一種基于樸素貝葉斯分類器的假指紋檢測(cè)方法
【專利摘要】一種基于樸素貝葉斯分類器的假指紋檢測(cè)方法，包括以下步驟：1）訓(xùn)練庫劃分；2）圖像歸一化；3）特征提?。?.1）離散小波變換；3.2）去噪；3.3）小波重構(gòu)；3.4）噪聲圖估計(jì)；3.5）標(biāo)準(zhǔn)差圖計(jì)算；3.6）劃分標(biāo)準(zhǔn)差圖，統(tǒng)計(jì)得到圖像的特征；4）特征劃分；5）分類器訓(xùn)練；6）分類器性能評(píng)估；7）分類器融合：利用樸素貝葉斯分類器構(gòu)造的方法，融合得到新的分類器。本發(fā)明對(duì)單個(gè)分類器性能要求不高，但分類器融合后的效果卻可以非常好。
【專利說明】一種基于樸素貝葉斯分類器的假指紋檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理、機(jī)器學(xué)習(xí)、模式識(shí)別等【技術(shù)領(lǐng)域】，尤其是一種針對(duì)指紋圖像的真假檢測(cè)方法。
【背景技術(shù)】
[0002]圖像處理、特征提取、分類器訓(xùn)練和圖像分類等是假指紋檢測(cè)方法中的重要環(huán)節(jié)。
[0003]Y.S.Moon等提出了一種基于噪聲的假指紋檢測(cè)算法，并對(duì)200張分辨率為IOOOdpi的真假指紋圖像進(jìn)行測(cè)試，全部分類正確。L.F.A.Pereria等根據(jù)Moon的論文，進(jìn)一步提出了針對(duì)分辨率為500dpi的指紋圖像的基于噪聲的假指紋檢測(cè)算法，并對(duì)LivDet2011的sagem庫進(jìn)行測(cè)試，平均判錯(cuò)率為12.8%。
[0004]基于噪聲的檢測(cè)方法的原理，Y.S.Moon的論文中有介紹，大概的原理是:主流的制作假指紋的材料如粘土和明膠，在制作假指紋的過程中，由于包含大有機(jī)分子，一般會(huì)凝結(jié)成塊，這就導(dǎo)致了假指紋的粗糙。因此，一般來說，假指紋的指尖表面是比活體的更粗糙。這一特性可以作為假指紋檢測(cè)算法的依據(jù)，其在數(shù)據(jù)上的表現(xiàn)為:假指紋圖像的噪聲比真指紋圖像的噪聲有更大的標(biāo)準(zhǔn)差。由于Moon論文中提出的算法針對(duì)分辨率為IOOOdpi的指紋圖像，而目前普遍使用的是500dpi的指紋采集儀，為了檢驗(yàn)其算法對(duì)500dpi圖像的適用性，L.F.A.Pereria用LivDet2011的sagem指紋庫進(jìn)行了測(cè)試,平均判錯(cuò)率為42.8%,與目前主流算法性能相差甚遠(yuǎn)。因此L.F.A.Pereria等對(duì)該算法進(jìn)行了改進(jìn)，提出了基于空間表面粗糙度分析(Spatial surface coarseness analysis,簡(jiǎn)稱SSCA)的假指紋檢測(cè)方法，主要對(duì)特征提取進(jìn)行了改進(jìn)，將噪聲圖分塊并求標(biāo)準(zhǔn)差，對(duì)得到的標(biāo)準(zhǔn)差圖分塊并統(tǒng)計(jì)，最后的統(tǒng)計(jì)值最為其特征，綜合所有小塊，即得到指紋圖像的特征。該算法在LivDet2011的sagem指紋圖像庫上測(cè)試得到的平均判錯(cuò)率為12.8%。
[0005]支持向量機(jī)是一種監(jiān)督式學(xué)習(xí)的方法，可廣泛地應(yīng)用于統(tǒng)計(jì)分類以及回歸分析。支持向量機(jī)屬于一般化線性分類器，也被認(rèn)為是提克洛夫規(guī)范化(TikhonovRegularization)方法的一個(gè)特例。這種分類器的特點(diǎn)是能夠同時(shí)最小化經(jīng)驗(yàn)誤差與最大化幾何邊緣區(qū)，因此支持向量機(jī)也被稱為最大邊緣區(qū)分類器。
[0006]樸素貝葉斯分類器是一種應(yīng)用基于獨(dú)立假設(shè)的貝葉斯定理的簡(jiǎn)單概率分類器，也可更精確的描述這種潛在的概率模型為獨(dú)立特征模型。貝葉斯分類的基礎(chǔ)是概率推理，就是在僅知各條件的出現(xiàn)概率，而不確定其是否存在的情況下，如何完成推理和決策任務(wù)。而樸素貝葉斯分類器是基于獨(dú)立假設(shè)的，即假設(shè)樣本每個(gè)特征與其他特征都不相關(guān)，即使這些特征相互依賴或者有些特征由其他特征決定，都認(rèn)為這些屬性在判定概率分布上是獨(dú)立的。樸素貝葉斯分類器依靠精確的自然概率模型，在有監(jiān)督學(xué)習(xí)的樣本中可以獲得非常好的分類效果。在許多實(shí)際應(yīng)用中，樸素貝葉斯模型參數(shù)估計(jì)使用最大似然估計(jì)方法，并沒有用到貝葉斯概率或者任何貝葉斯模型。盡管是用樸素思想和過于簡(jiǎn)單化的假設(shè)，樸素貝葉斯分類器在很多復(fù)雜的現(xiàn)實(shí)情形中仍能夠取得相當(dāng)好的效果。2004年，一篇分析貝葉斯分類器問題的文章從理論上揭示了若干樸素貝葉斯分類器取得不可思議的分類效果的原因。樸素貝葉斯分類器的一個(gè)優(yōu)勢(shì)在于只需要根據(jù)少量的訓(xùn)練數(shù)據(jù)就能估計(jì)出必要的參數(shù)。通過簡(jiǎn)單的概率方法分析可以知道，目前的假指紋檢測(cè)方法普遍存在的缺點(diǎn)是只用單分類器來進(jìn)行分類，但是單分類器的假指紋檢測(cè)算法的結(jié)果是不夠可靠的。

【發(fā)明內(nèi)容】

[0007]為了彌補(bǔ)現(xiàn)有假指紋檢測(cè)方法的單個(gè)分類器分類結(jié)果不可靠的不足，本發(fā)明提供一種分類結(jié)果可靠性良好的基于樸素貝葉斯分類器的假指紋檢測(cè)方法。
[0008]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:
[0009]一種基于樸素貝葉斯分類器的假指紋檢測(cè)方法，包括以下步驟:
[0010]I)訓(xùn)練庫劃分:將訓(xùn)練庫圖像隨機(jī)分成相等的兩份，記為A、B ;
[0011]2)圖像歸一化:利用指紋圖像歸一化函數(shù)將圖像尺寸統(tǒng)一成m像素Xn像素(m，η的取值為4的倍數(shù)，通?？梢匀?56，512等)；
[0012]3)特征提取:對(duì)圖像進(jìn)行噪聲提取和處理，包括以下過程:
[0013]3.1)對(duì)圖像進(jìn)行離散小波變換，得到一個(gè)低頻部分和六個(gè)高頻部分；
[0014]3.2)對(duì)變換后的六個(gè)高頻部分用雙曲收縮法去噪；
[0015]3.3)根據(jù)步驟3.2)得到的六個(gè)高頻部分和之前的低頻部分進(jìn)行小波重構(gòu)，得到去噪后的圖像；
[0016]3.4)將原圖像與去噪后圖像相減，得到噪聲圖；
`[0017]3.5)將噪聲圖劃分成個(gè)小塊，其中？!￡為小塊的寬度與原圖像寬度的比值，



Ir X Jr V
Py為小塊的長(zhǎng)度與原圖像長(zhǎng)度的比值，計(jì)算每一塊的標(biāo)準(zhǔn)差，得到標(biāo)準(zhǔn)差圖；
[0018]3.6)計(jì)算標(biāo)準(zhǔn)差圖中的最大值，記為S，把區(qū)間[0，S]分成1-^x-(記為k)等



JA Py _
份，得到k個(gè)區(qū)間，將標(biāo)準(zhǔn)差圖劃分為個(gè)小塊，其中^為小塊的寬度與原圖像寬度的
比值，qy為小塊的長(zhǎng)度與原圖像長(zhǎng)度的比值，統(tǒng)計(jì)每一小塊中標(biāo)準(zhǔn)差值落入k個(gè)區(qū)間中的數(shù)目，得到k個(gè)值，以此作為該小塊特征，綜合每一塊，即得到該圖像特征；
[0019]4)特征劃分:將特征劃分為4份，分別對(duì)應(yīng)于圖像的左上、右上、左下、右下四個(gè)部分；
[0020]5)分類器訓(xùn)練:用SVM分別訓(xùn)練劃分后的特征，得到分類器，對(duì)于A、B兩個(gè)訓(xùn)練庫共可得到8個(gè)分類器；
[0021]6)分類器性能評(píng)估:
[0022]6.1)對(duì)于A中的4個(gè)分類器，分別用B中對(duì)應(yīng)位置得到的特征來進(jìn)行測(cè)試，統(tǒng)計(jì)假指紋的判對(duì)率以及真指紋的判錯(cuò)率；
[0023]6.2)同理，對(duì)于B中的4個(gè)分類器，分別用A中對(duì)應(yīng)位置得到的特征來進(jìn)行測(cè)試，統(tǒng)計(jì)假指紋的判對(duì)率以及真指紋的判錯(cuò)率；
[0024]7)分類器融合:
[0025]7.1)對(duì)于一張未知的指紋圖像，認(rèn)為其為假指紋的概率為先驗(yàn)概率，綜合8個(gè)分類器的分類結(jié)果后，當(dāng)判為假指紋的概率大于等于概率閾值T時(shí)，即認(rèn)為這張指紋是假指斯公式得到，測(cè)試指紋為假指紋，且被分類
步假設(shè)，當(dāng)？?先驗(yàn)概率0.5時(shí)判為假指紋，
(比因?yàn)閄I，所以1X1/99。對(duì)于這個(gè)精度，:里就考慮到了融合的方法。而此過程也可辱判定這個(gè)指紋是假指紋的概率提高了，但-思路，提出了融合方法，先確定一系列的相I構(gòu)造所需的獨(dú)立的特征，用每個(gè)分類器來曾加或者降低它是假指紋的概率。因此，只吃能滿足對(duì)真假指紋進(jìn)行分類的要求，這也
5?0八的方法的基礎(chǔ)上，先構(gòu)造多個(gè)獨(dú)立的分已，再用構(gòu)造樸素貝葉斯分類器的方法融合
巨能要求不高，但分類器融合后的效果卻可[每一塊的標(biāo)準(zhǔn)差，得到標(biāo)準(zhǔn)差圖；
5區(qū)間[0,3]分成權(quán)八二 (記為10等份，
，統(tǒng)計(jì)每一小塊中標(biāo)準(zhǔn)差值落入&個(gè)區(qū)間
合每一塊，即得到該圖像特征；
(寸應(yīng)于圖像的左上、右上、左下、右下四個(gè)部
用3穩(wěn)來進(jìn)行訓(xùn)練，得到分類器，這樣就總
(寸應(yīng)位置得到的特征來進(jìn)行測(cè)試，統(tǒng)計(jì)假指電八中對(duì)應(yīng)位置得到的特征來進(jìn)行測(cè)試，統(tǒng)用分類器F來進(jìn)行分類。
[0059]最后的表1是用這個(gè)檢測(cè)方法對(duì)LivDet2011比賽圖像庫的測(cè)試結(jié)果。
[0060]
【權(quán)利要求】
1.一種基于樸素貝葉斯分類器的假指紋檢測(cè)方法，其特征在于:所述假指紋檢測(cè)方法包括以下步驟: . 1)訓(xùn)練庫劃分:將訓(xùn)練庫圖像隨機(jī)分成相等的兩份，記為A、B; .2)圖像歸一化:利用指紋圖像歸一化函數(shù)將圖像尺寸統(tǒng)一成m像素Xn像素，m,η的取值為4的倍數(shù)； .3)特征提取:對(duì)圖像進(jìn)行噪聲提取和處理，包括以下過程: .3.1)對(duì)圖像進(jìn)行離散小波變換，得到一個(gè)低頻部分和六個(gè)高頻部分； .3.2)對(duì)變換后的六個(gè)高頻部分用雙曲收縮法去噪； .3.3)根據(jù)步驟3.2)得到的六個(gè)高頻部分和之前的低頻部分進(jìn)行小波重構(gòu)，得到去噪后的圖像； . 3.4)將原圖像與去噪后圖像相減，得到噪聲圖； .3.5)將噪聲圖劃分成
【文檔編號(hào)】G06K9/62GK103839072SQ201310754757
【公開日】2014年6月4日 申請(qǐng)日期:2013年12月31日 優(yōu)先權(quán)日:2013年12月31日
【發(fā)明者】張永良, 方珊珊, 肖剛, 劉超凡, 王天成 申請(qǐng)人:浙江工業(yè)大學(xué)