[发明专利]基于多象限编码的活体指纹识别方法

权利要求书

1.一种基于多象限编码的活体指纹识别方法，其特征在于包括如下步骤：

采集足够数量的真假指纹图像；

在采集到的指纹图像上随机采样大量不同尺寸图像块；

通过正交簇保持学习算法学习各尺寸图像块下的分割面，以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；所述正交簇保持学习算法是迭代选用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，使分界面尽量不会将单个簇分隔开；

使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征；

对所述获得的指纹图像纹理特征进一步降维，交叉验证参数并训练分类器，挑选最佳参数训练得到最终分类器。

2.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于：通过正交簇保持学习算法学习3×3尺度下的分割面的方法如下：

将3×3图像块拉伸成9维的列向量并进行归一化得到具体如下表示：

其中n代表每个尺寸上随机采集真假图像块数。

3.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于：所述的最大化分割超平面与图像块数据的平均角度方法如下：

迭代使用正交约束梯度下降法最大化分割超平面与图像块数据的平均角度，具体实现如下：

首先随机初始化滤波器组，F＝[f1，f2，…，fd]∈R^9×d，其中d为当前尺度下的滤波器数量，使分界面尽量不会将单个簇分割开，其中用N表示随机采取到的各个尺寸下的真假图像块数：

由于目标函数具有不可导点，该优化问题需要使用带正交约束的一阶梯度下降算法求解。

4.如权利要求3所述的基于多象限编码的活体指纹识别方法，其特征在于所述的分割超平面与图像块数据的平均角度按照如下方法进行最大化：

首先将滤波器组与训练数据投影到当前运算的空间其中H是投影矩阵，初始化为对角矩阵H＝I_9×9，接着计算损失函数和梯度得到学习率，其中损失函数如下：

其中表示投影到当前运算空间的滤波器组分量，j表示滤波器向量组索引值，表示图像块向量化的表示

梯度表示如下：

最后更新投影矩阵，将训练得到的新的滤波器组投影回原空间。

5.如权利要求1所述的基于多象限编码的活体指纹识别方法，其特征在于所述的使用分割平面的法向量对待训练图像进行多象限编码处理，获得指纹图像纹理特征的具体方法如下：

用得到的正交基即分割超平面的法向量对待训练图像进行卷积，并利用训练得到的正交基的零均值特性统计指纹图像梯度，将白色背景滤除，利用多象限编码技术对卷积结果进行编码，在滤除背景之后的指纹图像上统计得到编码直方图，对直方图进行归一化操作，并使用PCA算法进行压缩，最后将各个尺度下的归一化直方图进行组合即将各个尺度的特征串联起来，获得指纹图像纹理特征。