用于指紋圖像質(zhì)量評(píng)價(jià)的新特征集

袁寶璽，蘇 菲，趙志誠(chéng)，蔡安妮

（1.北京郵電大學(xué)信息與通信工程學(xué)院，北京100876；2.中國(guó)人民解放軍95949部隊(duì)，河北滄州061736；3.北京郵電大學(xué)網(wǎng)絡(luò)系統(tǒng)與網(wǎng)絡(luò)文化北京市重點(diǎn)實(shí)驗(yàn)室，北京100876）

0 引 言

由于指紋具有唯一性和不變性等優(yōu)良特性，自動(dòng)指紋識(shí)別系統(tǒng)（Automated fingerprint identi-fication system，AFIS）在身份鑒別領(lǐng)域得到了廣泛的應(yīng)用。在AFIS中，低質(zhì)量指紋圖像的識(shí)別準(zhǔn)確性會(huì)顯著降低。如果在建庫(kù)階段，通過(guò)質(zhì)量評(píng)價(jià)拒絕質(zhì)量較低的指紋圖像錄入數(shù)據(jù)庫(kù)；在檢索階段，通過(guò)質(zhì)量評(píng)價(jià)對(duì)低質(zhì)量探查指紋施以較復(fù)雜和有針對(duì)性的識(shí)別算法，可以明顯提高AFIS的性能。因此，研究指紋圖像質(zhì)量評(píng)價(jià)方法是十分必要的。

大部分指紋圖像質(zhì)量評(píng)價(jià)算法分為兩個(gè)步驟［1－7］：首先提取一些全局或者局部特征，然后綜合這些特征進(jìn)行質(zhì)量判斷。常用特征可以分為如下兩類(lèi)：①局部特征：反映圖像灰度和對(duì)比度的特征，如灰度均值［4］、灰度方差［4］等；反映紋線方向特性的特征，如方向?qū)Ρ榷龋?］、Gabor特征［3］、方向一致性［5］等；反映紋線頻率特性的特征，如頻率一致性［2］、Gabor特征［3］、傅立葉頻率特性［3］等。②全局特征：反映指紋圖像完整程度的特征，如有無(wú)奇異點(diǎn)［3］、有效區(qū)域大小［3－5］、細(xì)節(jié)點(diǎn)數(shù)量［3］、指紋前景有效區(qū)域中心的偏移程度［3］等；反映紋線完整程度的特征，如干濕度特征［3］、頻域的能量集中程度［4－5］等。

由于指紋圖像的質(zhì)量是各種因素綜合作用的結(jié)果，所以在進(jìn)行質(zhì)量判定時(shí)需要綜合多種特征?；诙嗵卣魅诤系脑u(píng)價(jià)方法主要包括基于機(jī)器學(xué)習(xí)的質(zhì)量分類(lèi)方法［1，4－7］和基于線性加權(quán)融合的質(zhì)量評(píng)價(jià)方法［2－3］兩類(lèi)。

特征是否能夠很好地描述圖像質(zhì)量，以及應(yīng)該選擇哪些特征，對(duì)質(zhì)量評(píng)價(jià)算法是至關(guān)重要的，但是現(xiàn)有文獻(xiàn)都沒(méi)有給出相關(guān)依據(jù)，一般只靠主觀經(jīng)驗(yàn)來(lái)決定。

本文首先依據(jù)視覺(jué)注意機(jī)制將特征進(jìn)行歸類(lèi)，從每個(gè)類(lèi)中選取特征構(gòu)成特征集，使特征集全面涵蓋了人對(duì)圖像進(jìn)行評(píng)價(jià)的過(guò)程；然后提出了一種基于Otsu算法的對(duì)比度特征，該特征符合ANSI對(duì)比度測(cè)量標(biāo)準(zhǔn)，能夠準(zhǔn)確地描述圖像的灰度對(duì)比度特性；再次針對(duì)細(xì)節(jié)點(diǎn)對(duì)識(shí)別性能有關(guān)鍵影響這一特點(diǎn)，提出了一種基于極坐標(biāo)中心敏感特性的細(xì)節(jié)點(diǎn)可靠性評(píng)價(jià)方法，來(lái)提取可靠細(xì)節(jié)點(diǎn)數(shù)量特征。最終，選取了5個(gè)特征，利用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器和SVM分類(lèi)器對(duì)指紋圖像進(jìn)行質(zhì)量分類(lèi)，獲得了很高的分類(lèi)準(zhǔn)確率。

1 質(zhì)量評(píng)價(jià)特征的選擇

1.1 基于視覺(jué)注意機(jī)制的特征歸類(lèi)

視覺(jué)注意機(jī)制［8］是人類(lèi)視覺(jué)系統(tǒng)（Human visual system，HVS）感知模型的一部分。根據(jù)特征融合理論，注意過(guò)程分為預(yù)注意期和注意期兩個(gè)階段。在預(yù)注意期，彼此獨(dú)立的早期特征被抽取出來(lái)，但未被感知；在注意期，隨著注意焦點(diǎn)的選擇和轉(zhuǎn)移，整個(gè)場(chǎng)景被逐漸感知。注意焦點(diǎn)的選擇不由場(chǎng)景區(qū)域的自身特征所決定，而取決于它與周?chē)h(huán)境比較產(chǎn)生的相對(duì)特征，這種特性稱(chēng)為視覺(jué)顯著性。

根據(jù)上述認(rèn)識(shí)，本文將指紋專(zhuān)家在審視一枚指紋圖像時(shí)其注意焦點(diǎn)的轉(zhuǎn)移與感知過(guò)程總結(jié)如下：由于指紋圖像是靜止的灰度圖像，沒(méi)有顏色和運(yùn)動(dòng)特征可供分辨，所以首先感知的是圖像的整體完整程度，繼而是各部分的灰度分布情況。由于HVS對(duì)信號(hào)的響應(yīng)不取決于信號(hào)的絕對(duì)亮度，而取決于信號(hào)相對(duì)于背景的相對(duì)亮度［9］，因此對(duì)比度是比灰度更重要的特征。緊接著引起視覺(jué)注意的是全局結(jié)構(gòu)上的視覺(jué)顯著性，這主要涉及對(duì)紋理特性（即紋理的一致性或者突變性）的分析。最后，注意焦點(diǎn)集中在局部結(jié)構(gòu)上的視覺(jué)顯著區(qū)，即細(xì)節(jié)點(diǎn)（紋線結(jié)構(gòu)的突變處）。

1.2 指紋圖像的完整性

已有的描述指紋圖像整體完整性的特征主要有：有無(wú)奇異點(diǎn)［3］、指紋前景有效區(qū)域中心的偏移程度［3］、有效區(qū)域大?。?－5］和細(xì)節(jié)點(diǎn)的數(shù)量［3］等。

一般情況下，能夠提取出奇異點(diǎn)、前景有效區(qū)域中心的偏移程度小或有效區(qū)域大的圖像，說(shuō)明整枚指紋采集得比較完整。在入庫(kù)階段，指紋圖像越完整，提供給探查指紋的信息越多。不過(guò)建庫(kù)階段的采集條件一般較好，可以假設(shè)庫(kù)指紋圖像的質(zhì)量是良好的，本文主要關(guān)注的是檢索階段探查指紋的圖像質(zhì)量。探查指紋只要有足夠大的面積和清晰的紋線結(jié)構(gòu)，就可以用于檢索和識(shí)別。但在犯罪現(xiàn)場(chǎng)提取的探查指紋常常是殘缺的，因此，上述反映指紋完整性的特征將不被采用。

Qi等［3］提出采用式（1）來(lái)描述指紋完整程度：

式中：Nmc和Emc分別表示提取到的細(xì)節(jié)點(diǎn)數(shù)量和期望提取到的細(xì)節(jié)點(diǎn)數(shù)量。

本文則提出用下面的特征來(lái)描述指紋圖像的完整程度：

式中：nmc表示提取到的可靠細(xì)節(jié)點(diǎn)的數(shù)量。

提出此特征的原因是：在司法鑒定中，若兩枚指紋匹配上的細(xì)節(jié)點(diǎn)數(shù)目大于一個(gè)閾值（一般是12～14個(gè)［10］），則認(rèn)定它們是匹配的。因此，如果提取出的可靠細(xì)節(jié)點(diǎn)的數(shù)量超過(guò)某個(gè)閾值，則可以認(rèn)為該圖像為指紋檢索和識(shí)別提供了足夠完整的信息。值得注意，由于采集條件的不理想和預(yù)處理算法的不完善，所提取出的細(xì)節(jié)點(diǎn)中可能包含相當(dāng)數(shù)量的假點(diǎn)，所以要求nmc是可靠細(xì)節(jié)點(diǎn)的數(shù)量，而不是提取出的全部細(xì)節(jié)點(diǎn)的數(shù)量。

1.3 指紋圖像的灰度對(duì)比度

目前已有的算法幾乎都采用灰度均值和方差［4］來(lái)描述指紋圖像的灰度與對(duì)比度。一般來(lái)說(shuō)，灰度方差小、圖像過(guò)亮或過(guò)暗時(shí)，圖像往往不清晰。但是，灰度本身不是決定圖像質(zhì)量的關(guān)鍵因素，而方差也并不對(duì)應(yīng)于嚴(yán)格意義上的灰度對(duì)比度，因此這兩個(gè)特征不能準(zhǔn)確地反映圖像本身的狀態(tài)和人的視覺(jué)感受。

在投影機(jī)行業(yè)，有一種稱(chēng)為ANSI（American national standards institute）的對(duì)比度標(biāo)準(zhǔn)。該方法采用16個(gè)黑白相間的色塊，8個(gè)白色區(qū)域亮度平均值和8個(gè)黑色區(qū)域亮度平均值之間的比值定義為ANSI對(duì)比度。

借鑒ANSI的測(cè)量方法，本文提出了一種基于Otsu算法的對(duì)比度特征，利用Otsu算法中得出的白色區(qū)域和黑色區(qū)域的均值構(gòu)造對(duì)比度公式，能夠更好地反映圖像的對(duì)比度特性。Otsu算法［11］是一種二值化方法，根據(jù)圖像的一維灰度直方圖，將目標(biāo)類(lèi)和背景類(lèi)的類(lèi)間方差最大作為準(zhǔn)則自動(dòng)確定二值化閾值。對(duì)于一個(gè)圖像塊，假設(shè)其像素?cái)?shù)為N，灰度范圍為［0，L－1］，ni、pi分別表示灰度級(jí)為i的像素點(diǎn)的數(shù)量和出現(xiàn)的頻率，即：

用閾值k把像素按灰度值分成背景類(lèi)和目標(biāo)類(lèi)，分別用C0和C1表示，C0和C1分別由灰度值在［0，k］和［k＋1，L－1］之間的像素組成。整個(gè)圖像的均值為：

而C0和C1類(lèi)的灰度均值為：

類(lèi)間方差為：

如果圖像塊的C＞TC，則判定該塊為灰度對(duì)比度高的圖像塊，其中TC為經(jīng)驗(yàn)閾值。

1.4 指紋圖像的紋理特征

由于質(zhì)量好的指紋圖像有很強(qiáng)的方向趨勢(shì)和非常明確的空間頻率，而且沿著垂直于脊線方向的脊谷之間具有很高的對(duì)比度，所以本文通過(guò)紋理的方向特性、頻率特性和方向?qū)Ρ榷?個(gè)方面來(lái)評(píng)價(jià)指紋圖像紋理質(zhì)量的好壞。

在已有的指紋質(zhì)量評(píng)價(jià)方法中，基于方向場(chǎng)和頻率場(chǎng)的方法［2，5］能夠有效利用指紋預(yù)處理過(guò)程中得到的方向場(chǎng)和細(xì)化圖信息，不會(huì)增加過(guò)多的計(jì)算量，并且具有很好的評(píng)價(jià)效果；而基于Gabor特征的方法［3］和基于傅立葉頻譜的方法［3］都具有較高的計(jì)算復(fù)雜性。從工作效率考慮，本文選擇如下的幾種特征來(lái)描述指紋圖像的紋理特性：

（1）基于塊方向圖的空域方向一致性［1］

圖像塊的空域方向一致性定義為：

式中：X為中心塊的方向；Yi為中心塊周?chē)?鄰域塊的方向。如果Qα＜Tα，則判定該塊為方向一致的圖像塊，其中Tα為經(jīng)驗(yàn)閾值。

（2）頻率一致性

圖像塊的紋線頻率定義為經(jīng)過(guò)該塊中心垂直于紋線方向的線段上單位長(zhǎng)度內(nèi)的脊線條數(shù)。圖像塊的頻率一致性定義為：

式中：fc為中心塊的紋線頻率；fi為中心塊周?chē)?鄰域塊的紋線頻率。

如果Qf＜Tf，則判定該塊為紋線頻率一致的圖像塊，其中Tf為經(jīng)驗(yàn)閾值。

（3）方向?qū)Ρ榷龋?］

首先將指紋圖像分割成N個(gè)互不重疊的8× 8的塊，設(shè)B表示其中的一個(gè)塊，然后使用如圖1所示的模板對(duì)B進(jìn)行如下處理：

式中：Si（x，y）為一個(gè)點(diǎn)在第i個(gè)方向上的灰度值的均值；θi為整個(gè)塊在第i個(gè)方向（稱(chēng)為θi的對(duì)應(yīng)方向）上的灰度值的均值；θmax為θi的最大值；θ′為與θmax對(duì)應(yīng)方向垂直的方向上的灰度值的均值；Dk為第k個(gè)塊的方向?qū)Ρ榷取Ｈ绻鸇k＞Tγ，則判定該塊為方向?qū)Ρ榷雀叩膱D像塊，其中Tγ為經(jīng)驗(yàn)閾值。

圖1 計(jì)算方向?qū)Ρ榷仁褂玫?方向模板［5］Fig.1 Mask for computing directional contrast

1.5 指紋圖像細(xì)節(jié)點(diǎn)的可靠性

在自動(dòng)指紋識(shí)別技術(shù)中，一般只關(guān)注兩種細(xì)節(jié)點(diǎn)［10］：紋線端點(diǎn)和分叉點(diǎn)。圖2表示在一個(gè)紋線斷裂的圖像上提取細(xì)節(jié)點(diǎn)的例子，細(xì)節(jié)點(diǎn)周?chē)膱A圈表示以細(xì)節(jié)點(diǎn)為中心的圓形鄰域。

細(xì)節(jié)點(diǎn)是指紋檢索和比對(duì)最關(guān)鍵的特征，它的可靠性十分重要。不可靠的細(xì)節(jié)點(diǎn)可能是假點(diǎn)或不準(zhǔn)確點(diǎn)。圖3（a）表示將圖2中的細(xì)節(jié)點(diǎn)疊加到原灰度圖上的效果，編號(hào)為2號(hào)的細(xì)節(jié)點(diǎn)是不可靠的，因?yàn)樵摷?xì)節(jié)點(diǎn)周?chē)y線斷裂較嚴(yán)重。圖3（b）和（c）中的方框分別表示了不準(zhǔn)確細(xì)節(jié)點(diǎn)在另一幅灰度圖像及該灰度圖像直接二值化后的圖上的效果。雖然灰度圖3（b）紋線較為清晰，但由于采集時(shí)方框內(nèi)區(qū)域相比方框右側(cè)區(qū)域按壓力度大，使得紋線變密，致使預(yù)處理后提取的細(xì)節(jié)點(diǎn)發(fā)生了偏移。在研究細(xì)節(jié)點(diǎn)可靠性的過(guò)程中，發(fā)現(xiàn)了如圖4和圖5所示的現(xiàn)象。

圖2 指紋圖像提取細(xì)節(jié)點(diǎn)的過(guò)程Fig.2 Process of minutiae extraction

圖3 細(xì)節(jié)點(diǎn)標(biāo)注在灰度圖、灰度圖的二值圖上的情況Fig.3 Marking minutiae on gray scale image，binary image of gray scale image

圖4 與可靠細(xì)節(jié)點(diǎn)關(guān)聯(lián)的紋線在極坐標(biāo)上展開(kāi)后的圖示Fig.4 Associated ridge of the reliable minutia shown in the polar coordinates

圖5 與不可靠的細(xì)節(jié)點(diǎn)關(guān)聯(lián)的紋線在極坐標(biāo)展開(kāi)后的圖示Fig.5 Associated ridge of the unreliable minutia shown in the polar coordinates

圖4為在灰度圖像的二值圖中，將細(xì)節(jié)點(diǎn)的關(guān)聯(lián)紋線區(qū)域以細(xì)節(jié)點(diǎn)位置為中心、以x軸方向?yàn)槠鹗挤较蜻M(jìn)行極坐標(biāo)展開(kāi)后的示意圖。其中，圖4（a）和（c）表示出可靠的分叉點(diǎn)和端點(diǎn)在直角坐標(biāo)中的位置，圖4（b）（d）分別為圖4（a）（c）極坐標(biāo)展開(kāi)圖。由圖可以看出：分叉點(diǎn)展開(kāi)圖中r軸（幅值）方向有明顯的3個(gè)峰，端點(diǎn)展開(kāi)圖則有明顯的一個(gè)峰。值得指出，展開(kāi)的不是預(yù)處理增強(qiáng)之后產(chǎn)生的二值圖像，而是灰度圖像直接二值化得到的圖像，原因是由于細(xì)節(jié)點(diǎn)的偏移已在得到增強(qiáng)圖像之前發(fā)生，所以在增強(qiáng)之后的二值圖像中已無(wú)法判斷細(xì)節(jié)點(diǎn)是否可靠。此外，比較圖3的（b）和（c）還可以發(fā)現(xiàn)：在直接二值化后的灰度圖像中，不可靠細(xì)節(jié)點(diǎn)比在原灰度圖像中顯示得更加明顯。圖5為不準(zhǔn)確細(xì)節(jié)點(diǎn)的極坐標(biāo)展開(kāi)圖。由圖看出，展開(kāi)圖中要么沒(méi)有明顯的高峰，要么高峰的個(gè)數(shù)不為一或三。

所謂細(xì)節(jié)點(diǎn)的關(guān)聯(lián)紋線指的是端點(diǎn)所在的一條脊線或者分叉點(diǎn)所在的三條脊線。根據(jù)如圖2（d）所示的細(xì)化圖中的關(guān)聯(lián)紋線信息，就可以尋找到灰度圖像的二值圖中的關(guān)聯(lián)紋線。

根據(jù)以上觀察，本文提出了基于極坐標(biāo)中心敏感特性（Polar coordinates centrum sensitivity，PCCS）的細(xì)節(jié)點(diǎn)可靠性評(píng)價(jià)方法：在以細(xì)節(jié)點(diǎn)坐標(biāo)為中心的極坐標(biāo)展開(kāi)圖中，如果r軸方向有明顯的三個(gè)或者一個(gè)高峰，則判定細(xì)節(jié)點(diǎn)可靠，否則為不可靠。

1.6 質(zhì)量評(píng)價(jià)特征向量的生成

用τ表示灰度對(duì)比度高的圖像塊的數(shù)量；α和f分別表示除奇異點(diǎn)區(qū)域以外、紋線方向一致和頻率一致的圖像塊的數(shù)量；γ表示除奇異點(diǎn)區(qū)域以外，紋線方向?qū)Ρ榷雀叩膱D像塊的數(shù)量；nmc表示可靠細(xì)節(jié)點(diǎn)數(shù)量。質(zhì)量評(píng)價(jià)特征向量可以表示如下：

2 本文質(zhì)量評(píng)價(jià)方法的性能

以第2節(jié)所提出的質(zhì)量評(píng)價(jià)特征向量作為輸入，分別采用BP神經(jīng)網(wǎng)絡(luò)和SVM作為分類(lèi)器，以分類(lèi)準(zhǔn)確率作為準(zhǔn)則，與當(dāng)前文獻(xiàn)［4-5］的算法進(jìn)行性能比較。

2.1 數(shù)據(jù)集

為了使數(shù)據(jù)集能夠包含各種質(zhì)量層次的指紋圖像，本試驗(yàn)中選取fvc2002DB1、fvc2004DB1和NIST SD27指紋庫(kù)構(gòu)成整個(gè)數(shù)據(jù)集。其中，fvc2002DB1和fvc2004DB1各包含100個(gè)手指的800枚指紋圖像，每個(gè)手指采集8次；NIST SD27是目前唯一公開(kāi)的包含成對(duì)的現(xiàn)場(chǎng)指紋和滾轉(zhuǎn)捺印指紋的數(shù)據(jù)庫(kù)，共258對(duì)指紋，其中現(xiàn)場(chǎng)指紋圖像的質(zhì)量很差，滾轉(zhuǎn)指紋的圖像質(zhì)量較高，現(xiàn)場(chǎng)指紋已被指紋專(zhuān)家按照主觀質(zhì)量評(píng)價(jià)方法劃分為“good”，“bad”和“ugly”三個(gè)質(zhì)量等級(jí)，分別有88，85和85對(duì)指紋。

將整個(gè)數(shù)據(jù)集劃分為兩部分，一部分用于訓(xùn)練，一部分用于測(cè)試。fvc2002DB1、fvc2004DB1中的每個(gè)手指的前4枚指紋圖像歸入訓(xùn)練集，其他圖像歸入測(cè)試集；NIST SD27中的前44對(duì)“good”、40對(duì)“bad”和40對(duì)“ugly”指紋圖像歸入訓(xùn)練集，其他圖像歸入測(cè)試集。

2.2 基于神經(jīng)網(wǎng)絡(luò)方法的比較

Yang等［5］使用了一個(gè)4輸入、2輸出的神經(jīng)網(wǎng)絡(luò)進(jìn)行質(zhì)量分類(lèi)，其輸入向量包括有效面積、能量集中程度、空域方向一致性和方向?qū)Ρ榷?個(gè)特征。本文的神經(jīng)網(wǎng)絡(luò)方法則采用式（18）的向量β→作為輸入向量，是一個(gè)5輸入、2輸出的神經(jīng)網(wǎng)絡(luò)。

Yang等［5］的數(shù)據(jù)集包含800枚指紋圖像，其中600枚作為訓(xùn)練樣本（300枚高質(zhì)量和300枚低質(zhì)量），剩下的200枚作為測(cè)試樣本（100枚高質(zhì)量和100枚低質(zhì)量），圖像質(zhì)量通過(guò)人工主觀評(píng)價(jià)獲得。由于文獻(xiàn)［5］沒(méi)有說(shuō)明上述數(shù)據(jù)集的來(lái)源，無(wú)法直接與其提供的分類(lèi)準(zhǔn)確率進(jìn)行比較，所以編程實(shí)現(xiàn)了Yang等的算法，并在2.1節(jié)所述的數(shù)據(jù)集上測(cè)試了他們的算法和本文的算法。為了比較，將2.1節(jié)數(shù)據(jù)集進(jìn)行了人工主觀評(píng)價(jià)分類(lèi)，得到訓(xùn)練集中共800枚高質(zhì)量、248枚低質(zhì)量指紋圖像；測(cè)試集中共768枚高質(zhì)量、300枚低質(zhì)量指紋圖像。試驗(yàn)結(jié)果如表1所示。

表1 本文算法與文獻(xiàn)［5］算法的比較Table 1 Comparisons between the proposed and Yang’s methods［5］

從試驗(yàn)結(jié)果可以看出：本文方法的分類(lèi)準(zhǔn)確率要高于Yang等［5］的方法。Yang等的算法在本文數(shù)據(jù)集上性能降低的原因可能是由于本文數(shù)據(jù)集中包含相當(dāng)數(shù)量的NIST SD27現(xiàn)場(chǎng)指紋圖像，與一般AFIS系統(tǒng)采集的圖像相比，其質(zhì)量低且變化范圍大，對(duì)指紋圖像質(zhì)量評(píng)價(jià)算法更具挑戰(zhàn)性。

2.3 基于SVM的方法的比較

Liu等［4］使用灰度均值、灰度方差、前景區(qū)域面積、空域方向一致性、頻域功率譜的集中度5個(gè)特征構(gòu)成SVM的輸入特征向量，將指紋圖像的質(zhì)量劃分為好、中等、差3個(gè)質(zhì)量等級(jí)。本文使用的SVM分類(lèi)器和Liu等的SVM分類(lèi)器的差別是特征向量不同，本文的特征向量是式（18）所示的。

Liu等［4］的試驗(yàn)數(shù)據(jù)集由fvc2004中的指紋圖像和一個(gè)他們不公開(kāi)的數(shù)據(jù)庫(kù)共同構(gòu)成。Liu等從上述數(shù)據(jù)集中選擇了2000枚作為訓(xùn)練集，并使用人工主觀評(píng)價(jià)將它們分為3類(lèi)，每類(lèi)的樣本數(shù)量大致相近。Liu等沒(méi)有說(shuō)明測(cè)試集的組成，只給出了最終的SVM的分類(lèi)準(zhǔn)確率為96.03%。

由于無(wú)法找到Liu等［4］的試驗(yàn)數(shù)據(jù)集直接與他們提供的分類(lèi)準(zhǔn)確率做比較，所以本文仍然在2.1節(jié)所示的樣本集中測(cè)試本文的算法和由本文數(shù)據(jù)集實(shí)現(xiàn)的Liu等的算法。數(shù)據(jù)集中未經(jīng)指紋專(zhuān)家評(píng)定的圖像也經(jīng)人工主觀評(píng)價(jià)劃分為好、中等、差3個(gè)質(zhì)量等級(jí)，得到高質(zhì)量訓(xùn)練樣本386枚、測(cè)試樣本341枚；中等質(zhì)量訓(xùn)練樣本414枚、測(cè)試樣本427枚；低質(zhì)量訓(xùn)練樣本248枚、測(cè)試樣本300枚。試驗(yàn)結(jié)果如表2所示。

表2 本文算法與文獻(xiàn)［4］算法的比較Table 2 Comparisons between the proposed and L.Liu’s methods［4］

表2所示的結(jié)果與2.2節(jié)類(lèi)似。2.2和2.3節(jié)的試驗(yàn)證明了本文選取的特征集的優(yōu)勢(shì)，它能更準(zhǔn)確、全面地描述圖像的狀態(tài)，因此兩類(lèi)分類(lèi)器在質(zhì)量跨度很大的數(shù)據(jù)庫(kù)上，都取得了明顯高的分類(lèi)準(zhǔn)確率。

3 結(jié)束語(yǔ)

以視覺(jué)注意機(jī)制為依據(jù)，對(duì)指紋質(zhì)量評(píng)價(jià)特征進(jìn)行歸類(lèi)，使所選擇的特征能夠很好地涵蓋人對(duì)圖像進(jìn)行評(píng)價(jià)的過(guò)程；同時(shí)，提出了基于PCCS的細(xì)節(jié)點(diǎn)可靠性評(píng)價(jià)方法和基于Otsu算法的灰度對(duì)比度評(píng)價(jià)方法。最終選取了5個(gè)特征，分別利用神經(jīng)網(wǎng)絡(luò)和SVM分類(lèi)器對(duì)指紋圖像質(zhì)量進(jìn)行分類(lèi)。實(shí)驗(yàn)表明，該特征集在兩種分類(lèi)器上都具有很高的分類(lèi)準(zhǔn)確率，能夠有效地對(duì)質(zhì)量波動(dòng)很大的指紋圖像進(jìn)行評(píng)價(jià)。

［1］Yang Zhi-guo，Li Ya-shuo，Yin Yi-long，et al.A template selection method based on quality for fingerprint matching［C］∥9th International Conference on Fuzzy Systems and Knowledge Discovery，Sichuan，2012：1382-1385.

［2］Lim E，Jiang X D，Yau W Y.Fingerprint quality and validity analysis［C］∥2002 International Conference on Image Processing，Rochester N Y，USA，2002：469-472.

［3］Qi J，Abdurrachim D，Li D J，et al.A hybrid method for fingerprint image quality calculation［C］∥Fourth IEEE Workshop on Automatic Identification Advanced Technologies，New York，USA，2005：124-129.

［4］Liu Lian-hua，Tan Tai-zhe，Zhan Yin-wei.Based on SVM automatic measures of fingerprint image quality［C］∥Pacific-Asia Workshop on Computational Intelligence and Industrial Application，Wuhan，2008：575-578.

［5］Yang Xiu-kun，Luo Yang.A classification method of fingerprint quality based on neural network［C］∥2011 International Conference on Multimedia Technology，Hangzhou，2011：20-23.

［6］Zhan Xiao-si，Meng Xiang-xu，Yin Yi-long，et al.A method combined on multi-level factors for fingerprint image quality estimation［C］∥Fifth International Conference on Fuzzy Systems and Knowledge Discovery，Ji′nan，China，2008：31-36.

［7］Wu J，Xie S J，Seo D H，et al.A new approach for classification of fingerprint image quality［C］∥7th IEEE International Conference on Cognitive Informatics，Stanford，CA，2008：375-383.

［8］Bos L.The effect of task on visual attention and its application to image quality assessment metrics［D］. Holland：Faculty Electrical Engineering，Mathematics and Computer Science，Technical University of Delft，2010.

［9］Comsweet T N.Visual Perception［M］.New York：Academic Press，1970.

［10］Maltoni D，Maio D，Jain A K，et al.Handbook of Fingerprint Recognition［M］.2nd Ed.New York：Springer-Verlag，2009.

［11］Otsu N.A threshold selection method from graylevel histograms［J］.IEEE Transactions on System Man and Cybernetic，1979，9（1）：62-66.