本书从大数据处理的视角阐述大库指纹图像的处理与识别技术，力求帮助读者理解、掌握大数据背景下的生物特征识别的一些基础理论和方法。在许多自动指纹识别系统中，指纹数据库都很巨大，从数千万到数十亿枚指纹，并且由于每次捺印的方位不完全一样、着力点不同会带来不同程度的变形，并且存在大量模糊指纹。如何在如此大库容量下正确处理指纹数据、提取特征和实现精确匹配，是自动指纹识别技术的关键。本书针对大库容量指纹数据自动处理和识别中的关键技术，包括指纹图像压缩、方向场估计、奇异点提取、快速检索、细节点提取、细节点匹配等，建立了一系列数学模型，设计了快速准确的求解算法，并提出了机器学习识别方法，提高了自动处理和识别的效率。
样章试读
目录
- 目录
《大数据与数据科学专著系列》序
前言
第1章 绪论 1
1.1 人体生物特征及其识别技术 1
1.1.1 人体生物特征.1
1.1.2 人体生物特征自动识别 1
1.1.3 生物特征识别技术的市场发展趋势及接受性 3
1.2 指纹识别概述 4
1.2.1 指纹的形成 4
1.2.2 指纹的不变性与唯一性 5
1.2.3 指纹识别技术的历史 6
1.2.4 自动指纹识别系统的应用场景 8
1.3 本书的结构 13
参考文献 13
第2章 指纹数据库和自动指纹识别系统 14
2.1 指纹信息获取技术 14
2.1.1 光学取像技术 14
2.1.2 非光学取像技术 17
2.1.3 犯罪现场指纹取像技术 18
2.1.4 指纹采集方式 18
2.2 指纹质量评估 21
2.2.1 指纹质量的含义 21
2.2.2 影响指纹质量的因素 22
2.2.3 指纹质量的评价方式 24
2.3 指纹数据库 28
2.4 自动指纹识别的一般流程 29
2.5 自动指纹识别系统 31
2.5.1 系统简介 31
2.5.2 大库容指纹识别系统的系统架构 34
2.6 总结 36
参考文献 37
第3章 大库指纹数据的压缩方法 38
3.1 大库指纹数据压缩方法概述 39
3.2 基于非负矩阵分解的指纹数据压缩方法 41
3.2.1 指纹图像压缩 41
3.2.2 图像压缩重建的矩阵优化模型 43
3.2.3 非负矩阵分解 44
3.2.4 实验结果 50
3.3 基于矩阵稀疏表示的大库指纹数据压缩方法 55
3.3.1 稀疏表示及相关工作.56
3.3.2 稀疏表示模型及求解算法 57
3.3.3 基于稀疏表示的指纹压缩 59
3.3.4 实验结果 62
3.3.5 字典的训练 72
3.3.6 鲁棒性验证 76
3.4 总结 77
参考文献 78
第4章 指纹数据的再表达方法 82
4.1 指纹数据再表达概述 82
4.1.1 指纹的分割 83
4.1.2 指纹方向场估计 84
4.1.3 指纹增强 87
4.1.4 细节点的提取 88
4.1.5 奇异点提取 89
4.2 指纹方向场计算的模型和算法 90
4.2.1 指纹方向场估计的全局优化模型及其求解 91
4.2.2 一种旋转不变的指纹方向场表示方法 102
4.2.3 基于SVM的指纹方向场估计 108
4.3 基于方向场的指纹数据切割与增强 113
4.3.1 基于LBP的指纹切割算法 115
4.3.2 基于圆形Gabor滤波器的指纹数据的增强 120
4.4 指纹奇异点提取的模型和算法.128
4.4.1 指纹奇异点提取的零极点模型 128
4.4.2 检测指纹奇异点的梯度投影方法 145
4.5 基于匹配的指纹局部特征再表达的模型和算法 162
4.5.1 IRMANR算法理论依据 162
4.5.2 基于点集匹配的细节点提取算法 163
4.5.3 基于IRMANR匹配算法的细节点提取算法 177
4.5.4 基于匹配的方法提取出的特征的意义 188
4.6 总结 190
参考文献 190
第5章 大库指纹数据的快速检索方法 199
5.1 指纹快速检索问题 199
5.1.1 并行处理技术 199
5.1.2 指纹比对硬件加速设备 199
5.1.3 高效的指纹检索算法 200
5.2 图像检索技术 200
5.2.1 图像检索的种类 201
5.2.2 图像检索的特征 201
5.2.3 图像检索的规模 203
5.3 指纹快速比对的几种方法 206
5.3.1 指纹分类法 206
5.3.2 指纹检索方法 207
5.4 基于细节点K-plet局部模式的指纹检索 208
5.4.1 细节点K-plet局部模式 209
5.4.2 细节点森林检索算法 212
5.4.3 数值实验 218
5.5 基于紧致二进制细节点圆柱体编码的指纹检索 222
5.5.1 方法动机及背景知识 222
5.5.2 学习紧致二进制细节点圆柱体编码 230
5.5.3 多索引哈希的指纹检索算法 236
5.5.4 数值实验 239
5.6 总结 249
参考文献 249
第6章 指纹数据的匹配 253
6.1 指纹数据匹配方法概述 253
6.1.1 对齐算法 253
6.1.2 相似度计算 253
6.1.3 匹配决策 253
6.2 基于细节点匹配方法 256
6.2.1 局部模式匹配 257
6.2.2 确定“一对一”的点匹配关系 258
6.2.3 去除虚假匹配及整体匹配度评价 259
6.2.4 数值实验分析 262
6.3 细节点匹配的二部图模型和算法 263
6.3.1 二部图最大权匹配求解算法 263
6.3.2 二部图用于指纹匹配 265
6.3.3 实验结果 269
6.4 非细节点匹配方法 271
6.5 总结.272
参考文献 272
第7章 指纹数据生成方法 274
7.1 指纹数据生成的意义275
7.2 指纹数据生成方法概述 276
7.3 基于种子生长的指纹方向场生成方法 279
7.3.1 基于种子的指纹方向场生成模型 280
7.3.2 全局模型 284
7.3.3 生成的方向场再调整模型 285
7.3.4 实验结果 286
7.4 指纹图像恢复与识别一体化生成方法 297
7.4.1 联合特征和重构算法的框架 298
7.4.2 实验验证与分析 309
7.5 总结 314
参考文献 315
第8章 大库指纹处理与识别的深度学习方法概述 318
8.1 深度学习方法及其相关应用介绍 318
8.1.1 深度学习介绍 318
8.1.2 卷积神经网络概述 319
8.1.3 卷积神经网络在计算机视觉中的应用 320
8.2 指纹图像质量评价的深度学习方法 325
8.2.1 分区域多指标融合的指纹图像质量评价方法 329
8.2.2 基于视觉感知模型的指纹图像质量评价算法 336
8.3 指纹数据再表达的深度学习方法 348
8.3.1 基于深度卷积神经网络的指纹细节点自动提取算法 348
8.3.2 基于两阶段深度神经网络的指纹细节点提取算法 356
8.3.3 基于全卷积神经网络的奇异点自动提取算法 361
8.3.4 基于注意力机制的全卷积网络的指纹方向场提取算法 376
8.4 指纹匹配的深度学习方法 384
8.4.1 粗匹配方法——基于卷积神经网络的指纹纹型分类算法 384
8.4.2 基于深度学习的指纹匹配算法 394
8.5 总结 396
参考文献 399
《大数据与数据科学专著系列》已出版书目 407
京公网安备 11010102004214号