统计方法在指纹识别中的应用研究毕业设计(论文)开题报告.doc

苏州科技学院毕业论文开题报告论文题目 统计方法在指纹识别中的应用研究 院 系 电子与信息工程学院 专 业 电子信息工程 学生姓名 吴 志 伟 学 号 1030106215 指导教师 胡 伏 原 2014年 1 月 10 日1本课题研究的背景、目的及意义随着计算机和网络的迅速发展，人们对身份认证的准确性、安全性与实用性提出了更高的要求。传统的加密方式已经不能满足现在的要求。指纹识别技术充分利用了指纹的普遍性、唯一性和永久性的生物特征，已逐步取代了传统的识别方式，目前在网络、银行、金融、医疗和安检等行业均得到了广泛应用。在自动指纹识别中，指纹识别过程一般分为指纹图像采集、图像预处理、特征提取和特征匹配四大部分。1） 指纹图像采集。主要分为指印转录和活体扫描两种。指印转录是早期的指纹图像获取方式，具体操作步骤是在手指表面均匀涂抹印泥或墨水，再按压在白纸上形成指纹印记，然后利用扫描仪或数码相机等设备录入到计算机或其他存储介质中。活体扫描采集的指纹图像是直接进行数字化的，操作简单方便，图像质量好。2）指纹图像预处理。通常包含指纹图像分割1-2、增强3-4等操作。前者用来将指纹前背景分离，并排除前景中无法修复的低质量区域，后者目的在于提高指纹纹线的清晰度，保证特征提取的可靠性。3）指纹的特征。包括全局特征和局部细节特征。全局特征描述了指纹纹线的整体走向，其主要表现形式是指纹纹线存在奇异区，在这些区域中，纹线方向是不连续的，通常将方向变化较大的点称为奇异点。指纹奇异点可分为中心点和三角点两种，它们的位置、方向等信息比细节特征更为稳定，是指纹匹配特征对齐及指纹分类的主要依据。通常，指纹奇异点都是通过对指纹方向图的分析而提取得到的。对于指纹的局部细节特征，根据特征匹配方法的不同，其提取过程和目的也不一样。主要提取方法有三类：1 细化图像提取5：在预处理阶段需要对增强的图像进行二值化和细化处理，然后分析指纹纹线“骨架”上像素点的8邻域像素的取值来判定细节点的类型和位置，再通过追踪与该细节点相连的纹线来计算其方向。这种原理简单、便于实现，但处理比较耗时。2 灰度图像提取6-7：首先增强指纹图像，在灰度图像上选取追踪起始点，再根据指纹方向设置步长并开始追踪指纹纹线。每前进一段距离，由图像在与追踪方向垂直的线段上灰度投影的极值确定纹线位置，当遇到端点和分叉点时停止追踪。这种方法执行效率高，但实现复杂，算法性能依赖于指纹方向的准确估计，追踪起始点和追踪步长难以合理地选取。3 二值化图像提取8-9：在二值图像中，采用从上到下、从右到左逆时针的顺序检测像素取值的变化以追踪脊线边缘，若追踪像素之间变化角度大于阈值，则认为找到细节点，且根据角度变化方向确定细节点类型。这种方法的缺陷在于易造成提取结果中终止点和分叉点类型交换，在指纹奇异区提取的错误细节点较多。 4）指纹匹配。主要有图像相关匹配10-11、纹理特征匹配12、纹线匹配13以及细节点匹配14等。前两者匹配速度快，对图像质量要求不严格，但由于忽略了指纹的细节特征，匹配准确性不高。纹线匹配方法需要较多的特征信息，造成提取速度慢，模板容量大。细节点匹配方法表达方式简单，充分利用了指纹图像在细节特征上的差异，所以得到了广泛采用。本文将对基于图像分割和图像增强的预处理，基于二值化和细化的特征提取和基于点模式的特征匹配对指纹的识别进行研究。2本课题主要研究内容和预期目标1. 研究内容 1.基于图像分割和图像增强的方法对采集的图像进行预处理。 2.基于二值化和细化的方法对指纹图像进行特征提取。 3.基于点模式的细节匹配方法进行指纹的特征匹配。二.预期目标1 掌握指纹识别基本过程；2 熟练每个过程中的算法基本原理；3 通过学习和掌握指纹识别中算法的运用；4 运用MATLAB分析设计出指纹识别系统；5 提交本科毕业论文一篇。3本课题拟采用的研究方法、步骤本课题主要研究基于统计方法的指纹识别研究，选择二值化和8邻域编码纹线跟踪算法。软件工具为MATLAB。一、MATLAB简介MATLAB是matrix和laboratory这两个英文单词的缩写，顾名思义这个的中文意思就是矩阵实验室。它在数据的运算中是以矩阵作为基本单位的，因为它的指令语言和数学以及工程里面运用的指令是特别相似的，所以MATLAB在估计和解答问题这一方面是比其它的语言更加容易的多。MATLAB是一个更加强大的数学软件一方面是由于其的解算能力，另一方面是由于其也吸收一些Maple等软件的优点。MATLAB在生活中很多方面得到广泛应用，例如，控制设计，工程，信号处理，通信，信号检测，图像处理，财务模型的设计与分析。2、 图像分割和图像增强方法指纹分割的一般方法是将图像分割成许多互不重叠的小块，并计算每块的特征向量，根据特征向量来判断某块为前景还是背景。指纹分割中常用的主要特征包括灰度方差、方向图、频率图和纹线峰平均灰度值与谷平均灰度值之差（对比度）等。 算法步骤如下：(1) 用边缘提取算子提取灰度图像的边缘。得到二值边缘图。零值表示背景，非零值表示边缘(2) 用半径为n像素的圆形结构元，对二值边缘图做一次数值形态学的闭运算，平滑边界并对有效区域的内部的孔洞进行填充(3) 用半径为m像素的圆形结构元，对步骤（2）的结果进行一次开运算。去除毛刺和小目标噪声。最后得到非零区域就是指纹的有效区域数字图像处理中采用的通用的图像增强方法如均值滤波、低通滤波、边缘增强等对指纹这种具有一定特性脊线和谷线交替的图像的增强效果并不理想，这是因为这些方法都是针对图像中存在的随机噪声，然而模糊的指纹图像主要存在纹线缺陷的结构性噪声。Gabor滤波器是带通滤波器，它以其在空域良好的方向选择性，在频域有良好的频域选择性，因而在计算机视觉领域得到了广泛的应用。利用Gabor滤波器在这种在两个域内的良好性质来进行指纹图像的增强，取得了很好的效果。 其主要步骤为： （1）灰度规格化：可使输入的指纹灰度图达到到预先规定的均值和方差 （2）方向图估计：从规格化后的指纹灰度图中求得指纹方向图 （3）计算指纹的平均频率：从规格化后的指纹灰度图中求得指纹的平均频率（4）滤波处理：对规格化后的指纹灰度图进行Gabor滤波用以得到增强的指纹图像三、二值化方法和细化方法 二值化的方法有全局二值化和局部自适应二值化。全局二值化的方法就是设定一个全局的阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色（或者黑色），小于T的像素群的像素值设定为黑色（或者白色）。全局二值化，在表现图像细节方面存在很大缺陷。为了弥补这个缺陷，出现了局部二值化方法。局部自适应二值化，该方法就是按照一定的规则将整幅图像划分为N个窗口，对这N个窗口中的每一个窗口再按照一个统一的阈值T将该窗口内的像素划分为两部分，进行二值化处理的基础之上，将阈值的设定更加合理化。该方法的阈值是通过对该窗口像素的平均值E，像素之间的差平方P，像素之间的均方根值Q等各种局部特征，设定一个参数方程进行阈值的计算，例如：T=a*E+b*P+c*Q，其中a,b,c是自由参数。这样得出来的二值化图像就更能表现出二值化图像中的细节。 细化的方法是图像分析、特征提取及模式识别中的常用技术。细化的主要作用是去除不必要的纹线粗细信息，节省内存，便于从指纹图像中提取细节特征，从而提高指纹图像的处理速度和效率。8邻域编码纹线跟踪算法继承了细化中8-邻接点的相关概念，对指纹图像的末梢点、分支点等特征进行提取。下面简要给出8邻域编码纹线跟踪算法的步骤：(1) 对细化二值指纹图像的各像素点进行8邻域编码，并保存；(2) 当前点为指定起始点（x，y），指定起始方向Dc，设初步步长L=0；(3) 判断是否达到规定步长，是则终止；否则根据Dc方向与坐标增量表更新当前点（x，y）；(4) 由当前点8邻域编码查编码与类型表，判断是否为端点或分歧点，是则终止，否则继续；(5) 求Dc的补码，从连续点方向表中选与该补码不同的方向编码作为新的Dc，且步长为L=L+1，返回（3）。 算法的流程图，如图1所示。 四：特征匹配方法 指纹匹配是指纹识别中的一个重要问题。目前的指纹识别系统主要采用基于节点的匹配方法，我们研究的也是基于点模式的细节匹配。该方法通过某种策略分别从两枚指纹中选取一个节点作为参照节点对，在进行节点匹配时先将参照节点对齐，然后再评估其他节点的匹配程度。我们的细节匹配算法步骤如下： （1）对每一个i(im)和每一个j(1n)，如果rotateij=400，即细节点Pi和Qj不能被当作对应细节点对，则重复此步并选择另一对Pi和Qj，否则转向步骤（2）。如果所有的细节点对都已考虑过了，则转向步骤（5）（2）将Pi和Qj当作参照细节点，将输入点集和模板点集中的细节点都转换成极坐标开始对细化二值图像进行8邻域编码指定起始点（x,y）起始方向Dc设定步长L=0 是是否到达规定步长 根据Dc查方向与坐标增量表更新当前点（x,y） 否由当前点8邻域查编码与类型表是否为末梢点或分支点求Dc的补码L=L+1 否 是结束 图1 8邻域编码纹线跟踪算法流程图（3）将极坐标中的模板细节点和输入细节点按极角递增方向排序，并连接成串，表示如： 其中和表示对应的极半径、极角和相对于参照点的细节点方向 （4）用后面将要介绍的方法匹配串和，找出匹配分数，记录为m_scoreij。然后转回步骤（1） （5）找出m_scoreij中的最大值，把它当作输入细节点集与模板点集的匹配分数。如果匹配分数高于一个预先设定的阈值，则认为输入图像与模板图像来自一个指纹，否则认为它们来自不同指纹4、 指纹识别的主要步骤 先在离线模块存储我们需要鉴定的指纹，在在线模块对我们采集到的指纹进行预处理特征点提取与匹配，检查离线模块是否与在线模块中的指纹一致，如图2所示。离线模块指纹采集特征点存储特征点提取指纹图像预处理 指纹采集特征点存储特征点提取指纹图像预处理匹配结果 在线模块 图2 指纹识别框架图 4本课题主要参考文献1B.M.Mehtre,B.Chatterjea.Segmentaitonof.fingerprint.images:posite.method.Pattern.Reco-gnition,1989,22(4):381-3852N.K.Ratha,S.Y.Chen,A.K.Jain.Adaptive.Flow.Orientation-Based.Feature.Extraction.in.Fingerpri-nt Images.Pattern Recognition,1995,28(11):1657-16723S.Chikkerur,A.N.Cartwright,V.Govindaraju.Fingerprint.Enhancement.Using.STFT.Analysis.Patt-ern Recogonition ,2007,40:198-2114L.Hong,Y.Wang,A.K.Jan.Fingerprint.Image.Enhancement.Algorithm.and.Performance.Evaluati-on IEEE Transactions.on.PAMI,1998,20(8):777-7895A.K.Jain,L.Hong,R.Bolle.On-Line.Fingerprint.Veirfication.IEEE.Transactions.On.Pattern.Analy-sis.and.Machine.Intelligence,1997,19(4):302-3146D.Maio,D.Maltoni.Direct.Gary-Scale.Minutiae.Detection.in.Fingerprint.IEEE.Trans.Pattern.An-alysis.and.Machine.Intelligence.1997,19(1):27-407X.D.Jiang,W.Y.Yau,W.Ser.Detecting.the.Fingerprint.Minutiae.by.Adaptive.Tracing.the.Gray-Level.Ridge.Pattern Recognition,2001,34:999-10138Z.X.Shi,V,Govindaraju.A.Chaincode.Based.Scheme.for.Fingerprint.Feature.Extraction.Pattern.Recognition Letters,2006,27:462-4689S.Chikkerur.C.H.Wu.and.V.Govindaraju.A.Systematic.Approach.for.Feature.Exrtaction.in Fingerprint Images.ICBA,2004,3:243-24810A.M.Bazen,G.Verwaaijen,S.H.Gerez.and.et.al,A.Correlation-Based.Fingerprint Verification.System In:Proceedings.of.ProRISC2000,2000,3:205-21311K.Ito,A.Morita,T.Higuchi.and.et.al.A.Fingerprint.Recognition.Algorithm.Using.Phase.Based. Image.Matching.for.Low-Qua