(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111683766.0 (22)申请日 2021.12.2 9 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 刘波　郝婧煜　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 张慧 (51)Int.Cl. G06V 40/12(2022.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) (54)发明名称 现场指纹的特 征点提取和匹配的方法 (57)摘要 本发明涉及一种现场指纹的特征点提取和 匹配的方法， 用于提高指纹识别率和减少人工劳 动成本。 主要包括使用深度神经网络进行指纹图 像预处理、 在提取指纹特征时提出使用Split   Bregman算法求解滤波器组构建要满足的约束问 题， 将用于训练的指纹数据库作为该算法输入来 训练具有稀 疏性的滤波器组， 把预处理后的指纹 图像应用在该滤波器组上能够得到该指纹图像 的特征点、 将指纹图像与已知指纹图像的数据库 进行匹配。 将本发明提出的方法在不同的指纹数 据集上进行实验验证， 实验结果显示本发明所提 出的方法对于低质量的现场指纹图片有一定效 果。 权利要求书3页 说明书6页 附图2页 CN 114332960 A 2022.04.12 CN 114332960 A 1.现场指纹的特 征点提取和匹配的方法， 其特 征在于， 包 含以下几个步骤： (1)使用卷积神经网络对待检测指纹图像进行预处理， 具体的： 将归一化后的指纹图像 使用卷积神经网络进行指纹方向的确定、 指纹区域的分割 、 指纹图像的增强； (2)构建稀疏的滤波器组来进行指纹特征的提取， 具体 的： 使用Split  Bregman算法求 解构建滤波器组要满足的约束问题， 将用于训练的指纹数据集来训练滤波器组， 训练得到 的滤波器组具有m个 分解滤波器a1,a2,……,am； 将步骤1增强后的待检测指纹图像经过该滤 波器组后得到的一组具有张量特性的多维系数， 通过对多维系数筛选得到指纹的关键特征 点； (3)指纹图像匹配， 具体的： 计算待检测指纹图像与指纹数据库中已知指纹图像的相似 度分数， 根据相似度分数来确定与待检测指纹图像相匹配的指纹数据库中的指纹图像。 2.根据权利要求1所述的现场指纹的特征点提取和匹配的方法， 其特征在于， 进一步 的， 步骤1包括以下步骤： 首先， 指纹方向确认的方法具体过程如下： 其中， 步骤1所述的提取指纹方向的卷积神经网络依次包括第一卷积池化块、 第 二卷积 池化块、 第三卷积池化块、 然后是三条并行支路， 最后将各支路得到的N维张量进行累加得 到输出， 其中前两个卷积池化块依 次由三个卷积块和 一个池化层组成， 第三个是 由一个卷 积块和一个池化层组成， 每一个卷积块依次包括一个卷积层、 一个BatchNorm层和一个 PReLU层； 每条支路为一个采样率不同的空洞卷积块， 空洞卷积块依次包括一个空洞卷积 层、 两个卷积层和一个sigmo id激活层； 将待检测 指纹图像归一化后经过该网络得到每个像素的N个离散角度的概率， 将(x,y) 像素点处的预测角度表示为N维向量pori， 第i个元素pori(i)表示为该位置脊线方 向向量值 为 的概率， 表示向下 取整； 对于指纹方向的计算具体如下： 其中， atan2(·)表示为反正切函数； 表示为(x,y)像素的平均脊线余弦方向值； 表示为(x,y)像素的平均脊线正弦方向值； 其次， 指纹区域的分割具体过程如下： 其中， 步骤1所述的指纹区域分割的卷积神经网络结构与指纹方向的网络结构相同， 依 次包括三个卷积池化块和三条并行的采样率不同的空洞卷积块支路， 最后 将支路得到的矩 阵进行累加得到输出。 将归一化后待检测指纹图像输入该网络得到每个像素成为前景区域 的分数， 将分数大于0记 为前景区域， 分数小于等于0记 为背景区域。 实现待检测指纹图像非权　利　要　求　书 1/3 页 2 CN 114332960 A 2背景区域和背景区域的分割； 最后， 对于指纹图像的增强部分， 使用现有技术Gabor  filers进行增强， 该技术使用的 指纹脊线方向由步骤1求得， 最终得到增强后的指纹图像。 3.根据权利要求1所述的现场指纹的特征点提取和匹配的方法， 其特征在于， 进一步 的， 步骤2包括以下步骤： 2.1)、 构建稀疏 滤波器组的过程如下： 首先， 随机初始化一个r ×r×m的三维矩阵作为初始的滤波器组， 其中r ×r代表滤波器 的大小， m表 示滤波器的个数； 其次， 将1000张训练集增强指纹图像随机切块， 每张图像随机 取10块， 大小为20 ×20像素， 共计10000张指纹切块图像； 最后， 使用Split  Bregman算法求 解滤波器组构建要满足的约束问题,将10000张指纹切块图像作为该算法输入来优化滤波 器组。 最终训练得到滤波器组A； 滤波器组的构建需要满足以下约束条件： 其中 其中， 滤波器组由N个训练集指纹图像x1…N所构建， 具有m个分解滤波器a1,a2,…,am， 表示为稀疏诱导函数。 表示滤波 器ai的分解运算符。 vi,j表示将分解运算符 应用于 训练的指纹图像xj得到的多维系数中的一维， Q是指满足完美重构条件的滤波器， 表 示为集合a1,a2,…,am， 其中M为下采样矩阵， 不涉及对ai下采样的情况下M为单位矩阵， 并且 如果k＝0则 δk,＝1， 否则 δk,＝0， det(·)表示行列式计算， 表示为d维度的整数集合， 对 上 述公式使用Spl it Bregman算法进行求 解得到滤波器组。 2.2)、 待检测指纹的特 征提取， 步骤如下： 通过上述方法构造出滤波器组A， 将步骤1增强后的待检测指纹图像分别与构造好的滤 波器组A中的每个滤波器进行卷积运算， 得到一组多维系数； 对于多维系数的每一 维称为通 道， 对通道内3 ×3区域大小的块内找到峰值， 对每个通道都进 行以上操作， 比较不同通道中 的峰值位置是否相同； 如果是相同位置并且都大于设定的阈值μ则记为候选点； 通过步骤1 得到的指纹分割区域， 考虑候选点是位于指纹图像的前景还是背景区域， 如果得到的候选 点在指纹图像的前景区域， 将其标识为特征点， 如果候选点在背景区域中则不对该候选点 进行标识； 标识出的特 征点即为关键特 征点。 4.根据权利要求1所述的现场指纹的特征点提取和匹配的方法， 其特征在于， 进一步 的， 步骤3中相似度的计算过程如下： 将待检测指纹图像与已知指纹图像经过步骤1、 2得到指纹的特征点集， 使用的匹配方 法是将待检测指纹图像的一个特征点A与已知指纹图像中的每一个特征点计算欧式距离， 再将已知指纹中欧式距离最近的特征点与待检测指纹中的每个特征点再次计算欧式距离， 如果此时待检测指纹中距离最近的特征点与待检测指纹的特征点A相同的话， 就代表一个 匹配点， 遍历待检测指纹图像中的所有特征点得到所有匹配点， 相似度即为匹配点总 数与 待检测指纹图像和已知指纹图像的特 征点总数的百分比。权　利　要　求　书 2/3 页 3 CN 114332960 A 3