[发明专利]一种高分辨率指纹汗孔匹配的方法、装置、系统及存储介质

说明书

本发明提供了一种高分辨率指纹汗孔匹配的方法，包括依次执行以下步骤：汗孔局部特征建立和局部相似度计算步骤：提取输入的指纹图片的汗孔，采用DAISY算法建立所提取汗孔的局部特征并计算所提取汗孔的局部相似度；共生描述子的建立和汗孔间相似度计算步骤：采用任意两个汗孔的局部描述子和汗孔间的位置关系建立共生描述子，基于共生描述子计算汗孔间的相似度，根据汗孔的相似度建立一对一的粗匹配；精匹配算法步骤。本发明的有益效果是：1.提出了一种基于共生描述子的汗孔相似度计算方法，该方法能有效提高汗孔相似度计算的精度；2.提出了基于局部拓扑结构一致性的精匹配算法，该算法能快速准确的去除错误匹配点。

技术领域

本发明涉及人工智能领域，尤其涉及一种高分辨率指纹汗孔匹配的方法、装置、系统及存储介质。

背景技术

汗孔作为高分辨率指纹的三级特征得到越来越多的关注，由于具备和细节点相同的稳定性、唯一性而且具有比细节点更加密集的分布，采用汗孔进行匹配可以提高指纹的识别精度。现有的汗孔匹配系统采用局部特征和汗孔坐标信息进行匹配。由于指纹上的汗孔数量巨大，且分布密集，仅仅采用局部信息进行匹配不能准确找到正确的汗孔对，采用坐标信息进行精匹配也不能准分辨正确和错误的匹配。

汗孔匹配问题可以归结为点集匹配问题。经典的点集匹配算法采分作两步，首先根据汗孔间的相似度进行粗匹配，然后对粗匹配的结果进行精匹配以确定最终匹配的汗孔。在这类算法中，最重要的两个部分为汗孔间的相似度计算和精匹配的算法设计。在粗匹配中，一个准确的汗孔相似度计算方法能有效提高粗匹配的精度，这是精匹配的基础。而精匹配的目的是要去除粗匹配中产生的错误匹配。一个快速准确的精匹配算法需要在保留正确匹配的同时尽可能多的去除错误匹配。

现有的指纹匹配算法采用细节点特征计算两个指纹图像的相似度。由于细节点特征点的数量有限，尤其是在指纹碎片中，重叠区域的细节点数量不足以准确评价两张指纹图片的相似度。汗孔的分布相比与细节点更加密集，一张完整的指纹图片中包含近两千个汗孔，采用汗孔进行相似度计算可以有效提升准确率。也正是因为图片中的汗孔数量庞大，给匹配算法带来很大的挑战，设计一个快速准确的汗孔匹配算法一直是高分辨率指纹识别的难点。

发明内容

本发明提供了一种高分辨率指纹汗孔匹配的方法，包括依次执行以下步骤：

汗孔局部特征建立和局部相似度计算步骤：提取输入的指纹图片的汗孔，采用DAISY算法建立所提取汗孔的局部特征并计算所提取汗孔的局部相似度；

共生描述子的建立和汗孔间相似度计算步骤：采用任意两个汗孔的局部描述子和汗孔间的位置关系建立共生描述子，基于共生描述子计算汗孔间的相似度，根据汗孔的相似度建立一对一的粗匹配；

精匹配算法步骤：采用局部拓扑结构对粗匹配的结果进行精匹配以去除错误的汗孔对，然后根据精匹配的结果计算指纹图片的相似度以判断两个指纹图片是否来自同一个手指。

作为本发明的进一步改进，假设模板指纹和测试指纹中的汗孔点集分别为U＝{u_i，i＝1，2，…，m}，V＝{v_j，j＝1，2，…，n}，所述汗孔局部特征建立和局部相似度计算步骤还包括执行如下步骤：

步骤1：对每一个汗孔提取局部DAISY特征，记为F＝{f_i，i＝1，2，…，m}，G＝{g_j，j＝1，2，…，n}；其中F为模板指纹中汗孔的特征，G为测试指纹中的汗孔特征；

步骤2：计算模板指纹的汗孔点集U和测试汗孔的汗孔点集V的距离矩阵D^u∈R^m×m，D^v∈R^n×n以及局部相似度矩阵M^uv∈R^m×n。

作为本发明的进一步改进，所述共生描述子的建立和汗孔间相似度计算步骤还包括执行以下步骤：