毕业设计（论文）-指纹图像增强与匹配技术研究.doc

潍坊学院本科毕业论文第1章 绪 论1.1 生物特征识别技术 生物识别技术是综合计算机技术、模式识别技术、传感技术等多领域学科发展而形成的，基于人类特有的生理或行为特征进行自动身份识别的第三代防伪技术。生物特征之所以能够广泛地应用于身份识别，归因于这些特征来白人的内在属性，难以被盗用和丢失。相比于传统的基于密码、证件的验证方式，生物识别技术提供了更加安全、可靠和有效的机制。 生物识别技术发展至今己形成了多领域的学科，根据生物特征的类型可以分为生理特征和行为特征。生理特征属于解剖学的范畴，是指与生俱来的特征，包括指纹、人脸、虹膜、手掌等。行为特征则指后天形成的，行为习惯上的特征，包括笔迹、步态、声音等。 对于诸多的生物识别技术，通常采用以下准则来考察各个技术的优劣性： 1)唯一性，是指每个人的特征各不相同，或者可能性相趋近； 2)终身不变性(或者稳定性)，指某特征随着年龄的增长近似不变； 3)普遍性，指所有人或者大部分人都拥有该特征； 4)可采集性，指某特征可以通过适当的仪器和方式准确地采集到；指纹识别技术很好地满足了上述的要求：第一，普遍性。世界上几乎何一个人都具有指纹。第二，唯一性。1788年J.Mayer首次提出没有两个人的指纹完全相同。现代科学认为，指纹的重复率大约为几十亿分之一，换言之，几十亿人中，才会出现两个相同的指纹。因此，指纹具备良好的唯一性。第三，终身不变性(或者稳定性)。指纹是由遗传基因决定的，一旦形成，终身不变。即使受到磨损，新生纹线的样式、纹形都与原有指纹相同。此外，指纹的采集过程相对简便，可采集性较高。正是由于这些良好的性质，使得指纹相比于其他生物特征具备了天生的优越性，继而成为生物识别领域应用最为广泛的技术。在刑事侦破过程中，指纹己被视为重要的线索和具有法律效应的证据，素有“物证之首，无冕之王”之称。在商用领域，指纹识别作为更加可靠的身份验证手段正广泛涉足银行、证券、政府机关、企业、私人物品等领域，日益发挥它的作用。1.1.1 生物特征识别技术概述生物特征识别技术是随着计算机技术和半导体技术的发展而迅速普及的，特别是计算机技术的发展，不仅使生物特征技术成熟度得到提高，同时使硬件的价格变得相当低廉，为生物特征技术的实用化打下了坚实的基础。生物特征识别技术具有准确性高、特征不易伪造、稳定性好、身份特征不易丢失等特点。它克服了传统身份验证系统特征易丢失与伪造的缺点。现在，生物特征识别技术已经从司法部门身份鉴定的专用工具迅速推广到了金融、司法、企事业单位等各个民用领域。生物特征识别技术从应用稳定性与识别准确性方面又可以分为几个等级，根据不同领域对识别准确性的要求选取不同的识别方法。在.些要求极高的地方，可能需要使用复合生物特征识别技术。随着识别技术准确性的提高，可能需要付出更高的代价。现在常用的身份验证特征包括：虹膜、掌纹、指纹、视网膜、签名、步态、声音(1) 生物特征识别技术的优点l) 生物特征具有不易伪造性。传统的卡片、钥匙、条形码等常会因为存在利益驱动而被伪造；生物特征识别技术识别的是个人身体上的生理特征，这些特征是与个人的生理特征相关，他人想要伪造相当困难，并且现在大多数技术采用的是活体特征采集，更增加了伪造的难度。2) 生物特征具有稳定性。生物特征识别技术选用的特征都是经过理论分析、事实证明具有稳定性的。这些特征在一段较长的时间内不会发生大的改变，例如人的指纹在胎儿时就己经确定，随着年龄的增长，指纹的大小会变化，但是结构和纹线特征都不会发生变化。3) 生物特征具有不易丢失性。传统识别方法都有信物丢失的可能性，这些物品的丢失带来的后果可能是非常严重与繁琐的。密码的丢失可能需要一系列的手续来补办，要消耗大量的时间和物力。钥匙与卡片的丢失甚至可能造成更严重的后果。生物特征则不存在这种问题，它们是人体的一部分，能够随身携带，也不用担心是否会丢失的问题，增加了安全性。4) 生物特征识别技术速度较快，特别是在大量综合验证的情况下，生物识别技术更有速度优势。如今在国内，一些大型旅游风景区，如张家界，已经使用指纹识别系统对游客进行身份验证，代替了纸质的门票。(2)生物特征识别技术的缺点首先，生物特征识别技术仍在发展过程中，还没有足够成熟，有进一步研究和改进的空间。目前而言，生物特征识别技术的采集设备还有待改进，现有采集设备在采集过程中并不能完全真实反映生物的特征，同时由于设备自身的原因，常会在采集数据带入一定的系统噪声。现有大量文献对指纹增强和匹配算法进行研究，但文献结果表明现有算法的准确率仍有待提高。其次，生物特征识别技术的成本相较于传统识别手段仍较高。系统的采集装置大多数采用半导体传感器，虽然随着半导体技术的不断发展，半导体传感器的成本下降了很多，但是相对于传统的识别手段，成本仍然较高。生物识别技术通常会有图像处理步骤和图像匹配任务，这样复杂的计算必须要性能较好的处理器，处理器价格一般较高，所以生物识别技术也只能在城市中的一些重要部门和一些较富有阶层的住宅中安装，还不能普及到广大民众。另外，大多数生物特征识别技术需要先进行培训，例如：进行掌纹识别时，需要进行短期的培训以正确放置手掌的位置；进行虹膜、视网膜识别技术时，需要将眼睛放置在正确的位置，否则会导致采集的图像质量降低；进行指纹采集时，需要正确按压指纹，如果使用的力太大或太小都会造成指纹图像的扭曲，产生非线性变形，如果在采集设备上滑动指纹更会造成指纹采集失败。一些生物特征技术会侵犯用户的隐私权，例如：可能在当事人不知情时对用户使用面部识别系统。一些生物特征识别技术可能直接接触到人体，这可能会让人觉得不适，例如：虹膜、视网膜、耳道识别等。另外一些生物特征识别技术可能需要接触到特征采集装置，如果是多人使用过的采集装置可能会带来卫生方面的问题，也会让用户觉得不洁净，例如：指纹、掌纹识别。最后，生物特征识别技术是在最近20年才蓬勃发展起来的，是一个新兴的学科，因此缺乏相应的国际标准来指导识别技术的研究和实验。现有的算法和技术开发大都是由个人来进行测试和评价，没有公信力。在指纹识别领域，直到2000年才举行了一次竞赛FVC2000(指纹识别竞赛2000)，这次比赛以统一的性能参数和计算平台。对参赛的指纹算法进行了评测。同时，生物特征识别技术相关的产品也没有一个国际标准来进行指导。只有极少数地区和国家存在相关的行业标准，因此建立生物特征识别技术的国际标准以刻不容缓。值得欣慰的是，我国现在正在制定指纹识别方面的技术标准，己经走在了标准制定的前列。1.1.2 现有生物识别技术生物特征的选取必须具有独特性、唯一性。每种生物特征识别技术都有各自的优点和缺点，具体的应用应该考虑使用的综合环境、识别技术的性价比，很多生物特征已经被应用到识别系统中了。 a 指纹识别 b 笔记识别 c 步态识别 d 虹膜识别 e面部识别 f 掌纹识别图1.2生物识别(l) 指纹识别算法指纹是手指指尖表面脊线和谷线组成的有规律的纹路。脊线和谷线是交替出现的，在垂直横断面上是呈近似正弦分布的。指纹的纹线末梢点称为端点，纹线分叉的区域称为分叉点，纹线方向变化剧烈的区域称为奇异点(包括三角点和中心点)，每个人的指纹都拥有这些特征，但是每个人指纹的特征又各不相同，这些特征保证了身份鉴别可以顺利进行。指纹识别算法过程分为指纹采集、增强、细化、特征提取、分类、匹配等步骤。指纹采集是指活体手指按压在指纹采集装置上，然后经过处理产生适合计算机处理的数字图像，经过采集的指纹图像常常会有噪声和形变，通过指纹增强算法对指纹图像进行处理以达到改善指纹图像质量的目的。增强后的图像需要提取指纹特征。这些特征是指纹匹配的基础。指纹处理过程中最重要的步骤之一是指纹匹配算法，将提取出的指纹特征进行比对，当配对的特征点数大于设定的阂值，则断定指纹匹配。指纹具有比较好的稳定性和可操作性，因此，相对于其它生物特征识别算法，指纹识别算法是综合性能较突出的技术。l) 每个人的指纹都具有大致相同的形状和纹路，纹路分布的规律性也相似，但是每个人的指纹特征都是不同的，正是因为特征的差异使得每个人的指纹都具有独特性，即使双胞胎的指纹也只是大体结构相似，具体的局部结构是不同的；2) 指纹在人的胎儿时期就己经形成，随着年龄的增长，人的手指会越变越大，但是指纹特征的类型、相对位置、纹路结构都不会发生大的变化，经过实验证明，一个人在6岁和60岁时指纹的结构是基本相同的；3) 现有指纹识别算法需要的存储空间较少。识别算法很少使用整个纹路的信息，即使使用纹路信息也只是取其中的小部分，或者仅仅是指纹纹路的抽象表示，这是因为指纹纹路是很复杂的信息，计算机系统很难完整无误地描述，因此，识别算法需要的特征信息较少，在指纹图像预处理阶段就可以提取出需要的特征，并将它们存储起来，替代整幅指纹图像，这样大大节省了数据存储的空间；4)有一些现行的行业标准和统一的测试规范。2000年，FVCZ000使用标准指纹数据库对参加测试的数种算法进行了统一的测试，以后每两年举办一次，共有3届，从此指纹识别技术的研究者可以使用标准数据库对算法进行测试并与FVC的参赛算法进行比较。(2) 面部自动识别算法面部识别技术主要应用于司法部门的身份鉴定工作，是抓捕罪犯的常用手段之一。面部识别技术是用户界面最友好的识别算法，用户不用接触采集装置，也不用摆特定的姿势，在任何时间、任何地点都可以采集面部数据。面部识别技术的原理是：摄像装置捕捉面部图像，提取出其中不变的特征，然后与数据库中的模板特征进行比对，得出匹配结论。这种技术优点明显，已经成为现在比较活跃的研究领域之一。面部识别技术的优点在于：l) 面部识别技术可以用来比对疑犯，从监视镜头采集面部图像，然后进行与数据库中的人脸特征进行对比，搜寻出真正的身份。即使用户不配合数据的采集，也可以获得数据样本；2) 面部识别技术的数据采集工作是非接触性的，用户可以轻松的完成采集工作，不会有抵触心理；3) 面部的特征在一段较长的时间内是不会变化的，例如，眼睛的相对位置，两眼的间距，眼、鼻、嘴的相对位置等，具有一定的稳定性。面部识别技术的缺点：l)人的面部特征具有类间差异小、类内差异大的特点，即每个人之间面部差异不大，而一个人在不同的时期，面部特征变化明显，因而现有系统识别准确率不高，特别是很难识别时间跨度大的面部特征；2)人的面部表情非常丰富，常会影响识别的效率；3)环境因素。虽然面部图像采集可以全天候进行，但是在不同情况下采集的图像对特征的提取有不同的影响，如何将不同环境下的图像放在同一标准下进行识别是面部识别技术的难点；4)人在少年、壮年、老年时期的面部特征是有差异的，可能会导致匹配失败。(3)虹膜识别算法虹膜位于血管膜的最前部，虹膜中央是瞳孔。虹膜识别的准确性是很高的，据研究，两个人虹膜相同的几率大概为0.001%。因此，虹膜是最安全的生物特征识别技术之一。 虹膜识别技术的过程分为图像获取、活体检测、图像预处理、特征提取、特征匹配等步骤。虹膜数据的采集需要用特定高分辨率的相机对虹膜进行扫描，将数据输入处理器中，在处理器中需要对图像进行分析，判断是否从活体中检测得到的数据，判断的依据是血管的状态、瞳孔的收缩等。虹膜的特征可以分为几类：血管特征、纤维组织脉络特征、条纹特征等。虹膜的结构比较复杂，因此虹膜所能使用的特征也较多，大量的特征可以保证虹膜的识别独特性高、准确率好。虹膜识别的优点是：l)虹膜中的结构较复杂，有较多的特征用于识别，特征点有各自的类型，识别算法可以分别比较类别中的特征点，然后进行交叉比对，可以提高匹配的准确性；2)特征点的特征进行比对，分别对不同的类别进行不同类型的识别，具有较好的实时性；3)数据的采集是通过相机扫描，用户不用接触采集装置。缺点是：l)数据采集需要使用高分辨率的相机，这样的设备通常价格昂贵；2)扫描可能会造成眼睛受到伤害；3)环境因素。当外界光线不同，虹膜对光线的反应不同，造成虹膜内组织发生改变，影响虹膜的匹配。(4)声音识别技术声音识别技术就是利用声音的特点来进行识别的技术。每个人的声音特点是不同的，如果是熟悉的人，则一听可知对方的身份，这就是声音识别技术的原理。经过科学分析，人说话的语速、强弱以及关键字的轻重等都可以作为识别的特征。虽然人在很长的一段时间后声音可能发生变化，但在短期内声音的特点是不变的。声音识别技术的优点是：1)可以利用现有计算机附带的声音采集设备以及多媒体输入仪器对声音进行采集，这些设备价格相对比较低廉，并且可以大规模使用，只需要增加声音识别软件就可以进行声音识别；2)人类说话的行为是自然流露的，因此，数据的采集过程是很自然的，使用者对声音识别的接受度较好；3)声音在电话中的传输不会发生很大的扭曲，因此可以通过电话对声音进行识别。声音识别技术的缺点：l)声音相对其他生物识别技术来说特征较少，且用户的声音在不同的情绪条件下会发出不同频率的声音，因此声音识别技术的识别难度较大，识别错误率较高；2)声音是人自身发出的，但并非不能被伪造的，他人可以通过录制的方式窃取用户的声音信息，并使用到识别系统中，可能造成用户的损失；3)声音特征受环境的影响很大，现有采集设备在收录用户声音的同时会收录环境的声音，这种环境的影响是很难避免的，对声音的识别具有很大的干扰；4)声音会随着声带的变化而产生改变，生病导致声带改变就不能使用声音识别系统了。(5)签名识别技术签名识别技术在很早以前就开始使用了。古代的人们常在文件确定以及书画作品上签名以作身份证明。以前的签名识别只是将用户签名的习惯、字体的结构作为识别的特征，事实证明这种方法是不可靠的。现代的签字识别技术是基于签名的力度分析的，例如，字体笔划的加速度、相同笔划的切入点方向、力度等，这些特征可以判断书写者是自然写就还是刻意模仿，根据每个人的书法特点可以判断出签名的使用者。签名识别技术是一种根据用户的行为习惯和行为特征来进行识别的技术，和指纹、虹膜等生物自带的识别技术不同，是一种行为识别技术。签名识别技术的优点是：l) 签名或书法具有一定的价值，可以得到较好的保护，即使经过很多年也可以重新拿出来鉴定；2) 签名是日常生活中不可缺少的一种活动，人们对它的接受度较高。缺点是：l) 如果要进行签字的力学分析，必须使用专门的仪器对它进行计算，而力学分析仪器的价格比较高；2) 要想准确判断签名的真伪是比较困难的，因此签名识别技术的准确性不高，容易被伪造。(6)掌纹自动识别技术掌纹就是人类手掌上的纹路，又分为整体纹路及局部纹路。人类手掌纹路具有独特性，每个人的手掌纹路可能整体上相似，但具体的特征都不相同，即使同一个人的左右手也只是整体特征相似，局部特征各不相同。掌纹识别技术不仅仅依靠掌纹的识别，通常还会加入手型的特征。掌纹识别技术的优点：掌纹和手形的特征点较少，因此，在匹配过程中计算速度较快，存储空间小，非常适合作为一种辅助识别手段。缺点：l) 掌纹和手形的特征点少，因此匹配的错误率较高；2) 长期劳动会磨损掌纹；3) 随着年龄的增长，手形会发生改变。综上所述，现有的各种生物识别技术都有各自的优点，同时也存在着缺点，因此，用户使用的识别技术需要综合考虑各个方面的要求来确定。表1.1显示了各种生物特征识别技术的性能比较。从表1.1可以看出，掌纹识别技术需要用户学习使用采集装置，且误识率较高；面部识别技术采集过程容易受到光照等环境影响，且误识率较高；虹膜识别需要用户熟练掌握采集装置的性能，识别率高；视网膜识别技术能提取较多特征点，有很高的识别准确性，但同时消耗时间较长，且用户界面不友好；声音识别技术操作简单，速度较快，但识别准确率低，且容易被伪造；签名是常用的识别手段，用户容易接收，但误识率较高且识别时间较长：指纹各方面的性能指标都比较优秀，综合性能较高。表1.1各种生物特征识别技术性能比较名称FARFRR实用性处理速度指纹识别很低较低好2s-5s掌纹识别低5%使用困难5s-10s面部识别容易受光照，姿势等的影响10%非常好0s-5s虹膜识别很低约5%需要培训才能使用，手工操作对虹膜有困难仪器自动对准虹膜需3s-5s，手工操作需要5s-25s视网膜识别低低不好15s-30s声音识别用于电话时：低用于麦克风时：一般用于电话时：低用于麦克风时：一般可以3s-6s签名识别低10%一般5s-10s1.2 指纹成为生物特征的原因一个人的指纹在胎儿第六个月时开始形成，但出生以后直到青春期14岁时，指纹才会定形。一个人的一生中指纹不会有太大的变化。1.2.1 指纹的稳定性指纹能够很长的时间保持特征不变主要是由人类皮肤的结构以及皮肤更新原理决定的。皮肤是由表皮层、真皮层以及皮下组织构成。表皮层是人体皮肤的最外层，主要由角化细胞构成。表皮最内层未成熟的角化细胞不断分裂，并向最外层迁移；细胞的活性不断降低、变平，而到达最外层时，脱水变成扁平的角化细胞。内层细胞不断迁移至最外层，导致表皮的角化细胞干燥脱落。正是因为皮肤层的不断更新过程保证了指纹的长期稳定性。在人的一生中，除非手指发生大的外伤，伤及表皮内层细胞，否则指纹不会发生大的改变。1.2.2 指纹的独特性指纹的形成原因主要包括两个方面：一是人的基因决定了指纹的整体结构，两个基因相近的人，他们指纹的整体结构也是相似的；二是指纹形成过程中，由于胎儿所处的环境不同导致指尖的羊水微环境不同，从而决定了指纹的局部差异。这种差异是指纹识别算法的理论依据，即使双胞胎，其指纹的局部结构也各不相同。(1)指纹相同的概率很低相关研究表明，两个人指纹相同的概率为0.0001%。在实际生活中，要想找到两个相同的指纹是相当困难的，因此在实际处理时，可以将指纹作为身份识别的工具。(2)指纹识别算法的性能评价描述指纹识别技术的性能通常有以下指标：验证(Verification)：是指获取的一枚已知指纹和数据库中的指纹进行比对，以验证指纹的有效性；辨别(Identification)：是指获取的一枚未知的指纹和数据库中的指纹进行比对，以验证这枚指纹是否是来自于某一枚指纹；拒识：是指应该判定相同的指纹，通过识别判断为不匹配；误识：是指不应该判定相同的指纹，通过识别判断为匹配；相等错误率(EER)，拒识率(FRR)和误识率(FAR)相等时的值。1.3自动指纹识别技术的发展历程随着计算机技术与半导体技术的飞速发展，计算机硬件的成本不断下降，计算机已经进入了千家万户。自从上世纪初现代指纹识别技术建立以来，越来越多的科学家投入指纹研究的工作中来，指纹分类方法、识别算法层出不穷，在上世纪60年代，识别算法已经比较成熟。计算机技术的发展促进了指纹学的进步，自动指纹识别系统被提上议事日程。现实的急迫需要也是自动指纹识别算法出现的原因，纸质的指纹数据不断积累，不仅占用大量的存储空间，而且需要大量的人力和时间对指纹文件进行整理分类。到上世纪40年代，美国FBI所存的纸质指纹图像己经达到10亿张，如此海量的数据对任何一个国家或地区都是一个沉重的负担。从上世纪60年代起，西方主要国家都投入到自动指纹识别系统的研究中。这个时期的自动指纹识别系统主要是将纸质指纹图像扫描录入系统中并进行比对的过程。指纹数据库建立是一个大的问题，如果要将指纹的整个图像存在比对数据库中，不仅需要很大的存储空间，而且会大大影响匹配的速度，因此，需要抽象出指纹的特征作为存储的内容。指纹的分类对自动指纹识别系统来说也是一个重要的技术。在海量数据库中进行指纹搜索必须要有指纹分类，就像在大型图书馆中查找需要的书一样，书籍一般都会有分类号，很容易按照分类号找到需要的书籍。指纹分类就是给指纹提供一个“分类号”。最好的分类方法应该是呈树型的结构，越往树的下层分类越细，所搜索的空间越小。但分类又不能太细，否则指纹之间存在互相交叉的可能。指纹的匹配是自动指纹识别系统的关键，自动匹配也就是模拟人工识别指纹的过程，对不同指纹的特征进行比对，自动得出匹配结论，从而可以在无人工干预的情况下对指纹进行批处理。在对纸质指纹图像进行扫描时发现了一些问题：有些指纹的质量非常差，常会出现指纹沿有很多油墨致使指纹脊线被掩盖，或者手指沾有太多的油墨导致脊线不清晰等情况，因此制造具有良好采集性的设备变得刻不容缓。自动采集设备是上世纪80年代随着半导体技术的蓬勃发展而逐渐兴起。这个时期出现了各种性能和原理不同的采集装置，有传统光学指纹传感器，也有新兴的半导体指纹传感器。这些指纹传感器与传统纸质指纹采集最大的不同是提高了指纹图像的质量，并且能将指纹图像传输给计算机系统进行自动识别。 早期由于计算机技术的瓶颈作用，自动指纹识别系统仅仅应用于有限的几个部门，随着科技的发展，计算机已经普及化，自动指纹识别技术也已经比较成熟，正是因为这些有利条件促进了自动指纹识别系统的大发展。现在，自动指纹识别技术已经广泛应用于金融、政府部门、企事业单位以及私人门禁等各个领域，展现了生机勃勃的活力。1.4本章小结以及论文结构本章对生物识别技术进行了总结，比较了各种生物特征识别技术的优点以及缺点，阐明了指纹识别算法在实用性以及技术成熟度等方面的优势，并选取指纹作为主要研究的对象。描述了指纹的独特性以及唯一性，并展望了指纹识别技术的应用前景。第二章详细介绍指纹识别技术中的基本概念，图像采集，图像预处理等各个环节的理论与应用。第三章提出了指纹图像的增强技术，并从像素，纹理等方面阐述了指纹增加技术，在质量较差的图像中，指纹图像增强在实时性和准确性上都有大的提高。第四章提出了指纹图像的匹配技术研究，提出了一些匹配的方法，以及某些具有局部特征的匹配算法。第2章 指纹识别技术2.1 指纹识别技术的原理和特点指纹是由手指的末端皮肤表面隆起的纹线构成的图案，经由指纹采集器获取可以得到由黑白相间的纹线组成的二维数字图像。为了这两种不同颜色的纹线，分别将黑色纹线定义为脊线，白色纹线为谷线，如图2.1所示。在不引起混淆的情况下，指纹纹线通常指脊线。图2.1脊线和谷线的示意图每个指纹的独特性来源于纹线的局部特征和它们之间的相互关系。这些特征也包括纹线的形状、样式、局部特征的拓扑结构等信息。在指纹识别系统中，正是利用指纹中的各种特征对指纹图像进行抽象的描述和建模，实现不同指纹的比对和判别。总体来说，指纹的特征可以分为全局特征和局部特征两类。全局特征描述的是指纹的全局性信息，例如指纹的形状、特征点构成的拓扑结构等。早期研究者根据纹路的整体结构，提出了不同的分类方式，目前应用较为广泛的是Oalton所提出六类划分法，如图2.2所示： （a）拱形 （b）尖拱形 （c）右旋形 （d）左旋形 （e）平螺形 （f）双其螺纹图2.2不同形式的纹理局部特征则描述了纹线的局部信息。每个指纹都含有大约150个局部脊线特征，这些局部特征包括端点、又点、三角点、中心点等。端点是指脊线末端的点，而叉点指由线分为两条脊线的点(或者说两条脊线合并为单条脊线的点)，如图2.3所示： 叉点 端点图2.3图像的叉点和端点示意图中心点 中心点和三角点在指纹图像中较为特殊，通常中心点位于指纹的中心区域，而三角点位于指纹的下方区域。如图2-4示，当脊线不断向某一点汇聚，并在该点形成收敛，则该点为中心点。反之，如图2-5示，当脊线绕开某一点，在该点形成发散，则该点为三角点。图2.4指纹图像的中心点示意图图2.5指纹图像的三角点示意图中心点和三角点统称为奇异点，而端点和叉点统称为细节点，细节点是指纹匹配中应用最为广泛局部特征。 奇异点和细节点在指纹图像处理中的应用也有所不同。奇异点在单幅指纹图像中的分布较少，对于某些残缺的指纹图像或者少数完整指纹，甚至不存在奇异点。另一方面，奇异点的类型和位置分布往往决定了指纹的形状(参看图2-2)，因此可以用于指纹形状的判断。此外，中心点往往位于指纹图像的中心，在某些算法中，将中心点作为不同指纹图像的参考点，进行对齐或者粗略的匹配。 与奇异点相反，细节点在指纹中的分布数目较多，在单个指纹中含有4小100个细节点，并且细节点可以进行方向、类型、坐标等方面的定量的描述，相邻或相近的细节点也可以组成含有丰富信息的拓扑结构。因此，细节点通常被用于指纹图像的匹配。2.2指纹识别技术的基本概念广义上来讲，指纹识别技术泛指所有利用指纹图像进行身份验证的技术。但在狭义上，指纹识别特指一类区别于指纹验证的身份识别技术的应用。指纹识别和指纹验证的差异如下：指纹验证系统处理一对一的指纹比较，通常用于身份的合法性验证。在指纹库中通常存有一幅合法使用者的指纹称为库指纹，当使用者请求身份验证时，系统将新采集到的使用者指纹与库指纹进行比较，判决为相同指纹时，身份验证成功，反之，验证失败，系统拒绝服务，图2-6表示的是指纹验证过程的流程图：指纹采集指纹注册特征提取指纹验证形成特征模版放入指纹库指纹采集特征提取特征比较指纹库身份验证成功/失败 图2.6指纹验证过程的流程图指纹识别系统处理一对多的指纹比较，通常用于查找并识别请求者的身份。指纹库记录了多幅不同使用者的指纹信息，且指纹库的规模越大，存放的指纹个数也越多。当采集到新的指纹时，系统将在指纹库中进行搜索，如果找到相同的指纹，则指纹被成功识别，系统将自动识别请求者的身份。反之，系统将提示拓纹无法识别。图2.7表示的是指纹识别过程的流程图：指纹采集指纹注册特征提取指纹验证形成特征模版放入指纹库指纹采集特征提取特征比较指纹库身份验证/无法识别 图2.7指纹识别过程的流程图 由图2.6和图2.7所示，指纹验证系统和指纹识别系统的组成模块非常相似，首先需要完成指纹的注册，并经过特征提取的过程提取能代表指纹独特性的信息并进行量化地描述形成特征模板，存放至指纹库。在验证或识别过程中，新采集的指纹将通过相同的注册和特征提取方式，并将提取到的信息与指纹库中的特征模板相匹配，通过比较两者的相似度，得出判决结果。因此，自动指纹识别(或验证)系统主要包括指纹图像采集、特征提取、特征匹配、模板生成和指纹库存储这五个模块，它们各自的功能归纳如下： 采集模块的功能是利用光学传感器、固态传感器、超声波传感器等仪器进行指纹图像的采集，并将其表示为数字图像； 特征提取模块的功能是根据一定的算法和规则，从数字图像中提取指纹的特征信息，并生成特征集合； 模板生成模块的功能是将提取到的一个或多个特征集合组合生成模板指纹，并存放到指纹库中，作为指纹比对的对象； 匹配模块的功能是将新采集到的指纹特征和指纹库中的模板指纹进行比较，并通过判决给出匹配结果；指纹库的功能是存放模板指纹的信息。2.3自动指纹识别系统中的关键问题对应于自动指纹识别(或验证)系统的五个重要模块，系统中的关键步骤和算法主要包括四个部分，即指纹图像采集、图像的预处理、特征提取和特征匹配。而指纹库只要提供指纹信息的存储，不作为生物识别的研究领域。2.3.1指纹图像采集 指纹采集模式包括非实时采集和实时采集两种。现在主要以实时采集为主。非实时采集也称为离线采集，通过中间介质间接地获取指纹图像。通常采集者需要先用手指蘸取墨水、粉末等物质，稳压至纸卡上，再经由专用的扫描仪扫描生成一幅数字的指纹图像。而实时采集，则通过与计算机联机的带有指纹传感器的专用指纹采集设备，将真实的人体指纹直接转变成数字图像，实时地传送给计算机。 相比于实时采集方式，非实时的采集过程操作繁琐，耗时较长，得到的指纹图像质量较差，因此这样的方式被逐渐取代。应用了实时采集装置的指纹识别系统，可以实现系统的“即采即存”。实时采集通常利用光学传感器、固态传感器、超声波传感器等仪器进行指纹图像的采集。 由于不同的采集方式、采集仪器和终端存储设备获取的数字指纹图像的质量和特性根据各有不同，为了进行定量地描述，美国FBI组织规定了如下参数来表示指纹采集器和相应数字指纹图像的特性，这些参数被广泛采用。l) 分辨率 表示每寸长度上的采样点个数，通常用每英寸点数 (dot sperin chi，dpi)表示。分辨率用于描述图像的清晰度，dpi的值越高，图像的清晰度也越高。FBI规定500dPi为其内部设备的最低分辨率，事实上，500dpi已被多数商业指纹采集设备所采用。2) 面积 表示由指纹采集器得到的长方形区域的大小，用。通常在采集器上提供1xlinchZ的面积可以获取一幅完整的指纹图像。但在实际的商用环境，为了减少成本，会适当地减小采集的区域。因此，在有限的采集面积下，往往难以获得完整的指纹图像，这给后续的指纹处理尤其是指纹的匹配带来了一定的影响。3) 像素值 像素值由分辨率和面积值导出。4) 几何准确率 表示采集装置的最大几何扭曲程度，取决于指纹上任意两点的真实距离和图中距离的最大差值。某些光学采集器会引入几何扭曲，如果不进行补偿会造成指纹图像的变形。5) 灰度量化值指纹图像一般为灰度图像，因此引入灰度量化值表示采集器输出的数字图像的最大灰度级数。灰度量化值越高，则图像的亮度变化范围就越大。但现在也有彩色指纹图像的分析，用于甄别伪造指纹。2.3.2指纹图像预处理 预处理是为了压缩图像信息，提高指纹图像的质量所做的各种图像处理，其本身包括一系列的处理算法。根据处理的角度不同，可以将预处理过程分为指纹图像分割、增强、二值化和细化四个部分过程。在实际的预处理过程中，不一定要包含所有的这四个算法，而是要根据具体的需求和应用选择性地进行处理。通常，预处理会包含分割和增强过程，因为这两种算法对图像原有信息的损害相对较小，并且可以在一定程度上提高图像的质量。l) 指纹分割技术 最初的指纹图像的分割主要是完成指纹图像和背景图像的分离。因为新采集到的指纹图像，往往由指纹信息和空白的背景区域组成，后者与指纹的匹配过程无关，属于无效信息，如图2.8所示。 图2.8原始指纹图像经过分割处理后的效果 通过局部闺值判定等方法，可以去掉指纹四周的背景信息。在图2.7中，由曲线圈起来的部分表示分割后的结果。分割后的指纹图像仅保留指纹部分的信息，可以缩小待处理的图像区域，从而减少后续处理的计算量。 现在的指纹分割涵盖了更加全面的步骤，除了去除指纹四周的背景信息，还需要去除指纹图像中无法修复的低质量区域。这样可以进一步压缩图像的有效信息，提高指纹识别的效率。2)指纹增强技术 指纹增强属于数字图像增强，因此该处理过程的实质是对图中有效信息进行强化的同时，削弱图中的噪声等干扰信息，从而达到优化图像质量的目的。因此，指纹增强的关键在于界定图中的有用信息，并用数学方式进行建模和量化。 增强过程中，通常应用的信息包括指纹的纹理信息、局部或全局的平均灰度信息、图像的分辨率等。图2.8给出了增强前后的指纹图像。 图2.9原始指纹图像经过增强处理前后的效果对比 可以看到，经过增强后的指纹图像，具有更为清晰的纹理分布，并且在某些人眼辨别不清的位置进行了适当的修复，将部分断裂的脊线进行了连接。由于增强过程可以有效地改善指纹图像的质量，因此增强过程被视为预处理中的关键步骤。3)指纹二值化和细化技术 指纹图像的二值化是指将原始的灰度图转化为二值图(也称为黑白图)的过程，从而得到更加清晰简洁的纹线分布。二值化的过程通常借助全局和局部的闲值信息来完成。二值化以后，图像中的纹线仍具有一定的宽度，为了精确跟踪脊线的走向，往往需要进行细化的处理。细化的过程采用形态学理论，将原木较宽的脊线转化成仅含有单像素宽度的线段。同时，细化的过程也实现了进一步压缩数据、简化后续处理的功能。2.3.3细节点提取 大部分的自动指纹识别系统都是基于细节点的匹配，因此细节点的提取算法是指纹处理系统中的关键步骤。细节点的提取算法分为两种，一种基于细化后的二值图像，另一种则直接基于灰度图像。这两种算法各有利弊，前者引入了二值化和细化的步骤后，人为地造成了大量信息的损失，引入误差，并增加了处理时间：但另一方面，在某些情况下，结合增强等预处理过程，基于二值图像的细节点提取算法可以得到良好的结果。因此，算法的选择往往取决于具体的应用。 在初步获取细节点信息之后，通常要进行细节点的滤波，以去除伪细节点。主要包括两种滤波方式，一种是基于纹线结构的滤波，另一种为灰度域的滤波，图2.10表示的是从指纹图像中提取到的细节点，不同颜色表示不同类型的细节点。图2.10经过细节点提取后的获取到的细节点示意图 进而，可以将一幅指纹图像转化为由若干个细节点构成的点集，如图2.11所示。图2.11由指纹图像转化而成的细节点集合示意图 其中，每个细节点的基本信息包括(x，y，0，a)，x，y表示细节点在图像中的坐标值，0表示细节点所在纹线的切线方向(在图中用箭头表示)，。表示细节点的类型(在图中用颜色表示)。需要说明的是，在确定细节点的坐标和方向值之前，需要先定义直角坐标系和零度角，通常由研究者根据计算的简便性来定义。因此，经过细节点提取的处理，将处理图像的过程转化为处理数字点集的过程，大大简化了后续的处理。2.3.4指纹匹配 指纹匹配是指根据一定的算法比较两幅指纹图像，并返回匹配与否的判决结果的过程。尽管有少量算法直接比较两幅灰度图像，大部分的算法都会在提取特征的基础上，间接地比较特征集合。例如前面所述的，通过提取指纹的细节点，比较两幅指纹的细节点集合来判定指纹的匹配性。根据比较对象的不同，可以将指纹分成模板指纹和输入指纹两类。模板指纹指实现保存在指纹库中作为匹配基准的对象，而输入指纹是指实时获取后需要被判定是否与模板指纹相匹配的对象。指纹匹配是一个较有难度的算法。因为采集过程本身带有的不确定性，需要匹配算法具备一定的容错性，同时又要避免匹配不相同的指纹。在实际的算法中，通常定义了描述相同指纹间差异的参数，包括平面位移、旋转、非线性形变、部分重叠、皮肤干燥状态、噪声等。当这些参数满足一定的范围时，可以通过图像处理来减少或者消除差异的存在。图2.12和图2.13分别给出了主观感觉上差异较大的相同指纹和较相似的不同指纹图。图2.12由相同指纹采集到的看似差异较大的指纹图像图2.13由不同指纹采集到的看似相同的指纹图像 指纹匹配的算法主要包括以下两类： l、基于细节点的匹配 是应用最为广泛的匹配算法。在提取细节点后，指纹匹配的过程简化为两个细节点集的匹配过程。因此，算法的实质为在两幅指纹对齐的前提下，统计对应细节点相匹配的对数。输入的指纹图像通常是未对齐的，因此，通常采取遍历的方式寻找细节点的最大匹配对数。 2、基于非细节点的特征匹配 针对细节点不可靠的情况，提取指纹中的其他特征作为匹配的依据，例如局部纹线的方向和频率、纹线形状等。 除此之外，还有通过神经网络、AI变换、并行处理器或其池专用器件等方式进行指纹的匹配，也取得到了较好的效果。2.4指纹识别系统的性能指标 根据国际指纹竞赛的标准，衡量自动指纹识别系统性能的主要指标包括以下儿种：(l)错误拒绝率 (False Reject Rate，FRR) FRR是通过比较同一个手指的不同指纹图像，得出的匹配结果统计值。假设指纹集合A所含的指纹图像来自手指的n次独立采集，则A共有m*n幅指纹图像，且每nl个图像都属于相同的手指。那么，从图像中任取一幅后，需要和剩余的n-1幅图像比较，验证是否匹配。根据这样的规则，可以得到A集合所需计算的比配次数为N=(n*(n-1)/2)*171。在N次比较后，通常会设定值，作为最后的判决门限。 公式中的N将随取值的变化而变化，实际上是关于赋值的递增曲线。适当的赋值，可以使得值较小。但是从曲线上看，当赋值越小时，值都会趋近于零，因此单独的曲线不能充分说明匹配算法的性能。(2)错误接受率 (False Accept Rate，FAR) FAR曲线是通过比较不同手指的指纹图像，得出的匹配结果统计值。同样，延续上述中FRR对集合A的假设，在计算剐R时，需要在每一个指纹图像中任选一幅，然后对得到的m幅图像进行两两比较。可以计算，A集合所需计算的比配次数为N=(m*(m-1)/2。在完成N次比较后，也需要设定赋值作为判决门限。 类似于FRR的公式，FAR公式中的N也将随值的变化而变化，实际上，FAR是关于值的递减曲线，如图2.16所示。适当的闭值，可以使得FAR值较小。但是从曲线上看，当阈值越大时，FAR的值都会趋近于零，因此单独的FAR曲线不能充分说明匹配算法的性能。图2.16阈值曲线示意图(3)接收者操作特性 (Receiver operating Characteristic，ROC) ROC曲线通常用于定性比较不同指纹识别系统的识别准确率。由上文可知，由于匹配的结果取决于阈值的大小，因此，随着阈值的变化，可以得到一组FRR和FAR的曲线。FRR和FAR的曲线都以阈值的大小为自变量，事实上，FRR和FAR的曲线满足此消彼长的相互约束关系。因此，可以将FRR和FAR两条曲线合并成表示两者相互关系的ROC曲线。 ROC曲线有两种形式，既可以表示为FRR随着阈值的变化而变化，又可以表示为FAR随着FRR的变化而变化，如图2.16所示。可以看到，ROC曲线呈现了FAR随阈值的增加而递减的关系： 图2.17 ROC曲线示意图 ROC本身难以反应指纹匹配系统的准确率，通常用于比较不同指纹匹配系统的ROC曲线分布。由于ROC曲线表示的是错误率，因此曲线的位置越低，则相应的错误率越小。在上图中，指纹识别系统1的ROC曲线位于指纹识别系统2的曲线下方，因此，指纹识别系统l的匹配准确率明显优于指纹识别系统2。(4)平均错误率 (Equal Error Rate，ERR) ERR作为实验结果的重要参数，通常用于定量表示指纹识别准确率的性能，其值来源于FRR和剐R曲线的交点，如图2.17所示。当把FRR曲线和FAR曲线共同绘于一幅图像时，两条曲线交点所在的纵坐标记为ERR的值。因此，FRR值越小，则说明指纹识别准确率越高。图2.18ERR的计算过程示意图2.5本章小结 本章概述了自动指纹识别系统的基本原理和特点，简要介绍了自动指纹识别系统的组成以及主要模块的作用，并介绍了主要的评判自动指纹识别系统的性能指标，为后续章节的深入讨论打下基础。第3章 指纹图像的增强算法研究3.1 指纹增强概述 指纹增强是指纹图像预处理中较为关键的算法。指纹增强的主要任务是增强指纹图像中的特征信息，同时抑制图像中的噪声信息，从而提高指纹图像的质量。指纹图像的质量直接影响指纹特征提取的效果，对于低质量的指纹图像，有效的指纹增强算法可以改善匹配的可靠性和准确性。 在自动指纹识别系统中，指纹的特征提取和匹配是最为核心的模块。对于固定的特征提取和匹配的算法而言，其有效性在很大程度上取决于指纹图像的质量。在理想情况下，指纹图像由纹路清晰、交替有序、宽度均匀的脊线和谷线构成。在这样的情况下，可以较为准确地跟踪脊线的走向，并搜索真实的细节点和奇异点。在实际情况中，存在大量的较低质量的指纹图像，这些图像会存在不同程度的噪声和受损区域，从而影响指纹的特征提取和匹配的效果。造成负面影响的情况有很多，例如纹线的分布不清晰，相邻脊线粘连时，会对脊线的采样造成干扰；当指纹表面带有疤痕、污点或者皮肤的皱纹时，会中断原本连贯的脊线，从而引入伪特征点。因此，指纹图像的质量会极大地影响后续处理过程的准确性。 根据指纹图像质量的不同，可以将图像划分为三种类型： (l)质量较好的指纹图像：就是通常而言的高质量的指纹图像，图中的纹线分布清晰、纹线谷线交替均匀有致并且对比明显，如图3.1(a)所示。 (2)可以进行修复的指纹图像：图像质量明显低于第一种情况，图像中存在一些小的疤痕、皮肤的褶皱、污点等破坏了脊线的纹路，但是纹路依然可以辨认，并且可以通过受损部分的周围信息进行一定的复原，如图3.l(b)所示。(3)不可修复的指纹图像：这是三类图像中质量最差的，图像收到严重的噪声干扰使得脊线无法辨认，并且无法通过周围领域的指纹信息进行修复，如图3.l(c)所示。 (a) 质量较好的指纹图像 (b)含有可修复的低质量指纹 (c)含有修复的低质量区图3.l不同质量的指纹图像 此外，在一幅指纹图像中也可能出现质量上的差异，在图3.2的指纹图像中，包含了三种不同质量的指纹区域。图3.2同时包含a质量较好、b可修复和c不可修复三种区域的指纹图像 对于前两种情况，通过指纹增强处理，能够对图像中的残缺部分进行一定的修复，并去除部分噪声，从而提高图像的质量。指纹增强作为指纹预处理模块中的重要环节，为自动指纹识别系统中的后续处理过程提供了良好的前提。3.2 指纹增强的方法指纹增强属于数字图像增强的一种，根据数字图像增强的原理，将按照使用者的需求对图像中的部分信息进行选择性的增强，对其余信息进行保留或者抑制。因此，增强过程的前提是定义待增强和保留(或者抑制)的内容，并对两者进行区分。对于指纹增强而言，为了获得分布清晰、连贯平滑的脊线，则需要增强真实脊线信息，同时抑制图像中的噪声。指纹增强的方法很多，总体而言，可以分为两类：基于像素的增强和基于纹理的增强。3.2.1基于像素的指纹增强 基于像素的增强是指直接对图像像素进行替换，从而提高脊、谷线的对比度的算法。这类算法很多：L.Hong