指纹识别系统

《指纹识别系统》由会员分享，可在线阅读，更多相关《指纹识别系统（9页珍藏版）》请在金锄头文库上搜索。

1、指纹识别方法的综述摘 要 :对在指纹的预处理和特征提取、指纹分类、指纹的匹配过程中的方向图、滤波器、神经网络等关 键性原理和技术做了详细的说明,并对在各个过程中用到的方法做了进一步的比较,讨论了各种方法的优越性。0 引 言自动指纹识别是上世纪六十年代兴起的,利用计算机取代人工来进行指纹识别的一种方法。近年来,随着计算机技术的飞速发展 ,低价位指纹采集仪的出现以及高可靠算法的实现,更使得自动指纹识别技术越来越多地进入到人们的生活和工作中,自动指纹识别系统的研究和开发正在成为国内外学术界和商业界的热点。相对于其他生物特征鉴别技术例如语音识别及虹膜识别,指纹识别具有许多独到的优点 ,更重要的是它具有

2、很高的实用性和可行性,已经被认为是一种理想的身份认证技术有着十分广泛的应用前景 ,是将来生物特征识别技术的主流。1 指纹取像图1是一个自动指纹识别系统AFIS(Au tomat ed Fingerprint Iden tifica tion Sys ten的简单流程。将一个人的指纹采集下来输入计算机进行处理是指纹自动识别的首要步骤。指纹图像的获取主要利用设备取像 ,方便实用 ,比较适合 AFIS 。利用设备取像的主要方法又利用光学设备、晶 体传感器和超声波来进行。 光学取像设备是根据光的全反射原理来设计的。晶体传感器取像是根据谷线和脊线皮肤与传感器之间距离不同而产生的电容不同来设计的。超声波设

3、备取像也是采用光波来取像 ,但由于超声波波长较短 ,抗干扰能力较强 ,所以成像的质量非常好。2 图像的预处理与特征提取无论采取哪种方法提取指纹 ,总会给指纹图像带来各种噪声。预处理的目的就是去除图像中的 噪音,把它变成一幅清晰的点线图 ,以便于提取正确的指纹特征。预处理是指纹自动识别过程的第r R一步 ,它的好坏直接影响着指纹识别的效果。常用的预处理与特征提取( Image Preprocessing andFeature Ex2t rac tion方法的主要步骤包括方向图计算、图像滤波、二值化、细化、提取特征和后处理。 当然这些步骤可以根据系统和应用的具体情况再进行适当变化。文献 1 提出了

4、基于脊线跟踪的方法能够从灰度指纹图像中直接抽取细节点及其相关信息。21 1 常用的方法21111方向图的计算6543276543217100*01712346723456图2 计算灰度和的9X 9模板Fig. 2 The 9 X 9 mask to computethe slit sums预处理常基于方向图。方向图是利用指纹纹线的方向信息，把指2 纹的脊线和谷线分离。一般采用9 X 9模板 基准点位于模板的中心。从水平位置开始，每隔n P8确定一个方向分别在每一个方向计算该点的灰度和S (sli t sumsi，二0 ,1 , ?,7)(i,j )代表点(i ,j )的灰度值。i例如计算S的公

5、式如下：3S 3= I( i- 2 ,j- 4) +1( i- 1 ,j- 2) +I( i+ 1 ,j + 2) +I (i + 2 j + 4)(1)设S和S分别代表8个方向中最小的与最大的灰度和。该点的方pq向一般只可能在p和q这两个方向上。用C代表该点的灰度值，那么可通过公式 得到该点的方向d。如果该点位于脊沟上 那么该点的方向定义为p否则为q。如此可以 得到每一个像素点的方向。2)q 其他文献 3 介绍了另外一种估计方向场的方法。这种方法也将指纹脊线的走向分为类似图 2 的8 个方向。但在处理上大为不同。他首先计算 8 个方向的灰度平均值 Gmean i (i= 0 ,1 , ?,7

6、然) 后, 将 mean这8 个平均值按两两垂直的方向分为4 组 (0和 4 、1 和 5、2 和 6、3 和 7) 计, 算每组中两个 平均值的差值 ,取差值的绝对值比较大的两个方向为可能的脊线方向,然后再取这两个方向中 灰度平均值与该像素的灰度值比较接近的方向作为该像素处的脊线方向。由于这些方向图的噪声很大 ,所以还必须进行平滑处理。为便于进行下一步处理 ,计算各像素点 方向角a (a ? 0 ,180并用一个单位矢量u = cosa ,sinB 来表示该点的方向。对于低质量的图像 ,不经过一定的图像增强 ,很难进行后续的处理工作。指纹增强的目的 是对低质量的灰度指纹图进行增强,得到清晰的

7、脊线结构。一般对灰度图的增强算法都要用到方向场和频率场的计算 ,如文献 4 提出的基于 Gabor 滤波器的增强算法。由于增强算法 计算量很大 通, 常是整个系统时间性能上的瓶颈.21112 图像滤波图像滤波的方法很多 ,而且应用到指纹识别的很多步骤中。对于噪声很大的指纹,还要在计算方向图之前对原始图像进行一次滤波,一般采用高斯滤波初步除噪。在进行后续处理中常用的滤波方法有均值滤波、中值滤波、最小均方差滤波等。由于高斯函数的傅立叶变换仍是高斯函数,因此高斯函数能构成一个在频域具有平滑性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。均值滤波是对是对信号进行局部平均,以平均值来代表该象素点的

8、灰度值。矩形滤波器（AveragingBox Filter） 对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转2 化,得到一幅单位矢量图。这个 512 X512的矢量图被划分成一个 8 X 8的小区域 再在每一 个小区域中 统, 计这个区域内的主要方向,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向。 于是就得到了一个新的 64 X64 的矢量图。 这个新的矢量图还可以采用 一个 3X 3模板进行进一步的平滑。中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术。它在平滑脉冲噪声方面非常有效 ,同时它可以保护图像尖锐的边缘。加权中值滤波能够改进中值滤 波

9、的边缘信号保持效果。但对方向性很强的指纹图像进行滤波处理时,有必要引入方向信息 ,即利用指纹方向图来指导中值滤波的进行。 文献 5 采用方向加权中值滤波运用指纹方向图 和模糊理论的思想来构造滤波模板,不同的前景点方向选择不同权值的模板。最小均方差滤波器 , 亦称维纳滤波器 ,其设计思想是使输入信号乘响应后的输出 ,与期望 输出的均方误差为最小。文献 6 通 过在不同区域内计算该区域的标准差和灰度平均值,取标准差最小区域的灰度平均值作为点 （i的灰度。21113 二值化和细化 以上所得的是增强后的 256 级灰度图像 还, 需要将其进一步转变为二值图像（前景点取作 1 ,背景点取作 0） ,提取

10、指纹脊线 便, 于后续处理。指纹纹线的细化从实现上可分为两大类:一类是从外到内逐点剥去二值图像的边界点, 如Hildth 算法 ;另一类是从内到外 ,找到某一中间点 ,然后按扫描方向寻找其八邻域内也为纹条纹中7 间象素的点 ,逐次取得细化线。 前种方法中间定位性较好 ,易于实现 ,但往往要经过若干次 迭代算法 ,速度较慢。后种方法能保持较好的连通性,但情况复杂 ,中间定位不准 较, 难实现。对于细化后的图像 ,经过一定的光滑处理后 ,进一步去噪 （如去处孤立点、毛刺、跨接短桥、 小环等 ）后 ,就可以初步提取指纹细节点。21114 特征提取在指纹图中出现频度较高的细节特征有8 种 ,即点、 纹

11、线端点、 分支、眼、枝叉、 交叉、小桥和短线 ,其中纹线端点和分支是两种基本的特征 ,而其他的特征可看作由其组合而成。取纹线 端点和分支作为指纹的细节特征。指纹特征的提取采用链码搜索法对指纹纹线进行搜索 , 提取出各种特征及其特征的坐标位置。 最终形成指纹特征文件 ,文件中包含指纹特征点的种类、大小、坐标、方向等有用的识别信息。在 有的系统中 ,还将细节特征与中心之间、或细节特征之间的纹线数提取并记录 下来。扫描完整幅图像后 ,可得其全部的特征点,这些特征点绝大部分是真实的,但其中也包括由噪音引入的伪特征点 ,因此 ,还需进一步根据以下规则去除伪特征点: 纹线断点删除 :若具有同一方向的两个端

12、点之间的距离小于某一阀值,则认为是伪特征点。 毛刺删除 若: 连接于分支上的端点且其到分支的距离小于某一阀值,则认为是伪特征点。 位于前景区域边界的特征点应删除。经以上步骤的处理 ,可删除大部分假特征点。21 2基于脊线跟踪的方法基于脊线跟踪的方法 1 ,8是直接从灰度及图像获取细节信息的新颖算法,试验结果表明1 ,8 这种直接从灰度图像提取细节特征的方法比传统的先二值化再细化的方法具有明显的优点。 算法的基本思想是沿纹线方向自适应地追踪指纹脊线,在追踪过程中 ,局部增强指纹图像 ,最后得到一幅细化后的指纹脊线骨架图和附加在其上的细节点信息。 由于该算法只在占全图比 例很少的点上估算方向并滤波

13、处理,计算量相对较少 ,在时间复杂度上具有一定的优势。3 指纹分类指纹识别常常需要在大规模的数据库上进行计算。 如果没有一种有效的数据库分类机制 , 输入的指纹图像将不得不同数据库中大量的指纹数据逐一进行比对,系统工作将非常繁重。为了减少时间和计算的复杂度 ,必须对指纹进行分类。这样查询只需在指纹数据库中的一个相 应子集中进行 ,从而节省了运算时间并降低了复杂度。按照西方学者的惯例,在这篇文章中将指纹分为5 类 :螺旋型 (Whorl) 、右旋型 (RightLoop) 、左旋型 (Left Loop) 、弓型 (Arch) 、帐型 ( Tented Arch) 。 指纹分类的实现方法很多,大

14、致上可以分为 4 类:基于神经网络的分类方法、基于奇异点进行分类的方法、语法分析的方法和其他的方法。3 . 1 基于神经网络的分类方法9 ,10 神经网络的方法一般是基于多层感知器或 Kohonen 自组织网络。由于人工神经网络具 有与人脑相似的高度并行性和良好的容错性，特别是以改进型BP网络为代表的神经网络具有良好的自学习能力、 强大的分类能力和容错能力。 运用 BP 网络进行指纹分类是很可行的 , 但是在采用 BP 算法训练连接权值时 ，由于 BP 算法存在易于陷入局部极值的缺点 ，因而可能 使最终的分类结果达不到理想状态。遗传算法 ( GA) 是一种自适应的启发式全局搜索算法 ， 能从问

15、题的解空间而不是单个解开始进行鲁棒性搜索，可以有效地防止寻优结果收敛于局部最优解。该算法不依赖于问题模型特性，没有解析寻优算法要求目标函数连续光滑的限制，具有较好的自适应性。文献 9提出了一种利用多个多层感知器来进行分类。每个感知器都试 图将指纹图像分类到不同的类中 ， 然后再通过感知器对前面的分类结果进行分析处理。31 2 基于奇异点进行分类的方法 相对于指纹图像的其它区域而言、奇异点有许多特殊性质。比如对于给定指纹图像的 任意一点 ，在其邻域内作一条包围该点的闭合曲线，沿该闭合曲线旋转一周计算所得到的方向向量的旋转总和 ，对于不同性质的点，这个总和值是不同的 涡， 轮形 (whorl) 对应的值为 36