论文部分内容阅读
近年来,自动指纹识别技术成为学术界的一个研究热点,不少国内外学者对指纹识别技术作了大量研究,但到目前为止,指纹识别仍存在一些技术难点。低质量指纹图像的预处理及匹配就是其中具有挑战性的难题,而关于指纹图像质量的分析及评价也因此成为目前指纹识别技术研究的一个重要方面。这些问题的有效解决,对于推动整个指纹技术的发展具有重要意义。为此,本文针对指纹图像质量的评价问题进行了深入研究。研究从两个角度展开:一是从微观的角度考虑,对质量指标本身的性能进行分析和研究,以便通过简单的融合弥补单指标评价的不足;二是从宏观的角度考虑,对基于多指标指纹质量的不同评价方法进行分析和研究,以便找出更合适的方法。研究内容主要包括:一、对质量指标本身性能的分析和研究。目前,指纹图像的质量指标主要是基于局部或全局的分析,即对分块图像的评价和对整幅图像的评价。为了使质量指标衡量的标准更加全面,提出了结合全局分析和局部分析新的综合评价方法。首先,利用指纹图像的傅里叶谱求图像的整体质量信息;然后使用标准差方法求分块图像的质量信息,并以分块图像到奇异点区的距离为权重,对分块图像进行加权处理;最后融合两种方法的结果表示整幅图像的质量,弥补了单纯使用频谱信息对奇异点区评价不足的缺点。实验结果表明这是一种较为合理、有效的方法。二、对指纹质量评价方法的分析和研究。基于多指标的指纹质量评价方法目前主要是多指标的线性加权和非线性融合两种方法,本文在详细分析的基础上,提出了基于支持向量机(SVM)的质量评价方法。在特征的选择上,充分考虑了指纹的局部和全局信息,以及空域和频域的不同特性,使用了标准差方法、傅里叶谱分析、梯度三个特征,文中分别对三个特征的评估性能进行了分析,并以三个特征为基础,建立了指纹图像质量的空间分布图,通过仔细观察,发现该空间下好、坏质量的指纹图像具有线性不可分性。同时为了避免传统的经验阂值方法带来的人为偏差,借鉴了机器学习的思想,提出采用SVM分类器对指纹质量进行学习和分类。在公开数据集上测试,并比较了单指标阈值分割和SVM分类器效果,结果表明,本文方法在评估指纹质量上更有优势。