[发明专利]基于MRF和SVM-KNN分类的假指纹检测方法

说明书

技术领域

本发明涉及图像处理和模式识别等技术领域，主要内容为假指纹的检测方法。

背景技术

图像特征提取、特征训练以及决策融合等是图像处理及模式识别领域中的重要知识点，它们都与假指纹检测方法的效果密切相关。假指纹检测方法过程主要分为图像特征提取、SVM训练、SVM-KNN分类以及决策融合等四个步骤，其中特征提取在假指纹检测过程中尤为重要。

Emanuela Marasco提出提取指纹图像的纹理特征信息，通过一阶统计量来对假指纹进行检测。该方法在采集仪分辨率较高的情况下，假指纹识别率比较好，但是对于500dpi的通用分辨率图像的识别率性能一般。Nikam和Agrwal提出了另外一种基于纹理的方法，用指纹像素相关的灰度级分析指纹图像的活性。Abhyankar和Schuckers提出了一种基于多分辨率纹理分析和纹路频率分析的方法，用不同的纹理特性量化物理结构变化时灰度级分布变化。但此方法在实际应用中有一定的局限性，因为局部脊线频率的计算会受天气影响，也与不同皮肤状况有关。

灰度共生矩阵（GLCM）建立在两个位置像素值的联合概率密度的基础上，可用于将灰度值转化为纹理信息，反映图像灰度关于相邻间隔、方向、变化幅度的综合信息。GLCM是对图像上保持某距离的像素点的灰度值情况进行统计得到的。1973年Haralick研究了图像纹理中灰度级的空间依赖关系，提出灰度共生矩阵的实质是从图像中灰度为x的像素（其位置为（x1，y1））出发，统计与其距离为d灰度为y的像素（x2,y2）同时出现的次数。通常可以用能量、对比度、熵、局部平稳、自相关和不相似性等标量来表征GLCM特征。

马尔科夫随机场（MRF）模型是在1973年由Besag提出，可以表达图像数据的空间概率关系的建模并且用于纹理特征模型，MRF已被证明对于图像特征提取是有效的。MRF纹理特征从结构分析法角度来看，就是要找出纹理基元以及纹理基元间的相互依赖关系。对于MRF纹理特征的基元关系可以用条件概率模型表示。随机图像的纹理区域可看成是二维随机过程的有限取样，不同的统计参数表示不同的随机过程。纹理基元之间展现出的依赖关系，反映了纹理基元的不同聚集，而不同聚集之间的纹理又对应着不同的统计参数。应用数学上的MRF能够很好地描述纹理的随机特征。

SVM是一种建立在统计学习理论基础上的分类方法，它主要基于以下三种考虑：（1）基于结构风险最小化，通过最小化函数集的VC维来控制学习机器的结构风险，使其具有较强的推广能力；（2）通过最大化分类间隔（寻找最优分类超平面）来实现对VC维的控制，这是由统计学习理论的相关定理保证的；（3）SVM在技术上采用核化技术，根据泛函中的定理，寻找一个函数（核函数）将样本空间中内积对。

SVM分类有两个要求：1)能正确区分两类样本；2)分类间隔最大的分类面确定为最优分类面。支持向量就是最优分类面上的样本。

近邻法（简称NN）是模式识别非参数法中最重要的方法之一，NN的一个很大特点是将各类中全部样本点都作为“代表点”，1NN是将所有训练样本都作为代表点，因此在分类时需要计算待识别样本p到所有训练样本的距离，结果就是与p最近的训练样本所属于的类别。KNN是1NN的推广，即分类时选出K个最近邻，看这K个近邻中的多数属于哪一类，就把p分到哪一类。

SVM的优点有：结构简单、学习速度快、推广性能好、优化求解时具有唯一的极小点等；通过修正核函数可以获得各种不同的分类曲面。支持向量机是为了解决二分类问题而提出来的，不需要利用样本趋向于无穷大的渐进性条件。然而SVM分类算法存在一个缺点：当样本距离分类超平面小于一个给定的阈值ε时，其分类准确率会降低。

目前比较常用的假指纹检测方法可分为两类：第一类用手指温度、皮肤导电性、脉搏血氧等特性，这些特性可以通过在指纹采集仪上加入额外的硬件设备来检测得到，但是会增加采集仪的成本，这类方法称为基于硬件的假指纹检测方法。第二类方法为了检测指纹图像的活性信息，对指纹样本图像做额外的处理，这类方法称为基于软件的方法。基于软件的方法成本低，对用户的侵入性较小，且能用于现有的指纹采集仪。因此对基于软件的假指纹检测方法的研究，具有重大的实用价值和推广意义。

发明内容