基于指纹图像隐形意识的个人身份验证系统

摘要

本发明涉及生物特征图像分析、识别和信息安全等交叉领域，尤其是一种基于指纹图像隐形意识的个人身份验证系统，该系统首先是意识指纹图像的采集，然后是图像特征提取和特征优化，最后是特征匹配决策。本发明克服传统的依据固有物理特征进行身份认证的弊端，为用户身份认证提供新的研究思路和方法。

说明书

技术领域

本发明涉及生物特征图像分析、识别和信息安全等交叉领域，尤其是一种 基于指纹图像隐形意识的个人身份验证系统。

背景技术

为解决伪造指纹给指纹识别系统带来的弊端，目前基于软件的解决方案是 通过标准指纹传感器来捕捉信息，与活性检测来用于修改过的算法以测量如排 汗、弹性和变形等皮肤特性，这种方法的主要缺点是识别结果容易受到手指施 加压力、环境湿度和用户合作等因素影响。在硬件解决方案中，额外的硬件须 结合生物传感器以检测如心跳、温度及表皮下组织等其他信息，这种方法的主 要特点是设备比传统光学传感器复杂、昂贵且提取的特征容易发生偏差。目前 的软硬件解决方案在一定程度上预防了假指纹的流通，但是如果犯罪分子利用 暴力行为截取用户手指，这些解决方案将如同虚设。

发明内容

本发明所要解决的技术问题是提供一种基于指纹图像隐形意识的个人身份 验证系统，利用对大脑意识和意识性行为的分析方法及其数据挖掘技术来提取 指纹的固有物理特征和意识特征进行用户身份认证，用于克服因多隐式意识特 征提取不全而造成的匹配识别错误，从而克服传统基于单生物底层特征进行身 份认证的缺点。

为解决上述问题，本发明公开了一种基于指纹图像隐形意识的个人身份验 证系统，该系统包括：意识指纹图像的采集、图像特征提取、特征优化和特征 匹配决策。

所述意识指纹图像的采集包括指纹图像采集装置，采集装置上具有设定位 置和角度的基准线，采集装置表面设有压电式薄膜压力检测器。

所述意识指纹图像的采集包括图像采集向导和指纹图像的预处理，指纹图 像的预处理的主要步骤包括：图像去噪、图像分割和图像增强。

所述图像特征提取包括指纹固有物理特征提取和多隐性意识特征提取。

进一步，所述指纹固有物理特征提取包括指纹形状特征、指纹细节点特征 和指纹脊线毛孔点特征；多隐性意识特征提取包括指纹与采集器接触面积、指 纹脊谷间距、指纹方向分布、指纹奇异点数量和位置及指纹整体方向特征。

进一步，所述隐式意识特征的提取是针对在各种意识前提下采集到的指纹 图像，设计合理的多方式隐式意识分析算法，具体包括：构建单意识模型、构 建组合意识模型和选择合适的聚类方法进行降维。

所述的特征优化包括隐式意识特征优化和指纹固有物理特征的优化。

进一步，所述隐式意识特征优化是通过对缺失数据特征采用分类决策树算 法，在存储的多隐式意识特征模板和提取到的多隐式意识特征之间建立映射关 系得到，具体步骤为：

(1)初始化数据集，将数据集分为缺失数据集和非缺失数据；

(2)数据集权重值初始化分配；

(3)为节点选择一个特征属性作为这个节点分裂时候的属性；

(4)将训练样本根据节点的特征属性分类到各个子节点；

(5)计算每个子节点选择的特征量的信息熵；

(6)计算每个子节点选择的特征量的增益率；

(7)若所选特征量拥有最大增益率，则继续分裂节点为子节点，若所选特 征量不是最大增益率，则重新选择其特征属性；

(8)若每个节点只含有同一类样本，则将次节点设置为叶子节点，结束此 节点的分裂，若不只含有一类样本，则继续进行节点选择。

进一步，所述指纹固有物理特征的优化是在隐性意识特征得到优化后，对 意识性指纹进行的逆向恢复。

所述特征匹配决策包括隐式意识特征的匹配和指纹固有物理特征的匹配， 特征匹配决策需要对隐式意识特征和指纹固有物理特征分配不同的权重，获得 鲁棒性的指纹匹配决策原则。

本发明的有益效果是：克服传统的依据固有物理特征进行身份认证的弊端， 为用户身份认证提供新的研究思路和方法。

具体实施例

一种基于指纹图像隐形意识的个人身份验证系统，该系统包括：意识指纹 图像的采集、图像特征提取、特征优化和特征匹配决策。

意识指纹图像的采集先通过指纹图像采集装置上压电式薄膜压力检测器获 得，然后通过图像去噪、图像分割和图像增强对指纹图像进行预处理。

图像特征提取包括指纹固有物理特征提取和多隐性意识特征提取，指纹固 有物理特征提取包括指纹形状特征、指纹细节点特征和指纹脊线毛孔点特征， 多隐性意识特征提取包括指纹与采集器接触面积、指纹脊谷间距、指纹方向分 布、指纹奇异点数量和位置及指纹整体方向特征，多隐性意识特征提取是针对 在各种意识前提下采集到的指纹图像，设计合理的多方式隐式意识分析算法， 具体包括：构建单意识模型、构建组合意识模型和选择合适的聚类方法进行降 维。

特征优化包括隐式意识特征优化和指纹固有物理特征的优化，隐式意识特 征优化是通过对缺失数据特征采用分类决策树算法，在存储的多隐式意识特征 模板和提取到的多隐式意识特征之间建立映射关系得到，具体步骤为：

(1)初始化数据集，将数据集分为缺失数据集和非缺失数据；

(2)数据集权重值初始化分配；

(3)为节点选择一个特征属性作为这个节点分裂时候的属性；

(4)将训练样本根据节点的特征属性分类到各个子节点；

(5)计算每个子节点选择的特征量的信息熵；

(6)计算每个子节点选择的特征量的增益率；

(7)若所选特征量拥有最大增益率，则继续分裂节点为子节点，若所选特 征量不是最大增益率，则重新选择其特征属性；

(8)若每个节点只含有同一类样本，则将次节点设置为叶子节点，结束此 节点的分裂，若不只含有一类样本，则继续进行节点选择。

指纹固有物理特征优化在隐性意识特征优化之后，是对意识性指纹进行的逆向 恢复。

特征匹配决策包括隐式意识特征的匹配和指纹固有物理特征的匹配，特征 匹配决策需要对隐式意识特征和指纹固有物理特征分配不同的权重，获得鲁棒 性的指纹匹配决策原则。