[发明专利]用于深度学习的指纹细节数据库标注方法和系统

说明书

本发明提供了一种用于深度学习的指纹细节数据库标注方法和系统，包括：基于灰度方差的指纹兴趣区域分割及掩膜生成；基于图像强度均值和方差的归一化变换；基于梯度法的指纹方向估计；基于方向窗和脊线灰度投影信号的频率估计；基于Gabor滤波和方向场、频率场的指纹图像增强；基于图像处理形态学操作的指纹二值化和细化；基于细节点先验定义的指纹特征提取；以及标注者通过常识做简单检查和修正。利用本发明方法开发的软件，具有检测速度快，可以有效减少标注人员工作量，界面友好，操作简单等优点，更适合指纹数据标注的实际情况。

技术领域

本发明涉及图像处理和模式识别技术领域，具体地，涉及一种用于深度学习的指纹细节数据库标注方法和系统。

背景技术

随着计算架构、深度学习、移动芯片技术的飞速发展，指纹识别因其随身性，安全性和唯一性已经成为日常生活中被应用最广的生物特征识别技术。自动指纹识别技术在司法鉴定，门禁和考勤，出入境管理及手机支付领域发挥着重要作用。一般来说，指纹识别分为注册阶段和识别认证阶段。指纹注册阶段通常涉及指纹图像采集，前景图像分割，归一化，方向场/频率场估计，增强，二值化，细化等步骤；指纹识别认证阶段通常包括特征点提取和配对过程，即找出注册指纹中细节点与查询指纹细节点的对应关系。其中指纹细节点提取是指纹识别中最核心和基础的步骤，准确的指纹细节点提取是后续匹配和认证的前提，这个环节可以总结为一个经典而复杂的模式识别问题，也是识别系统中具有挑战性的部分之一。

专利文献CN112269817A(申请号：CN202011331925.6)公开了一种基于大数据的深度学习样本标注方法，该方法包括：接收与样本库中的第一组样本对象相关的用户标注输入；训练包含权值向量的偏好预测模型，所述权值向量包含与样本库相关联的多个特征中的每个特征的加权值，该样本库包括向用户呈现的第一组样本对象，利用所接收的用户标注输入来训练每个特征的加权值；选择要提供至用户的第二组样本对象，所述第二组样本对象相对于样本库中其他未被标识的样本对象，提供从用户标注输入获取的更多的先验知识；以及根据训练后的偏好预测模型，推送预设数量的偏好对象以提供至用户。

近年来，深度学习在模式识别和计算机视觉任务中被广泛使用，尤其是在目标检测中表现出印象深刻的结果。指纹细节检测可以归纳为小目标检测任务的一种。深度学习技术是一门数据驱动的技术，而近年来由于隐私保护政策的推出，许多重要指纹数据集(如NIST SD27)被禁用，因此生成有效的指纹细节数据集成为推动深度学习技术在指纹细节提取问题中应用的首要任务，也是目前亟待解决的问题之一。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种用于深度学习的指纹细节数据库标注方法和系统。

根据本发明提供的用于深度学习的指纹细节数据库标注方法，包括：

步骤1：输入原始指纹图像I，基于灰度方差进行指纹兴趣区域分割，并生成掩膜；

步骤2：对原始指纹图像I做归一化处理；

步骤3：基于梯度法进行指纹方向估计；

步骤4：基于掩膜、方向窗和脊线灰度投影进行频率估计；

步骤5：基于Gabor滤波、方向场和频率场进行指纹图像增强；

步骤6：对增强后的图像进行二值化；

步骤7：对二值化后的图像进行细化操作，删除二值化图像中的纹线的边缘像素，得到宽度为单位像素的纹线骨架图像；

步骤8：对细化操作后的图像，基于先验定义进行细节点提取，得到特征点集合M；

步骤9：基于特征点集合M，删除伪特征点和标注不符合预设要求的特征点，获得最后的特征点集M_f。