CN107992800A - 一种基于svm和随机森林的指纹图像质量判断方法 - Google Patents
一种基于svm和随机森林的指纹图像质量判断方法 Download PDFInfo
- Publication number
- CN107992800A CN107992800A CN201711103387.3A CN201711103387A CN107992800A CN 107992800 A CN107992800 A CN 107992800A CN 201711103387 A CN201711103387 A CN 201711103387A CN 107992800 A CN107992800 A CN 107992800A
- Authority
- CN
- China
- Prior art keywords
- random forest
- sample
- svm
- feature
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
- G06V40/1376—Matching features related to ridge properties or fingerprint texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种基于SVM和随机森林的指纹图像质量判断方法，步骤包括：挑选质量相对较好的图像作为训练用正样本，挑选质量较差的图像作为训练用负样本；对训练用正样本和训练用负样本进行特征提取，将这些特征组成特征向量并进行归一化处理；将归一化后的特征向量输入到LIBSVM进行训练得到SVM模型；将归一化后的特征向量输入到随机森林模型进行训练得到随机森林模型；对待预测样本进行特征提取和特征向量归一化处理；将归一化的待预测样本的特征向量分别代入SVM模型和随机森林模型获得相应的质量分数；将SVM模型得到的质量分数与随机森林模型得到的质量分数求均值，并将其作为最终的预测结果。
Description
技术领域
本发明属于指纹领域，涉及一种基于SVM和随机森林的指纹图像质量判断方法。
背景技术
随着生物识别技术的发展，指纹识别技术因其唯一性、永久性和稳定性，已经广泛地应用于我们生活的各个方面，成为我们生活中不可或缺的一个组成部分。但是现有的指纹识别模块，由于平台限制，其识别速度与性能均有待提高。而在指纹图像注册、特征提取和比对时对指纹图像质量的判断水平是影响整个指纹识别模块水平的重要因素之一。可见，一种快速有效地判断指纹图像质量方法的提出，对提高整个指纹识别模块的速度和性能有很大的实际意义。
在这样一个大趋势下，亟需一种指纹图像质量判断方法，来快速剔除质量很差的图像，提高整个模块的识别速度和性能。一个较好的指纹识别模块应要求用户多次录入指纹，对于质量很差的指纹图像不予注册，仅注册质量较好的指纹图像。特征提取时，仅对那些质量较好的指纹图像提取特征，以有效地降低拒真率和提高识别速度。在比对时，对于质量差的指纹图像，不参与比对和生成模板，这样可以有效地降低认假率和提高识别速度。
对现有的基于主成分分析(PCA)的指纹图像质量判断方案描述如下：
1)对输入的指纹图像分块，得到多个图像块；
2)对每个图像块中的每个像素点，获取其邻域像素信息，组成块样本矩阵；
3)采用主成分分析方法(PCA)获取每个块样本矩阵的投影矩阵和特征值向量；
4)从投影矩阵和特征值向量中计算用于图像块质量判断的特征：圆分布特征和主方向特征值残差特征；
5)将圆分布特征和主方向特征值残差特征相乘，得到图像块的局部块质量；
6)基于图像块的局部块质量，结合图像块Harris强度，得到输入指纹图像的全局质量。
综上所述，该方案需分块判断指纹图像的质量，耗时较大，不适合那些对速度要求高的应用领域。此外，该方案的质量判断准确率也有待提高，降低了整个指纹识别模块的性能。因此，亟需提出一种新的指纹图像质量判断方法。
现有专利申请CN104268529A公开了一种指纹图像质量的判断方法和装置，所述判断方法包括步骤：获取指纹图像样本；利用SVM分类器根据所述指纹图像样本进行学习，获得最优分类面；获取待判断的指纹图像，并计算所述指纹图像的HOG特征；根据所述HOG特征和最优分类面判断所述指纹图像的质量。该申请采用了单一的机器学习方法并结合了单一的指纹特征，鲁棒性不够高，而且判断准确率也有待提高。
发明内容
本发明提供了一种极大地提高整个指纹识别模块的性能和速度，判断结果更具鲁棒性、准确率更高的基于SVM和随机森林的指纹图像质量判断方法。
本发明采用的技术方案是：
一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：包括样本训练和样本预测，样本训练步骤包括：
挑选质量相对较好的图像作为训练用正样本，挑选质量较差的图像作为训练用负样本；
对训练用正样本和训练用负样本进行方差、脊谷对比度、方向一致性、Gabor特征值、HOG特征和LBP特征的提取，将这些特征组成特征向量并进行归一化处理；
将归一化后的特征向量输入到LIBSVM进行训练得到SVM模型；
将归一化后的特征向量输入到随机森林模型进行训练得到随机森林模型；
样本预测步骤包括：
对待预测样本进行特征提取和特征向量归一化处理；
将归一化的待预测样本的特征向量分别代入SVM模型和随机森林模型获得相应的质量分数；
将SVM模型得到的质量分数与随机森林模型得到的质量分数求均值，并将其作为最终的预测结果。
进一步，训练用正样本为不同传感器的不同手指采集的相对质量较好的图像。
进一步，训练用负样本为不同传感器采集的无手指图像和质量很差的有手指图像。
进一步，样本预测步骤中提取的特征与样本训练步骤中提取的特征是一致的。
进一步，样本预测步骤中归一化处理方法与样本训练步骤中归一化处理方法是一致的。
进一步，样本预测步骤和样本训练步骤中特征提取方法如下：
a)先计算整幅指纹图像的均值，将每个像素点的灰度值与均值的差值的平方累加起来，再除以像素点的个数，得到该图像的方差；
b)先计算整幅图像的均值，然后统计整幅图像中大于均值的像素点个数和小于均值的像素点个数，最后将二者相除，得到脊谷对比对；
c)首先计算整幅图像所有像素点的梯度向量协方差矩阵，然后计算该协方差矩阵的特征值a1和a2，根据计算得到的特征值a1和a2，方向一致性(coh)可表示为：
coh＝((a1-a2)*(a1-a2))/((a1+a2)*(a1+a2))；
d)Gabor特征值的提取方法为将图像与不同尺度和方向的模板卷积得到多个Gabor特征值，继续计算上述Gabor特征值的标准差，该标准差即为组成特征向量所需要的特征；
e)HOG特征的提取方法为计算每个像素点处的梯度幅值和方向，并将同方向像素点的梯度幅值累加起来；找出最大梯度幅值对应的方向和其反方向，并将这两个方向对应的梯度幅值作为最终提取的特征。
f)将图像中每个像素与周围的8个像素进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样3*3邻域内的8个点经比较可产生8位二进制数，即得到窗口中心像素点的十进制LBP值；统计每个十进制LBP值出现的频率，生成直方图并进行归一化，该归一化后的直方图即为所需提取的LBP特征。
进一步，SVM模型包括训练所采用的核函数、惩罚系数、支持向量机的个数、支持向量和判别函数的偏置项。
进一步，随机森林模型包括组成随机森林的决策树的个数、决策树的节点分裂属性和节点决策函数，其输出的结果是通过多数投票对比分析完成。
本发明的有益效果：
1)对整幅指纹图像进行质量判断，而不是分块进行判断，大大提高了指纹图像质量判断的速度，从而提高了整个指纹识别模块的识别速度。
2)相较于利用单一的机器学习方法进行质量判断，本发明采用两种机器学习方法相结合的方式进行判断，判断准确率大大提高，不仅降低了整个指纹识别模块的拒真率也降低了认假率。
3)本发明所采用的技术判断速度快且对空间功耗要求低，特别适合应用于那些对速度要求高且条件受限的场合。
附图说明
图1是本发明的样本训练流程图。
图2是本发明的样本预测流程图。
图3是本发明的不同质量的指纹图像的质量判断结果示意图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
对本发明涉及的技术术语进行相应解释，包括：
SVM(支持向量机)：原创性的具有明显直观几何意义的分类算法，具有较高的准确率。其思想直观，但细节异常复杂，内容涉及凸分析算法，核函数和神经网络等高深的领域。SVM是让应用数学真正得到应用的一种算法。
随机森林(Random Forest)：它由很多决策树分类器组合而成，单个决策树分类器用随机方法构成，因而被称为“随机森林”。其对错误和离群点更加具有鲁棒性，在大数据情况下速度快，性能好。
主成分分析(PCA)：通过对原始变量进行线性组合，得到优化的指标。把原先多个指标的计算降维为少量几个经过优化指标的计算。其基本思想为：设法将原先众多具有一定相关性的指标，重新组合为一组新的相互独立的综合指标，并代替原先的指标。该方法也是机器学习方法的一种。
Harris：一种关键点检测算法，是图像检测识别中非常重要的一个算法，对物体姿势变化鲁棒性好，对旋转不敏感，可以很好地检测出物体的角点。
Gabor：在图像处理领域，Gabor滤波器是一个用于边缘检测的线性滤波器。Gabor滤波器的频率和方向表示接近人类视觉系统对于频率和方向的表示，因此常用于纹理表示和描述。在空域，一个2维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。实际应用中Gabor滤波器可以在频域的不同尺度和不同方向上提取相关特征。
HOG：即方向梯度直方图特征，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
LBP：是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等特点，是图像特征提取经常会用到的算子。
拒真率(FRR):同一手指采集的不同图像被识别为不同手指的概率。
认假率(FAR):不同手指采集的不同图像被识别为同一手指的概率。
基于SVM的机器学习技术：首先选取样本，将质量较好的指纹图像作为正样本，质量较差的指纹图像作为负样本。其次，对每个样本提取特征，生成特征向量，并将其进行归一化。利用LIBSVM(LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包)对归一化后的特征向量进行训练，得到训练模型。这个模型包括训练所采用的核函数、惩罚系数、支持向量机的个数、支持向量和判别函数的偏置项等。
基于随机森林的机器学习技术:该技术的样本选取、特征生成和归一化同基于SVM的机器学习技术。将归一化后的特征向量放入随机森林工具箱进行训练，得到训练模型。该训练模型包括组成随机森林的决策树的个数、决策树的节点分裂属性和节点决策函数等。随机森林的输出结果是通过多数投票对比分析完成，即把目标样本通过n个决策树进行分类决策，把所有决策树的输出结果进行汇总，通过比较投票数量得出随机森林的总体输出结果。
参见图1和图2，本发明所提出的一种基于SVM和随机森林的指纹图像质量判断方法可以分为样本训练和样本预测两大部分。
一种基于SVM和随机森林的指纹图像质量判断方法描述如下：
1)挑选正负样本：挑选不同传感器的不同手指采集的相对质量较好的图像作为训练用正样本，挑选不同传感器采集的无手指图像和质量很差的有手指图像作为训练用负样本。这里正负样本的挑选应具有代表性，尽量覆盖更多的情况，否则容易导致过拟合和模型泛化能力差等问题。
2)样本特征提取与归一化：首先对每幅图像分别计算其方差、脊谷对比对、方向一致性、Gabor特征值、HOG特征和LBP特征，然后将这些特征组成特征向量并进行归一化。
以上所有特征的提取方法进行具体介绍如下：
a)方差：先计算整幅指纹图像的均值，将每个像素点的灰度值与均值的差值的平方累加起来，再除以像素点的个数，即为该图像的方差。
b)脊谷对比度：先计算整幅图像的均值，然后统计整幅图像中大于均值的像素点个数和小于均值的像素点个数，最后将二者相除即为脊谷对比对。
c)方向一致性：首先计算整幅图像所有像素点的梯度向量协方差矩阵，然后计算该协方差矩阵的特征值a1和a2。根据计算得到的特征值a1和a2，方向一致性(coh)可表示为：
coh＝((a1-a2)*(a1-a2))/((a1+a2)*(a1+a2))。
d)Gabor特征值：该特征的提取方法为将图像与不同尺度和方向的模板卷积得到多个Gabor特征值，继续计算上述Gabor特征值的标准差，该标准差即为组成特征向量所需要的特征。
e)HOG特征：计算每个像素点处的梯度幅值和方向，并将同方向像素点的梯度幅值累加起来；找出最大梯度幅值对应的方向和其反方向，并将这两个方向对应的梯度幅值作为最终提取的特征。
f)LBP特征：将图像中每个像素与周围的8个像素进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样3*3邻域内的8个点经比较可产生8位二进制数，即得到窗口中心像素点的十进制LBP值。统计每个十进制LBP值出现的频率，生成直方图并进行归一化。该归一化后的直方图即为所需提取的LBP特征。
3)SVM训练：将归一化后的正负样本特征向量输入LIBSVM，调整参数，将准确率最高时的训练模型作为最优模型。这个模型包括训练所采用的核函数、惩罚系数、支持向量机的个数、支持向量和判别函数的偏置项等。SVM模型具体描述如下：
SVM类型:本发明采用的SVM类型为C-支持向量分类机，参数C为惩罚系数，C越大对错误分类的惩罚越大，适当的参数C对提高分类的准确率至关重要，一般默认取1。在实际的训练过程中会不断调整C的大小，并选择使训练样本取得最高准确率的C，一般其取值大于1。
核函数：本发明采用的核函数为RBF核函数，其表达式为:
K(u,v)＝exp(-gamma*||u-v||*||u-v||)。
gamma为RBF核函数的参数,其对模型分类的准确率有较大影响，默认值为特征维度的倒数。在实际的训练过程中会不断调整gamma的大小，并选择使训练样本取得最高准确率的gamma,一般其值大于特征维度的倒数。通过RBF核函数，将样本投射到高维空间，将线性不可分的情形变为线性可分，大大提高了分类的准确率。
支持向量的个数nsv：一般支持向量的个数不宜过大，最好不要超过10000，否则会导致预测时间过长，难以实际应用。
支持向量sv：支持向量的维度等于特征维度，每一类都有相应的支持向量。如2分类将支持向量分成2个部分，3分类将支持向量分成3个部分，以此类推。
判别函数偏置项b：该偏置项的引入，有利于得到最优分离平面。
4)随机森林训练：将归一化后的正负样本特征向量输入随机森林工具箱，调整参数，得到最优的训练模型。该训练模型包括组成随机森林的决策树的个数、决策树的节点分裂属性和节点决策函数等。随机森林的输出结果是通过多数投票对比分析完成，即把目标样本通过n个决策树进行分类决策，把所有决策树的输出结果进行汇总，通过比较投票数量得出随机森林的总体输出结果。随机森林模型具体描述如下：
决策树的个数:该参数记录随机森林是由多少棵决策树组成。
决策树的节点数:该参数记录每棵决策树由多少节点组成。
节点分裂属性：该参数记录每个节点的分裂属性，本发明通过信息增益最大的原则来选择最佳分裂属性。
节点决策函数：该决策函数的最佳分离阈值也是根据信息增益来选择的，其计算公式如下：
Gain(A)＝Info(D)-InfoA(D)
其中Gain(A)为信息增益，它记录了信息熵的变化。
投票结果：统计每棵决策树的投票结果，拥有票数最多的类即为最终的分类结果。
5)待预测样本特征提取与归一化：首先提取待预测指纹图像的特征，然后将提取的特征组成特征向量并进行归一化。这里提取的特征必须与训练时提取的特征一致，且归一化方法也应与训练时采用的归一化方法一致。
6)SVM预测：将归一化后的特征向量代入SVM模型，得到质量分数。为了应用于指纹识别模块，该预测函数是C语言实现的。
7)随机森林预测：将归一化后的特征向量代入随机森林模型，得到质量分数。同SVM预测，该预测函数也是C语言实现的。
8)最终预测结果：将SVM模型得到的质量分数与随机森林模型得到的质量分数求均值，并将其作为最终的预测结果。
本实施例对不同传感器采集的不同质量的指纹图像的质量判断结果示例如图3所示，由图像质量判断示例可知，本发明对不同传感器采集的无手指图像和有手指图像均能得到较合理的分数。
本发明从不同角度用不同的特征提取方法提取训练和预测所用特征如Gabor特征值、HOG特征和LBP特征，使得提取的特征向量更具有区分性，可以得到更优的训练模型；对整幅指纹图像提取特征，而不是分块提取特征，在不降低判断准确率的同时，可提高判断速度；不再采用单一的机器学习方法进行判断，而是将两种机器学习方法结合起来，判断结果更具有鲁棒性，准确率更高。
本发明的应用场合：
1)指纹注册：对于无手指图像和质量很差的图像，在注册阶段不予注册，这样可提高整个指纹识别模块的性能。
2)指纹特征提取：在特征提取阶段，可通过质量判断挑选出那些质量很差的图像，对这部分图像不提取特征，有利于降低拒真率和提高识别速度。
3)比对：对于那些质量很差的图像提取的特征，将不进行比对和生成模板，以降低认假率和提高识别速度。
综上所述，本发明所提出的一种基于SVM和随机森林的指纹图像质量判断方法适合应用于指纹识别模块中，特别适合应用于那些对速度要求高且条件受限的场合。因此适合应用指纹识别模块进行识别的场合，本发明所提出的技术都适用，可见本发明有很广阔的应用前景。
Claims (8)
1.一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：包括样本训练和样本预测，样本训练步骤包括：
挑选质量相对较好的图像作为训练用正样本，挑选质量较差的图像作为训练用负样本；
对训练用正样本和训练用负样本进行方差、脊谷对比度、方向一致性、Gabor特征值、HOG特征和LBP特征的提取，将这些特征组成特征向量并进行归一化处理；
将归一化后的特征向量输入到LIBSVM进行训练得到SVM模型；
将归一化后的特征向量输入到随机森林模型进行训练得到随机森林模型；
样本预测步骤包括：
对待预测样本进行特征提取和特征向量归一化处理；
将归一化的待预测样本的特征向量分别代入SVM模型和随机森林模型获得相应的质量分数；
将SVM模型得到的质量分数与随机森林模型得到的质量分数求均值，并将其作为最终的预测结果。
2.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：训练用正样本为不同传感器的不同手指采集的相对质量较好的图像。
3.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：训练用负样本为不同传感器采集的无手指图像和质量很差的有手指图像。
4.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤中提取的特征与样本训练步骤中提取的特征是一致的。
5.根据权利要求1所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤中归一化处理方法与样本训练步骤中归一化处理方法是一致的。
6.根据权利要求1～5之一所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：样本预测步骤和样本训练步骤中特征提取方法如下：
a)先计算整幅指纹图像的均值，将每个像素点的灰度值与均值的差值的平方累加起来，再除以像素点的个数，得到该图像的方差；
b)先计算整幅图像的均值，然后统计整幅图像中大于均值的像素点个数和小于均值的像素点个数，最后将二者相除，得到脊谷对比对；
c)首先计算整幅图像所有像素点的梯度向量协方差矩阵，然后计算该协方差矩阵的特征值a1和a2，根据计算得到的特征值a1和a2，方向一致性(coh)可表示为：
coh＝((a1-a2)*(a1-a2))/((a1+a2)*(a1+a2))；
d)Gabor特征值的提取方法为将图像与不同尺度和方向的模板卷积得到多个Gabor特征值，继续计算上述Gabor特征值的标准差，该标准差即为组成特征向量所需要的特征；
e)HOG特征的提取方法为计算每个像素点处的梯度幅值和方向，并将同方向像素点的梯度幅值累加起来；找出最大梯度幅值对应的方向和其反方向，并将这两个方向对应的梯度幅值作为最终提取的特征。
f)将图像中每个像素与周围的8个像素进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样3*3邻域内的8个点经比较可产生8位二进制数，即得到窗口中心像素点的十进制LBP值；统计每个十进制LBP值出现的频率，生成直方图并进行归一化，该归一化后的直方图即为所需提取的LBP特征。
7.根据权利要求6所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：SVM模型包括训练所采用的核函数、惩罚系数、支持向量机的个数、支持向量和判别函数的偏置项。
8.根据权利要求6所述的一种基于SVM和随机森林的指纹图像质量判断方法，其特征在于：随机森林模型包括组成随机森林的决策树的个数、决策树的节点分裂属性和节点决策函数，其输出的结果是通过多数投票对比分析完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711103387.3A CN107992800A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm和随机森林的指纹图像质量判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711103387.3A CN107992800A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm和随机森林的指纹图像质量判断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992800A true CN107992800A (zh) | 2018-05-04 |
Family
ID=62030137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711103387.3A Pending CN107992800A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm和随机森林的指纹图像质量判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992800A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166091A (zh) * | 2018-06-29 | 2019-01-08 | 中国移动通信集团江苏有限公司 | 检测方法、装置、设备和介质 |
| CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
| CN110318327A (zh) * | 2019-06-10 | 2019-10-11 | 长安大学 | 一种基于随机森林的路面平整度预测方法 |
| CN110472518A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于全卷积网络的指纹图像质量判断方法 |
| CN111027629A (zh) * | 2019-12-13 | 2020-04-17 | 国网山东省电力公司莱芜供电公司 | 基于改进随机森林的配电网故障停电率预测方法及系统 |
| CN111127448A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 一种基于孤立森林检测空气弹簧故障的模型及方法 |
| CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
| CN112287948A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
| CN112926689A (zh) * | 2021-03-31 | 2021-06-08 | 珠海格力电器股份有限公司 | 目标的定位方法、装置、电子设备及存储介质 |
| CN113361497A (zh) * | 2021-08-09 | 2021-09-07 | 北京惠朗时代科技有限公司 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
| CN114864029A (zh) * | 2022-05-26 | 2022-08-05 | 广西医科大学第一附属医院 | 一种医院DRGs分组判断方法及工作系统 |
| CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050063562A1 (en) * | 2003-08-07 | 2005-03-24 | Brunk Hugh L. | Conveying fingerprint minutiae with digital watermarks |
| EP1603077A1 (en) * | 2003-03-07 | 2005-12-07 | Nippon Telegraph and Telephone Corporation | Biological image correlation device and correlation method thereof |
| US20060120575A1 (en) * | 2004-12-04 | 2006-06-08 | Ahn Do S | Method and apparatus for classifying fingerprint image quality, and fingerprint image recognition system using the same |
| CN101303728A (zh) * | 2008-07-01 | 2008-11-12 | 山东大学 | 面向图像质量的指纹识别方法 |
| CN103324944A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 一种基于svm和稀疏表示的假指纹检测方法 |
| CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
| CN104581143A (zh) * | 2015-01-14 | 2015-04-29 | 宁波大学 | 一种基于机器学习的无参考立体图像质量客观评价方法 |
| CN105335707A (zh) * | 2015-10-19 | 2016-02-17 | 广东欧珀移动通信有限公司 | 一种待识别指纹图像的获取方法、装置及移动终端 |
| CN106021410A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院软件研究所 | 一种基于机器学习的源代码注释质量评估方法 |
| CN106709916A (zh) * | 2017-01-19 | 2017-05-24 | 泰康保险集团股份有限公司 | 图像质量评估方法及装置 |
| CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
-
2017
- 2017-11-10 CN CN201711103387.3A patent/CN107992800A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1603077A1 (en) * | 2003-03-07 | 2005-12-07 | Nippon Telegraph and Telephone Corporation | Biological image correlation device and correlation method thereof |
| US20050063562A1 (en) * | 2003-08-07 | 2005-03-24 | Brunk Hugh L. | Conveying fingerprint minutiae with digital watermarks |
| US20060120575A1 (en) * | 2004-12-04 | 2006-06-08 | Ahn Do S | Method and apparatus for classifying fingerprint image quality, and fingerprint image recognition system using the same |
| CN101303728A (zh) * | 2008-07-01 | 2008-11-12 | 山东大学 | 面向图像质量的指纹识别方法 |
| CN103324944A (zh) * | 2013-06-26 | 2013-09-25 | 电子科技大学 | 一种基于svm和稀疏表示的假指纹检测方法 |
| CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
| CN104581143A (zh) * | 2015-01-14 | 2015-04-29 | 宁波大学 | 一种基于机器学习的无参考立体图像质量客观评价方法 |
| CN105335707A (zh) * | 2015-10-19 | 2016-02-17 | 广东欧珀移动通信有限公司 | 一种待识别指纹图像的获取方法、装置及移动终端 |
| CN106021410A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院软件研究所 | 一种基于机器学习的源代码注释质量评估方法 |
| CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
| CN106709916A (zh) * | 2017-01-19 | 2017-05-24 | 泰康保险集团股份有限公司 | 图像质量评估方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| FERNANDO ALONSO-FERNANDEZ ETAL: "A Comparative Study of Fingerprint Image-Quality Estimation Methods", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
| PEIJUN DU ETAL: "Hyperspectral remote sensing image classification based on the integration of support vector machine and random forest", 《2012 IEEE INTERNATIONAL GEOSCIENCE AND 《REMOTE SENSING SYMPOSIUM》 * |
| 张宇: ""指纹图像质量评价方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 林海祥: "基于统计学习的无参考人脸图像质量评价", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166091B (zh) * | 2018-06-29 | 2020-11-06 | 中国移动通信集团江苏有限公司 | 检测方法、装置、设备和介质 |
| CN109166091A (zh) * | 2018-06-29 | 2019-01-08 | 中国移动通信集团江苏有限公司 | 检测方法、装置、设备和介质 |
| CN109376628A (zh) * | 2018-10-10 | 2019-02-22 | 杭州登虹科技有限公司 | 一种图像质量检测方法、装置和存储介质 |
| CN110318327A (zh) * | 2019-06-10 | 2019-10-11 | 长安大学 | 一种基于随机森林的路面平整度预测方法 |
| CN110472518A (zh) * | 2019-07-24 | 2019-11-19 | 杭州晟元数据安全技术股份有限公司 | 一种基于全卷积网络的指纹图像质量判断方法 |
| CN110472518B (zh) * | 2019-07-24 | 2022-05-17 | 杭州晟元数据安全技术股份有限公司 | 一种基于全卷积网络的指纹图像质量判断方法 |
| CN111027629A (zh) * | 2019-12-13 | 2020-04-17 | 国网山东省电力公司莱芜供电公司 | 基于改进随机森林的配电网故障停电率预测方法及系统 |
| CN111027629B (zh) * | 2019-12-13 | 2024-02-27 | 国网山东省电力公司莱芜供电公司 | 基于改进随机森林的配电网故障停电率预测方法及系统 |
| CN111127448A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 一种基于孤立森林检测空气弹簧故障的模型及方法 |
| CN111127448B (zh) * | 2019-12-26 | 2022-05-10 | 西南交通大学 | 一种基于孤立森林检测空气弹簧故障的方法 |
| CN112115917A (zh) * | 2020-09-29 | 2020-12-22 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
| CN112115917B (zh) * | 2020-09-29 | 2024-05-28 | 深圳市汇顶科技股份有限公司 | 指纹识别方法、指纹识别装置、电子设备及存储介质 |
| CN112287948A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
| CN112287948B (zh) * | 2020-10-30 | 2024-05-03 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
| CN112926689A (zh) * | 2021-03-31 | 2021-06-08 | 珠海格力电器股份有限公司 | 目标的定位方法、装置、电子设备及存储介质 |
| CN113361497A (zh) * | 2021-08-09 | 2021-09-07 | 北京惠朗时代科技有限公司 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
| CN113361497B (zh) * | 2021-08-09 | 2021-12-07 | 北京惠朗时代科技有限公司 | 基于训练样本指纹识别智能尾箱应用方法及设备 |
| CN114864029A (zh) * | 2022-05-26 | 2022-08-05 | 广西医科大学第一附属医院 | 一种医院DRGs分组判断方法及工作系统 |
| CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
| CN115342900B (zh) * | 2022-08-15 | 2024-04-30 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992800A (zh) | 一种基于svm和随机森林的指纹图像质量判断方法 | |
| CN106803247B (zh) | 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法 | |
| Kim et al. | Texture-based approach for text detection in images using support vector machines and continuously adaptive mean shift algorithm | |
| Lu et al. | Dense and sparse reconstruction error based saliency descriptor | |
| Li et al. | Saliency detection via dense and sparse reconstruction | |
| Mansanet et al. | Local deep neural networks for gender recognition | |
| Deng et al. | Saliency detection via a multiple self-weighted graph-based manifold ranking | |
| CN104778457B (zh) | 基于多示例学习的视频人脸识别方法 | |
| Tsai et al. | Image co-saliency detection and co-segmentation via progressive joint optimization | |
| Wang et al. | Background-driven salient object detection | |
| Esmaeili et al. | Fast-at: Fast automatic thumbnail generation using deep neural networks | |
| Huo et al. | Fast object-level change detection for VHR images | |
| CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
| US8027978B2 (en) | Image search method, apparatus, and program | |
| CN118115819B (zh) | 一种基于深度学习的图表图像数据识别方法及系统 | |
| CN110008844A (zh) | 一种融合slic算法的kcf长期手势跟踪方法 | |
| Zhang et al. | Saliency detection via extreme learning machine | |
| Bai et al. | Principal pixel analysis and SVM for automatic image segmentation | |
| Inkeaw et al. | Recognition-based character segmentation for multi-level writing style | |
| CN111815582A (zh) | 改进背景先验和前景先验的二维码区域检测方法 | |
| Juang et al. | Stereo-camera-based object detection using fuzzy color histograms and a fuzzy classifier with depth and shape estimations | |
| Houtinezhad et al. | Writer-independent signature verification based on feature extraction fusion | |
| Xia et al. | Fast template matching based on deformable best-buddies similarity measure | |
| CN106846377A (zh) | 一种基于颜色属性和主动特征提取的目标跟踪算法 | |
| Elsayed et al. | Hand gesture recognition based on dimensionality reduction of histogram of oriented gradients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |