指纹识别系统的设计与实现

第0页指纹识别系统的设计与实现【摘要】：文章主要介绍了指纹识别系统的传统算法以及它的改进算法。传统灰度图二值化的基本思路是选取适当的灰度阈值，将灰度图像转化为二值图像。算法主要是计算整幅图像的灰度平均值，然后将该值作为门限，高于该门限的像素点就置1，反之置0。但是这种算法得到的指纹噪声比较大，质量也不高。因此，文章提出了动态局部阈值法，通过灰度值判断是否为背景来修正Icc的值，再确定像素值，得到连续圆滑的指纹图像。在细化部分提出了简化模板的算法，更加快速。仿真结果表明，文章提出的俩部分算法能得到黑白的二值图像和很细的以像素为单位的线，图像清晰。【关键词】：二值化；细化；算法；仿真；第1页Abstract:Thearticleintroducesthetraditionalmethodoffingerprintrecognitionsystemanditsimprovement.Traditionalgrayscalebinarybasicideaistoselecttheappropriatethresholdgray,grayimageintoabinaryimage.Thisalgorithmistocalculatetheaverageofthewholeimageofthegray,thenthisvalueasthethreshold,thethresholdishigherthanthepixelsontheset,otherwisesetto0.However,thisalgorithmistherelativelylargenoisefingerprint,isnothighquality.Therefore,thearticlepresentsadynamiclocalthresholdmethod,bythegrayvaluetodeterminewhetherthebackgroundcorrectionvalueIcc,andthendeterminethepixelvaluestoobtainacontinuoussmoothfingerprintimage.Intherefinementalgorithmisproposedtosimplifythetemplatepart,morequickly.Simulationresultsshowthatthetwopartsofthearticleproposedalgorithmcanbeblackandwhitebinaryimageandaveryfinelineofpixels,theimageisclear.Keywords:binarization;thinning;algorithm;simulationi目录前言.1第1章绪论.2第1.1节指纹学历史.2第1.2节指纹识别技术的优越性.2第1.3节指纹识别系统的应用前景.2第1.4节指纹识别系统的结构.3第2章指纹图像处理.4第2.1节图像分割.4第2.2节图像增强.5第2.3节图像二值化.5第2.4节图像细化.5第2.5节指纹的细节特征提取.6第2.6节指纹图像的匹配.6第3章算法研究.8第3.1节Gabor滤波增强.8第3.2节二值化的算法.8第3.3节细化算法.10第3.4节匹配算法.10第3.5节新算法.10第4章指纹图像仿真.12第4.1节指纹图像仿真.12第4.2节指纹图像仿真结果分析.13结论.14参考文献.14致谢.15附录.16源程序.16第0页前言随着计算机的广泛使用，人类已经进入了飞速发展的信息时代，指纹识别已经逐渐形成了一个新的身份验证技术。传统使用的密码，证书作为身份证明的方式是容易忘记，容易丢失，容易伪造的，所以不再满足现代数字化社会的需要。指纹，是人体特有的生理特性，虽然是人体皮肤的一小部分，但它的纹理复杂度足以有识别的功能，并且还具有非侵入性，唯一性和不变性等特性，具有极高的安全性，因此成为生物识别技术的重点。本论文通过对指纹识别系统各方面的介绍，让人们更加详细的了解指纹识别，进而推动指纹识别普及应用。本论文的指纹来自于FVC2004指纹库，采用的是MATLAB软件对其进行相关处理。本论文分为五章，主要内容如下：第一章介绍了指纹学的历史，指纹识别技术的优越性，说明指纹识别技术的应用前景和指纹识别系统的组成。第二章对指纹图像处理各个环节做具体阐述说明。第三章在原来算法基础上提出新的算法，并对所提出的算法加以阐明并对其进行仿真，检验是否能达到预期的效果。第四章对指纹图像进行仿真并分析结果是否达到识别效果。第0页第1章绪论第1.1节指纹学历史指纹识别技术非常古老，早在6000多年前就被人类使用。据考古学家证实，早在原始社会末期，作为一种身份识别工具，指纹识别在我们的国家已有所运用。芝加哥菲尔特博物馆还收藏了一枚我国周朝的印章，反面印有印章主人的拇指指纹。秦汉公私简牍封泥上甚至盖有指纹。因此，指纹的特性在不同时代就已被认识和接受。尽管我们的指纹被广泛应用于在远古时代，但这个应用是一种感性的应用，而没有全面的分析和在感性应用的基础上归纳推理，更加没有提高科学认识并且理性地进行应用。公元1684年公元1915年，指纹科学逐步发展起来。推动指纹识别大规模使用的真正动力是不断增长的司法的认证要求。20世纪初，指纹识别作为一种有效的个人身份验证方法正式公开被公众接受，并成为法庭庭辩中的标准过程。指纹认证机构和犯罪指纹数据库在世界建立。指纹学进入我国是在20世纪初。孙中山先生当时对指纹的认识是“预防假伪，当以指模为证据,盖指模人人不同，终身不变，无论如何巧诈，终不能作伪也”，他说：“亦档以指模为识别，以防假伪，此至良之法也”。第1.2节指纹识别技术的优越性生物识别技术是利用人体的生理特征进行身份验证的技术。因为每个人都有不同的生物特征，所以不易伪造和假冒，所有利用生物识别技术进行身份识别都是安全，可靠和准确的。常见的生物识别技术包括指纹，掌纹，人脸，签名和声音。下面简单介绍指纹识别技术的优点。（1）和脸部识别，声纹识别，掌形识别，签名识别，走路的姿势步态识别的生物识别技术相比，指纹识别具有信息量大，不易出现识别错误的优势。（2）和虹膜识别，视网膜识别的生物识别技术相比，指纹识别具有特征信息采集方便、操作容易等优势。（3）而DNA鉴定技术的DNA采集过程复杂、识别设备昂贵、识别时间长且使用不方便，因而缺乏商业价值。在文献检索、证据事实识别中，自动指纹识别系统识别正确、快速，具有很大的优势。因此，在生物识别技术中，指纹识别技术已经成为主角。第1页第1.3节指纹识别系统的应用前景指纹具有唯一性和不变性的特点。相比于传统的身份鉴别方法，指纹无法丢失、被盗，也不用担心被遗忘。因此在身份认证和身份识别中，指纹认证成为重要的手段。随着指纹模式识别技术的发展和提高，指纹认证为网络和信息安全认证提供了非常好的手段，它可应用于社保服务管理、医保服务管理、电子护照、电子身份证、电子驾驶证、电子银行账户、网络化指纹门锁和指纹门禁等。第1.4节指纹识别系统的结构一个良好的生物识别系统要求能实时快速并且有效地完成识别过程。所有的生物识别系统都包括以下几个处理过程：采集、图像处理和匹配。指纹识别处理也一样，它包括指纹图像采集、指纹图像预处理、特征提取与匹配等过程。指纹识别系统的结构如下图1-1所示：图像采集预处理输出结果特征提取比对/匹配指纹库图1-1指纹识别的结构系统第2页第2章指纹图像处理第2.1节图像分割前一章已经介绍了指纹识别系统主要由指纹图像采集、指纹图像预处理、特征值提取与匹配这四个部分组成。而指纹图像预处理的第一步就是指纹分割。目前，在已提出的分割算法中，主要可划分为三种类型：边缘检测型、阈值型和区域跟踪型。2.1.1.边缘检测型图像边缘是图像分析的重要部分。因此，在图像边缘的图像处理和图像检测是非常重要的，因此，产生了大量的边缘检测方法。常用的边缘检测方法有Roberts、Sobel、Prewitt、Laplace和Ganny等算子，但特点有所差异，比较如下：Roberts算子是一种利用局部差分方法寻找边缘的算子，在低噪音的图像响应最好；Sobel算子对图像边缘进行检测采用的是两个卷积核，测水平边缘是前核，测垂直边缘后核。若要比较两个卷积结果，则将其中大值作为该点的输出值，以得到最后的结果；Prewitt算子和Sobel算子非常类似，它采用的也是两个卷积核；Laplace是一种比较“另类”的方法，其特点是各向同性，即边缘检测的结果与边缘的方向没有任何关系；Canny法检测强边缘和弱边缘使用的是两个阈值，并且只有在弱强边缘相连时，弱边缘才会包含在输出中，可以看出，此方法能检测到真正的弱边缘并且不易受噪声干扰。由上面的比较可以看出，Canny算子的检测结果最好，能够检测出所有边缘，第二是Laplace算子，但边缘可以看出有缺失。接着就是Sobel和Prewitt算子，最差的是Roberts算子。2.1.2.阈值型阈值分割就是使用一个或多个阈值将图像的灰度直方图分成几类，同一灰度类的像素则是同一物体。它的优点是计算简单，高操作效率，高速；缺陷是只考虑了图像的灰度信息，而忽略了图像的空间信息。其原理如下：设f(x,y)是原始灰度图像,以一定的标准在f(x,y)中找到一个灰度值作为阈值，将图像分割为两部分，则分割后的二值图像g(x,y)见公式（2-1）：（2-tyxfyx),(,01),(g1）阈值分割法的关键是如何选择合适的阈值。如果阈值选取的过高，则过多的点会被错误的归为背景；反之，阈值选得过低，结果也会相反。2.1.3.区域跟踪型没有或很少考虑空间关系的阈值分割法，有着限制多阈值的缺陷，而区域分割法可第3页以弥补这一不足。该方法是对图像的空间性质进行利用，分割出的属于同一个区域的像素应具有相似的性质。传统的区域分割方法有区域生长法和区域分裂合并法。该类方法对一些先验知识不足的含有复杂场景或自然景物等图像进行分割，也可以取得较好的性能。第2.2节图像增强从采集头往往得到的是带有大量噪声的指纹图像。这些噪声有：采集头的污渍、指纹上的疤痕、指纹粘连、纹线断裂等。这些噪声不利于准确提取指纹原本的特征信息，所以有必要增强采集到的指纹图像。归一化处理可以消除传感器的噪声和手指压力不均造成的灰度差异，将该指纹图像的对比度和灰度调整成一个固定的级别，从而提供一个较为统一的图像规格，为后续工作提供方便。设指纹图像G的大小为M*N，G（i,j）为像素点（i,j）的灰度，M和VAR分别为原指纹图像的均值和方差，NOR（i,j）为归一化后的像素点（i,j）的灰度，M和VAR由公式（2-2）和（2-3）计算得到：（2-10),(*)(NijiII2）（2-102)(,()(NijIMjiIIVar3）第2.3节图像二值化指纹图像不只是一个简单的灰度纹理图像,它也有一定的复杂性。首先,指纹图像具有纹理走向,接近指节的地方纹线粗大,中心部位纹线结构复杂,纹线中有可能还存在褶皱纹或伤疤。再者,指纹的纹线并不流畅。每一条脊线中包含有若干个汗孔；每一条谷线中含有细点线,这些细点线的增长会使脊线发生偏移。并且在采集物体表面手指的压力分布是不均匀的,从而使纹线密度和纹线粗细发生变化，而这就需要对指纹图像进行二值化处理。指纹的二值化处理过程是比较难突破的一个不可缺少的环节。它是将含有噪声的灰度图像处理成适于特征提取的二值图像。其好坏直接影响着整个识别系统的性能。二值化的目的是为了后期细化图像,从而减少提取特征和比对计算的复杂程度。第2.4节图像细化指纹图像预处理是一个很重要的部分，它的处理效果直接影响后续的特征提取与指纹匹配，而指纹细化又是预处理中的一个重要环节，因为一般的特征提取都是在细化的第4页基础上进行的，如果细化不好，将无法使用常规的特征提取算法提取细节特征信息。细化处理是指在指纹图像二值化以后，在不影响纹线连通性的基础上，删除纹线的边缘像素，直到纹线为单像素宽为止。理想细化后的纹线骨架应该是原始纹线的中间位置，并保持纹线的连接性、拓扑结构和细节特征。一种好的细化算法应该满足下列条件：(1)、收敛性：迭代必须是收敛的。(2)、连接性：不破环纹线的连接性。(3)、拓扑性：不引起纹线的逐步吞食，保持原图像的基本结构特征。(4)、保持性：保护指纹的细节特征。(5)、细化性：骨架纹线的宽度为1个像素，即单像素宽。(6)、中轴性：骨架尽可能接近条纹中心线。(7)、快速性：算法简单，速度快。第2.5节指纹的细节特征提取细节特征提取是为了找到指纹图像中能够提供唯一性的确认信息，细节特征提取的好坏直接影响匹配的结果。细节特征提取的方法分为两种：一种是从灰度图像中提取特征，另一种是从细化二值图像中提取特征。直接从灰度图像中提取特征的算法一般是对灰度指纹纹线进行跟踪，根据跟踪结果寻找特征的位置和判断特征的类型。这种方法省去了复杂的指纹图像预处理过程，但是特征提取的算法却十分复杂，而且由于噪声等因素影响，特征信息（位置、方向等）也不够准确。目前大多数系统采用第二种方法，从细化二值图像中提取特征，此方法比较简单，在得到可靠的细化二值图像后，只需要一个33的模板就可以将端点和分叉点提取出来。现实中，指纹输入时，由于很多影响，得到的指纹图像大都含有断纹、褶皱、模糊、灰度不均匀等质量问题，虽然经过预处理，图像质量会有所改观，但预处理算法对各个指纹的适应性和有效性也会不同，并且会引入新的噪声，因此得到的细化二值图像往往含有大量的伪特征点。伪特征点不仅会影响匹配的速度，严重的会影响整个识别的正确率。所以提取特征点后要进行去伪处理，尽可能滤除伪特征点、保留真特征点。实践中发现，伪特征点的数量一般占总特征数量的一半以上，所以去伪是必不可少的过程。去伪过程可以在两个阶段进行：一是在特征提取之前对细化二值图像进行平滑、去除毛刺、连接断纹等操作，然后提取特征作为真特征；另一种是在特征提取之后，根据特征之间的相互关系，尽可能准确的识别伪特点并滤除他们。前者直接对图像进行修补，操作比较复杂，容易引入新的伪特征；后者对特征提取后的数据进行判断，识别比较麻烦，但是速度较快。第5页第2.6节指纹图像的匹配指纹匹配是指从已有的指纹集合中找出与待识别指纹图像匹配的过程。指纹匹配是自动指纹识别系统中最关键的一步。目前指纹匹配方法可以分成两类，即验证(Verifi-cation)模式和识别(Identification)模式。验证模式即一对一比对，在这种模式通过将采集的指纹特征与已经保存在模板数据库中的一个生物特征进行比对，并与一个唯一的个人识别码建立联系，从而达到身份确认的目的，防止多人用同一个身份。而识别模式是1:N的比对，通过将采集到的指纹特征与模板数据库中的指纹特征逐一对比，找到与之相匹配的指纹特征信息，从而达到身份验证的目的。第6页第3章算法研究第3.1节Gabor滤波增强Gabor滤波器使用方向场图像来进行增强，是指纹增强算法中最常见的一种。这种算法的基本出发点是基于指纹的数学模型，指纹在局部小区域内可以认为是一组平行的具有一定频率的直线，可以顺着脊线的方向使用Gabor窗函数去过滤图像，使脊线的信息得到加强。由于是顺着脊线的方向滤波，在顺着脊线的方向上有平滑的作用，因此能将一些断裂的脊线修复回原来的状态；同时由于Gabor滤波器具有良好的频率选择性，可以在有效地去除脊线上的噪声的同时，保持脊线的结构。通常的二维Gabor滤波算子的定义见公式（3-4）（3-5）（3-6）：（3-)2exp(21exp),(2fjyfyxhx4）（3-sincoyx5）（3-iy6）取其实数部分得公式（3-7）：（3-)2cos()(21exp),(2fxjyfyxhx7）图像滤波后得到公式（3-8）：（3-2),(,),(),(WujiGfjiOvhjiG8）经过Gabor滤波后，大部分的噪声被去除了，指纹中存在的断纹被连接上，而粘连部分则被断开，留下了纹线清晰的指纹纹理，并且没有破坏原有指纹的细节特征。第3.2节二值化的算法算法可以分为两个主要的部分：1）提取指纹轮廓,即灰度图像门限分割高斯模糊区域增长部分。在该过程中,首先把灰度指纹图像以任意阈值分割的方法变为高对比度的图像,这样可以保障高斯模糊能够给分割后的指纹谷线区域赋予一定的灰度值,从第7页而保证在计算区域增长的过程中,不至于使得种子点落入指纹的谷线区域,以达到准确地进行图像指纹前景区域提取的目的。2）指纹前景区域二值化处理,即灰度图像带阻滤波背景填充前景二值化部分。该过程中,带阻滤波处理是主要的处理方法。把前面得到的指纹轮廓线应用于带阻滤波图像的主要原因是为了在直方图中让带阻滤波处理的指纹图像的峰值恰好落在0点附近,从而减少选取阈值的复杂程度和计算量。有了这个阈值也就实现了前景和背景的分割。具体的实现步骤如下：(1)、提取指纹轮廓方法（a）指纹阈值分割方法指纹的门限分割方法有很多,如基于图像直方图的分割方法、基于像素邻域平均灰度的分割方法、基于遗传算法的分割图像、基于图像分块动态阈值的方法、基于小波分形特征提取的图像分割方法等。具体算法在前面分割算法里已介绍过。（b）指纹图像的高斯模糊处理方法高斯滤波具有平滑特性,截止频率增大,能够导致图像变得模糊不清。而一般采用的就是高斯函数低通滤波的这一特性,在频率域对指纹图像进行平滑,从而使得图像纹理部分变得模糊,而背景部分不变。对上面得到的二值图像在频率域进行高斯低通滤波处理,可以得到平滑的模糊图像。二维傅立叶变换见（3-9）：（3-10)/2()/2(,),u(MxNyvyNjuxMjefvF9）逆变换见（3-10）：（3-10)/2()/2(,)(),(fMuNvuyNjuxMjeFyx10）高斯滤波器表示为。其中：是距傅里叶变换原点的距离；2/),(,vuDH）（),(vD是截止滤波频率。实验中,取相当于平均纹线宽度像素单位为截止频率0D6Ew半径,设计了高斯低通滤波器。受滤波器半径的截止频率影响,处理后图像出现均匀的模糊现象。（c）区域增长提取背景轮廓方法由于高斯模糊处理方法把二值化的指纹脊线和谷线变为了平滑的灰度模糊图像,在图像中只有背景图像的灰度值为255。从图像背景的起始点附近任意选择一个灰度值为255的像素点作为种子,依据一定相似性准则对连通区域进行填充,得到了背景区域。对于tR的补集,即为指纹图像区域。实验中,直接采用待判断点与当前种子点的灰度tRtR1b第8页之差作为相似性度量判据,以标记值划分区域的轮廓。通过以上几步,可以有效地提取出图像的指纹前景区域。(2)、带阻滤波指纹图像的二值化处理方法图像的边缘和其他一些尖锐变化（如噪声）在图像的灰度级中主要处于傅里叶变换的高频部分。低通滤波器具有平滑的特性,但是不同半径的截止频率对图像的影响较大特别容易出现振铃现象。高通滤波器与低通滤波器的情况正好相反,它使得图像变得更加锐化,一些噪声点容易得到加强。带阻滤波器消除了傅里叶变换原点处的频段,对周期性的噪声有很好的抑制作用。同时,平滑了指纹图像中锐化的部分。巴特沃思带阻滤波器的表达式见（3-11）：（3-),(),(1,202DvuWvDvuH）（11）其中：是到中心频率矩形原点的距离；W是频带的宽度；是频带的中心）（,0D半径。在傅里叶变换中使用巴特沃思带阻滤波的方法,得到了输出图像G(i,j)。虽然该图像直方图也具有一个峰值,但是该峰值接近于0点处。换句话说,带阻滤波方法平滑了整个图像,输出图像G(i,j)的直方图的峰值即为该图像的阈值。但是同时存在的问题是该图像受背景的干扰较大,需要对背景进一步处理。第3.3节细化算法图像细化要求删除边界点,但不能破坏原来图像的拓扑性质,特别不能破坏端点、分叉点等细节特征,并且应减少伪特征点的产生。一般采用混合式指纹快速细化算法,该算法很好的平衡了细化质量与细化速度的矛盾,为后期的特征提取做好准备。算法的主要步骤如下：(1)、采用快速细化算法进行初步细化;(2)、采用串并混合细化算法进行完全细化;(3)、采用脊线跟踪法消除纹线的伪特征点(包括孤立点、短线、毛刺、小孔、小桥等),并对纹线进行平滑处理。第3.4节匹配算法本论文中，首先采用了在原图基础上修改参数值来验证的方法。这种方法将原特征点的相对距离进行修改，使得各个特征点之间的相对距离产生差异。在找到核心点后，比较它们相对距离的差异，对于满足一定值的点视为可积点。最后判断可积点的个数和相对值。当它们个数满足一定条件时即为匹配成功，不满足视为不匹配。匹配与否用success值返回。返回1说明匹配成功，返回0则匹配失败。第9页第3.5节新算法二值化的基本思路是选取适当的灰度阈值，将灰度图像转化为二值图像。一般的图像处理中的二值化算法主要是计算整幅图像的灰度平均值，然后将该值作为门限，高于该门限的像素点就置1，反之置0。我们通过研究发现，这种方法虽然简单，但是对噪声较大，图像质量不好的指纹会产生较大的二值化噪声。所以最好选用局部阈值法作为二值化算法。论文采用了一种动态局部阈值，满足这种条件下的灰度值为128，不满足则灰度值为255。再根据前面判断的是否为背景即Icc值的来修正Icc值：灰度值为128且Icc为1时（非背景指纹纹线时），Icc值为0，像素值置为0。背景和灰度值为255的纹线像素置为1，这做法的目的是去除不确切的点。此时背景为白，纹线为黑。二值化后的图像中的点还要进行修改，修改条件为：当像素为1时，它周围点不大于3个点为像素1的点，则修改为0；当像素为0时，它周围不小于7个点为像素1的点，则修改为1。这种修改是为了使图像连续圆滑。本论文中在细化部分算法步骤如下：(1)、建立3维数组，第一组数据为预处理后的图像信息，定义每一个像素点它周围点像素参数。(2)、对于满足6种情况的模板，赋值为2，其实为像素1情况。对于满足后六种情况的模板赋值为3，别的情况点值不做改变。(3)、16种消去模板是在不满足上述情况下衍生的模板，对于满足这些模板的点像素全为0，以上都未涉及的点不做改变。(4)、循环进行上述过程，到所有点值不改变为止，最多进行20次细化。本实验基于Matlab仿真软件环境下，对分割好的指纹图像进行二值化和细化处理，仿真结果如下图3-1所示：图（a）原指纹图像图（b）二值化后的指纹图像图（c）细化后的指纹图像图3-1指纹图像二值化细化结果从分割后的二值化处理图像中，我们可以看到，整个灰度变成了黑白的二值图像图，图像的条纹比较清楚，它的实现有助于压缩数据量和细化的实现。第10页细化将黑白二值图像细化成了单个像素带宽的指纹图像，也就是说，本细化算法能够达到细化效果。第11页第4章指纹图像仿真第4.1节指纹图像仿真根据上面对算法的研究，图像处理部分运行代码显示结果如下图4-1：图（a）原指纹图像图（b）归一化后的指纹图像图（c）分割后的指纹图图（d）二值化后的图像图（e）细化后的指纹图像图（f）特征点分布图图4-1指纹图像仿真结果根据上一章介绍的匹配算法，这里选取了2张图片进行指纹图像匹配，这两张指纹图像明显不匹配，则success返回值为0。下图4-2为选取的两张指纹图像：图（a）指纹1图（b）指纹2图4-2进行匹配的两张指纹图像第12页图4-3指纹匹配结果这里又对同一张图片进行指纹图像匹配,下图4-4为选取的指纹图像：图（a）指纹1图（b）破坏后的指纹1图4-4进行匹配的相同指纹图像图4-5指纹匹配结果第4.2节指纹图像仿真结果分析从上图4-1可以看出，原图像在归一化及分割后得到的图像条纹清晰，轮廓分明。通过二值化处理后，整个灰度变成了黑白的二值图像，图像的条纹比较清楚。细化将黑白二值图像细化成了单个像素带宽的指纹图像。指纹图像特征点分布结果图包含了特征点和伪特征点。图4-3和4-5论证了指纹匹配方法的实用性。次指纹匹配方法处理信息少，虽然要一定的预处理，但快捷高效，出错小，适合一对一匹配。第13页结论指纹具有唯一性、稳定性、以及便携性的特征。因此指纹被广泛应用于身份鉴别等领域。如指纹门紧系统、指纹考勤系统、指纹保险系统等。自动指纹识别系统具有广阔的应用前景。因此，指纹识别系统的研究对于今后的发展尤为重要。随着科技不断的发展，对指纹识别的要求也越来越高，特别是其快速可靠的算法。所以还需不断研究更加快速,高识别率，拒真率和低误识率，处理速度快的指纹识别系统算法，使其在刑侦领域、信息安全领域、数据通信领域、公共安全方面、金融安全方面、医疗方面、社会福利方面占据不可忽视的位置。本文主要工作是基于Matlab的指纹识别系统的设计，这里的指纹来源于FVC2004。本文的第二章详细的介绍了指纹图像处理的各个环节。第三章在原本算法基础上提出新的算法，并在Matlab中对其进行仿真，获得的图像证明，该算法在仿真阶段可以较好的实现指纹图像的处理和信息提取。参考文献1.袁红梅指纹识别系统原理J考试周刊，2007,18：1-22.谢立锋，陈灵枭浅谈指纹识别基本原理技术与市场，2008，01:1-23.高月红灰度图像分割算法的研究J科技信息，2009,27:1-24.黄世龙，刘书刚指纹识别算法研究与实现J山西电子技术，2012,05:35.杜培明，巩静基于Gabor滤波器的指纹图像增强算法J微机型与应用，2011，05:1-36.王业琳，宁新宝，尹义龙指纹图像细化算法的研究J南京大学学报，2003，04:27.郭晶莹，吴晴，商庆瑞基于Matlab实现的指纹图像细节特征提取J计算机仿真，2007，01:2-38.李晨丹，徐进指纹图像预处理和特征提取算法的Matlab实现J计算机工程与科学，2009，07:19.郭雷，陈大海，李海，常江指纹图像二值化处理方法J计算机应用研究，2007，09:210.耿德英，陈智敏，陈梅琴图像处理在指纹识别中的实践J西昌学院学报，2009，04:111.李昊，傅曦指纹模式识别系统M人民邮电，2008：11-1712.万志坚，李文锋指纹图像识别技术及其应用前景J深圳职业技术学院，2003,02:3第14页致谢光阴似箭，日月如梭，大学的时光过的如此之快，弹指间，竟都到了毕业时节，毕业论文的完成也到了尾声。从一开始的选题到论文的完成，这一切都离不开老师，家人，同学，朋友的帮助与支持，在这里，我要向他们表达我诚挚的谢意。感谢我的论文指导老师彭静玉，她严谨，细心，温和，积极地询问我的论文进度并给予我很多论文方面的指导，让我很投入地完成本论文。感谢我的家人，是他们一直的支持和关爱让我一直乐不知疲，一直充满精力，干劲。感谢这篇论文所涉及到的各位学者，本论文引用了他们的研究文献，如果没有各位学者前辈们的研究成果的帮助和启迪，我将很难完成本篇论文的写作。感谢我的朋友和同学，在我写论文的过程中给予很多相关素材，并且在排版过程中提供热情的帮助。由于我的学术水平有限，所写论文难免有不足之处，恳请老师批评和指正！再一次对所有关心帮助过我的人表示感谢。第15页附录：中英文文献翻译名称一种基于指纹识别的IC卡门禁系统第16页附录源程序1：主程序clcclearallclosealloriginI=imread(1.tif);m,n,s=size(originI);I=originI;ifs=3I=rgb2gray(originI);endI=double(I);figure,imshow(uint8(I)tic%归一化M=0;var=0;forx=1:mfory=1:nM=M+I(x,y);endendM1=M/(m*n);forx=1:mfory=1:nvar=var+(I(x,y)-M1)*(I(x,y)-M1);endendvar1=var/(m*n);%c=sqrt(30*(I(x,y)-M1)/var1);forx=1:mfory=1:nifI(x,y)=M1I(x,y)=150+sqrt(100*(I(x,y)-M1)*(I(x,y)-M1)/var1);elseI(x,y)=150-sqrt(100*(M1-I(x,y)*(M1-I(x,y)/var1)；endendendfigure,imshow(uint8(I)%分割M=10;%1H=m/M;L=n/M;第17页aveg1=zeros(H,L);var1=zeros(H,L);forx=1:H;fory=1:L;aveg=0;var=0;fori=1:M;forj=1:M;aveg=I(i+(x-1)*M,j+(y-1)*M)+aveg;endendaveg1(x,y)=aveg/(M*M);fori=1:M;forj=1:M;var=(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)*(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)+var;endendvar1(x,y)=var/(M*M);endendGmean=0;Vmean=0;forx=1:Hfory=1:LGmean=Gmean+aveg1(x,y);Vmean=Vmean+var1(x,y);endendGmean1=Gmean/(H*L);Vmean1=Vmean/(H*L);gtemp=0;gtotle=0;vtotle=0;vtemp=0;forx=1:Hfory=1:LifGmean1aveg1(x,y)gtemp=gtemp+1;gtotle=gtotle+aveg1(x,y);endifVmean1T1&var1(x,y)(3*(sum1+sum2+sum3+sum4+sum5+sum6+sum7+sum8)/8)sumf=summin;elsesumf=summax;endifsumfbIm(x,y)=128;elseIm(x,y)=255;endendend第20页fori=1:mforj=1:nIcc(i,j)=Icc(i,j)*Im(i,j);endendfori=1:mforj=1:nif(Icc(i,j)=128)Icc(i,j)=0;elseIcc(i,j)=1;end;endend%figure,imshow(double(Icc)%二值化后处理Im=Icc;In=Im;fora=1:4fori=2:m-1forj=2:n-1ifIm(i,j)=1ifIm(i-1,j)+Im(i-1,j+1)+Im(i,j+1)+Im(i+1,j+1)+Im(i+1,j)+Im(i+1,j-1)+Im(i,j-1)+Im(i-1,j-1)=7In(i,j)=1;endendendendIm=In;end%细化figure,imshow(In);I=xihua(In);figure,imshow(I);%特征提取xxx=0;Im=I;第21页tezheng=zeros(m,n,3);fori=2:m-1forj=2:n-1ifIm(i,j)=1a=0;ifIm(i-1,j)=Im(i-1,j+1)a=a+1;endifIm(i-1,j+1)=Im(i,j+1)a=a+1;endifIm(i,j+1)=Im(i+1,j+1)a=a+1;endifIm(i+1,j+1)=Im(i+1,j)a=a+1;endifIm(i+1,j)=Im(i+1,j-1)a=a+1;endifIm(i+1,j-1)=Im(i,j-1)a=a+1;endifIm(i,j-1)