一种移动智能终端的复杂背景指印鉴定方法

1.本发明属于深度学习、数字图像处理和指印鉴定等技术领域，具体涉及一种移动智能终端的复杂背景指印鉴定方法。


背景技术：

2.在人民财产安全方面，在各类经济活动中签署的文书例如商务合同、劳动合同等，可以采取签名并捺印签名者指印作为身份认证的依据；在人身安全方面，警方通过提取犯罪分子遗留在犯罪现场的指印以确认犯罪分子的身份信息。为了保证这些信息的真实性和有效性，必须要确认指印本身的真实性，不法分子使用各种化学材料制作的指纹假体可以模仿出以假乱真的指印。
3.这类复杂背景指印存在严重的噪声干扰：部分合同文书例如手写借条可能存在于条纹、方格等背景上，且伴随着复杂的背景线条；现场指印会出现在任何背景上。这些复杂背景会对指印上的脊线纹理的完整性造成很大的破坏，出现脊线纹理被覆盖、截断和模糊等棘手的问题。目前复杂背景指印鉴定主要存在三个问题。第一，传统方法难以适用复杂背景指印。第二，这些指印通常由专业鉴定机构安排专家进行人工鉴定，然而鉴定机构数量较少且分布不均，鉴定时需要将指印原件为依据，存在时间和空间的局限性。第三，图像数据通常由高精度扫描设备获取，算法运行平台也存在一定限制。


技术实现要素：

4.为了解决复杂背景对指印鉴定算法的影响和复杂背景指印无法随时进行鉴定的问题，本发明的目的在于提出一种移动智能终端的复杂背景指印鉴定方法。充分利用移动智能终端的特性，实现复杂背景指印获取、处理和检测一体化，旨在解决时间、空间和设备的限制，利用普及度较高的移动设备即可随时随地离线独立完成复杂背景指印鉴定任务。
5.为达到上述目的，提出以下技术方案：
6.一种移动智能终端的复杂背景指印鉴定方法，该方法包括以下步骤：
7.1)使用移动智能终端设备获得复杂背景指印快照，预处理得到600*600像素大小指印原始图像；
8.2)对步骤1)得到的指印原始图像截取一系列300*300像素大小的局部块图像序列；
9.3)利用残差网络的表征能力，构建多尺度结构的深度残差网络并在移动智能设备上部署，对局部块图像序列进行特征提取并做出真实指印的置信度预测，得到局部块置信度序列；
10.4)对局部块图像序列进行计算并得到质量权重序列，使用基于局部块质量权重的分数融合策略计算最终预测置信度。
11.进一步地，所述步骤1)具体包括以下步骤：
12.1.1)使用具有摄像功能的移动智能终端设备，以3000*3000像素值的固定大小采
集窗口对指印原件进行拍摄获取复杂背景指印快照；
13.1.2)使用平均池化技术对复杂背景指印快照进行下采样，将快照分辨率调整为原始图像的五分之一，调整后的图像为600*600像素值；
14.1.3)使用自适应的伽马校正对指印快照进行对比度增强，提高图像色差，增大前景区域和复杂背景的之间的对比度，凸显指印纹理；
15.进一步地，所述步骤2)具体包括以下步骤：
16.2.1)使用指印中心定位算法定位其中心点并进行坐标修正；
17.2.2)以中心点所在垂直坐标为中心轴，设立固定大小为300*300像素的滑动窗口，以步长为50像素，水平抖动为10像素进行随机裁剪并建立局部块图像序列；
18.2.3)进一步进行筛选，剔除有效区域占比少或受噪声干扰特别严重的低质量局部块；
19.进一步地，所述步骤3)具体包括以下步骤：
20.3.1)构建具有多尺度结构的深度残差网络，利用复用网络参数的l1正则化剪除网络中低权重通道，减少网络参数量并降低运算时间；
21.3.2)将步骤2.3)中所得局部块图像序列作为网络输入，经过具有多尺度结构的深度残差网络，计算得到局部块为真指印的置信度序列；
22.进一步，所述步骤4)具体包括以下步骤：
23.4.1)统计局部块中各相近色值区间内像素点的统计直方图；
24.4.2)计算有效区域所在色值区间的像素点在局部块内的占比q
roi
，以及复杂背景中占比最高色值在局部块内的占比q
background
，以此计算局部块质量分数，其计算公式如下：
[0025][0026]
其中ε(x0∈x)为阶跃函数，x0∈x时其值为1，时其值为0，w和h分别是局部块的宽和高，p(i,j)为当前坐标的像素值，p
roi
是区别指印有效区域阈值区间，p
background
是复杂背景中占比最高色值阈值区间，σ和τ分别是有效区域权重和签名线条权重的修正系数；
[0027]
4.3)计算得到局部块质量权重wi，构建局部块质量权重序列，计算公式如下：
[0028][0029]
其中qi表示由当前局部块i计算得到的质量分数；
[0030]
4.4)将局部块置信度序列和局部块质量权重序列，联合计算复杂背景指印最终预测分数，计算公式如下：
[0031][0032]
其中，p(yi|xi)表示当前局部块的预测分数，xi表示输入网络进行预测的当前局部块，yi为网络输出对应局部块的预测标签，threshlod表示真伪概率评判阈值。
[0033]
本发明的有益效果在于：
[0034]
该方法无需人工进行鉴定，并且可基于移动智能终端自动运行，实现复杂背景指
印随时随地鉴定的目的，不依赖高精度的专业设备，打破了时间和空间的局限，降低了设备成本和劳动力成本；并且，基于多尺度深度神经网络的复杂背景指印鉴定算法保障了该方法具有很高的性能。
附图说明
[0035]
图1是本发明所提出算法的实施流程图；
[0036]
图2是移动智能终端的复杂背景指印快照标准化预处理流程图；
[0037]
图3是局部块图像序列获取流程图；
[0038]
图4是复杂背景指印鉴定网络模型图；
[0039]
图5是局部块置信度序列获取流程图；
[0040]
图6是置信度决策流程图。
具体实施方式
[0041]
下面结合说明书附图对本发明做进一步地说明，但本发明的保护范围并不仅限于此。
[0042]
参照图1-图6，一种移动智能终端的复杂背景指印鉴定方法，所述方法包含以下步骤：
[0043]
1)如图2所示，设计了移动智能终端的复杂背景指印快照标准化预处理流程，基于移动智能终端例如手机、平板等常见设备可以获取得到标准化处理后的复杂背景指印，摆脱以往需要高精度扫描设备的限制，该部分的实施步骤如下：
[0044]
1.1)从移动智能终端设备使用设定了固定大小3000*3000像素采集窗口的程序，在光线充足的环境下将摄像头平行于复杂背景指印所在平面进行拍摄，指印快照中指印高度应与采集窗口高度保持一致，从而得到复杂背景指印快照；
[0045]
1.2)使用平均池化的方法对复杂背景指印快照进行下采样，快照分辨率被调整为原始图像的五分之一，调整后的指印尺寸应统一为600*600像素；
[0046]
1.3)使用自适应的伽马校正进行图像对比度增强，提高前景区域和复杂背景之间的色差以凸显指印纹理，并减少由于拍摄角度和光照因素带来的差异。
[0047]
2)如图3所示，对经过步骤1)预处理得到的复杂背景指印原始图像截取一系列300*300像素大小的局部块图像序列，该部分的实施步骤如下：
[0048]
2.1)使用指印中心定位算法定位其中心点，采用边缘检测方法框定指印范围进行，然后采用指印重心计算算法进行坐标修正，得到较精确的中心点坐标；
[0049]
2.2)以中心点所在垂直坐标为中心轴，设立固定大小为300*300像素的滑动窗口，以步长为50像素进行随机裁剪并建立局部块图像序列，滑动窗口添加幅度为10像素以内的随机水平偏移以减轻复杂背景导致的中心点预测误差；
[0050]
2.3)进一步进行筛选，剔除有效区域占比少或受噪声干扰特别严重的低质量局部块，为减少人工消耗，按以下步骤进行筛选；
[0051]
2.3.1)使用色彩空间统计直方图的方法，剔除包含大面积空白背景区域或大面积复杂背景的指印局部块；
[0052]
2.3.2)对指印局部块进行细化处理，剔除具有明显干扰的指印局部块，具体表现
为细化图中包含大量交叉线条；
[0053]
3)如图5所示，构建具有多尺度结构的深度残差网络用于复杂背景指印特征鉴定，为适配移动智能终端的设备要求，采用剪枝优化的方法减少模型参数，降低其空间占用率；该部分的实施步骤如下：
[0054]
3.1)在经典resnet残差结构的基础上进行改进，在残差块内部添加了块内多尺度结构，即特征通道分解为特征序列，序列中子特征进行顺序的类残差卷积连接后重组为单一特征，完成多尺度残差结构的构建；
[0055]
3.2)使用卷积层和最大池化层连接多尺度残差结构，为所有卷积层后添加批归一化层和激活单元，不同通道数的卷积层对应两个相同通道数的多尺度残差结构，完成多尺度深度神经网络的构建；
[0056]
3.3)使用l1正则化的方法进行网络的剪枝优化，引入缩放因子α与通道的输出相乘，联合训练网络的权重和缩放因子并进行稀疏正则化处理；将网络广泛存在的bn层中参数γ代替α作为网络优化的缩放因子，剪除网络中低权重的通道，降低网络参数量，同时不增加额外的运算负担且该参数γ是理论上网络能学习的最优解；
[0057][0058][0059][0060]
其中，l0是原始的损失函数，后项是l1正则化项，α是正则化系数，z
in
和z
out
是bn层的输入和输出，b表示当前的小批量，其中μb和σb是b上输入激活的均值和标准差值，γ和β是训练得到的仿射变换参数
[0061]
3.4)将局部块序列输入到网络中，获得索引一一对应的局部块置信度序列；
[0062]
4)如图6所示，在置信度决策环节，对局部块图像序列进行计算并得到质量权重序列，使用基于局部块质量权重的分数融合策略计算最终预测置信度，该部分的实施步骤如下：
[0063]
4.1)统计局部块中各相近色值区间内像素点总数的统计直方图；
[0064]
4.2)计算有效区域所在色值区间的像素点在局部块内的占比q
roi
，以及复杂背景中占比最高色值在局部块内的占比q
background
，通过计算得到局部块质量分数；
[0065][0066]
其中ε(x0∈x)为阶跃函数，x0∈x时其值为1，时其值为0，w和h分别是局部块的宽和高，p(i,j)为当前坐标的像素值，p
roi
是区别指印有效区域阈值区间，p
background
是复杂背景中占比最高色值阈值区间，σ和τ分别是有效区域权重和签名线条权重的修正系数；
[0067]
4.3)由局部块质量分数计算得到局部块质量权重wi，构建指印局部块序列对应的局部块质量权重序列；
[0068][0069]
其中qi表示由当前局部块i计算得到的质量分数；
[0070]
4.4)将局部块置信度序列和局部块质量权重序列，联合计算复杂背景指印最终预测分数，
[0071][0072]
其中，p(yi|xi)表示当前局部块的预测分数，xi表示输入网络进行预测的当前局部块，yi为网络输出对应局部块的预测标签，threshlod表示真伪概率评判阈值。