本发明涉及指纹识别技术领域，具体涉及一种基于gabor变换的指纹特征提取与压缩编码的方法。
背景技术：
gabor变换是一种基于窗口的短时傅氏变换，解决了傅氏变换局部频率变化的不足，能够有效获得信号的局部信息。在进行图像处理时，纹理特征往往反应在局部区域的变化，因此将二维gabor滤波器用于提取图像纹理特征能够取得良好效果。
指纹识别是一种典型的生物特征识别技术，目前的相关技术研究最为成熟，应用也最为广泛。但是由于各种不可避免的因素影响，使得指纹纹理特征很难得到准确提取和匹配。gabor小波变换作为一种经典的纹理特征提取工具，已经在指纹图像增强中取得显著的效果。但是经过多尺度多方向的gabor变换后，指纹特征的维数将会显著增加，给后期的特征存储和匹配带了较大困难，严重影响指纹识别系统的快速性。
技术实现要素：
为了解决上述技术问题中的不足，本发明的目的在于：提供一种基于gabor变换的指纹特征提取与压缩编码的方法，既能够很好的实现指纹不同方向、不同尺度纹理特征的有效提取，又能有效的降低特征维数，方便特征存储和匹配运算。
本发明为解决其技术问题所采用的技术方案为：
所述基于gabor变换的指纹特征提取与压缩编码的方法，包括以下步骤：
(1)、读入一幅原始指纹图像；
(2)、基于gabor变换对指纹特征进行提取，得到指纹图像的gabor幅值响应特征图，所用gabor函数如下：
其中，x,y为给定位置的图像坐标；参数σ＝0.5；
指纹图像gabor特征通过将指纹图像与gabor滤波器卷积得到，假设指纹图像灰度值为i(x,y)，则i和gabor函数gμ,ν的卷积定义为：
oμ,ν(z)＝i(z)*gμ,ν(z)
其中，式中*为卷积算子，z＝(x,y)，ν∈(0,....,4)，μ∈(0,...,7)，oμ,ν(z)表示当尺度为ν和方向为μ时gabor卷积图像。因此，经过卷积运算，每1幅指纹图像被转换为5个尺度、8个方向的卷积图像。
另外，由于gabor卷积的幅值信息反映图像的能量谱，在图像真实边缘附近具有良好的光滑性，因此，本专利采用每幅卷积图像的幅值响应作为最终的特征，其计算公式如下：
其中，real(oμ,ν(z))和imag(oμ,ν(z))分别为卷积图像的实部和虚部。
(3)、将每幅指纹图像的gabor幅值响应特征图划分为w×w的小块，并将gabor幅值响应特征图分块处理，能够较好的保留图像的空间信息，增强特征的判别能力；
(4)、在每一个小块内，对每个像素点的gabor幅值响应值进行编码操作，得到整幅图像的特征向量f总＝[f1f2.......fw×w]；
(5)、将f总＝[f1f2.......fw×w]作为一幅指纹图像的最终特征，存储到数据库中，并在指纹识别中用于数据匹配。
进一步优选，在每一个小块内，对每个像素点的gabor幅值响应进行编码操作，得到整幅图像的特征向量f总＝[f1f2.......fw×w]的步骤如下：
a、将指纹图像每个像素点的5个尺度、8个方向的幅值响应值构造成矩阵形式：
其中，cij表示第i个尺度，第j个方向的幅值响应；
b、将m沿着同一尺度的8个不同方向进行数值归一化处理，能够更好的突出指纹图像中的方向信息，获取更好的指纹纹理：
c、将m矩阵沿同一方向、不同尺度的幅值响应值进行非极大抑制操作：
通过这种方式能够将不同尺度下gabor指纹特征的最大值找到，从而确定像素点特征提取的最优尺度，在该尺度下可获得最有效的指纹特征。经过非极大值抑制后，m矩阵中大部分元素被置为0，仅有5个元素的数值为非零，使m矩阵变的稀疏，便于后续的运算和数据存储；
d、将每个小块中所有n个像素点的幅值矩阵m进行平均池化，形成所有像素点的平均幅值矩阵
其中，
e、将每个小块的平均幅值矩阵
f、将所有w×w个小块的平均幅值向量串联到一起作为整幅图像的特征向量：
f总＝[f1f2.......fw×w]
其中，fi表示第i个小块的平均幅值特征向量。
与现有技术相比，本发明具有以下有益效果：
(1)采用gabor变换能够有效的去除指纹图像的噪声，增强指纹纹理细节信息，同时达到特征提取的目的。
(2)本发明采用gabor幅值响应编码的方法，在保留有效特征的同时，能够较大程度上降低指纹特征的数据规模，便于数据存储和匹配运算，解决了针对多尺度多方向gabor变换导致卷积图像特征数量增加较多，增加存储负担和降低匹配运算效率的问题。
(3)针对一幅u×v维的指纹图像，进行5个尺度、8个方向的gabor变换可得到u×v×5×8幅特征图像；将每幅特征图像划分为w×w个小块，并进行编码压缩之后得到特征维数为w×w×5×8，通常情况下w＜u且w＜v，所以特征得到较大程度的压缩。
具体实施方式
下面对本发明实施例做进一步描述：
实施例1
本发明所述基于gabor变换的指纹特征提取与压缩编码的方法，包括以下步骤：
(1)、读入一幅原始指纹图像；
(2)、基于gabor变换对指纹特征进行提取，得到指纹图像的gabor幅值响应特征图，所用gabor函数如下：
其中，x,y为给定位置的图像坐标；参数σ＝0.5；
指纹图像gabor特征通过将指纹图像与gabor滤波器卷积得到，假设指纹图像灰度值为i(x,y)，则i和gabor函数gμ,ν的卷积定义为：
oμ,ν(z)＝i(z)*gμ,ν(z)
其中，式中*为卷积算子，z＝(x,y)，ν∈(0,....,4)，μ∈(0,...,7)，oμ,ν(z)表示当尺度为ν和方向为μ时gabor卷积图像。因此，经过卷积运算，每1幅指纹图像被转换为5个尺度、8个方向的卷积图像。
另外，由于gabor卷积的幅值信息反映图像的能量谱，在图像真实边缘附近具有良好的光滑性，因此，本专利采用每幅卷积图像的幅值响应作为最终的特征，其计算公式如下：
其中，real(oμ,ν(z))和imag(oμ,ν(z))分别为卷积图像的实部和虚部。
(3)、将每幅指纹图像的gabor幅值响应特征图划分为w×w的小块，并将gabor幅值响应特征图分块处理，能够较好的保留图像的空间信息，增强特征的判别能力；
(4)、在每一个小块内，对每个像素点的gabor幅值响应值进行编码操作，得到整幅图像的特征向量f总＝[f1f2.......fw×w]，具体步骤如下：
a、将指纹图像每个像素点的5个尺度、8个方向的幅值响应值构造成矩阵形式：
其中，cij表示第i个尺度，第j个方向的幅值响应；
b、将m沿着同一尺度的8个不同方向进行数值归一化处理，能够更好的突出指纹图像中的方向信息，获取更好的指纹纹理：
c、将m矩阵沿同一方向、不同尺度的幅值响应值进行非极大抑制操作：
通过这种方式能够将不同尺度下gabor指纹特征的最大值找到，从而确定像素点特征提取的最优尺度，在该尺度下可获得最有效的指纹特征。经过非极大值抑制后，m矩阵中大部分元素被置为0，仅有5个元素的数值为非零，使m矩阵变的稀疏，便于后续的运算和数据存储；
d、将每个小块中所有n个像素点的幅值矩阵m进行平均池化，形成所有像素点的平均幅值矩阵
其中，
e、将每个小块的平均幅值矩阵
f、将所有w×w个小块的平均幅值向量串联到一起作为整幅图像的特征向量：
f总＝[f1f2.......fw×w]
其中，fi表示第i个小块的平均幅值特征向量。
(5)、将f总＝[f1f2.......fw×w]作为一幅指纹图像的最终特征，存储到数据库中，并在指纹识别中用于数据匹配。