CN106954002B - 一种指纹数据的压缩方法及装置 - Google Patents

Abstract

本发明涉及指纹识别技术领域，公开了一种指纹数据的压缩方法及装置。本发明中，对源指纹数据进行基于信息熵的压缩，将压缩后的图像数据作为采集到的指纹数据进行存储或输出至下一个处理单元。在不影响***性能的前提下，对源数据进行压缩，达到降低带宽、存储空间以及提高安全性的要求。而且，以特征分解(Eigen decomposition)为基础，基于信息熵的算法进行压缩，使其对于硬件的实现更加容易且成本更低。

Description

一种指纹数据的压缩方法及装置

技术领域

本发明涉及指纹识别技术领域，特别涉及一种指纹数据的压缩方法。

背景技术

随着科技的发展，指纹采集装置出现在人们生活的方方面面。比如：***机，指纹门禁、移动设备等。

通常，指纹采集装置在完成采样后，得到了该次扫描的指纹数据，之后，通过传输总线将数据输出。但在某些场合下，直接传输源数据(raw data)会导致***性能下降和数据丢失。

常见的一些硬件受限制的场合如下：

1、传输数据量d、传输速率rate和传输时间t存在矛盾时。

三者的关系为d＞rate×t，即在给定的传输时间和传输速率的情况下，无法将一定量的数据全部传输出去。当***要求在极短的时间内，以一个较低的传输速率，传送一组较大量的数据时，就会出现性能严重下降的情况。此时，单纯依靠硬件是无法解决此情况的，须从***层面来调整，例如增加传输时间或增大传输速率，可这样又往往会影响到***其他模块的工作。

2、传输数据量d与存储器容量m存在矛盾时。

二者的关系为d＞m，即传输出来的数据量超过了***分配的存储容量。在低成本的***方案中，存储容量是非常宝贵的，硬件无法以一种合适的方式将全部***所需数据存放于有限的存储器内，会导致数据的丢失。

发明内容

本发明的目的在于提供一种指纹数据的压缩方法及装置，在不影响***性能的前提下，对源数据进行压缩，达到降低带宽、存储空间以及提高安全性的要求。

为解决上述技术问题，本发明的实施方式提供了一种指纹数据的压缩方法，包含以下步骤：

对源指纹数据进行基于信息熵的压缩；

将压缩后的图像数据作为采集到的指纹数据进行存储或输出至下一个处理单元。

本发明的实施方式还提供了一种指纹数据的压缩装置，包含：

压缩模块，用于对源指纹数据进行基于信息熵的压缩；

存储模块，用于将压缩后的图像数据作为采集到的指纹数据进行存储；或

输出模块，用于将压缩后的图像数据输出至下一个处理单元。

本发明实施方式相对于现有技术而言，通过对源指纹数据数据进行压缩，减少了传输带宽及存储空间，而且由于压缩与解压缩方法由收发端掌握，具有一定的加密作用，提高了传输的安全性。

另外，在对源指纹数据进行基于信息熵的压缩的步骤之前，还包含：

检测是否收到用于指示压缩的指令；如果未收到所述指令，则直接将所述源指纹数据作为采集到的指纹数据进行存储或输出至下一个处理单元；如果收到所述指令，则再进入所述对源指纹数据进行基于信息熵的压缩的步骤。

通过检测是否收到用于指示压缩的指令，可以选择是否对源指纹数据进行压缩，当传输的数据量大于***分配的存储量时，***可以生成用于指示压缩的指令，然后开始对源指纹数据进行基于信息熵压缩，再将压缩后的指纹数据进行存储或输出至下一个处理单元；当传输的数据量小于***分配的存储量时，***可以不生成用于指示压缩的指令，则直接将源指纹数据作为采集到的指纹数据进行存储或输出至下一个处理单元，使得指纹数据传输过程中可以灵活多变，提高了产品的适应性

另外，对源指纹数据进行基于信息熵的压缩的步骤中，包含以下子步骤：

对源指纹数据进行预测，得到预测图像数据；将所述预测图像数据与所述源指纹数据进行求差，得到差值图像数据；对所述差值图像数据进行特征分解；选取特征值最大的若干个特征值及各特征值对应的特征向量作为压缩后的图像数据，其中，所述特征值表征对应的特征向量在信息熵的权重。

通过第一步的预测和第二步的求差值，可有效减少第三步中特征分解的计算量。由于特征分解中有很多乘加运算，若以此为基础进行硬件的实现，寄存器位宽将会很大，导致成本的上升。若以差值进行特征分解，由于差值往往很小，这样就能大大降低硬件的寄存器位宽，进而降低成本，提高产品的适应性。

另外，对所述差值图像数据进行特征分解包含以下子步骤：

以正方形M×M为单位切分所述差值图像数据的矩阵G_diff；对于每个切分得到的M×M大小的子矩阵，进行奇异值分解SVD，每个子矩阵得到降序排列的M个特征值，以及与该M个特征值一一对应的M组特征向量；

所述选取特征值最大的若干个特征值及各特征值对应的特征向量作为压缩后的图像数据包含以下子步骤：

取各子矩阵的M个特征值中的前k个特征值，以及与所述前k个特征值分别对应的特征向量，作为选取的特征值最大的若干个特征值及各特征值对应的特征向量；其中，所述M、k均为预设的自然数，所述k小于或等于所述M。

通过对差值图像数据的矩阵G_diff进行切分，可以得到数值较小的子矩阵，而对更小的子矩阵进行SVD(奇异值分解)，可大大降低对***的处理能力要求，提高计算效率。另外通过k值的选取可以控制压缩的比率，k值越小压缩比率越大，反之k值越大压缩比率越小，使得压缩的过程简单可控。

另外，在所述以正方形M×M为单位切分所述差值图像数据的矩阵G_diff的步骤之前，还包含：

判断所述差值图像数据的矩阵G_diff的大小是否为正方形M×M的整数倍；如果判断结果为否，则将所述矩阵G_diff补齐为M×M的整数倍。

将矩阵G_diff补齐为M×M的整数倍可以确保对差值图像矩阵G_diff进行切分时得到整数个子矩阵。

附图说明

图1是根据本发明实施方式中指纹数据压缩装置的硬件结构示意图；

图2是根据第一实施方式的指纹数据压缩方法流程图；

图3是根据第一实施方式中对图像数据进行压缩的流程图；

图4是根据第一实施方式中对图像数据进行预测时当前像素与邻近像素的位置示意图；

图5是根据第一实施方式中对图像数据进行预测的算法实例示意图；

图6是根据第一实施方式中的差值矩阵G_diff的量化示意图；

图7是根据第一实施方式中对差值图像数据进行特征分解时不同k值下的压缩算法重构图；

图8是根据第二实施方式的指纹数据压缩方法流程图；

图9是根据第三实施方式的指纹数据压缩装置框架示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

本发明的实施方式提出了一种带有指纹数据压缩装置(compressor)的硬件结构，它将源数据以某种方式转化为压缩数据(compressed data)，且在硬件的实现较为容易且成本更优。其核心技术包含：

1、硬件***层面

如图1所示：在模拟数字转换器(ADC)后，加入了数据压缩模块，且可以选择开启或关闭。当该模块开启时，则使用数据压缩模块进行数据处理后再传输，输出的数据为压缩后的数据；当该模块关闭时，输出的数据为源数据。

2、基于特征分解的压缩算法

常见的压缩算法以傅里叶变换或类傅里叶变换并结合量化为主，是基于频域的算法。而本发明的技术以特征分解(Eigen decomposition)为基础，是基于信息熵的算法。但是，先前的特征分解压缩方法，没有考虑图像的特性，即图像数据从空间或时间上来看，都有很强的相关性。本发明的实施方式中，提出了预测的方法，对差值进行特征分解，使其对于硬件的实现更加容易且成本更低。

3、在不影响性能的前提下，采用有损压缩

考虑到具体的应用场景，无需使用源数据来做进一步的处理，因为有损压缩后再重建数据(decompressed data)可以提供相同或十分近似的数据输入。

下面针对本发明的各实施方式进行具体说明。

本发明的第一实施方式涉及一种指纹数据压缩方法，具体流程如图2所示：

在步骤201中，采集指纹，如利用指纹采集装置进行指纹的采集。

在步骤202中，对采集到的指纹数据进行放大处理，通过放大处理，可以使采集到的指纹数据中较弱的信号变强，方便对指纹数据进一步处理。

在步骤203中，对放大处理后的指纹数据进行滤波处理，通过滤波可以消除指纹数据中的干扰信号，提高指纹数据处理的准确度。

在步骤204中，对滤波处理后的指纹数据进行模数转换，通过模数转换，使指纹数据从模拟量转换为数字量，方便之后对指纹数据进行压缩和传输。

在步骤205中，对模数转换后的指纹数据进行压缩，具体地说，本实施方式中压缩算法的核心思想对源指纹数据预测、求差值后进行特征值分解，然后选择若干特征值较大的特征向量来表达源图像(源指纹数据)，具体流程(即图1中的数据压缩模块实现的流程)如图3所示：

在步骤301中，对模数转换后的指纹数据进行预测，得到预测图像数据。

由于图像数据从空间或时间上来看，都有很强的相关性，即帧内或帧间在某一个位置的灰度值与邻近位置的灰度值很接近，且有关联性，如图4所示(帧内)。因此，若已知邻近位置的灰度值，就可以预测出当前位置的灰度值。当然，预测的灰度值G_pred和真实值G存在差值G_diff。

预测算法由以式子4-1给出：

不失一般性，我们假设a≤b，那么预测算法的意义可以这样来理解：当x的左边存在一个垂直的边缘时，则选像素a作为x的预测值；若x的上方有一个水平的边缘，则选取像素b作为x的预测值；如果没有检测到边缘，则用一个平面预测a+b-c来作为x的预测值。其中，边缘是指和当前像素的灰度值差异很大的点，非边缘是指和当前像素的灰度值接近的点。从上面可以看到，这种预测具有边缘自检测功能，特别适合指纹图像，并且实现简单。

假设图像尺寸为w×h，每个采样点是N位的，如N＝12。我们预测一副图像需要的数据量仅为(w+h-1)×N。

在步骤302中，将预测图像数据与模数转换后的指纹数据进行求差，得到差值图像数据。

差值图像数据的矩阵G_diff由公式4-2给出：

G_diff＝G_pred-G (4-2)

下面以一幅真实的指纹图像来展示这一预测过程，如图5所示：左图为源图像，中图为预测图像，右图为差值图像。

在对差值图像数据的矩阵G_diff进行量化的过程中，假设每个采样点是N位的，如N＝12，在得到G_diff后，该矩阵有正数也有负数，且其绝对值一定是小于2^N。为了进一步细化G_diff的范围，我们通过实验数据分析，将其位宽的最大值定为round(2×N/3+1)，含符号位，如图6所示：其中左图为源差值图像，中间图为量化后差值图像，右图为二者差值图像。

在步骤303中，判断该差值图像数据的矩阵的大小是否为正方形M×M的整数倍，其中M的取值范围为4至32，优选地M可取为16，可使得在计算量与图像逼近的效果上达到较好的平衡。如果判断结果为是，则直接进入步骤304中对差值图像数据的矩阵进行切分，否则进入步骤305，将差值图像数据的矩阵以M×M补齐。

在步骤304中，将差值图像矩阵G_diff以正方形M×M为单位进行切分，得到若干个子矩阵。具体地说，切分后得到的若干个子矩阵大小均为M×M。

在步骤305中，将矩阵G_diff补齐为M×M的整数倍。具体地说，假如矩阵G_diff的大小不是M×M的整数倍，需要将差值矩阵G_diff补齐为M×M的整数倍，可以确保对矩阵G_diff进行切分时得到整数个子矩阵。

在步骤306中，对一个子矩阵进行SVD(奇异值分解)，得到降序排列的M个特征值，以及与该M个特征值一一对应的M组特征向量。具体地说，SVD后得到的特征值表征对应的特征向量在信息熵中的权重，对子矩阵做SVD可由QR分解(即将矩阵分解成一个正规正交矩阵Q与上三角形矩阵R)等方法来完成，由于QR分解等方法为通用方法，故在此不再赘述。另外，对得到的M个特征值，以及与该M个特征值一一对应的M组特征向量进行降序排列，可以方便对M个特征值进行取值。

在步骤307中，取M个特征值中的前k个特征值，以及与前k个特征值分别对应的特征向量，存储之，其中k小于或等于M。本步骤中k值的选取非常关键，因为其将直接影响到逼近的效果，同时也影响到压缩比例。一般情况下k的取值范围为2至M时有比较好的逼近效果。在本实施方式，将k值取为3，以达到较佳的逼近效果与压缩比率的平衡。图7为使用本实施方式选取的特征向量进行重构的图像示例，可见，在k＝3时，几乎和源图像一致，说明逼近效果很好。

通过实验，可以得到k＝ceil(M/6)，其中ceil函数为往正值方向取值，例如ceil(2.3)会得到3。从前面的步骤可知，当M＝16，k＝3时，即，从16个降序排列的特征值中取前3个及其各自对应的2个长度为M的特征向量，会在计算量与图像逼近的效果上达到较好的平衡。

在步骤308中，判断是否还存在未进行SVD(奇异值分解)的子矩阵，具体地说，如果判断结果为是，说明对矩阵G_diff进行切分后得到的若干个子矩阵中还有未进行SVD的子矩阵，则回到步骤306对下一个子矩阵进行SVD，直到全部都分解完毕。如果判断结果为否说明所有子矩阵已经全部进行SVD，则直接进入步骤309。

通过步骤306至308，将切分后得到的每个M×M大小的子矩阵，都逐一进行SVD，获取各子矩阵的前k个特征值，以及与前k个特征值分别对应的特征向量，作为选取的差值图像数据中特征值最大的若干个特征值及各特征值对应的特征向量。

在步骤309中，将所有子矩阵中每个子矩阵的前k个特征值，以及与k个特征值分别对应的特征向量，即将差值图像数据中特征值最大的若干个特征值及各特征值对应的特征向量，作为压缩后的图像数据。

在步骤206中，将压缩后的图像数据作为采集到的指纹数据进行存储或输出至下一个处理单元。比如说，将压缩后的图像数据作为采集到的指纹数据存储到自置的存储单元中，或者，将压缩后的图像数据作为采集到的指纹数据，通过传输总线将数据输出到处理器或***内存中。

不难发现，通过对模数转换后的指纹数据进行预测和对预测图像数据与模数转换后的指纹数据进行求差，可以减少特征分解的计算量，由于差值很小，在以差值进行的SVD分解时，能大大降低硬件的寄存器位宽，使成本更有适应性。另外通过对指纹数据进行压缩可以减少存储或传输数据量且压缩比率可控制，由于压缩与解压缩方法由收发端掌握，具有一定的加密作用，提高安全性的要求。

本发明的第二实施方式涉及一种指纹数据的压缩方法。第二实施方式在第一实施方式的基础上做了改进，改进之处在于：在第一实施方式中，直接通过压缩算法将采集到的指纹数据压缩后进行存储或输出至下一个处理单元。而在本发明第二实施方式中，通过检测是否收到用于指示压缩图像的指令，选择是否对采集到的指纹数据进行压缩。具体流程如图8所：

步骤801-804与第一实施方式中的步骤201-204一样，在此不再赘述。

在步骤805中，检测是否收到用于指示压缩图像的指令，具体地说，当传输的数据量小于***分配的存储量时，***可以不生成到用于指示压缩图像的指令，则进入步骤806直接将经模数转换后的图像数据，作为采集到的指纹数据进行存储或输出至下一个处理单元。当传输的数据量大于***分配的存储量时，***可以生成用于指示压缩图像的指令，则进入步骤807开始对模数转换后的图像数据进行压缩。

在通过硬件具体实现时，可利用一外部寄存器发送一个控制信号，控制信号用于控制图1中的开关是否导通，以控制模数转换后的图像数据的压缩与否。

步骤807-808与第一实施方式中的步骤205-206一样，在此不再赘述。

本实施方式通过检测是否收到用于指示压缩图像的指令，选择是否对采集到的指纹数据进行压缩，使得指纹数据的传输过程可以灵活多变，提高了产品的适应性。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第三实施方式涉及一种指纹数据的压缩装置，包含：

压缩模块，用于对源指纹数据进行基于信息熵的压缩。

存储模块，用于将压缩后的图像数据作为采集到的指纹数据进行存储；或

输出模块，用于将压缩后的图像数据输出至下一个处理单元；以及

控制模块，用于检测是否收到用于指示压缩的指令，并在未收到该指令时，直接将源指纹数据作为采集到的指纹数据进行存储或输出至下一个处理单元；在收到该指令时，触发压缩模块对源指纹数据进行基于信息熵的压缩。

需要说明的是，本实施方式中还包含模数转换模块，用于对采集到的源指纹数据进行模数转换，如图9所示。

在本实施方式中，压缩模块还包含：

预测子模块，用于对源指纹数据进行预测，得到预测图像数据；

求差子模块，用于将预测图像数据与源指纹数据进行求差，得到差值图像数据；

特征分解子模块，用于对差值图像数据进行特征分解；

选取子模块，用于选取特征值最大的若干个特征值及各特征值对应的特征向量，作为压缩后的图像数据；其中，该特征值表征对应的特征向量在信息熵中的权重。

不难发现，本实施方式为与第二实施方式中的压缩算法相对应的***实施例，本实施方式可与第二实施方式中的压缩算法互相配合实施。第二实施方式中的压缩算法中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第二实施方式中的压缩算法中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (7)

1.一种指纹数据的压缩方法，其特征在于，包含以下步骤：

对源指纹数据进行基于信息熵的压缩；

将压缩后的图像数据作为采集到的指纹数据进行存储或输出至下一个处理单元；

所述对源指纹数据进行基于信息熵的压缩的步骤中，包含以下子步骤：

对源指纹数据进行预测，得到预测图像数据；

将所述预测图像数据与所述源指纹数据进行求差，得到差值图像数据；

对所述差值图像数据进行特征分解；

选取特征值最大的若干个特征值及各特征值对应的特征向量作为压缩后的图像数据，其中，所述特征值表征对应的特征向量在信息熵的权重；

所述对所述差值图像数据进行特征分解包含以下子步骤：

以正方形M×M为单位切分所述差值图像数据的矩阵G_diff；

对于每个切分得到的M×M大小的子矩阵，进行奇异值分解SVD，每个子矩阵得到降序排列的M个特征值，以及与该M个特征值一一对应的M组特征向量；

所述选取特征值最大的若干个特征值及各特征值对应的特征向量作为压缩后的图像数据包含以下子步骤：

取各子矩阵的M个特征值中的前k个特征值，以及与所述前k个特征值分别对应的特征向量，作为选取的特征值最大的若干个特征值及各特征值对应的特征向量；

其中，所述M、k均为预设的自然数，所述k小于或等于所述M。

2.根据权利要求1所述的指纹数据的压缩方法，其特征在于，在对源指纹数据进行基于信息熵的压缩的步骤之前，还包含：

检测是否收到用于指示压缩的指令；

如果未收到所述指令，则直接将所述源指纹数据作为采集到的指纹数据进行存储或输出至下一个处理单元；

如果收到所述指令，则再进入所述对源指纹数据进行基于信息熵的压缩。

3.根据权利要求1所述的指纹数据的压缩方法，其特征在于，在所述以正方形M×M为单位切分所述差值图像数据的矩阵G_diff的步骤之前，还包含：

判断所述差值图像数据的矩阵G_diff的大小是否为正方形M×M的整数倍；

如果判断结果为否，则将所述矩阵G_diff补齐为M×M的整数倍。

4.根据权利要求1所述的指纹数据的压缩方法，其特征在于，所述M的取值范围为4至32。

5.根据权利要求1所述的指纹数据的压缩方法，其特征在于，所述k的取值范围为2至所述M。

6.一种指纹数据的压缩装置，其特征在于，包含：

压缩模块，用于对源指纹数据进行基于信息熵的压缩；

存储模块，用于将压缩后的图像数据作为采集到的指纹数据进行存储；或

输出模块：用于将压缩后的图像数据输出至下一个处理单元；

所述压缩模块包含：

预测子模块，用于对源指纹数据进行预测，得到预测图像数据；

求差子模块，用于将所述预测图像数据与所述源指纹数据进行求差，得到差值图像数据；

特征分解子模块，用于对所述差值图像数据进行特征分解；

选取子模块，用于选取特征值最大的若干个特征值及各特征值对应的特征向量，作为压缩后的图像数据；其中，所述特征值表征对应的特征向量在信息熵中的权重；

所述特征分解子模块，具体用于：

以正方形M×M为单位切分所述差值图像数据的矩阵G_diff；

对于每个切分得到的M×M大小的子矩阵，进行奇异值分解SVD，每个子矩阵得到降序排列的M个特征值，以及与该M个特征值一一对应的M组特征向量；

所述选取子模块，具体用于：

取各子矩阵的M个特征值中的前k个特征值，以及与所述前k个特征值分别对应的特征向量，作为选取的特征值最大的若干个特征值及各特征值对应的特征向量；

其中，所述M、k均为预设的自然数，所述k小于或等于所述M。

7.根据权利要求6所述的指纹数据的压缩装置，其特征在于，还包含：

控制模块，用于检测是否收到用于指示压缩的指令，并在未收到所述指令时，直接将所述源指纹数据作为采集到的指纹数据进行存储或输出至下一个处理单元；在收到所述指令时，触发所述压缩模块对所述源指纹数据进行基于信息熵的压缩。