[发明专利]基于先验知识的马尔科夫随机场指纹方向场提取方法

摘要

本发明公开了一种基于先验知识的马尔科夫随机场指纹方向场提取方法。主要解决现有技术的在低质量区域无法正确提取指纹方向场信息及模型法容易产生伪奇异点信息的问题。其实现步骤是：(1)输入指纹图像，并提取指纹图像方向场先验知识，使用梯度法获得指纹图像的块角度矩阵，使用统计的方法获得块角度的概率；(2)拟合方向场先验知识和获得的块角度矩阵及其概率，构造指纹图像基于先验知识的马尔科夫随机场模型；(3)使用构造的模型提取指纹图像最终方向场。本发明在现有马尔科夫随机场的基础上拟合了指纹方向场先验知识，构造新的指纹方向场提取模型，提高了指纹图像匹配和检索的性能，可用于低质量指纹图像的方向场提取。

主权项

1.基于先验知识的马尔科夫随机场指纹方向场提取方法，包括如下步骤：(1)输入大小为M×L的指纹图像I，I(x,y)表示输入指纹图像坐标(x,y)处的灰度值，其中M表示指纹图像I的长度，L表示指纹图像I的宽度，(x,y)表示指纹图像坐标点；(2)提取指纹图像I的方向场先验知识，获得指纹图像的块角度矩阵及其概率；(3)使用步骤(2)提取得到方向场先验知识和获得的块角度矩阵及其概率，构造指纹图像基于先验知识的马尔科夫随机场模型：(3a)将指纹图像I(x,y)分解成若干个大小为8×8的块状图像，计算每块图像内像素点的梯度向量b＝[g_x g_y]^T和辐角角度θ，其中g_x为x轴方向的梯度分量，g_y为y轴方向的梯度分量，T表示转置；(3b)令指纹块状图像在x轴方向的角度分量vs_x＝cos(2×θ)，y轴方向的角度分量vs_y＝sin(2×θ)，构造方向矩阵v＝[vs_x vs_y]^T；(3c)据步骤(3a)中的梯度向量b，构造梯度矩阵R：R=Σngx2Σngx×gyΣngy×gxΣngy2,]]>其中，为块状图像内所有像素点g_x的平方和，为块状图像内所有像素点g_y的平方和，为块状图像内所有像素点g_x和块状图像内所有像素点g_y的积的和，为块状图像内所有像素点g_y和块状图像内所有像素点g_x的积的和，n为块状图像内像素点个数；(3d)分别计算梯度矩阵R最大特征向量对应的特征系数λ₁和最小特征向量对应的特征系数λ₂：λ1=0.5×(Σngx2+Σngy2)+0.5×(Σngx2-Σngy2)2+4×(Σngx×gy)2,]]>λ2=0.5×(Σngx2+Σngy2)+0.5×(Σngx2-Σngy2)2-4×(Σngx×gy)2;]]>(3e)根据步骤(3d)得到的λ₁和λ₂，计算块状图像的内部一致性系数ω：ω＝(λ₁-λ₂)/(λ₁+λ₂)；(3f)根据步骤(3c)构造的梯度矩阵R和步骤(3d)获得的λ₁，计算块状图像的加权系数Au：Au=Σngy2+Σngx2/λ1;]]>(3g)根据步骤(3b)获得的块状图像在x轴方向的角度分量vs_x和在y轴方向的角度分量vs_y及步骤(3e)获得的块状图像的加权系数Au，构造新的方向信息矩阵U：U=uxxuxyuyxuyy,]]>其中，u_xx＝Au×vs_x²为vs_x的加权平方和，u_yy＝Au×vs_y²为vs_y的加权平方和，u_xy＝Au×(vs_x×vs_y)为vs_x和vs_y的加权平方和，u_yx＝Au×(vs_y×vs_x)为vs_y和vs_x的加权积的和；(3h)根据步骤(3g)构造的方向信息矩阵U，计算U的标准化矩阵M：M=MxxMxyMyxMyy,]]>其中，M_xx＝u_xx/mag为u的标准化形式，M_xy＝u_xy/mag为u_xy的标准化形式，M_yx＝u_yx/mag为u_yx的标准化形式，M_yy＝u_yy/mag为u_yy的标准化形式，mag为方向信息矩阵U的泛数：mag=uxx2+uxy2+uyx2+uyy2;]]>(3i)根据步骤(3b)得到的块状图像在x轴方向的角度分量v_sx，块状图像在y轴方向的角度分量v_sy，分别计算块状图像在x轴方向偏量lb_x＝O.5×(vs_x²-vs_y²)和块状图像在y轴方向偏量，lb_y＝vs_x×vs_y，并由lb_x和lb_y，构造方向偏量矩阵B：B=lbx2lbx×lbylby×lbxlby2,]]>其中，lb_x²为lb_x的平方和，lb_y²为lb_y的平方和，lb_x×lb_y为lb_x和lb_y积的和，lb_y×lb_x为lb_y和lb_x积的和；(3j)由步骤(3e)得到的块状图像内部一致性系数ω和步骤(3i)的得到的方向偏量矩阵B，构造方向修正矩阵L：L=blaxxblaxyblayxblayy,]]>其中，blaxx=-ω×lbx2+Σnω×lbx2]]>为l_bx的修正平方和，blayy=-ω×lby2+Σnω×lby2]]>为lb_y的修正平方和，blaxy=-ω×lbx×lby+Σnω×lbx×lby]]>为lb_x和lb_y的修正积的和，blayx=-ω×lby×lbx+Σnω×lby×lbx]]>为lb_y和lb_x的修正积的和，n表示块状图像内的像素点个数；(3k)根据步骤(3c)获得的梯度矩阵R最大特征向量对应的特征系数λ₁，步骤(3e)得到的块状图像内部一致性系数ω，步骤(3h)获得的标准化矩阵M和步骤(3j)获得的修正量矩阵L及步骤(2)获得的块角度矩阵及其概率，构造基于先验知识的马尔科夫随机场矩阵P：P=β×(α2×ω)(α2×ω+λ1)×MxxMxyMyxMyy+(λ1)(α2×ω+λ1)blaxxblaxyblayxblayy]]>+φ×ΣPthetacos(pθm)sin(pθm)T×cos(pθm)sin(pθm)×p(m)]]>其中，α为标准化矩阵M的权重系数，α＝1，β为马尔科夫随机场权重系数，β＝O.7，φ为先验知识权重系数，φ＝0.3；(4)根据步骤(3)构造的基于先验知识的马尔科夫随机场矩阵P，提取指纹图像最终方向场；(4a)采用幂法计算基于先验知识的马尔科夫随机场矩阵P的最大特征值对应的特征向量G：G＝[la_x la_y]^T，获得的最终方向场为O_M：OM=tan-1(lay/lax)+π/2iftan-1(lay/lax)≤0tan-1(lay/lax)-π/2iftan-1(lay/lax)>0;]]>其中，la_x表示特征向量G在x轴上的方向分量，la_y表示特征向量G在y轴上的方向分量。