指纹图像分割方法评价与半监督学习在指纹图像分割中的应用研究

论文摘要

自动指纹识别系统(AFIS)通过特殊的转换设备和图像处理技术,对指纹进行采集、分析和比对,可以迅速、准确地鉴别出个人身份。通常AFIS包含三个处理阶段：指纹采集、指纹预处理以及指纹匹配。指纹图像分割是自动指纹识别系统预处理中的关键技术之—,当前的应用研究中,学者们提出了多种多样的分割算法,但该领域内尚缺少一套完整的应用评价体系。机器学习是当前人工智能领域的热点研究方向之一,它本身也是一个应用驱动的学科。已有的研究成果表明,很多应用问题采用机器学习的方法来解决是一种行之有效的渠道或手段,指纹图像分割便是应用问题之一。本文针对机器学习在指纹分割中的若干应用问题进行了深入研究。本文提出了一种“三特征双层次”的指纹分割应用评价体系。其中,三特征分别为“像素特征”、“块特征”、“图像全局特征”。双层次分别为“特征层”、“方法层”。我们分别对六种维度进行了描述,对现行的算法进行归纳总结,并简要分析了方法的分割错误率与时间复杂性。通过梳理各类指纹分割方法的特点,可以看出：当前的指纹分割算法特征定义严谨,算法设计有针对性,已经具备较高的分割精确性与执行速度。但是现有的指纹分割方法在一定程度上缺乏适用性。本文将半监督学习方法应用到指纹图像分割中,提出了两种基于协同训练的指纹图像分割算法CoSeg和’TriSeg。这两个算法在基于像素水平的CMV特征体系下,采用标记盒、支持向量机、最小二乘支持向量机中的两种或三种进行协同训练,并有效利用了已标记数据和未标记数据。实验结果表明CoSeg和TriSeg均能在标记信息较少的情况下取得较好的分割效果。本文通过研究发现,今后的工作重点可以集中在如下方面：(1)针对低质量指纹图像,个性化的特征定义还有待进一步研究,并且将算法同时应用于多个指纹库时,特征和算法的适用性也有待提高；(2)在同时应用多种类型的采集设备时需有效地解决设备互操作性问题：(3)需要研究基于两个独立视图的算法,如频域视图和空域视图,像素视图和块视图等；(4)自动选取有代表性的已标记或未标记像素点,而不是采用抽样的方式。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 自动指纹识别
• 1.1.1 指纹采集
• 1.1.2 指纹预处理
• 1.1.3 指纹匹配
• 1.2 指纹图像分割
• 1.3 机器学习方法
• 1.3.1 机器学习方法概述
• 1.3.2 半监督学习方法
• 1.4 半监督学习方法与指纹图像分割
• 1.5 课题选择与主要工作
• 1.6 本文组织结构
• 第二章 指纹图像分割的应用评价体系研究
• 2.1 应用评价体系的建立
• 2.2 像素特征—特征层
• 2.3 像素特征—方法层
• 2.4 块特征—特征层
• 2.5 块特征—方法层
• 2.5.1 分类器子层
• 2.5.2 多级分割子层
• 2.6 全局特征—特征层和方法层
• 2.7 分割错误率与时间复杂性分析
• 2.7.1 像素特征
• 2.7.2 块特征
• 2.7.3 全局特征
• 2.8 本章结论
• 第三章 半监督学习在指纹图像分割上的应用研究
• 3.1 基本思想
• 3.2 分割特征选择
• 3.2.1 像素特征描述
• 3.2.2 基于CMV指标的像素点的空间分布
• 3.2.3 分类器的选择
• 3.3 COSEG算法
• 3.3.1 基本思想
• 3.3.2 算法描述
• 3.4 TRISEG算法
• 3.4.1 基本思想
• 3.4.2 算法描述
• 3.5 实验结果与分析
• 3.5.1 实验设置
• 3.5.2 实验结果分析
• 3.6 本章结论
• 第四章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表学术论文目录
• 攻读学位期间参与科研项目情况
• 攻读学位期间所获奖励情况
• 学位论文评阅及答辩情况表