一种基于svm-rfe特征选择的假指纹检测方法
【专利摘要】一种基于SVM-RFE特征选择的假指纹检测方法，包括以下步骤：1)图像分割；2)特征提取；2.1)离散小波变换；2.2)双曲收缩法去噪；2.3)小波重构，得到噪声图；2.4)原图像与去噪后图像作差，得到噪声图；2.5)去噪图和噪声图分别分块提取LBP特征；2.6)各块特征归一化，再串联各块特征得到最后指纹特征；4)特征选择；5)分类器训练。本发明和传统仅通过图像噪声来进行假指纹检测的相比，利用了去噪后的图像，同时用LBP方法代替标准差方法提取特征，并且引入SVM-RFE特征选择方法，有效去除无效和冗余的特征，从而提高假指纹检测的可靠性。
【专利说明】-种基于SVM-RFE特征选择的假指纹检测方法
【技术领域】
[0001] 本发明涉及图像处理、机器学习、模式识别、特征选择等【技术领域】，尤其是一种针 对指纹图像的真假检测方法。
【背景技术】
[0002] 图像处理、特征提取、特征选择、分类器训练和图像分类等是假指纹检测方法中的 重要环节。
[0003] 随着自动指纹识别技术的发展，指纹作为身份认证最可靠的方式已被广泛应用于 刑事侦查、边防检查、户籍管理、医疗卫生、门禁控制，遍及银行、金融、社会保险等各个领 域。然而一些不法分子利用廉价材料伪造的指纹，轻易骗过当前众多指纹识别系统，获取非 法利益、扰乱侦查视线，给指纹识别系统带来了极大的安全隐患。为了抵抗伪造的指纹对指 纹识别系统的攻击，假指纹检测技术应运而生。假指纹检测技术是判断指纹样本是否来自 活体指纹的方法。检测方法可分为两类：第一类用手指温度、皮肤导电性、脉搏血氧等特性， 这些特性可以通过在指纹采集仪上加入额外的硬件设备来检测得到，但是会增加采集仪的 成本，这类方法称为基于硬件的假指纹检测方法。第二类方法为了检测指纹图像的活性信 息，对指纹样本做额外的处理，这类方法称为基于软件的方法。这类方法包括静态和动态特 性的检测方法。静态特性从一张或多张图像中提取得到（手指一次或多次放到采集仪上进 行采集），动态特性从多幅指纹图像帧中提取得到（手指放在采集仪上一段时间，获取一段 图像序列进行分析）。基于软件的方法成本低，对用户的侵入性较小，且能用于现有的指纹 采集仪。因此对基于软件的假指纹检测方法的研究，具有重大的实用价值和推广意义。
[0004] 对于基于软件的假指纹检测方法，在Moon的论文（MoonY.S.，ChenJ.S.，Chan K.C.,andWooK.C.:Waveletbasedfingerprintlivenessdetection,Electron. Lett.，2005, 41，pp: 1112 - 1113.SP:Moon，Y.S.，Chen，J.S.，Chan，K.C.，Woo,K.C.:基于 小波的指纹活体检测，电子快报，2005, 41:1112 - 1113。）中，提到了利用指纹图像的 噪声来区别真假指纹，在图像分辨率为1000dpi的指纹库上进行实验，测试了真假指纹 各100张，结果全都分类正确。但是Moon的这个方法对于社会上主流的500dpi的指纹 采集仪得到图像的分类结果是不够理想的，Pereira在其论文（PereiraLFA,Pinheiro HNB,CavalcantiGDC,etal.:Spatialsurfacecoarsenessanalysis:technique forfingerprintspoofdetection[J],Electronicsletters, 2013, 49 (4): 260-261?即： PereiraLFA,PinheiroHNB,CavalcantiGDC等：空间表面粗糖度分析：一种指纹 防伪检测技术[J]，电子快报，2013,49(4) :260-261。）中就有这一测试。Pereira就是在 Moon的工作的基础上，进行了开拓创新，使得基于噪声的方法适用于低分辨率的指纹图像。 从其最后在同一个库上的测试结果来看，Moon的方法的平均错误率是42. 8%，Pereira的 方法则是12. 8%，平均错误率降低了 30%。但是，Moon和Pereira都仅仅是用到指纹的噪 声图，舍去了去噪后的图像，但是去噪后的图像还是存在大量的有用信息。此外，利用标准 差来表示特征，并不能全面反映出区域的各种纹理信息。最后，考虑到指纹图像存在过多无 用背景区域，而在进行特征提取时候，对这些空白区域，也是同样提取特征的，但是这些特 征对假指纹检测来说是完全无效的特征。在这三方面，都有进行改进的空间。
【发明内容】
[0005] 克服现有假指纹检测方法可靠性较差的不足，本发明利用了去噪后的图像，用LBP 方法来代替标准差提取图像特征的方法。此外，加入了特征选择的过程，去掉特征中的无效 和冗余特征，提供了一种可靠性良好的基于SVM-RFE特征选择的假指纹检测方法。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] -种基于SVM-RFE特征选择的假指纹检测方法，所述假指纹检测方法包括以下步 骤：
[0008] 1)图像切割；
[0009] 2)特征提取：
[0010] 2. 1)离散小波变换；
[0011] 2. 2)双曲收缩法去噪；
[0012] 2. 3)小波重构，得到去噪图；
[0013] 2. 4)原图像与去噪图作差，得到噪声图；
[0014] 2. 5)去噪图和噪声图分别分块提取局部二值模式特征；
[0015] 2. 6)各块特征归一化，再串联各块特征得到最后指纹特征；
[0016] 3)特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择 去掉的特征数目由交叉验证确定；
[0017] 4)分类器训练：用SVM来进行训练，得到分类器；
[0018] 5)假指纹检测：对要检测的图像进行1)、2)、3)步骤的操作，然后将得到的特征向 量用分类器来进行分类。
[0019] 进一步，所述步骤2. 1)中，对切割后的指纹图像f(x，y)进行二维离散小波变换， 得到一个低频部分h(X，y)和六个高频部分gk (X，y)，kG{1，2, 3, 4, 5, 6}，其中X，y是指，当 以图像左下角为原点，底边向右为X轴正方向，左边向上为Y轴正方向时，图像像素点在X 和Y轴方向上对应的位置变量；
[0020] 所述步骤2. 2)中，对变换后得到的六个高频部分用双曲收缩法去噪：
[0021]
【权利要求】
1. 一种基于SVM-RFE特征选择的假指纹检测方法，其特征在于：所述假指纹检测方法 包括以下步骤： 1) 图像切割； 2) 特征提取： 2. 1)离散小波变换； 2. 2)双曲收缩法去噪； 2.3) 小波重构，得到去噪图； 2.4) 原图像与去噪图作差，得到噪声图； 2. 5)去噪图和噪声图分别分块提取局部二值模式特征； 2.6)各块特征归一化，再串联各块特征得到最后指纹特征； 3) 特征选择：用SVM-RFE特征选择算法对指纹图像特征进行特征选择，其中选择去掉 的特征数目由交叉验证确定； 4) 分类器训练：用SVM来进行训练，得到分类器； 5) 假指纹检测：对要检测的图像进行1)、2)、3)步的操作，然后将得到的特征向量用分 类器来进行分类。
2.如权利要求1所述的一种基于SVM-RFE特征选择的假指纹检测方法，其特征在于：所述步骤2. 1)中，对切割后的指纹图像f(x，y)进行二维离散小波变换，得到一个低频部分 h(x, y)和六个高频部分gk(x, y), k G {1，2, 3, 4, 5, 6}，其中X，y是指，当以图像左下角为原 点，底边向右为X轴正方向，左边向上为Y轴正方向时，图像像素点在X和Y轴方向上对应 的位置变量； 所述步骤2. 2)中，对变换后得到的六个高频部分用双曲收缩法去噪：
其中，g'k (x，y)是去噪后的高频部分，sgn ()是符号函数，（)+是括号内的数和O中的较 大值，N是gk(x，y)的信号长度，〇是由变换分解得到的第一层的3个高频部分的标准差； 所述步骤2. 3)中，根据步骤2. 2)得到的六个高频部分gk(x，y)，k e {1，2, 3, 4, 5, 6}和 之前的低频部分h(x，y)进行小波重构，得到去噪后的图像f (x，y); 所述步骤2. 4)中，将原图像与去噪图作差，得到噪声图n(x，y): n (x, y) = f (x, y) ~f (x, y) 所述步骤2. 5)中，将去噪图和噪声图均划分成pxXPy的小块，Px、Py分别指的是在X，Y 轴方向上进行的图像划分，大小均通过交叉验证确定，再对噪声图和去噪图的每一分块用 圆形旋转不变统一模式的LBP算子操作，其中R、N分别指LBP中的半径和采样点数，并通过 交叉验证确定，得到LBP特征直方图； 所述步骤2. 6)中，对每一块的统计直方图进行归一化：
其中，Xi为归一化前特征，X' i为归一化后的特征，再串联各块特征得到最后指纹特 征。
3. 如权利要求1或2所述的一种基于SVM-RFE特征选择的假指纹检测方法，其特征在 于：所述步骤1)中，图像切割函数为：F(X，h，w)，其中F表示切割函数，X，h，w是F的自变 量，X是原指纹图像，h，w是切割后的指纹图像的高和宽。
4. 如权利要求3所述的一种基于SVM-RFE特征选择的假指纹检测方法，其特征在于：所述图像切割过程如下： 1. 1)切割初始点定位：对原指纹图像X的每一行与列分别计算平均值，然后分别取平 均值最小的行与列，将此行与列所在的点作为切割初始点； 1.2) 切割边线确定：从切割初始点出发，分别往上下左右四个方向进行移动，每次移 动的间隔是四行或四列；统计每次移动的四行或四列以及X中像素值小于200的个数，并求 它们的比值，若比值小于〇. 01，则停止移动，否则继续； 1.3) 由步骤1.2)确定的切割边线，计算图像的高和宽，然后统计指纹库中所有图像的 高和宽，求平均，分别赋值给h，w ;
【文档编号】G06K9/62GK104361319SQ201410629260
【公开日】2015年2月18日 申请日期:2014年11月10日 优先权日:2014年11月10日
【发明者】张永良, 谢瑜, 方珊珊 申请人:杭州景联文科技有限公司