一种基于朴素贝叶斯分类器的假指纹检测方法.pdf

《一种基于朴素贝叶斯分类器的假指纹检测方法.pdf》由会员分享，可在线阅读，更多相关《一种基于朴素贝叶斯分类器的假指纹检测方法.pdf（10页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103839072 A (43)申请公布日 2014.06.04 CN 103839072 A (21)申请号 201310754757.5 (22)申请日 2013.12.31 G06K 9/62(2006.01) (71)申请人 浙江工业大学 地址 310014 浙江省杭州市下城区朝晖六区 潮王路 18 号 (72)发明人 张永良 方珊珊 肖刚 刘超凡 王天成 (74)专利代理机构 杭州斯可睿专利事务所有限 公司 33241 代理人 王利强 (54) 发明名称 一种基于朴素贝叶斯分类器的假指纹检测方 法 (57) 摘要 一种基于朴素贝叶斯分类器的假指纹检测方 法，。

2、 包括以下步骤 ： 1）训练库划分 ； 2）图像归一 化 ； 3） 特征提取 ； 3.1） 离散小波变换 ； 3.2） 去噪 ； 3.3） 小波重构 ； 3.4） 噪声图估计 ； 3.5） 标准差图 计算 ； 3.6） 划分标准差图， 统计得到图像的特征 ； 4） 特征划分 ； 5） 分类器训练 ； 6） 分类器性能评估 ； 7） 分类器融合 ： 利用朴素贝叶斯分类器构造的方 法， 融合得到新的分类器。 本发明对单个分类器性 能要求不高， 但分类器融合后的效果却可以非常 好。 (51)Int.Cl. 权利要求书 2 页 说明书 5 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12。

3、)发明专利申请 权利要求书2页 说明书5页 附图2页 (10)申请公布号 CN 103839072 A CN 103839072 A 1/2 页 2 1. 一种基于朴素贝叶斯分类器的假指纹检测方法， 其特征在于 ： 所述假指纹检测方法 包括以下步骤 ： 1) 训练库划分 ： 将训练库图像随机分成相等的两份， 记为 A、 B ； 2) 图像归一化 ： 利用指纹图像归一化函数将图像尺寸统一成 m 像素 n 像素， m， n 的 取值为 4 的倍数 ； 3) 特征提取 ： 对图像进行噪声提取和处理， 包括以下过程 ： 3.1） 对图像进行离散小波变换， 得到一个低频部分和六个高频部分 ； 3.2） 。

4、对变换后的六个高频部分用双曲收缩法去噪 ； 3.3） 根据步骤 3.2） 得到的六个高频部分和之前的低频部分进行小波重构， 得到去噪后 的图像 ； 3.4） 将原图像与去噪后图像相减， 得到噪声图 ； 3.5） 将噪声图划分成个小块， 其中 px为小块的宽度与原图像宽度的比值， py为 小块的长度与原图像长度的比值计算每一块的标准差， 得到标准差图 ； 3.6） 计算标准差图中的最大值， 记为 S， 把区间 0， S 分成 k 份，得到 k 个区间， 将标准差图划分为个小块， 其中 qx为小块的宽度与原图像宽度的比值， qy为 小块的长度与原图像长度的比值， 统计每一小块中标准差值落入 k 个。

5、区间中的数目， 得到 k 个值， 以此作为该小块特征， 综合每一块， 即得到该图像特征 ； 4) 特征划分 ： 将特征划分为 4 份， 分别对应于图像的左上、 右上、 左下、 右下四个部分 ； 5) 分类器训练 ： 用 SVM 分别训练划分后的特征， 得到分类器， 对于 A、 B 两个训练库共可 得到 8 个分类器 ； 6) 分类器性能评估 ： 6.1） 对于 A 中的 4 个分类器， 分别用 B 中对应位置得到的特征来进行测试， 统计假指纹 的判对率以及真指纹的判错率 ； 6.2） 同理， 对于 B 中的 4 个分类器， 分别用 A 中对应位置得到的特征来进行测试， 统计 假指纹的判对率以及。

6、真指纹的判错率 ； 7) 分类器融合 ： 7.1） 对于一张未知的指纹图像， 认为其为假指纹的概率为先验概率， 综合 8 个分类器 的分类结果后， 当判为假指纹的概率大于等于概率阈值 T 时， 即认为这张指纹是假指纹 ； 7.2） 对于之前得到的 8 个分类器， 分别记为 f1、 f2， f3， f4， f5， f6， f7， f8, 记 C 为类别集 合 0,1, 其中 0 代表假指纹， 1 代表真指纹 ； 7.3） 对于这8个分类器， 认为它们之间是相互独立的， 因此， 在已知8个分类器的结果， 以及 8 个分类器的性能， 再运用贝叶斯公式， 记 P1= P(C=0|fi(X)， P2= 。

7、P(C=1|fi(X)， 得到一张指纹图像为假指纹概率 P=P1/(P1+P2)， 当 P 大于 T， 判为 0， 否则为 1， 其中的 P(C=0|fi(X) 均可由贝叶斯公式得到， 因此得到融合后的分类器 F ； 8) 假指纹检测 ： 对要检测的图像进行 1） 、 2） 、 3） 步的操作， 然后将得到的特征向量用分 权 利 要 求 书 CN 103839072 A 2 2/2 页 3 类器 F 来进行分类。 权 利 要 求 书 CN 103839072 A 3 1/5 页 4 一种基于朴素贝叶斯分类器的假指纹检测方法 技术领域 0001 本发明涉及图像处理、 机器学习、 模式识别等技术领。

8、域， 尤其是一种针对指纹图像 的真假检测方法。 背景技术 0002 图像处理、 特征提取、 分类器训练和图像分类等是假指纹检测方法中的重要环节。 0003 Y.S.Moon 等提出了一种基于噪声的假指纹检测算法， 并对 200 张分辨率为 1000dpi 的真假指纹图像进行测试， 全部分类正确。L.F.A.Pereria 等根据 Moon 的论 文， 进一步提出了针对分辨率为 500dpi 的指纹图像的基于噪声的假指纹检测算法， 并对 LivDet2011 的 sagem 库进行测试， 平均判错率为 12.8%。 0004 基于噪声的检测方法的原理， Y.S.Moon 的论文中有介绍， 大概的。

9、原理是 ： 主流的 制作假指纹的材料如粘土和明胶， 在制作假指纹的过程中， 由于包含大有机分子， 一般会凝 结成块， 这就导致了假指纹的粗糙。 因此， 一般来说， 假指纹的指尖表面是比活体的更粗糙。 这一特性可以作为假指纹检测算法的依据， 其在数据上的表现为 ： 假指纹图像的噪声比真 指纹图像的噪声有更大的标准差。 由于Moon论文中提出的算法针对分辨率为1000dpi的指 纹图像， 而目前普遍使用的是500dpi的指纹采集仪， 为了检验其算法对500dpi图像的适用 性， L.F.A.Pereria 用 LivDet2011 的 sagem 指纹库进行了测试， 平均判错率为 42.8%， 与。

10、目 前主流算法性能相差甚远。因此 L.F.A.Pereria 等对该算法进行了改进， 提出了基于空间 表面粗糙度分析 （Spatial surface coarseness analysis， 简称SSCA） 的假指纹检测方法， 主要对特征提取进行了改进， 将噪声图分块并求标准差， 对得到的标准差图分块并统计， 最 后的统计值最为其特征， 综合所有小块， 即得到指纹图像的特征。该算法在 LivDet2011 的 sagem 指纹图像库上测试得到的平均判错率为 12.8%。 0005 支持向量机是一种监督式学习的方法， 可广泛地应用于统计分类以及回归 分析。支持向量机属于一般化线性分类器， 也被。

11、认为是提克洛夫规范化 （Tikhonov Regularization） 方法的一个特例。这种分类器的特点是能够同时最小化经验误差与最大 化几何边缘区， 因此支持向量机也被称为最大边缘区分类器。 0006 朴素贝叶斯分类器是一种应用基于独立假设的贝叶斯定理的简单概率分类器， 也 可更精确的描述这种潜在的概率模型为独立特征模型。贝叶斯分类的基础是概率推理， 就 是在仅知各条件的出现概率， 而不确定其是否存在的情况下， 如何完成推理和决策任务。 而 朴素贝叶斯分类器是基于独立假设的， 即假设样本每个特征与其他特征都不相关， 即使这 些特征相互依赖或者有些特征由其他特征决定， 都认为这些属性在判定概。

12、率分布上是独立 的。朴素贝叶斯分类器依靠精确的自然概率模型， 在有监督学习的样本中可以获得非常好 的分类效果。 在许多实际应用中， 朴素贝叶斯模型参数估计使用最大似然估计方法， 并没有 用到贝叶斯概率或者任何贝叶斯模型。尽管是用朴素思想和过于简单化的假设， 朴素贝叶 斯分类器在很多复杂的现实情形中仍能够取得相当好的效果。2004 年， 一篇分析贝叶斯分 类器问题的文章从理论上揭示了若干朴素贝叶斯分类器取得不可思议的分类效果的原因。 说 明 书 CN 103839072 A 4 2/5 页 5 朴素贝叶斯分类器的一个优势在于只需要根据少量的训练数据就能估计出必要的参数。 通 过简单的概率方法分析。

13、可以知道， 目前的假指纹检测方法普遍存在的缺点是只用单分类器 来进行分类， 但是单分类器的假指纹检测算法的结果是不够可靠的。 发明内容 0007 为了弥补现有假指纹检测方法的单个分类器分类结果不可靠的不足， 本发明提供 一种分类结果可靠性良好的基于朴素贝叶斯分类器的假指纹检测方法。 0008 本发明解决其技术问题所采用的技术方案是 ： 0009 一种基于朴素贝叶斯分类器的假指纹检测方法， 包括以下步骤 ： 0010 1) 训练库划分 ： 将训练库图像随机分成相等的两份， 记为 A、 B ； 0011 2) 图像归一化 ： 利用指纹图像归一化函数将图像尺寸统一成 m 像素 n 像素 （m， n 。

14、的取值为 4 的倍数， 通常可以取 256， 512 等） ； 0012 3) 特征提取 ： 对图像进行噪声提取和处理， 包括以下过程 ： 0013 3.1） 对图像进行离散小波变换， 得到一个低频部分和六个高频部分 ； 0014 3.2） 对变换后的六个高频部分用双曲收缩法去噪 ； 0015 3.3） 根据步骤 3.2） 得到的六个高频部分和之前的低频部分进行小波重构， 得到去 噪后的图像 ； 0016 3.4） 将原图像与去噪后图像相减， 得到噪声图 ； 0017 3.5） 将噪声图划分成个小块， 其中 px为小块的宽度与原图像宽度的比值， py为小块的长度与原图像长度的比值， 计算每一块。

15、的标准差， 得到标准差图 ； 0018 3.6） 计算标准差图中的最大值， 记为 S， 把区间 0， S 分成（记为 k） 等 份， 得到 k 个区间， 将标准差图划分为个小块， 其中 qx为小块的宽度与原图像宽度的 比值， qy为小块的长度与原图像长度的比值， 统计每一小块中标准差值落入k个区间中的数 目， 得到 k 个值， 以此作为该小块特征， 综合每一块， 即得到该图像特征 ； 0019 4) 特征划分 ： 将特征划分为 4 份， 分别对应于图像的左上、 右上、 左下、 右下四个部 分 ； 0020 5) 分类器训练 ： 用 SVM 分别训练划分后的特征， 得到分类器， 对于 A、 B 。

16、两个训练库 共可得到 8 个分类器 ； 0021 6) 分类器性能评估 ： 0022 6.1） 对于 A 中的 4 个分类器， 分别用 B 中对应位置得到的特征来进行测试， 统计假 指纹的判对率以及真指纹的判错率 ； 0023 6.2） 同理， 对于 B 中的 4 个分类器， 分别用 A 中对应位置得到的特征来进行测试， 统计假指纹的判对率以及真指纹的判错率 ； 0024 7) 分类器融合 ： 0025 7.1） 对于一张未知的指纹图像， 认为其为假指纹的概率为先验概率， 综合 8 个分 类器的分类结果后， 当判为假指纹的概率大于等于概率阈值 T 时， 即认为这张指纹是假指 说 明 书 CN 。

17、103839072 A 5 3/5 页 6 纹 ； 0026 7.2） 对于之前得到的 8 个分类器， 分别记为 f1、 f2， f3， f4， f5， f6， f7， f8, 记 C 为类 别集合 0,1, 其中 0 代表假指纹， 1 代表真指纹 ； 0027 7.3）对于这 8 个分类器， 认为它们之间是相互独立的， 因此， 在已知 8 个分 类器的结果， 以及 8 个分类器的性能， 再运用贝叶斯公式， 记 P1= P(C=0|fi(X)， P2= P(C=1|fi(X)， 得到一张指纹图像为假指纹概率 P=P1/(P1+P2)， 当 P 大于 T， 判为 0， 否则为 1， 其中的 P(。

18、C=0|fi(X) 均可由贝叶斯公式得到， 因此得到融合后的分类器 F ； 0028 8) 假指纹检测 ： 对要检测的图像进行 1） 、 2） 、 3） 步的操作， 然后将得到的特征向量 用分类器 F 来进行分类。 0029 本发明的技术构思为 ： 在对现有假指纹检测算法实用性研究的时候发现， 用单分 类器来对图像进行分类， 得到的分类结果不够可靠。 可以从概率的角度来看待这个问题， 实 时检测的时候， 假设待测指纹是假指纹的概率为 0.01， 有一个分类器， 其对假指纹的判对概 率为 a， 对真指纹的判错概率为 b， 那么根据贝叶斯公式得到， 测试指纹为假指纹， 且被分类 器判为是假指纹的概。

19、率进一步假设， 当p先验概率0.5时判为假指纹， 那么， 可以得到一个关于 a、 b 的关系式 ： a 99b， 因为 a1， 所以 b1/99。对于这个精度， 目前的单分类器的检测方法还不能达到， 因此这里就考虑到了融合的方法。而此过程也可 以从另一角度来分析， 单分类器判为假指纹， 使得判定这个指纹是假指纹的概率提高了， 但 是这个概率还不足以判定它是假指纹。 根据这个思路， 提出了融合方法， 先确定一系列的相 互独立的分类器， 将它们作为朴素贝叶斯分类器构造所需的独立的特征， 用每个分类器来 对指纹进行分类， 对于每一个分类的结果， 都能增加或者降低它是假指纹的概率。因此， 只 要有足够。

20、数量的具有一定分类能力的分类器， 就能满足对真假指纹进行分类的要求， 这也 是朴素贝叶斯分类器构造的思想。 0030 本发明在L.F.A.Pereria提出的基于SSCA的方法的基础上， 先构造多个独立的分 类器， 将每个分类器作为假指纹图像的独立特征， 再用构造朴素贝叶斯分类器的方法融合 得到最后的分类器。 0031 本发明的有益效果为 ： 对单个分类器性能要求不高， 但分类器融合后的效果却可 以非常好， 分类结果可靠性良好。 附图说明 0032 图 1 是一种基于朴素贝叶斯分类器的假指纹检测方法流程图。 0033 图 2 是特征提取的流程图。 0034 图 3 是特征提取的示意图。 具体实。

21、施方式 0035 下面结合附图对本发明作进一步描述。 0036 参照图 1， 一种基于朴素贝叶斯分类器的假指纹检测方法， 所述指纹检测方法包括 以下步骤 ： 0037 1) 训练库划分 ： 将训练库图像随机分成相等的两份， 记为 A、 B ； 说 明 书 CN 103839072 A 6 4/5 页 7 0038 2) 图像归一化 ： 利用指纹图像归一化函数将图像尺寸统一成 m 像素 n 像素 ； 0039 参照图 2 和图 3 就有了以下的特征提取的具体步骤。 0040 3) 特征提取 ： 是对图像噪声提取和处理的过程， 包括以下过程 ： 0041 a) 对图像 f(x,y) 进行二维离散小。

22、波变换， 得到一个低频部分和六个高频部分 gk(x,y),k 1,2,3,4,5,6 ； 0042 b) 对变换后的六个高频部分用双曲收缩法去噪 : 0043 0044 其中 N 是 gk(x,y) 的信号长度， 是由变换分解的第一维的 3 个细节的标准差 ； 0045 c) 根据步骤 a） 得到的六个高频部分和之前的低频部分进行小波重构， 得到去噪 后的图像 f(x,y) ； 0046 d) 将原图像与去噪后图像相减， 得到噪声图 ； 0047 e) 将噪声图划分成个小块， 计算每一块的标准差， 得到标准差图 ； 0048 f) 计算标准差图中的最大值， 记为 S， 把区间 0， S 分成（。

23、记为 k） 等份， 得到 k 个区间。将标准差图划分为个小块， 统计每一小块中标准差值落入 k 个区间 中的数目， 得到 k 个值， 以此作为该小块特征， 综合每一块， 即得到该图像特征 ； 0049 4) 特征划分 ： 将特征划分为 4 份， 分别对应于图像的左上、 右上、 左下、 右下四个部 分 ； 0050 5) 分类器训练 ： 对于每一类的特征， 都用 SVM 来进行训练， 得到分类器， 这样就总 共得到 8 个分类器 ； 0051 6) 分类器性能估计 ： 0052 a)对于A中的4个分类器， 分别用B中对应位置得到的特征来进行测试， 统计假指 纹的判对率以及真指纹的判错率 ； 00。

24、53 b) 同理， 对于 B 中的 4 个分类器， 分别用 A 中对应位置得到的特征来进行测试， 统 计假指纹的判对率以及真指纹的判错率 ； 0054 7) 分类器融合 ： 0055 a)对于一张未知的指纹图像， 考虑其为假指纹的概率 （即为先验概率） 为0.5， 而在 综合 8 个分类器的分类结果， 当是假指纹的概率大于等于概率阈值 T 时， 认为是假指纹 ； 0056 b) 对于之前得到的 8 个分类器， 分别记为 f1、 f2、 f3、 f4、 f5、 f6、 f7、 f8, 记 C 为类 别集合 0,1, 其中 0 代表假指纹， 1 代表真指纹 ； 0057 c) 对于这 8 个分类器。

25、， 认为它们之间是相互独立的， 因此， 在已知 8 个分 类器的结果， 以及 8 个分类器的性能， 再运用贝叶斯公式， 记 P1= P(C=0|fi(X)， P2= P(C=1|fi(X)， 可以得到一张指纹图像为假指纹概率 （即为后验概率） P=P1/(P1+P2)， 当 P 大于 T， 判为 0， 否则为 1， 其中的 P(C=0|fi(X) 均可由贝叶斯公式得到， 因此得到融合 后的分类器 F ； 0058 8) 假指纹检测 ： 对要检测的图像进行 1） 、 2） 、 3） 步的操作， 然后将得到的特征向量 说 明 书 CN 103839072 A 7 5/5 页 8 用分类器 F 来进行分类。 0059 最后的表 1 是用这个检测方法对 LivDet2011 比赛图像库的测试结果。 0060 0061 表 1。 说 明 书 CN 103839072 A 8 1/2 页 9 图 1 图 2 说 明 书 附 图 CN 103839072 A 9 2/2 页 10 图 3 说 明 书 附 图 CN 103839072 A 10 。