[发明专利]一种基于SVM‑RFE特征选择的假指纹检测方法

权利要求书

1.一种基于SVM-RFE特征选择的假指纹检测方法，其特征在于：所述假指纹检测方法包括以下步骤：

1)图像切割；

2)特征提取：

2.1)离散小波变换；

2.2)双曲收缩法去噪；

2.3)小波重构，得到去噪图；

2.4)原图像与去噪图作差，得到噪声图；

2.5)去噪图和噪声图分别分块提取局部二值模式特征；

2.6)各块特征归一化，再串联各块特征得到最后指纹特征；

3)特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择去掉的特征数目由交叉验证确定；

4)分类器训练：用SVM来进行训练，得到分类器；

5)假指纹检测：对要检测的图像进行1)、2)、3)步的操作，然后将得到的特征向量用分类器来进行分类；

所述步骤2.1)中，对切割后的指纹图像f(x,y)进行二维离散小波变换，得到一个低频部分h(x,y)和六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}，其中x,y是指，当以图像左下角为原点，底边向右为X轴正方向，左边向上为Y轴正方向时，图像像素点在X和Y轴方向上对应的位置变量；

所述步骤2.2)中，对变换后得到的六个高频部分用双曲收缩法去噪:

gk′(x,y)=sgn(gk(x,y))(gk(x,y)2-δ2)+]]>

δ=2log(N)σ]]>

其中，g'_k(x,y)是去噪后的高频部分，sgn()是符号函数，()₊是括号内的数和0中的较大值，N是g_k(x,y)的信号长度，σ是由变换分解得到的第一层的3个高频部分的标准差；

所述步骤2.3)中，根据步骤2.2)得到的六个高频部分g_k(x,y),k∈{1,2,3,4,5,6}和之前的低频部分h(x,y)进行小波重构，得到去噪后的图像f'(x,y)；

所述步骤2.4)中，将原图像与去噪图作差，得到噪声图η(x,y)：

η(x,y)＝f(x,y)-f'(x,y)

所述步骤2.5)中，将去噪图和噪声图均划分成p_x×p_y的小块，p_x、p_y分别指的是在X,Y轴方向上进行的图像划分，大小均通过交叉验证确定，再对噪声图和去噪图的每一分块用圆形旋转不变统一模式的LBP算子操作，并通过交叉验证确定LBP中的半径和采样点数，得到LBP特征直方图；

所述步骤2.6)中，对每一块的统计直方图进行归一化：

Xi′=XiΣXi]]>

其中，X_i为归一化前特征，X′_i为归一化后的特征，再串联各块特征得到最后指纹特征；

所述步骤1)中，图像切割函数为：F(X,h,w)，其中F表示切割函数，X,h,w是F的自变量，X是原指纹图像，h,w是切割后的指纹图像的高和宽；

所述图像切割过程如下：

1.1)切割初始点定位：对原指纹图像X的每一行与列分别计算平均值，然后分别取平均值最小的行与列，将此行与列所在的点作为切割初始点；

1.2)切割边线确定：从切割初始点出发，分别往上下左右四个方向进行移动，每次移动的间隔是四行或四列；统计每次移动的四行或四列以及X中像素值小于200的个数，并求它们的比值，若比值小于0.01，则停止移动，否则继续；

1.3)由步骤1.2)确定的切割边线，计算图像的高和宽，然后统计指纹库中所有图像的高和宽，求平均，分别赋值给h,w；

1.4)h,w优化：如果那么h,w分别赋值X的高和宽，否则h,w通过交叉验证确定。