随着指纹识别技术的广泛应用,越来越多的不法分子利用伪造指纹对识别系统进行攻击,非法获取用户权限,对合法用户的隐私、信息、财产等造成了严重的威胁。为有效解决上述问题,本论文将研究问题聚焦到指纹活体检测问题,进一步为降低硬件成本并增加部署灵活性,我们侧重基于软件的指纹活体检测方案,即用图像处理的相关算法直接从采集的指纹图像中提取活性细节信息用于真假指纹的鉴别,无需添加额外硬件,只需更新原有系统的软件架构。论文将指纹活体检测作为二分类问题处理,主要从分类器选择以及特征提取两个方面进行研究。针对分类器选择问题,论文突破了指纹活体检测领域惯用支持向量机(SVM)算法训练分类器的局限,探究使用了一种更加简单易用、泛化性能更好的分类学习算法——极限学习机(ELM)。针对特征提取问题,论文在前人研究的基础上,提出了两种改进的特征提取算法,一种是改进的三阶梯度共生矩阵特征(Improved-TCMG),另一种是三阶LoG共生矩阵特征(TCM_LOG)。第一种算法有两点改进:(1)特征提取的过程中增加了纹线区域分割环节,去除了指纹图像背景区域,有效降低了后续步骤的计算量,而且避免了背景区域不相关特征的影响;(2)梯度计算使用Sobel算子替代之前的差分算子,这样不仅能够在一定程度上平滑指纹图像所含噪声,而且计算得到的梯度值更为准确。第二种算法是受第一种算法的启发,在特征提取过程中基于LoG二阶导数计算共生矩阵,而不是基于梯度,这样做有两个好处:(1)LoG算子可以对指纹图像进行高斯平滑,抑制采集过程中加入的噪声,使得提取的活性特征更精确;(2)LoG算子相比于梯度算子不具有方向性,只需计算一个共生矩阵,可以大大降低计算复杂度。论文在LivDet 2011指纹数据库上进行了对比实验,实验结果表明:(1)就指纹活体检测问题而言,ELM相较于SVM调整参数更少,训练时间更短,泛化性能更好;(2)Improved-TCMG特征可以获得更低的平均分类错误率,性能优于当前主流算法;(3)TCM_LoG相比于Improved-TCMG,虽然性能表现略低一些,但是特征提取速度却是其2倍,显著提高了计算效率。