[发明专利]一种基于孪生支持向量机的指纹图像分类系统与方法

说明书

本发明公布了一种基于孪生支持向量机的指纹图像分类系统与方法，涉及量子粒子群算法和“一对多”多分类孪生支持向量机算法，能够对“一对多”多分类孪生支持向量机分类器中的参数进行优化，完成指纹图像的分类，属于人工智能及图像分类领域。本发明主要包括如下内容：步骤1：指纹图像预处理；步骤2：指纹图像的特征提取；步骤3：用量子粒子群算法对“一对多”多分类孪生支持向量机分类器的参数进行优化；步骤4：将最优参数带入“一对多”多分类孪生支持向量机分类器中，确定最终的分类模型并对指纹图像进行分类。本方法成功的将孪生支持向量机应用于指纹分类并获得较高的分类准确率。

技术领域

本发明一种基于孪生支持向量机的指纹图像分类系统与方法，涉及量子粒子群算法和“一对多”多分类孪生支持向量机算法，能够对“一对多”多分类孪生支持向量机分类器中的参数进行优化，完成指纹图像的分类，属于人工智能及图像分类领域。

背景技术

目前，指纹识别技术已经被广泛应用于考勤、门禁、电子商务、手机安全等领域。由于指纹识别技术的重要性，该技术已经成为机器学习领域一个重要研究内容。指纹图像分类是指纹识别的核心步骤之一，直接关系到识别的准确率，对实现海量指纹图像的检索和建立完善的索引机制都起到了至关重要的作用。

通常情况下，指纹可以分为六类：左箕型(Left Loop)、右箕型(Right Loop)、斗型(Whorl)、弓型(Arch)、尖弓型(TentedArch)、双箕型(Twin Loops)。

近几十年来，国内外开发了许多经典的指纹图像分类算法。这些方法大致可以分为四大类，即：基于模型的方法、基于结构的方法、基于频率的方法和基于语法的方法。其中，基于结构的指纹方向场的算法是指纹分类中最受欢迎的方法。例如：Cappelli等人[1]提出的使用定向图像分割的指纹分类算法。

另外，建立在统计学习理论中的支持向量机，作为模式分类相对强大的工具，同样也可用于指纹分类。并且已经有人开发了基于支持向量机的算法。例如：Yao等人[2]提出的使用递归神经网络和支持向量机结合的指纹分类方法，Guo等人[3]提出的基于支持向量机的自动分类方法。这些方法的一个总体思想就是提取指纹图像的特征作为支持向量机的特征向量来进行分类。2004年，Batra等人[4]将Gaborl滤波器和支持向量机结合用于指纹分类。他们使用基于Gabor滤波器的特征提取方案为每个指纹图像生成384维特征向量。2007年，Ji等人[5]提出了使用指纹图像方向场和支持向量机结合的指纹分类方法。Ji通过计算指纹图像方向场，估计了四个方向来描述指纹图像。最后计算每个方向所占百分比，将其构建成一个四维向量作为支持向量机的特征向量对指纹进行分类。

2007年，Jayadeva等人[6]提出了一种非平行超平面分类器，称为孪生支持向量机(Twin Support Vector Machines，TWSVM)，用于二分类问题。孪生支持向量机旨在产生两个不平行的超平面，使得每个超平面更接近两个类中的一个，并且尽可能远离另一个类。两个超平面也没有平行条件的约束，最终将二分类问题转化为两个规模更小的二次规划问题。显然，解决两个规模更小的二次规划问题要比解决一个大型的二次规划问题的工作速度更快。孪生支持向量机的时间复杂度较低，算法的训练时间缩减到支持向量机的1/4，大大提高了工作效率，并且在解决异或问题等方面具有更大的优势，特别是在处理特大数据的分类问题时，其优越性更加突出。虽然孪生支持向量机在处理问题的效率和性能方面都要优于传统的支持向量机，但是仍需要考虑它的参数选择问题，即惩罚因子以及核函数本身参数的选择。2013年，Shifei Ding等人[7]提出了基于量子粒子群的孪生支持向量机(Twin Support Vector Machines based on Quantum Particle Swarm Optimizati on,QPSO-TWSVM)。QPSO-TWSVM利用量子粒子群在全局搜索中的能力，在全局范围内搜索最优参数，避免了过早陷入局部最优解，得到的最优参数更具有说服力，与传统的TWSVM相比，参数的指定更加精准，避免了参数选择的盲目性，提高了孪生支持向量机的分类准确率。

发明内容