王科飛, 王 慧

(1. 吉林工商學(xué)院 信息工程分院, 長(zhǎng)春 130062； 2. 長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)技術(shù)與工程學(xué)院, 長(zhǎng)春 130012)

由于每個(gè)人的指紋都有唯一可測(cè)量特征點(diǎn)的特殊屬征， 因此, 指紋識(shí)別是一種可靠的鑒別身份方式[1-2]. 指紋識(shí)別就是通過(guò)分析指紋的全局特征和指紋的局部特征確認(rèn)一個(gè)人的身份, 廣泛應(yīng)用于數(shù)據(jù)通信、 公共安全、 金融安全、 刑偵、 信息安全和醫(yī)療等領(lǐng)域[3]. 指紋識(shí)別系統(tǒng)(automatic fingerprint identification system, AFIS)由指紋圖像采集環(huán)節(jié)、 指紋圖像預(yù)處理過(guò)程、 指紋增強(qiáng)環(huán)節(jié)、 特征提取、 指紋分類和指紋匹配環(huán)節(jié)等部分組成[4-5]. 而指紋圖像分割歸屬于指紋圖像預(yù)處理， 提高特征提取的精確度是指紋識(shí)別的首要目標(biāo)， 分割處理是其實(shí)現(xiàn)的重要方法， 該過(guò)程要求盡量去除無(wú)效區(qū)域， 盡量完整地保留有效區(qū)域， 因此要求分割算法具有較高的精準(zhǔn)度.

作為指紋圖像預(yù)處理的重要組成部分, 圖像分割的目的是把指紋有效區(qū)域(即前景區(qū)域)與背景區(qū)域和模糊區(qū)域(即部分質(zhì)量較差、 在后續(xù)處理中很難恢復(fù)的區(qū)域)進(jìn)行有效分離[6-8], 以便使后續(xù)特征提取和特征匹配過(guò)程的處理能在有效指紋區(qū)域進(jìn)行. 本文分析了傳統(tǒng)指紋圖像分割算法的優(yōu)缺點(diǎn), 并提出一種改進(jìn)的Mean Shift指紋圖像分割算法. 結(jié)果表明, 該算法能準(zhǔn)確提取指紋圖像, 并能有效去除噪聲, 保證了指紋區(qū)域的完整性和有效性.

1 傳統(tǒng)指紋圖像分割算法

傳統(tǒng)指紋圖像分割算法主要有基于灰度方差的圖像分割算法、 基于方向信息的圖像分割算法及基于角部灰度均值的圖像分割算法[9].

基于灰度方差分割方法： 先對(duì)指紋圖像進(jìn)行分塊, 然后分別計(jì)算每個(gè)塊內(nèi)像素點(diǎn)的灰度均值和方差, 再根據(jù)指紋圖像的質(zhì)量確定方差的閾值. 圖像質(zhì)量越高, 閾值越大; 反之, 圖像質(zhì)量越低, 閾值越小. 通常根據(jù)一幅指紋圖像的整體方差和每塊的局部方差最大值確定, 把指紋圖像的每一塊與閾值進(jìn)行比較, 完成對(duì)前景區(qū)域或背景區(qū)域的確定[10-11]. 指紋圖像前景區(qū)域由指紋脊線與谷線組成, 前景區(qū)域中指紋脊線與谷線的灰度差較大, 所以它的灰度統(tǒng)計(jì)特性中局部灰度方差也較大[12]. 此外, 對(duì)于指紋背景區(qū)域圖像, 其局部灰度方差卻較小. 因此, 可以利用圖像的局部方差對(duì)指紋圖像進(jìn)行分割, 該方法即為局部灰度方差分割法. 在應(yīng)用中, 對(duì)于質(zhì)量較好、 高對(duì)比度圖像使用這種分割方法效果較好. 但實(shí)際應(yīng)用中由于環(huán)境的不同, 相對(duì)于低對(duì)比度或噪聲圖像, 導(dǎo)致該方法通常不能很好地檢測(cè)出圖像中的噪聲區(qū)域, 因此其分割效果通常不理想[13-14].

方向圖像的分割方法： 在區(qū)分指紋區(qū)域及背景區(qū)域問(wèn)題上, 直接根據(jù)指紋區(qū)域紋理的方向性實(shí)現(xiàn). 對(duì)于最常用的梯度法方向圖分割[7]： 先利用梯度算子計(jì)算出指紋圖像中每個(gè)像素點(diǎn)的梯度向量(Gx,Gy)T, 其中:Gx表示水平方向梯度分量;Gy表示垂直方向梯度分量. 然后將梯度分量的方向擴(kuò)大一倍, 得到向量(Gx′,Gy′)T, 則

(1)

求平均梯度向量, 得到

(2)

其中w×w為局部鄰域大小.

根據(jù)平均梯度方向可求得每個(gè)像素點(diǎn)紋線的方向

(3)

并求出每個(gè)像素點(diǎn)的方向一致性度量

(4)

則每個(gè)w×w塊的方向一致性度量為

(5)

因此, 該方法只有在方向性引導(dǎo)的指紋區(qū)域才能較準(zhǔn)確地分辨出指紋區(qū)域. 但應(yīng)用中出現(xiàn)的紋線不連續(xù)、 單一灰度等方向難以正確估計(jì)的區(qū)域及中心、 三角附近方向變化劇烈的區(qū)域, 使用該方法直接用于分割的效果均不理想.

2 基于改進(jìn)的Mean Shift指紋圖像分割算法

2.1 Mean Shift的工作原理 對(duì)于給定的d維空間, 存在n個(gè)樣本xi(i=1,2,…,n), 核函數(shù)的密度估計(jì)如下:

(6)

其中K(x)=k(‖x‖2)表示核函數(shù), 這里剖面函數(shù)k滿足非負(fù)、 非增和分段連續(xù). 通過(guò)核函數(shù)K(x)可計(jì)算出點(diǎn)x的Mean Shift向量:

(7)

定義g(x)=-k(x), 可得其對(duì)應(yīng)的核函數(shù)

G(x)=g(‖x‖2),

(8)

則mK(x)可修改為

(9)

定義yj(j=1,2,…), 如果x=yj為核的當(dāng)前位置, 則下一個(gè)中心位置yj+1為

(10)

通過(guò)迭代地執(zhí)行式(3)直至收斂, 可得

mK(yj)=yj+1-yj.

(11)

2.2 改進(jìn)的Mean Shift分割算法的實(shí)現(xiàn) 針對(duì)指紋圖像的特點(diǎn), 本文改進(jìn)了Mean Shift分割算法, 把經(jīng)過(guò)初始分割的每個(gè)區(qū)域Bj抽象為一個(gè)樣本點(diǎn). 在區(qū)域Bj中, 將灰度信息的均值作為相應(yīng)樣本點(diǎn)的均值向量:

(12)

其中:n表示區(qū)域Bj中像素點(diǎn)的個(gè)數(shù);xi表示Bj中第i個(gè)像素點(diǎn)的灰度值.

算法步驟如下：

1) 將初始指紋圖像劃分為k個(gè)區(qū)域, 每個(gè)區(qū)域記為Bj(j=1,2,…,k)；

2) 分別計(jì)算每個(gè)區(qū)域Bj的灰度均值, 得到均值向量記為Mj；

4) 如果存在Ci,Cj(0

5) 將分割區(qū)域內(nèi)和邊界填充顏色；

6) 結(jié)束.

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)選用FVC2004指紋庫(kù)中的DB1庫(kù)和本文所收集到的指紋庫(kù)進(jìn)行本文算法測(cè)試, 并與Mean Shift分割算法進(jìn)行比較. 結(jié)果表明, 傳統(tǒng)Mean Shift分割算法的平均分割錯(cuò)誤率為5.2%, 而本文改進(jìn)算法的平均分割錯(cuò)誤率為4.1%, 可見(jiàn)本文提出的改進(jìn)Mean Shift分割算法的平均分割錯(cuò)誤率明顯低于傳統(tǒng)的Mean Shift分割算法. 由于本文選用的指紋庫(kù)有DB1庫(kù)及本文所收集的隨機(jī)人員的指紋庫(kù), 表明本文提出的算法適應(yīng)性較強(qiáng), 有較好的分割性能.

[1] NIE Gui-jun, WU Chen. Studies on Continuously Distributed Directional Image in Automated Fingerprint Identification System [J]. Journal of Image and Graphics, 2005, 10(3): 316-319. (聶桂軍, 吳陳. 自動(dòng)指紋識(shí)別系統(tǒng)中連續(xù)分布方向圖的研究 [J]. 中國(guó)圖象圖形學(xué)報(bào), 2005, 10(3): 316-319.)

[2] LI Peng, SONG Shen-min, CHEN Xing-lin, et al. Iterative Sigma Point Particle Filter in Target Tracking Onreentry [J]. Journal of Jilin University: Engineering and Technology Edition, 2009, 39(6): 1585-1589. (李鵬, 宋申民, 陳興林, 等. 基于迭代sigma點(diǎn)粒子濾波的再入目標(biāo)跟蹤 [J]. 吉林大學(xué)學(xué)報(bào)： 工學(xué)版, 2009, 39(6): 1585-1589.)

[3] CAI Xiu-mei, ZHANG Yong-jian, LIANG Hui. Fingerprint Image Segmentation Algorithm Based on Variance and Orientation [J]. Modern Electronics Technique, 2011, 24(12): 111-113. (蔡秀梅, 張永健, 梁輝. 結(jié)合方差和方向的指紋圖像分割算法 [J]. 現(xiàn)代電子技術(shù), 2011, 24(12): 111-113.)

[4] Jain A K, Prabhakar S, Pankanti S. On the Similarity of Identical Twin Fingerprints [J]. Pattern Recognition, 2002, 35(8): 2653-2663.

[5] LI Yun-qi. Color Image Enhancement Algorithm [J]. Journal of Jilin University: Information Science Edition, 2012, 30(1): 83-87. (李蘊(yùn)奇. 彩色圖像增強(qiáng)的改進(jìn)算法 [J]. 吉林大學(xué)學(xué)報(bào)： 信息科學(xué)版, 2012, 30(1)： 83-87.)

[6] Poorna B. Genetic Algorithm for Fingerprint Matching [J]. WSEAS Transactions on Information Science and Applications, 2006, 3(6): 1173-1178.

[7] WANG Yu-ru, LIU Jia-feng, LIU Guo-jun, et al. People Tracking Based on Multi-regions Joint Particle Filters [J]. Acta Automatica Sinica, 2009, 35(11): 1387-1393. (王玉茹, 劉家鋒, 劉國(guó)軍, 等. 基于多區(qū)域聯(lián)合粒子濾波的人體運(yùn)動(dòng)跟蹤 [J]. 自動(dòng)化學(xué)報(bào), 2009, 35(11): 1387-1393.)

[8] Mehtre B M, Muthy N N, KaPoor S. Segmentation of Fingerprint Image Using the Direction Image [J]. Pattern Recognition, 1987, 20(4): 429-435.

[9] Comaniciu D, Meer P. MeanShift: A Robust Approach toward Feature Space Analysis [J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2002, 24(5): 603-619.

[10] Comaniciu D, Ramesh V, Meer P. Real-Time Tracking of Non-rigid Objects Using Mean Shift [J]. Compute Vision and Pattern Recognition, 2000, 2: 142-145.

[11] LI Wen-hui, ZHOU Qiang, WANG Ying, et al. Adaptive Tracking Algorithm Based on Particle Filter-Mean Shift [J]. Journal of Jilin University: Engineering and Technology Edition, 2012, 42(2): 407-411. (李文輝, 周強(qiáng), 王瑩, 等. 基于均值偏移粒子濾波的自適應(yīng)跟蹤 [J]. 吉林大學(xué)學(xué)報(bào)： 工學(xué)版, 2012, 42(2)： 407-411.)

[12] DI Hui, YU Qi-feng, ZHANG Xiao-hu. An Algorithm for Infrared Image Enhancement Based on Gray Scale Transforms [J]. Journal of Applied Optics, 2006(1): 1123-1128. (邸慧, 于起峰, 張小虎. 一種基于灰度變換的紅外圖像增強(qiáng)算法 [J]. 應(yīng)用光學(xué), 2006(1): 1123-1128.)

[13] Capel D, Zisserman A. Super-Resolution from Multi Views Using Learnt Image Models [C]//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Kauai, USA: IEEE, 2001: 627-634.

[14] SHAN Cai-feng, TAN Tie-niu, WEI Yu-cheng. Realtime Hand Tracking Using a Mean-Shift Embedded Particle Fileter [J]. Pattern Recognition, 2007, 100(7): 175-197.