• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于優(yōu)化采樣支持向量機(jī)的指紋二值化方法

      2019-01-02 03:36:08李俊杰高翠芳
      關(guān)鍵詞:指紋圖鄰域像素點

      李俊杰,高翠芳,黃 芳

      (江南大學(xué)理學(xué)院,江蘇 無錫 214122)

      0 引言

      指紋作為一類常用的生物識別特征[1],與面孔、發(fā)音、虹膜、骨形等其他生物識別特征一樣,具有唯一性、穩(wěn)定性等特點.相比于面孔、發(fā)音等易采集的生物識別特征,指紋具有一定的私密性,同時相比于虹膜、骨形等較復(fù)雜的生物識別特征,指紋又便于采集.綜合上述特點,指紋識別技術(shù)被廣泛應(yīng)用在基于身份驗證的支付、安防等相關(guān)鄰域.[2-3]近年來,隨著智能移動終端的快速發(fā)展,指紋識別技術(shù)已被大量應(yīng)用到智能移動終端上[4],被快速商業(yè)化應(yīng)用.

      在指紋識別過程中,一個關(guān)鍵步驟就是將從傳感器上采集來的指紋圖像進(jìn)行二值化處理[5].經(jīng)二值化后的指紋圖像僅留下前景指紋和背景部分,去除了原圖中的灰度噪聲,極大方便了后續(xù)的識別配對.現(xiàn)有的指紋二值化處理大多采用基于指紋紋理的方向場技術(shù)[6-7],少部分基于濾波算法來實現(xiàn)[8].采用方向向量將含有灰度信息的指紋圖像轉(zhuǎn)化為二值圖像,基于方向技術(shù)的指紋圖像二值化算法可以同時完成指紋圖像的二值化處理以及細(xì)化處理.但方向場技術(shù)在計算過程中需要計算每個像素的方向向量,算法復(fù)雜度高,計算時間長,在實際應(yīng)用中存在一定的局限性.

      考慮現(xiàn)有指紋二值化處理中存在的問題,本文提出基于支持向量機(jī)(SVM)的指紋二值化處理方法.SVM[9]是一種有監(jiān)督的小樣本分類方法,可利用先驗知識,通過小樣本快速完成分類.指紋二值化處理中,前景和背景在分類前具有一定的先驗知識,灰度值較小的通常是前景,灰度值較大的通常是背景,憑此可運用SVM進(jìn)行指紋二值化處理.

      在SVM分類過程中,如果只采用像素值一個特征量,可能會降低分類精確度,尤其是在指紋圖像邊緣處.因此,本文又提出了一種4-鄰域均值模板來處理指紋圖像邊緣,并以此作為另一個特征量.同時利用灰度直方圖搜索算法,提取統(tǒng)計值較高的像素點作為訓(xùn)練集,通過4-鄰域均值模板以及直方圖搜索優(yōu)化訓(xùn)練集來提高分類精度.

      1 支持向量機(jī)簡介

      對于數(shù)據(jù)集T={[x1,y1],[x2,y2],…,[xN,yN]},{x1,x2,…,xN}∈RN為數(shù)據(jù)集的輸入空間,同時每一維x都有N個特征組成;{y1,y2,…,yN}∈{-1,1}為數(shù)據(jù)集中每一維輸入空間對應(yīng)的類屬標(biāo)簽.SVM的目的是利用輸入空間以及標(biāo)簽集對數(shù)據(jù)集T進(jìn)行分類.

      SVM作為一種有監(jiān)督式的學(xué)習(xí)算法,在一定程度上依賴于標(biāo)簽集的分類,因此在處理不確定標(biāo)簽問題時存在一定的局限性,例如指紋灰度圖像中指紋圖形的邊緣像素點既可看作前景類,也可看作背景類.不同的標(biāo)簽類會影響分類結(jié)果,對訓(xùn)練造成影響.針對這一問題,本文在原有指紋圖像像素值的基礎(chǔ)上引入新特征量來擴(kuò)充SVM中的訓(xùn)練集.同時采用出現(xiàn)頻率高的像素點作為樣本點,使分類精度進(jìn)一步提高.

      2 優(yōu)化采樣算法

      指紋通過傳感器采集得到灰度圖像,灰度圖像用灰度值存儲為矩陣形式[5],不同的灰度值代表了圖像中不同的灰度,因此像素點灰度值可作為SVM學(xué)習(xí)過程中一個重要的特征.但是只有一維特征的情況下會導(dǎo)致分類結(jié)果出現(xiàn)偏差,尤其是在圖形邊緣的像素點,因此本文定義4-鄰域均值模板來處理圖形邊緣,并以其計算值作為另一維特征.

      在樣本點的采樣過程中,為提高計算速度,本文采用等距采樣,同時為了提高分類精度,在等距采樣的基礎(chǔ)上加入基于灰度直方圖的優(yōu)化算法,將等距采樣后樣本點周圍直方圖統(tǒng)計量較多的像素點作為樣本點,進(jìn)一步提高了分類精度.

      2.1 基于4-鄰域均值模板輔助樣點

      在指紋灰度圖像的前景和背景分類問題中,指紋紋理與紋理過度部分存在圖像邊緣的問題[10],邊緣像素點判定會影響到后續(xù)的匹配識別,本文設(shè)計了4-鄰域均值模板,來提高算法在邊緣點分類上的精確度.

      設(shè)計的4-鄰域均值模板是在邊緣檢測算子的基礎(chǔ)上演變而來的.參考Prewitt算子[11]設(shè)計4-鄰域均值模板,Prewitt算子表達(dá)式為

      (1)

      在傳統(tǒng)的Prewitt算子中分別對列Gx和行Gy進(jìn)行計算,共計算中心像素點周圍8個像素點的值.為方便計算,考慮將行列融合,并且只計算上下左右4個方向的像素,通過模板中心像素點灰度值與4個方向像素點灰度值的差值絕對值的平均來構(gòu)造4-鄰域模板:

      (2)

      由(2)式可知,4-鄰域均值模板D計算了中間像素點Ii,j與上方像素點Ii-1,j、下方像素點Ii+1,j、左側(cè)像素點Ii,j-1、右側(cè)像素點Ii,j+1之間的差值的絕對值,通過相加這4個方向的差值,得到

      ∑D=(|Ii,j-Ii-1,j|+|Ii,j-Ii+1,j|+|Ii,j-Ii,j-1|+|Ii,j-Ii,j+1|).

      (3)

      4-鄰域均值模板相比于邊緣檢測中的Prewitt算子對模板中心像素點的權(quán)值更大,更能突出模板中心點像素值的重要性,同時通過一個模板計算4個方向,不需要2個模板計算,提高了計算速度.

      在對生物圖像、醫(yī)學(xué)圖像等客觀圖像處理時,需要保證圖像的原有特性[5],應(yīng)避免非線性變換,本文所構(gòu)造的4-鄰域均值模板就可以較好地滿足這一點.以指紋圖像的灰度直方圖為例,計算結(jié)果如圖1所示.

      (a)原始指紋圖像

      (b)4-鄰域均值模板處理圖像

      (a)原始指紋圖像灰度直方圖

      (b)4-鄰域均值模板處理圖像灰度直方圖

      圖1中白色背景都占據(jù)了絕大部分比例,為顯示圖像的特點,本文手動去除了直方圖中灰度值為255的點.通過比較發(fā)現(xiàn),兩者圖像走勢基本相同,因此4-鄰域均值模板能較好地保存原圖像特征.

      在原有的特征量基礎(chǔ)上,加入4-鄰域均值模板計算結(jié)果作為特征量,能在一定程度上提高SVM在圖像邊緣點判斷的準(zhǔn)確性.

      2.2 直方圖搜索算法

      在灰度圖像中,灰度直方圖是刻畫像素灰度值統(tǒng)計量的一個重要工具,在SVM訓(xùn)練樣本點的選取中,為了使分類更加精確,需要更為準(zhǔn)確的先驗知識,因此選擇統(tǒng)計值較大的像素點作為SVM的訓(xùn)練樣本.但是為提高計算效率,保證樣本多樣性,本文采用局部統(tǒng)計值最大的像素點作為訓(xùn)練樣本點,尋找樣本點的方法就是本文的直方圖搜索算法.

      直方圖搜索算法分為2個部分,第一部分是對整個樣本空間進(jìn)行等距采樣,即采用相等的間距對255個灰度值進(jìn)行采樣,等距采樣公式為

      Ii=Num255n-1?i(i=2,3,…,n-1).

      (4)

      其中:I為樣本點,且I1=0,In=255;n為采樣個數(shù);Num255為將二維圖像矩陣展開成一維向量,并從0到255進(jìn)行排序后,255像素第一次出現(xiàn)所對應(yīng)的值,本文對Num255之前的像素進(jìn)行等距采樣,并進(jìn)行直方圖搜索;i為樣本點標(biāo)號,由于樣本點首尾固定,所以i從2標(biāo)到n-1;符號└┘為向下取整,保證樣本點標(biāo)號為整數(shù).

      基于等距采樣的樣本點無法保證每個樣本點都有較大像素統(tǒng)計量,因此第二部分是在等距采樣的基礎(chǔ)上進(jìn)一步提出了直方圖搜索算法,在當(dāng)前樣本點的基礎(chǔ)上搜索它的前一個像素值以及后一個像素值,用最大的那個作為樣本點,以此來保證樣本點在局部范圍內(nèi)有一個較大的像素統(tǒng)計量.算法1的直方圖搜索算法偽代碼為:

      01 Begin02 輸入I_i //獲取當(dāng)前采樣點03 輸入H_i //獲取當(dāng)前像素值04 輸入I_i-1 //獲取前一個采樣點05 輸入H_i-1 //獲取前一個像素值06 if H_i>H_i-1 then07 H_i≥H_new08 I_i≥I_new09 else10 H_i-1≥H_new11 I_i-1≥I_new12 輸入I_i+1 //獲取后一個采樣點13 輸入H_i+1 //獲取后一個像素值14 if H_i+1

      算法1中I_i存儲了所選取的樣本點,H_i存儲了樣本點對應(yīng)的像素統(tǒng)計值,本文對等距采樣的結(jié)果進(jìn)行直方圖搜索更新.通過算法1可以實現(xiàn)樣本點的像素統(tǒng)計值在局部范圍內(nèi)達(dá)到一個極大值,由此來提高SVM的優(yōu)化精度.直方圖搜索算法的結(jié)果如圖3所示.

      圖3 直方圖搜索算法的結(jié)果

      在圖3中黑色圓點表示等距采樣的結(jié)果圖,黑色圓圈表示在等距采樣的基礎(chǔ)上經(jīng)過直方圖搜索算法優(yōu)化的結(jié)果,從圖3中可以看出,經(jīng)過優(yōu)化后樣本點的像素統(tǒng)計值均到達(dá)局部極值點.

      3 指紋圖像二值化處理與比較結(jié)果

      在實際測試中,本文采用FVC2004數(shù)據(jù)庫中的指紋圖像作為實驗數(shù)據(jù)[12].該數(shù)據(jù)庫中包含有4種類型傳感器收集來的數(shù)據(jù).對于產(chǎn)生如圖1(a)的指紋傳感器,從圖1中可以看出圖像構(gòu)成只包含前景和背景兩類,且指紋圖像不存在復(fù)雜區(qū)域,構(gòu)成簡單,因此對二值化算法的要求較低,各算法二值化結(jié)果相近.

      本文考慮處理較為復(fù)雜的一類傳感器所得圖像.此類傳感器收集的指紋圖像大小為328像素×364像素.由于傳感器因素,圖像形成了一個類似透視效果的形變,因此在圖像中產(chǎn)生了2個背景,一個為白色背景,一個為深灰色背景.同時由于傳感器原因,使得指紋圖像中間產(chǎn)生了一個深色復(fù)雜區(qū)域.具體指紋圖像見圖4(a).

      在本文算法實際處理時,采用SVM進(jìn)行二值化處理.SVM訓(xùn)練集選取直方圖搜索算法,所得樣本點的灰度值以及對應(yīng)4-鄰域均值模板的計算值為特征量,直方圖搜索算法選擇30個像素樣本點.以此訓(xùn)練結(jié)果對全部像素點進(jìn)行前景和背景分類.同時將本文算法與未經(jīng)過優(yōu)化采樣的原始SVM算法及模糊聚類算法進(jìn)行了對比.

      3.1 對比原始SVM算法結(jié)果

      對于經(jīng)過透視變換導(dǎo)致形變的指紋圖像,本文算法二值化結(jié)果、原始SVM的二值化結(jié)果如圖4所示.

      (a)形變后指紋圖像

      (b)本文算法結(jié)果

      (c)原始支持向量機(jī)結(jié)果

      本文算法二值化結(jié)果與原始SVM二值化結(jié)果的數(shù)值統(tǒng)計見表1.

      表1 形變后指紋圖像二值化處理對比數(shù)據(jù)

      兩種算法對深灰色背景、白色背景都進(jìn)行了有效地處理,在背景上只留下少許噪聲點.從統(tǒng)計數(shù)值中可以看出,本文算法在背景上的殘留噪聲點在背景像素點中的占比為4.53×10-4,原始SVM占比為5.05×10-4.對比背景殘留噪聲點,本文算法對誤判降低了10.21%.但由于兩種算法所得圖像的背景殘留噪聲點的占比都較小,均不影響后續(xù)處理.

      對于指紋中間的被污染的深色復(fù)雜區(qū)域,從直觀結(jié)果中可看出,本文算法的二值化結(jié)果要優(yōu)于原始SVM二值化結(jié)果.本文選擇100像素×3 100像素的區(qū)域?qū)υ贾讣y圖像中的深色復(fù)雜區(qū)域進(jìn)行放大,兩者的細(xì)節(jié)對比如圖5所示.

      (a)形變后指紋對比區(qū)域

      (b)本文算法結(jié)果

      (c)原始SVM結(jié)果

      通過統(tǒng)計結(jié)果可知,本文算法二值化后誤判的像素在放大區(qū)域中的占比為0.005 3,原始SVM占比為0.009 5,本文算法有效降低了45.92%的誤判.同時從直觀結(jié)果中可見,原始SVM二值化處結(jié)果中存在明顯的黑色塊,且遮擋了一個指紋的分叉點,而本文算法也存在誤判,但占用像素少,沒有形成明顯的黑色塊,沒有遮擋指紋中的重要結(jié)構(gòu).

      通過上述對比可以看出,本文算法在處理指紋圖像的邊緣細(xì)節(jié)以及復(fù)雜區(qū)域較為準(zhǔn)確,所提出的4-鄰域均值模板和直方圖搜索算法可有效提高SVM在指紋二值化處理中的分類精度.

      3.2 對比模糊聚類算法結(jié)果

      將本文算法與模糊聚類算法(FCM)[13]相比較.FCM是一種無監(jiān)督的分類算法,被廣泛運用于各個鄰域.在相同計算環(huán)境下,采用本文算法和FCM對形變后指紋圖像進(jìn)行二值化處理,結(jié)果如圖6所示.

      (a)形變后指紋對比區(qū)域

      (b)本文算法結(jié)果

      (c)FCM算法結(jié)果

      從圖6可見,本文算法結(jié)果遠(yuǎn)好于FCM,尤其是在圖6(c)中,結(jié)果圖像中存在幾處的黑色塊,且背景上的黑色塊也較多,會大大影響后續(xù)識別的效果.兩種結(jié)果的數(shù)據(jù)對比見表2.

      表2 本文算法與FCM實驗結(jié)果對比

      通過表2數(shù)據(jù)看出,在相同的計算環(huán)境下,本文算法的計算處理速度遠(yuǎn)快于FCM.同時由統(tǒng)計可知,對于背景的處理FCM二值化后背景殘留噪聲點在背景像素點中的占比為5.772×10-3,而本文算法為4.53×10-4.相比FCM本文算法降低了92.15%的誤判.

      對于復(fù)雜區(qū)域,從直觀可見,F(xiàn)CM算法將復(fù)雜區(qū)域二值化為整個黑色塊,幾乎失去了全部細(xì)節(jié),而本文算法則保留了較好的細(xì)節(jié)部分.本文算法在不丟失主要細(xì)節(jié)的前提下,圖像占比更小,將更有利于后續(xù)的識別算法.

      4 結(jié)論

      基于本文提出的優(yōu)化采樣算法,利用SVM對指紋圖像進(jìn)行二值化處理的方法可有效地解決SVM在指紋圖像邊緣以及復(fù)雜區(qū)域分類精度低的問題,能較好地保存指紋細(xì)節(jié),配合其他模式識別算法,可有效地完成指紋識別工作.

      本文在SVM的基礎(chǔ)上,加入了基于4-鄰域均值模板和直方圖搜索算法的優(yōu)化采樣方法,進(jìn)一步提高了識別精度,對算法做出了有益的改進(jìn).本文算法相比于同為分類算法FCM算法,計算精度較高,計算量較小,實驗結(jié)果也說明了本文算法是有效可行的.

      猜你喜歡
      指紋圖鄰域像素點
      稀疏圖平方圖的染色數(shù)上界
      基于鄰域競賽的多目標(biāo)優(yōu)化算法
      指紋圖像傳感器技術(shù)與后續(xù)發(fā)展研究
      電子測試(2018年4期)2018-05-09 07:27:49
      基于canvas的前端數(shù)據(jù)加密
      基于逐像素點深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
      關(guān)于-型鄰域空間
      沉香GC-MS指紋圖譜分析
      中成藥(2016年8期)2016-05-17 06:08:26
      基于模板檢測法的指紋圖像的細(xì)節(jié)特征提取
      基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
      基于時序擴(kuò)展的鄰域保持嵌入算法及其在故障檢測中的應(yīng)用
      长子县| 乌拉特前旗| 镇远县| 湛江市| 兰溪市| 林芝县| 饶平县| 长泰县| 本溪市| 元朗区| 方城县| 嫩江县| 额济纳旗| 普安县| 项城市| 巨鹿县| 甘谷县| 桦川县| 于田县| 防城港市| 桦南县| 大洼县| 五指山市| 金平| 聊城市| 嘉义县| 新和县| 乌兰县| 塔河县| 赤峰市| 上杭县| 平原县| 勃利县| 和平区| 商都县| 阿城市| 利津县| 南城县| 高淳县| 陇南市| 共和县|