[发明专利]基于纹线质量专家视觉认知机器学习的指纹质量评价方法

说明书

本发明涉及基于纹线质量专家视觉认知机器学习的指纹质量评价方法。包括：对“现场指纹纹线遗留位置重建区域”内的捺印纹线图像质量等级进行专家认知和质量标画，对质量标画数据进行“专家个体质量评价稳定性分析”和“专家质量评价模式聚类分析”，并得到每名专家质量标画数据的优先级；将专家质量标画数据切块，按照优先级用于图像质量评价神经网络模型训练。构造并训练神经网络模型，至到其对局部图块的质量评价，达到设定准确率阈值。利用神经网络模型做出的局部图块质量评价数据，计算捺印指纹图像的全局综合质量评价。本发明兼顾“多流派指纹比对算法”和“专家指纹鉴定”对指纹质量的双尖性需求，广泛适用于各规格异构指纹的图像质量评价。

技术领域

本发明提供基于纹线质量专家视觉认知机器学习的指纹质量评价方法，属于生物特征识别领域，可用于多比对算法架构、超大规模指纹系统的数据质量控制，并在AFIS系统优化、比对漏查风险分析、漏查目标范围锁定、各类异构指纹图像数据(如出入境、身份证、驾驶员、考生指纹登记等)法庭科学领域实战应用价值的评测等方面具有突出意义。

背景技术

指纹自动识别技术相对于其他生物特征识别技术具有极好的准确性及较高的经济实用性，当前的应用前景非常明朗。法庭科学部门建设指纹数据库的目的，是在模式识别技术的支持下，通过“计算机算法比对”和“指纹专家人工认证”两个步骤，建立犯罪现场指纹与库存档案指纹间的链接关系，锁定作案人的身份。因为犯罪现场指纹物证的遗留状况具有高度的不确定性，所以，对于任何算法流派的指纹系统识别系统AFIS(AutomaticFingerprint Identification System)而言，其破案效能的发挥水平都主要依赖捺印指纹数据的图像数据质量水平。

典型的指纹图像质量评价方法主要有如下几个方面：(1)简单统计分析，如指纹图像区域占全图比率，指纹图像中像素灰度值的期望与方差；(2)图像处理相关技术，如指纹纹线方向一致性，指纹纹线频率，灰度直方图分析等；(3)其它方面，如还有一些指纹图像质量评价方法还参考了指纹细节特征提取情况。上述各类指纹图像质量评价策略均可在美国国家标准与技术研究院(National Institute of Standards and Technology，NIST)总结并提出的NIST指纹图像质量评价准则(NIST Finger Image Quality)中找到相应的描述。虽然上述方法都是对指纹图像质量评价的有效策略，但从指纹识别专家角度，这些方法仍无法完整代替人类专家对指纹质量评价的一些依据及感受，忽略了很多有益指纹图像质量评价的要素。

对于一枚捺印指纹而言，其质量的描述通常分为两个层次，即“该枚指纹的全局图像质量”和“其内部各个微观区域的局域图像质量”。本发明重点关注的领域，是针对捺印指纹图像内的微观区域给出局域质量评价。

发明内容

针对上述捺印指纹图像质量评价问题，克服现有如NIST等标准化机构对指纹图像质量评价不完备的问题，利用人工智能的相关方法学习指纹识别专家对指纹图像质量评价不易轻易定量描述的依据和感受，快速、全面、综合的给出指纹图像的综合质量。

本发明所采用的技术方案是：基于纹线质量专家视觉认知机器学习的指纹质量评价方法，包括以下步骤：

步骤一：对现场指纹纹线遗留位置重建区域内的捺印纹线图像质量等级进行专家认知和质量标画，对质量标画数据进行专家个体质量评价稳定性分析和专家质量评价模式聚类分析，得到每名专家质量标画数据的优先级；将专家质量标画数据切块，按照优先级用于图像质量评价神经网络模型训练；

步骤二：构造并训练图像质量评价神经网络模型，至到其对局部图块的质量评价达到设定准确率阈值；

步骤三：利用图像质量评价神经网络模型做出的局部图块质量评价数据，计算捺印指纹图像的全局综合质量评价。

所述步骤一包括：

步骤S02：从指纹重建图像Pdrr抽取一批图像，分离前景与背景构成前景区域图像Rdrr；