CN112434658A - 一种智慧城市指纹图像多特征快速匹配算法 - Google Patents
一种智慧城市指纹图像多特征快速匹配算法 Download PDFInfo
- Publication number
- CN112434658A CN112434658A CN202011437061.6A CN202011437061A CN112434658A CN 112434658 A CN112434658 A CN 112434658A CN 202011437061 A CN202011437061 A CN 202011437061A CN 112434658 A CN112434658 A CN 112434658A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- fingerprint image
- matching
- feature
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000008520 organization Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种智慧城市指纹图像多特征快速匹配算法，包括指纹图像进行采集、指纹图像预处理、指纹特征提取、将指纹图像描述子进行分类、分层存储，按照树形结构进行组织分类，优化存储结构，同时，提出对指纹图像的众多特征进行分层匹配，当浅层特征不匹配时，不进行进一步的深层特征匹配。在指纹匹配时减少了指纹匹配数量，加快了指纹匹配检索的速度。针对每一层的高纬度特征匹配时间昂贵问题，采用FLANN匹配算法进行特征的匹配，加快了匹配速度，降低高维度数据匹配的代价。
Description
技术领域
本发明涉及一种智慧城市指纹图像多特征快速匹配算法。
背景技术
目前的指纹识别技术主要分为基于细节点特征、纹理特征的指纹匹配算法，需要进行大量的特征提取和匹配算法的运算，实时性能受到影响。随着智慧城市建设进程的不断推进，应用的不断深入，对指纹识别的实时性和准确性提出了更高的要求。当指纹库较大时，现有的算法仅仅计算指纹图像特征匹配度，匹配算法也仅仅针对特征点进行匹配，没有充分考虑指纹图像本身的特点来减少匹配次数加快匹配速度，当特征点的维度较高时，进行相似度计算的时间代价昂贵，使用简单的暴力匹配进行两幅指纹图像的匹配使得实时性得不到保障。
加快指纹图像的指纹图像描述子匹配速度，提高指纹识别性能和匹配的实时性，是亟待解决的问题。
发明内容
本发明要解决的技术问题是：如何对指纹图像进行快速准确的匹配和识别。
为了解决上述问题，本发明的技术方案是提供了一种智慧城市指纹图像多特征快速匹配算法，其特征在于，包括如下步骤：
步骤1、对指纹图像进行采集，获取包含指纹信息的数字图像；
步骤2、对步骤1采集到的指纹图像进行预处理，使得指纹的信息更加突出，指纹的纹路得到加强；
步骤3、对处理后的指纹图像的指纹特征进行提取，并按照指纹分类特征构建指纹图像描述子数据库；
步骤4、针对单幅指纹图像，根据不同的指纹图像构建指纹图像描述子，并对指纹图像描述子进行分层，包括第一层局部特征和第二层特征点向量特征；
步骤5、按照指纹分类特征在指纹图像描述子数据库中寻找最匹配的待匹配指纹图像集合，对步骤4中指纹图像描述子进行分层匹配；
步骤6、当第一层的局部特征匹配大于设定的阈值时，进行第二层特征点向量特征匹配；否则不进行第二层特征点向量特征的匹配，返回步骤5直接从待匹配的指纹图像集合中选取下一幅图像进行匹配。
步骤7、当第二层特征点向量特征匹配的两幅指纹图像的相似度大于设定的阈值时，则判定两幅指纹图像匹配；否则返回步骤5，从待匹配的指纹图像集合中选取下一幅图像进行匹配。
优选地，所述步骤1中通过传感器对指纹图像进行采集。
优选地，所述预处理步骤包括指纹图像分割、增强、去噪、二值化和细化。
优选地，所述指纹分类特征包含拱型、帐型、左箕型、右箕型、双箕型和斗型。
优选地，所述步骤4中第一层局部特征包括纹理特征、方向场特征、脊线特征和纹数特征；第二层特征点向量特征包括端点特征、分叉点特征和交叉点特征。
优选地，所述步骤7中进行第二层特征点向量特征匹配时，每个特征点以直角坐标系中特征点的类型、方向角度和坐标位置来特征向量化表示；当数据量太大，匹配时采用FLANN算法来降低高维度数据的最近点计算代价。
与现有技术相比，本发明的有益效果是：
(1)将指纹图像描述子存储时进行分类按照树形结构存储，在指纹匹配时减少了指纹匹配数量，加快了指纹匹配检索的速度。
(2)高质量的指纹特征点较多，匹配时进行相似度的计算是一对多问题，本发明将特征进行分层，然后按照层进行匹配，当上层不能匹配过，不需要匹配下层。对高维度特征匹配时选择FLANN匹配算法，降低高维度数据匹配的代价。
附图说明
图1为本发明一种智慧城市指纹图像多特征快速匹配算法指纹匹配流程图；
图2为分类存储的指纹图像描述子示意图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
本发明的技术方案是提供了一种智慧城市指纹图像多特征快速匹配算法，包括如下步骤：
步骤1、指纹图像的采集：使用传感器获取包含指纹信息的数字图像，是包含0-255灰度级的灰度图像。
步骤2、通过图像预处理模块对步骤1采集到的指纹图像进行预处理，主要是将指纹特征信息更加突出，包含指纹图像分割、指纹图像增强、去噪、二值化、细化等操作，将指纹的信息更加突出，指纹的纹路得到加强，提高特征提取的正确率。
步骤3、指纹特征提取，可用于数据库构建和指纹特征匹配识别，前期构建指纹图像描述子数据库，后期用于指纹图像的匹配和识别。全局特征反映指纹图像整体特征，定义指纹分类特征包含6大类，包含拱型、帐型、左箕型、右箕型、双箕型和斗型。在减少一对多种来减少搜索量来提高匹配效率。按照上面的分类来进行指纹图像描述子的数据库构建。
步骤4、针对单幅指纹图像，根据不同的指纹图像构建指纹图像描述子，并对指纹图像描述子进行分层组织结构，方便查询。具体第一层局部特征有纹理特征、方向场特征、脊线特征和纹数等一些图像的整体或局部特征。第二层特征有端点、分叉点、交叉点等一些特征点向量特征，如图2所示。
步骤5、按照指纹分类特征在指纹图像描述子数据库中寻找最匹配的待匹配指纹图像集合，对步骤4中指纹图像描述子进行分层匹配；
步骤6、当进行指纹特征匹配时，需要使用第一层局部特征和具有高区分度的第二层点特征来进行分层匹配。当第一层的局部特征匹配大于设定的阈值时，进行第二成特征点特征向量匹配；否则不进行第二层特征的匹配，返回步骤5直接从待匹配的指纹图像集合中选取下一幅图像进行匹配。此处的阈值根据具体业务安全系数来确定，如支付业务阈值一般选择较高，普通可以选择低一些，一般阈值取经验值0.8-0.95即可，表示有80％-95％的特征可以匹配上。
步骤7、当第二层特征点向量特征匹配的两幅指纹图像的相似度大于设定的阈值时，则判定两幅指纹图像匹配；否则返回步骤5，从待匹配的指纹图像集合中选取下一幅图像进行匹配。第二层匹配阈值可以和第一层阈值不同，一般取经验值0.8-0.95，表示有80％-95％的特征可以匹配上。
进行第二类特征点匹配时，每个特征点以直角坐标系中特征点的类型type，方向角度θ，坐标位置(x,y)来特征向量化表示，当数据量太大，匹配时采用FLANN算法来降低高维度数据的最近点计算代价，当两幅指纹图像的相似度大于设定的阈值，则判定两幅指纹图像匹配，否则匹配下一幅图像。
本发明将指纹图像描述子进行分类、分层存储，按照树形结构进行组织分类，优化存储结构，以减少匹配图像对比的次数。同时，提出对指纹图像的众多特征进行分层匹配，当浅层特征不匹配时，不进行进一步的深层特征匹配。针对每一层的高纬度特征匹配时间昂贵问题，采用FLANN匹配算法进行特征的匹配，FLANN针对大数据集合的高纬度特征进行相似度计算具有优势，可以加快匹配速度，降低高维度数据匹配的代价。
Claims (6)
1.一种智慧城市指纹图像多特征快速匹配算法，其特征在于，包括如下步骤：
步骤1、对指纹图像进行采集，获取包含指纹信息的数字图像；
步骤2、对步骤1采集到的指纹图像进行预处理，使得指纹的信息更加突出，指纹的纹路得到加强；
步骤3、对处理后的指纹图像的指纹特征进行提取，并按照指纹分类特征构建指纹图像描述子数据库；
步骤4、针对单幅指纹图像，根据不同的指纹图像构建指纹图像描述子，并对指纹图像描述子进行分层，包括第一层局部特征和第二层特征点向量特征；
步骤5、按照指纹分类特征在指纹图像描述子数据库中寻找最匹配的待匹配指纹图像集合，对步骤4中指纹图像描述子进行分层匹配；
步骤6、当第一层的局部特征匹配大于设定的阈值时，进行第二层特征点向量特征匹配；否则不进行第二层特征点向量特征的匹配，返回步骤5直接从待匹配的指纹图像集合中选取下一幅图像进行匹配。
步骤7、当第二层特征点向量特征匹配的两幅指纹图像的相似度大于设定的阈值时，则判定两幅指纹图像匹配；否则返回步骤5，从待匹配的指纹图像集合中选取下一幅图像进行匹配。
2.如权利要求1所述的一种智慧城市指纹图像多特征快速匹配算法，其特征在于：所述步骤1中通过传感器对指纹图像进行采集。
3.如权利要求1所述的一种智慧城市指纹图像多特征快速匹配算法，其特征在于：所述预处理步骤包括指纹图像分割、增强、去噪、二值化和细化。
4.如权利要求1所述的一种智慧城市指纹图像多特征快速匹配算法，其特征在于：所述指纹分类特征包含拱型、帐型、左箕型、右箕型、双箕型和斗型。
5.如权利要求1所述的一种智慧城市指纹图像多特征快速匹配算法，其特征在于：所述步骤4中第一层局部特征包括纹理特征、方向场特征、脊线特征和纹数特征；第二层特征点向量特征包括端点特征、分叉点特征和交叉点特征。
6.如权利要求1所述的一种智慧城市指纹图像多特征快速匹配算法，其特征在于：所述步骤7中进行第二层特征点向量特征匹配时，每个特征点以直角坐标系中特征点的类型、方向角度和坐标位置来特征向量化表示；当数据量太大，匹配时采用FLANN算法来降低高维度数据的最近点计算代价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011437061.6A CN112434658A (zh) | 2020-12-10 | 2020-12-10 | 一种智慧城市指纹图像多特征快速匹配算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011437061.6A CN112434658A (zh) | 2020-12-10 | 2020-12-10 | 一种智慧城市指纹图像多特征快速匹配算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112434658A true CN112434658A (zh) | 2021-03-02 |
Family
ID=74691080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011437061.6A Withdrawn CN112434658A (zh) | 2020-12-10 | 2020-12-10 | 一种智慧城市指纹图像多特征快速匹配算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434658A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610134A (zh) * | 2021-07-29 | 2021-11-05 | Oppo广东移动通信有限公司 | 一种图像特征点匹配方法、装置、芯片、终端和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477523A (zh) * | 2008-11-24 | 2009-07-08 | 北京邮电大学 | 超大型指纹库的索引结构和检索方法 |
| CN105160303A (zh) * | 2015-08-10 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于混合匹配的指纹识别方法 |
| CN106709450A (zh) * | 2016-12-23 | 2017-05-24 | 上海斐讯数据通信技术有限公司 | 一种指纹图像识别方法及*** |
| CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
| CN108416342A (zh) * | 2018-05-28 | 2018-08-17 | 杭州电子科技大学 | 一种结合细节点和细线结构的指纹识别方法 |
| US20180357467A1 (en) * | 2017-06-08 | 2018-12-13 | Moqi Inc. | System and Method for Fingerprint Recognition |
-
2020
- 2020-12-10 CN CN202011437061.6A patent/CN112434658A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477523A (zh) * | 2008-11-24 | 2009-07-08 | 北京邮电大学 | 超大型指纹库的索引结构和检索方法 |
| CN105160303A (zh) * | 2015-08-10 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于混合匹配的指纹识别方法 |
| CN106709450A (zh) * | 2016-12-23 | 2017-05-24 | 上海斐讯数据通信技术有限公司 | 一种指纹图像识别方法及*** |
| US20180357467A1 (en) * | 2017-06-08 | 2018-12-13 | Moqi Inc. | System and Method for Fingerprint Recognition |
| CN107748877A (zh) * | 2017-11-10 | 2018-03-02 | 杭州晟元数据安全技术股份有限公司 | 一种基于细节点和纹理特征的指纹图像识别方法 |
| CN108416342A (zh) * | 2018-05-28 | 2018-08-17 | 杭州电子科技大学 | 一种结合细节点和细线结构的指纹识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610134A (zh) * | 2021-07-29 | 2021-11-05 | Oppo广东移动通信有限公司 | 一种图像特征点匹配方法、装置、芯片、终端和存储介质 |
| CN113610134B (zh) * | 2021-07-29 | 2024-02-23 | Oppo广东移动通信有限公司 | 一种图像特征点匹配方法、装置、芯片、终端和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
| CN111177446B (zh) | 一种用于足迹图像检索的方法 | |
| CN101571875A (zh) | 一种基于图像识别的图像搜索***的实现方法 | |
| Xu et al. | Leaf instance segmentation and counting based on deep object detection and segmentation networks | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN104036012A (zh) | 字典学习、视觉词袋特征提取方法及检索*** | |
| CN105740378B (zh) | 一种数字病理全切片图像检索方法 | |
| CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
| CN101515286B (zh) | 基于图像特征多级过滤的图像匹配方法 | |
| CN113688821A (zh) | 一种基于深度学习的ocr文字识别方法 | |
| CN112434658A (zh) | 一种智慧城市指纹图像多特征快速匹配算法 | |
| Sun et al. | Roadway crack segmentation based on an encoder-decoder deep network with multi-scale convolutional blocks | |
| CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
| CN116946610B (zh) | 一种智能仓储***货物拾取方法及装置 | |
| CN107169445B (zh) | 一种大规模掌纹编码和比对方法 | |
| CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
| Li et al. | Incremental learning of infrared vehicle detection method based on SSD | |
| Liu et al. | Aerial remote sensing image cascaded road detection network based on edge sensing module and attention module | |
| CN116052110A (zh) | 一种路面标线缺损智能定位方法及*** | |
| CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
| CN115205649A (zh) | 一种基于融合局部特征的卷积神经网络遥感目标匹配方法 | |
| CN111488852A (zh) | 一种基于图像识别的缴费智能核查预警***及预警方法 | |
| CN112861974A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| Qian et al. | Classification of vehicle types using fused deep convolutional neural networks | |
| CN117113321B (zh) | 一种以脸搜脸的图像搜索方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210302 |