基于流形学习的形变指纹和不完整指纹匹配算法研究

本项目重点研究自动指纹识别技术中的形变指纹匹配和不完整指纹匹配两个难点问题，最终得到快速、准确和鲁棒的自动指纹匹配算法，为提高自动指纹识别系统的准确率和用户接受度提供更加鲁棒的底层算法支持。具体拟开展的工作包括：在方向场模型上，采用基于流形学习的方法提取出不同指纹类型以及手指不同放置方向和位置下的指纹方向场的变化模式，从而得到对平移旋转鲁棒的方向场模型,并根据学习到的方向场模型用于指纹分类检索以及不完整指纹匹配；在细节点配对关系上，以细节点相似度为启发式信息，以局部细节点匹配构建分配图，基于该图，采用蚁群优化算法可以较快地得到近似全局最优解；在形变指纹匹配中，寻找合适的形变表示方法，采用基于流形学习的方法建立真匹配的形变模式空间和真匹配形变模式的概率分布,并融入到匹配分数的计算中。

为了提高指纹识别的性能，特别是针对形变指纹匹配和不完整指纹匹配问题，研究组在指纹图像处理，指纹方向场模型，细节点匹配以及指纹分类上做了大量且具体的研究。具体的成果包括：（1）在指纹图像处理方面提出了基于字典学习的方法用于图像的分割增强，首先从高质量指纹图像块学习得到的脊线结构字典，然后利用该字典对指纹进行分解和重建，最后通过重建指纹估计指纹块的质量对指纹进行分割，并用重建指纹块对指纹图像进行增强；（2）在指纹方向场模型上，我们提出了一种基于扩散方程的指纹方向提取，和基于马尔可夫随机场和先验知识的指纹方向场提取算法，利用泛函最优化方法对其进行求解，所提出的方向场提取算法提交到了第三方公共平台FVC-onGoing进行评测，在质量较好的和较差的指纹图像数据库上均获得第一名；（3）在细节点匹配上，针对大型变指纹提出了基于蚁群优化算法，以细节点相似度为启发式信息，以局部细节点匹配构建分配图，从而得到较好的细节点对应关系，极大的提高了形变指纹以及交叉库指纹的识别准确率；针对全局特征不是很明显的不完整指纹，我们提出了细节点旋向性的特征，把全局特征融入到细节点特征中，并且每个特征仅占用2个bits；（4）为了在识别过程中减小搜索范围，我们提出了级联分类器的指纹分类方法，该分类算法在公开数据库NIST SD4中进行了测试，在五类分类中准确率达到了95.9%，在四类分类中达到了97.2%，均超过了目前文献中的最好结果。. 在该青年基金的资助下，我们总共发表了期刊和会议论文5篇，其中SCI期刊论文5篇，包括国际模式识别领域顶级杂志IEEE Trans. on Pattern Analysis and Machine Intelligence文章一篇，申请国家发明专利5项（3个授权，2个受理），部分主要研究科研成果获得2012年度国家技术发明二等奖（申请人排名第五）。