习器LabelBox与支持向量机学习器SVM作为底层学习器，分别对无类别标记的指纹像素集FU进行分类决策，并从采用标记盒学习器LabelBox所获得的结果集中选择置信度最高的样本集，加入支持向量机学习器SVM的有类别标记的指纹像素集FL中；从采用支持向量机学习器SVM所获得的结果集中选择置信度最高的样本集，加入标记盒学习器LabelBox的有类别标记的指纹像素集FL中；(3)令步骤(2)循环k次，构建统一模型Fco(X)，用于指纹图像分割；其中Fco(X)是学习器LabelBox和学习器SVM集成的结果，k为参数，取值为1~10。 【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 【家族被引证次数】11
