基于改进中值滤波算法及最小二乘支持向量机指纹图像识别探究.docVIP

基于改进中值滤波算法及最小二乘支持向量机指纹图像识别探究摘 要： 人类指纹的不变性和唯一性使得指纹识别技术成为目前应用最广泛、最可靠的身份验证技术。首先建立完整的指纹识别系统，通过预处理、特征提取和分类识别3个过程，实现了指纹的分类识别；然后分析标准中值滤波实现原理和缺陷不足；针对算法缺陷不足，提出加权自适应中值滤波算法，介绍算法的实现原理，并对比本文算法与标准中值滤波算法的处理效果；最后，在识别阶段采用最小二乘支持向量机训练指纹样本，进行指纹识别实验，并对实验结果进行了比较。 关键词：指纹识别；中值滤波；加权自适应；最小二乘支持向量机 0 引言 现代社会中，身份鉴定技术具有非常重要的应用价值。人类指纹的不变性和唯一性使得指纹识别技术成为目前应用最广泛、最可靠的身份验证技术。指纹识别[1]算法理论的研究，以及计算机硬件的高集成、低成本，使得利用指纹来完成身份鉴别和识别任务的系统得到大规模应用。典型的指纹识别系统主要由指纹图像采集、指纹图像预处理、指纹图像特征提取、指纹图像比对这4个部分组成。 图像去噪增强是指纹图像预处理中的一项重要环节。中值滤波[2]是一种去除噪声的非线性处理方法。中值滤波方法不但具有低通特性可以去除噪声，而且又可以保护图像边缘，保留细节部分。中值滤波方法在去噪复原中得到了较好的效果。 目前指纹分类方法大致有：语义分析法、几何法、随机法、神经网络方法和支持向量机（SVM）方法。支持向量机是在统计学习理论基础上发展出来的一种非常有效地新机器学习方法，它很好的解决了小样本、非线性、过学习、高维数、局部极小点等问题，并具有很强的泛化能力。学者不断对支持向量机进行深入研究，涌现出许多有效地改进算法，如C-SVM算法、v-SVM算法、加权支持向量机（WSVM）、最小二乘SVM算法（LS-SVM）等[3]。 本文研究了指纹图像的中值滤波方法，以及基于最小二乘支持向量机的图像分类识别。首先对指纹图像进行滤波预处理，然后提取特征，最后，采用最小二乘支持向量机进行训练分类识别。 1 指纹识别系统原理 指纹识别系统可分为两大模块：一是系统学习模块；二是指纹识别模块。学习模块包括采集指纹图像，对指纹图像进行预处理，把提取出的特征编码存入样本数据库。识别模块包括将待识别的指纹图像进行预处理，在提取特征后与数据库中的指纹模版进行匹配，判断是否匹配，得出结论。 2 噪声 2.1 指纹图像中噪声的来源 指纹图像中的噪声主要来源于指纹图像的获取（数字化过程）和传输过程。图像传感的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如，使用CCD指纹传感器获取图像，光照程度和传感器温度是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰受到的噪声。比如通过无线电网络传输的图像可能会因为光或其他大气因素的干扰而被污染[4]。 常见噪声主要有高斯噪声，均值噪声，椒盐噪声，指数噪声，对数噪声等。 2.2 指纹图像去噪的意义 噪声在指纹图像预处理中是一个非常重要的问题，它对指纹图像的输入、采集、处理的各个环节以及最终的输出结果都会产生一定的影响。特别是在图像的输入、采集过程中，噪声是个十分关键的问题，若输入伴有较大噪声，必然影响之后的处理以及最终的处理效果。因此，去噪处理已成为指纹图像预处理中极其重要的步骤。 3 平滑滤波器 3.1 高斯滤波器 高斯平滑滤波是让原图像同高斯函数进行卷积，从而达到抑制噪声、平滑图像的目的。假设原图像为 ，经过高斯平滑滤波后的图像为 ， 和 表示图像行、列坐标，则 式中： 表示高斯函数的方差。 3.2 中值滤波 指纹图像在经过高斯平滑处理后，大多数噪声被去除了，但仍可能存在少数孤立的噪声点，为进一步去除这些噪声，有必要图像进行中值滤波处理。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性滤波器，它对消除椒盐噪声[5]非常有效，所以常被用来保留需要的图像结构的同时消除椒盐噪声。 3.2.1 标准中值滤波 标准中值滤波是一种基于快速排序的非线性滤波算法，不仅能去除或者减少随机噪声和脉冲干扰，还能较好地保留图像边缘的信息。 算法具体实现步骤[6-7]如下： 1）将模板在图中遍历，并将模板中心图中某个像素位置重合； 2）将模板下各对应像素的灰度值读取出来； 3）把这些灰度值从小到大排成一列； 4）找出值的中间值作为最终的输出结果； 5）将中间值赋给对应模板中心位置的像素。 通过以上的实现步骤，我们可以用一下公式来表示中值滤波： 式中： 表示坐标点 处的灰度值， 表示以为 中心滤波窗口中的所有