（模式识别与智能系统专业论文）面向指纹识别的鲁棒脊线检测算法.pdf

许健彬中国科学技术大学硕士学位论文 致谢 在此论文完成之际，首先我谨向我的导师汪增福教授表示由衷的感谢。汪老 师极其耐心的指导和鼓励，才使本文得以顺利完成。我在实验室里的工作学习期 间，汪老师严谨的治学态度，和蔼可亲的待人方式，正直的为人和对学术前沿极 为敏锐的洞察力，都给了我很好的熏陶，令我受益良多。 同时，我也要感谢实验室的郑志刚老师，他在本文算法设计和实现部分 给予大量的帮助和启发。 特别地，我要感谢我们实验室的关胜晓老师、胡元奎、沈项军、韩龙、刘 伟峰、赵海鹰同学以及实验室的其他同学，与他们一起合作，让我感受到了良好 的学习和工作氛围。 我并以此文献给我的母亲和我所有的亲人，感谢母亲含辛茹苦地把我养育 成人，感谢亲人们对我的关心和鼓励。 撮后，我最衷心地感谢我所在的s a 0 2 t 0 班的班主任和全体同学，他们令我 度过了充实丽又有意义的三年研究生学习生活。同时，我还要感谢自动化系的所 有老师，以及所有曾经在学习和生活中帮助和关心过我的人们。 许健彬中国科掣技术大学硕士学位论文 摘要 指纹由于其唯一性和终身不变性，成为近年广泛应用的生物特征。自动指 纹识别系统( a f i s ) 一般通过对指纹的特征进行匹配比对实现指纹认证和辨识。指 纹匹配一般基于指纹的特征点。因此，细节特征点的提取是整个识别系统的关键 环节。指纹匹配最常用的方法是美国联邦调查局提出的细节匹配，它利用脊线术 梢点( r i d g ee n d i n g ) 和脊线分支点( r i d g eb i f u r c a t i o n ) 这两种关键点来鉴定指 纹。 传统的指纹细节提取算法大多由前后景分离、指纹增强、二值化、细化和 细节点检测等步骤组成。上述环节前后年日关，逐一完成，耗费大量计算时间，= ! ，j 外，二值化和细化环节容易丢失指纹图像信息，造成失真。 本文提出了一种基于脊线跟踪的指纹图像特征点提取算法，直接从灰度指 纹图像中有效地提取细节点和脊线骨架信息。其基本思想是在灰度级指纹图像 上，沿脊线方向自适应跟踪指纹脊线，直至该条脊线终止或与其他脊线相交，最 后得到一幅细化后的指纹骨架图和附在其上的细节点信息。在跟踪过程中，在关 键点处进行脊线方向估计和局部滤波；跳跃式地获得脊线骨架点。对于提取到的 末端点和交叉点，根据指纹图像的结构特征和统计结果相结合进行去伪后处理， 有效地剔除了伪节点。 实验证明，该算法可以准确、有效地提取指纹图像的细节信息，与传统算 法相比，省去了很多不必要的计算，减少了指纹图像的失真，具有较高的计算效 率和准确率。 关键字：指纹识别；特征提取；脊线跟踪：狄度图像； 许健彬 中国科学技木大学硕士学位论文 a b s t r a c t o w i n gt ot h e i ru n i q u e n e s sa n di m m u t a b i l i t y ，f i n g e r p r i n t sa r ew i d e l y u s e da sb i o m e t r i ef e a t u r e si nr e c e n ty e a r s m o s ta u t o m a t i cs y s t e m sf o r f i n g e r p r i n tc o m p a r i s o na r eb a s e do nm i n u t i a em a t c h i n g t h e r e f o r e ， m i n u t i a ed e t e c t i o ni sav e r yc r u c i a lp r o c e s si nf i n g e r p r i n tm a t c h i n g t h e m o d e l ，a d o p t e di nm o s ta u t o m a t i cs y s t e m s ，i sb a s e do nat w o c l a s sm i n u t i a e c l a s s i f i c a t i o n ：t e r m i n a t i o na n db i f u r c a t i o n t h i sm o d e li sp r o p o s e db y t h ef e d e r a lb u r e a uo fi n v e s t i g a t i o n v a r i o u sa p p r o a c h e sf o rm i n u t i a ed e t e c t i o nh a v eb e e ni n v e s t i g a t e d m o s to ft h e s ea p p r o a c h e sc o n s i s to fas e r i e so fp r o c e s s i n go p e r a t i o n ： p r e p r o c e s s i n g ，b i n a r i z a t i o n ，t h i n n i n g ， m i n u t i a ee x t r a c t i o na n d p o s t p r o c e s s i n g t h e s ep r o c e s s i n gb a r et ob ef i n i s h e do n eb yo n e ， b i n a r i z a t i o na n dt h i n n i n ga r et i m e c o n s u m i n g ，a n dal o to fi n f o r m a t i o n m a yb e1 0 s td u r i n gt h eb i n a r i z a t i o n i nt h i sw o r k ，w ep r o p o s ead i r e clg r a ys c a l em i n u t i a ed e t e c t i o n a p p r o a c h ( i e w i t h o u tb i n a r i z a t i o na n dt h i n n i n g ) t h eb a s i ci d e ao fo u r m e t h o di st of o l l o wt h er i d g e1 i n e so nt h eg r a ys c a l ei m a g e ，b ya d a p t i v e t r a c i n ga c c o r d i n gt ot h ef i n g e r p r i n td i r e c t i o n a li m a g e f o re a c hp o i n t ， t h ea l g o r i t h mk e e p sr e l l o w i n gt h er i d g el i n e su n t i it h e yt e r m i n a t eo f i n t e r s e c to t h e rr i d g e1 i n e s e a c hr i d g ei nt h es k e l e t o ni sl a b e l e dw i t h an u m b e rs ot h a te a c hd e t e c t e dm i n u t i ai sa s s o c i a t e dw i t ho n eo rt w or i d g e n u m b e r s i nt h ep r o c e s so fr i d g e l i n ef o l l o w i n g ，t h eo r i g i n a lf i n g e r p r i n t i m a g ei ss m o o t h e dw i t ha na d a p t i r e o r i e n t e ds m o o t h i n gf i i t e ro n l ya ts o m e s e l e c t e dp o i n t s t h ef i n g e r p r i n ti m a g ei st r a c e dw i t hp i e c e w i s e1 i n e a r l i n e so fd i f f e r e n tl e n g t h i nt h ep o sc p r o c e s s i n g ，s p u r i o u sm i n u t i a ea r e d i f f e r e n t i a t e df r o mt r u em i n u t i a e ，b a s e dn o to n l yo nt h el o c a t i o n r e l a t i o n s h i p ，b u ta l s ot h ea s s o c l a t er i d g er e l a t i o n s h i pa n dt h ec e r t a i n t y 3 许健彬 1 e v e lo ft h em i n u t i a e 中国科学技术大学硕1 ：学位论文 t h er e s u l t sa c h i e v e da r ec o m p a r e dw it ht h o s eo b t a i n e dt h r o u g hs o m e k n o w na p p r o a c h e sw h i c hr e q u i r eb i n a r i z a t i o na n dt h i n n i n g t h ec o m p a r i s o n s h o w st h em e t h o dp r o p o s e dp e r f o r m sb e t t e rb o t hi nt e r m so fe f f i c i e n c ya n d a c c u r a c y k e yw o r d s ：f i n g e r p r i n tr e c o g n i t i o n ：m i n u t i a ee x t r a c t i o n ：r i d g ef o l l o w i n g g r a ys c a lei m a g e s 4 许世彬中国科学技术大学硕：匕学位论文 1 1 指纹识别背景： 第一章绪论 指纹作为身份认证的一种手段有其悠久的历史渊源。早在公元6 5 0 年，唐代 的贾公秀在其作品中就提及指纹可用来确认一个人的身份【1 9 。我国民间早已将 指纹应用于契约、断案等场合。但由于缺乏专门的研究，没能将指纹识别上升到 科学技术的高度。 现代指纹识别起源于1 6 世纪后期。1 8 8 0 年1 0 月2 8 日，苏格兰医生h e n n y f a u l d 首次在( ( n a t u r e ) ) 上发表一篇关于指纹识别的论文，指出指纹的唯一性和 不变性【3 9 。随后，w i l l i a mh e r s c h e l 也在( ( n a t u r e ) ) 上发表了他本人2 0 多年来 关于指纹的研究成果 3 9 】，从此揭开了现代指纹识别的序幕。1 8 9 2 年，英国s i r f r a n c i sg a l t o n 对指纹进行了系统的研究，提出了基于指纹细节特征的分类方法 3 9 ，将指纹分为斗、箕、弧三大类，使指纹识别应用进入了一个崭新的阶段。 1 8 9 9 年，英国e d w a r dh e n r y 建立了著名的i t e n r y 指纹分类系统 1 9 ，该系统于 1 9 0 1 年被英国政府采用，随后亦被西方各国相继采用。从此，指纹识别应用正 式走上了科学化的道路。 依赖人工的指纹识别费时费力，其应用范围受到很大的限制。随着电子计算 机的出现，指纹自动识别系统( a u t o m a t e df i n g e r p r i n ti d e n t i f i c a t i o ns y s t e m 简称 a f i s ) 的研制成为可能。美国最早于1 9 6 3 年首先开展有关指纹识别方面的软件 研制，并于1 9 7 5 年成功推出第一个商业化系统p r i n t r a k 2 5 0 1 3 9 1 。日本于1 9 7 5 年也开始了相关的研究，并于1 9 8 2 年将所开发的n e c a f i s 指纹识别系统投入 使用 3 9 1 。我国也在8 0 年代初展开指纹识别的研究。随着电子设备进入人们的 日常生活以及互联网的兴起，计算机、网上银行、电子商务ia t m 、门禁控制、 考勤打卡、各种智能卡以及侦破工作对准确、方便、高效的个人身份识别技术的 要求越来越高。而指纹识别由于其所具有的唯一性和稳定性，使其在信息安全、 刑侦和数据通讯等领域得到了广泛的应用。 许恤托中困科学技术夫学硕： ：学位论文 1 2 指纹识别系统的组成： 指纹识别是模式识别领域中使用最早，也是虽为成熟的基于生物特征的鉴别 技术，它是集传感器技术、生物技术、数字图像处理、模式识别于一体的交叉技 术。如图1 1 所示，一般来说a f i s 系统主要由指纹图像输入，指纹图像增强， 指纹图像特征提取和指纹图像匹配等几个部分组成。 i 指纹图像输入u 指纹图像增强u 指纹图像特征h 指纹特征数据库 l 指纹圈像输入h 指纹图像增强h 指纹图像特征h 指纹图像匹配h 匹配结果i 图1 - 1 ：指纹识别系统示意图 1 2 1 指纹图像输入： a f i s 系统获取指纹图像的方式一般有两种：光学扫描采集和固体传感器采 集。光学采集指纹图像一般采用全反射技术( f t i r ) 。当手指放在棱镜上的时候， 用激光以一定的角度照射棱镜并用c c d 阵列接收相应的全反射光以获取指纹图 像。由于手指的脊和棱镜相接触而谷不和棱镜接触，这就为由c c d 阵列接收和 获取指纹图像提供了可能。固体传感器采集指纹图像时，主要是利用手指的脊谷 的一些物理特性的不同，如：硅电容传感器，传感器阵列上的每一个点就是一个 金属电极，充当电容器的一极，按在传感面上的手指头的对应点则作为另一极，传 感面形成两极之间的介电层，由于指纹的脊和谷相对于另一极之间的距离不同 ( 纹路深浅的存在) ，导致硅表面电容阵列的各个电容值不同，测量并记录各点的 电容值，从而获得指纹图像；半导体压感式传感器，利用压感介质材料将指纹的 外表地形( 凹凸) 转化为相应的电子信号，从而获得指纹图像：半导体温度感应传 感器，通过感应压在设备上的脊和远离设备的谷温度的不同，从而获得指纹图像。 固体传感器与光学扫描相比具有体积小、集成度高、数字化等特点，但采集范围 较小，而光学扫描在采集范围大小则很少受到限制。除此之外，还有用超声波采 较小，而光学扫描在采集范围大小则很少受到限制。除此之外，还有用超声波采 许健彬中困科学技术大学硕：f ：学位论文 1 2 指纹识别系统的组成： 指纹识别是模式识别领域中使用最早，也是蛀为成熟的基于生物特征的鉴别 技术，它是集传感器技术、生物技术、数字图像处理、模式识别于一体的交叉技 术。如图1 1 所示，一般来说a f i s 系统主要由指纹图像输入，指纹图像增强， 指纹图像特征提取和指纹图像匹配等几个部分组成。 图1 - 1 ：指纹识别系统示意图 1 2 1 指纹图像输入： a f i s 系统获取指纹图像的方式一般有两种：光学扫描采集和固体传感器采 集。光学采集指纹图像一般采用全反射技术( f t i r ) 。当手指放在棱镜上的时候， 用激光以一定的角度照射棱镜并用c c d 阵列接收相应的全反射光以获取指纹图 像。由于手指的脊和棱镜相接触而谷不和棱镜接触，这就为由c c d 阵列接收和 获取指纹图像提供了可能。固体传感器采集指纹图像时，主要是利用手指的脊谷 的一些物理特性的不同，如：硅电容传感器，传感器阵列上的每一个点就是一个 金属电极，充当电容器的一极，按在传感面上的手指头的对应点则作为另一极，传 感面形成两极之间的介电层，由于指纹的脊和谷相对于另一极之间的距离不同 ( 纹路深浅的存在) ，导致硅表面电容阵列的各个电容值不同，测量并记录各点的 电容值，从而获得指纹图像；半导体压感式传感器，利用压感介质材料将指纹的 外表地形( 凹凸) 转化为相应的电子信号，从而获得指纹图像：半导体温度感应传 感器，通过感应压在设备上的脊和远离设备的谷温度的不同，从而获得指纹图像。 固体传感器与光学扫描相比具有体积小、集成度高、数字化等特点，但采集范围 较小，而光学扫描在采集范围大小则很少受到限制。除此之外，还有用超声波采 中国科学技术大学硕士学位论文 集指纹的方法。由于超声波波长较短，抗干扰能力强，可以获得较清晰的指纹图 像。 指纹图像的性质因采集设备的不同而不同。一般来说，采集图像为8 位2 5 6 级灰度图，分辨率从2 5 0 d p i 到6 2 5 d p i 不等，图像大小也不相同，从1 2 7c m 2 到 3 1 7 5c m 2 不等。大多以美国f b i 推荐的5 0 0 d p i ，2 5 c m 2 大小图像为标准。 1 2 2 指纹图像增强： 细节特征提取算法的性能严重依赖于输入指纹图像的质量。然而，所采集到 的源指纹图像同真实指纹之间由于受采集图像时可能存在的形变因素的影响而 有一定的差异。其中，多数畸变是由于指纹图像获取手段的缺陷而导致的： ( 1 ) 接触的不一致性我们所获得的指纹图像是由三维的指纹分布在二维平面 上的投影所形成的，由于每次采集图像时指压不一样导致采集得到的指纹图像产 生一定的畸变。 ( 2 ) 接触的不均匀性如果手指与采集设备完全接触，那么手指的脊结构信息 将会完全被采集。但是，由于受手指干燥程度、汗渍和污渍等因素的影响指纹图 像会产生一定程度的失真。例如，如果部分脊结构不能与采集板实现良好的接触， 则会导致错误的脊信息被采集。 ( 3 ) 接触的不可再现性受人工采集指纹和手指受伤等因素的影响，会出现永 久或暂时改变手指细节信息的情况，从而导致虚假的指纹信息被采集。这样，依 据这样的指纹图像进行分析时会产生可疑的特征点以及出现真实的特征点被忽 略的情况。为了确保细节特征算法的性能，我们需要对指纹图像进行增强处理。 在指纹图像识别中，脊和谷的清晰程度对分析结果的可靠性起着非常关键 的作用。为方便起见，将脊和谷清晰可辨，可以从中正确提取特征点的区域称为 良好区域，将脊和谷信息被少数折痕或污渍破坏，但仍然可见且相邻区域可以提 供足够的脊、谷信息的区域称为被破坏可恢复区域，将脊、谷信息被大量噪声所 破坏，并且相邻区域无法提供足够脊、谷信息的区域称为不可恢复区域。前两者 称为可恢复区域，而后者称为不可恢复区域。指纹图像增强的目的就是提高可恢 中国科学技术大学硕士学位论义 复区域脊、谷的清晰度，同时删除图像中的不可恢复区域。 一般来说，图像增强采用平滑、滤波、二值化、细化等数字图像处理方法水 进行。指纹图像增强一般包括以下几个环节：归一化、方向图估计、频率图估计、 模板生成和滤波等。 1 2 3 指纹特征： 指纹包括两类特征：全局特征和局部特征。 1 1 全局特征： 全局特征包括：基本脊线图案( b a s i cr i d g ep a t t e r n ) 、核心点( c o r ep o i n t ) 、 模式区( p a t t e r na r e a ) 、三角点( d e l t a ) 、脊线数( r i d g ec o u n t ) 等等。中心点 在读取指纹和比对指纹时作为参考点。与三角点和中心点的连线相交的脊线数量 称为脊线数，可用于比对指纹。 卜a ) 基本脊线图案( b a s i cr i d g ep a t t e r n ) ： 环型( 1 0 0 p ) ，弓型( a r c h ) ，螺旋型( w h o r l ) 。其他的指纹图案都基于这三 种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分 类，但通过分类使得在大数据库中搜寻指纹更为方便。 1 - b ) 模式区( p a t t e r na r e a ) ： 模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨 出指纹是属于那一种类型的。 l c ) 核心点( c o r ep o i n t ) ： 核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。 1 - d ) 三角点( d e l t a ) ： 许健彬中国科学技术大学硕上学位论文 三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、 孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的 开始之处。 卜e ) 纹数( r i d g ec o u n t ) ： 指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先连接核心点和! 角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。 2 ) 局部特征： 指纹识别仅依靠全局特征是不够的，还需要通过局部特征的位置、数目、炎 型、方向。指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打 折。脊线的断点、交叉点、转折点称为细节特征点( m i n u t i ap o i n t s ) ，包括脊 线的终结点( e n d i n g ) 、分叉点( b i f u r c a t i o n ) 、分歧点( r i d g ed i v e r g e n c e ) 、 孤立点( d o to ri s a n d ) 、环点( e n c l o s u r e ) 、短纹( s h o r tr i d g e ) 等。 指纹上的节点有四种不同特性： a ) 分类：节点有以下几种类型，最典型的是终结点和分叉点 终结点一条纹路在此终结。 分叉点一条纹路在此分开成为两条或更多的纹路。 分歧点一两条平行的纹路在此分开。 孤立点一条特别短的纹路，以至于成为一点。 环 点一条纹路分开成为两条之后，立即又合并成为一条，这样形成 的一个小环称为环点。 短纹一端较短但不至于成为一点的纹路。 b ) 方向( o r i e n t a t i o n ) ：节点可以朝着定的方向。 o ) 曲率( c u r v a t u r e ) ：描述纹路方向改变的速度。 d ) 位置( p o s i t i o n ) ：节点的位置通过( x ，y ) 坐标来描述，可以是绝对的，也可 以是相对于三角点或特征点的。 许健彬中国科学技术大学硕士学位论文 1 2 4 指纹匹配： 指纹识别分为两类，即验证( v e r i f i c a t i o n ) 和辨识( i d e n t i f i c a t i o n ) 。验证是 指将现场采集的指纹与已经登记的指纹进行一对一的比对，来确认身份的过程。 辨识是指将现场采集的指纹与指纹库中的指纹逐一对比，从中找出相匹配的指 纹。 匹配包括以下三种方法：图匹配、结构匹配、细节匹配。 目前最常用的是美国联邦调查局提出的利用细节点模型的细节匹配。利用端 点和交叉点这两类细节特征点来识别指纹。通过将细节点表示为点模式，指纹u 别问题就转化为点模式匹配问题。预先从指纹图像中提取出的特征点集与输入的 待匹配指纹图像中提取出的特征点集进行匹配。如果两幅指纹图像是匹配的，那 么这两个点集通过某些变换，如旋转、伸缩和平移，可以得到较好的匹配。人们 对一般的点模式匹配问题提出了很多算法。 a n s a r i 等提出的点模式匹配 2 4 1 ，并利用遗传算法及指纹图像的结构信息的 初匹配算法，提高了匹配的速度，并能容忍一定的噪声，识别残缺的指纹图像。 a n i lj a i n 等人针对指纹匹配中的点模式匹配问题提出了串匹配算法【3 】，该算 法将直角坐标系中的细节点转换到极坐标系巾进行点匹配，两个待匹配的指纹特 征点集进行递归串匹配，得到两个细节点集合的匹配近似度的一个阈值。阈值越 小，说明两个集合匹配得越好；相反，闽值越大，说明两个集合匹配得越差。这 种方法具有很高的适应性，能处理指纹匹配中的大部分问题，但是对于具有不同 特征点个数、不同错误细节点个数的两个细节点集合而言，定出一个分类阈值是 一件非常困难的事情。 r a t h a ，c h e n 和7 a i n ，s t o c k m a n 等提出的基于h o u g h 变换的方法把点模式匹配 转化成了对变换参数的h o u g h 空间中峰值的检测 2 6 2 7 该方法将变化参数离 散化，并在离散化后的参数空问积累各自的嚣信度。另外，通过在细节点周围的 一定范围内设定一个边界框来增强算法对细节点位置偏移的承受能力。这种方法 的相对缺点在于细节点数量较少时，很难在变换参数的h o u g h 空间中积累起足够 l ：触i h 叶i 闻科学挫术人学顾j 。学位沦史 大的证据来保证一个可靠的匹配。另外，该方法有计算量大，时间复杂度高的缺 点，需要很高性能的计算环境的支持。 r a n a d e 与r o s e n f e l d 提出了点匹配的松弛算法 2 8 。该方法根据除去一组 对应点之外，两个点集中其余点的匹配程度，迭代计算每一组可能的对应点的可 靠度。直到满足某种条件，迭代停止。尽管后来的研究人员提出了很多的改进算 法，试图降低它的计算复杂性，但都没有改变它的迭代本质。所以仍然存在计算 速度慢的缺点，并且不能很好地处理具有较大变形的指纹。 j p s t a r i n k 与e b a c k e r 从能量最小化的角度描述点匹配问题，并使用了模 拟退火的方法 2 9 。i 5 7 9 t 榭算量也较大，不适合应用于实时的自动指纹识别 系统。 h r e c h a k 等提出了基于结构信息的指纹特征匹配 3 0 ；i s e n o r 等使用图匹配 的方法进行指纹图像匹配 3 1 。由于这些方法利用了指纹的结构信息，因此，在 一定程度上克服了噪声、旋转、及变形对指纹识别的干扰。 但基于图像的匹配无法容忍大量的脊结构信息变形干扰，匹配准则依赖于脊 提取及其连接信息将导致匹配性能随输入指纹图像的下降而恶化。因此，一般认 为，点模式匹配( 细节匹配) 采用了很少的特征模板，却有较高的鲁棒性和快速的 匹配算法，是比较合理的方法。 指纹识别系统的特定应用的重要衡量标志是识别率。主要由两部分组成，拒 判率( f a l s ea c c e p t a n c er a t e ) 和误判率( f a l s er e j e c t i o nr a t e ) 。f r r 和f a r 是成反比的。可以用o - 1 之间的小数或百分比来表达这个数。r o c ( r e c e i v e r o p e r a t i n gc u r v e ) 曲线给出f a r 和f r r 之问的关系。我们可以根据不同的用途来 调整这两个值。 1 3 本文的主要研究内容： 自动指纹识别系统大多是基于指纹特征的匹配比对来实现指纹的辨识和认 证。指纹特征点的有效提取是指纹识别的关键环节。 牛世彬中国科学技术大学坝士学位论文 大多指纹特征点提取算法是通过对增强后的指纹图像，进行二值化，细化， 而后在细化后的指纹图像上提取细节点。这样，在二值化过程中，指纹图像的很 多有效信息丢失，特别对于质量较差的指纹图像：同时，二值化和细化过程消耗 大量的计算时间。 d m i a o 和d m a l t o n i 提出了一种基于脊线跟踪的直接从灰度指纹图像获取 细节信息的新颖算法 1 。x j i a n g 等人在 1 的基础上作了自适应步长和细节后 处理方面的改进，他们的实验结果表明这种直接从灰度指纹图像提取细节点的方 法比传统的通过二值化和细化的方法具有明显的优势。 在 1 2 的启发下，通过借鉴大量的他人研究成果和反复进行实验对比， 提出了一种新颖的细节提取算法。本算法的基本思想是将归一化后的指纹图像， 划分成互不重叠的小块，每个小块上分别确定跟踪起始点，从起始点开始，沿着 脊线方向，自适应地跟踪指纹脊线，直至脊线到达末端或与遇到其它脊线。在追 踪的过程中，局部进行脊线方向估计和增强指纹图像，得到一幅细化后的指纹脊 线骨架图和附在其上的细节信息( 包括坐标值、脊线方向、所在脊线编号等) 。而 后对获得的细节点信息根据指纹图像结构特征进行去除伪节点处理。 本论文作如下安排： 第二章，指纹图像预处理，介绍指纹图像增强的几个流程，包括，归一化， 图像分割，方向图估计，图像滤波，二值化和细化等； 第三章，基于脊线跟踪的细节提取算法，介绍脊线跟踪，细节点提取和去伪 处理等： 第四章，实验及实验数据分析，介绍细节提取算法的实现和实验结果的分析； 第五章，总结和展望，讨论指纹图像细节提取方法有待改进的地方。 许健彬 中国科学技术大学硕士学位论文 第二章指纹图像预处理 2 1 指纹图像归一化： 指纹图像的归一化是为了得到固定统一的狄度均值和方差，以消除由于采集 仪器不同和手指压力不一致造成的差异。归一化一般采用下列公式： n ( j ) =坂+ 丝竺兰缈m。， m 。一i z a r o 。 1 ( i d ) - m 一，其他 其中， n ( i 。o 是归一化后指纹图像的像素值，j 伉驴是原图像像素值，肘和 v a r 是指纹图像i 的灰度均值和方差，m 。和v a r o 是预先设置的期望灰度均值和 方差。 2 2 指纹图像分割： 指纹图像通常由前景和背景组成。指纹图像的模糊将造成图像方差的减小， 图像分割就是将指纹图像中的模糊区域去掉从而可将清晰的指纹图像区域从背 景中提取出来。分割处理不仅能提高特征提取的精确度，而且还能大大减少后期 指纹处理的时间。它不仅要求尽可能地去除无效区域，还要求尽可能完整地保留 有效区域。常用的分割算法主要有两种：基于图像灰度特性的分割算法( 方差法) 和利用图像方向信息的分割算法( 方向图法) 。方差法利用计算各个小块的方差， 方差大于一定的阈值，则判断其为前景，否则为背景。首先将输入的指纹图像 g 划分为互不重叠的w w 大小的子块，对每一块分别进行处理，计算每一子 块的平均灰度值及其方差。 懈f ) = 熹y g 彻 ( 2 2 ) w w j7 7 7 - 佩f ) = 熹：母俐一懈w 2 ( 2 3 ) w w 百= 许健彬中国科学技术大学硼士学位论文 其中，k = 1 ，2 膨z = 1 , 2 mg 俐是子块俐中第i 行第，列的像素点灰度 值。 n 由图像大小和w 的取值决定。m 僻黟为子块灰度平均值，当每一图像 子块的灰度方差佩f j 小于预定的闽值正时，将其设定为背景区域；否则作为当前 景，保留其灰度值，以作后续处理。 本文使用的方差法，计算子块中每一个像素点的梯度g ：“砂，g u , v ) ；利用 下式求得一例，彻，吒俐进一步得到c l o , j ) 。 屹r 劬= 艺2 g ，一_ g ，化一 ( 2 4 ) 2。2 ww 。 ， 巧= 孙t 一一g ；似圳 ( 2 - 5 ) ww 一一， 。 c l ( i 0 ) =1 。( j p + y ，( j ) 2 ) y w w圪例 如果c 小于预定的闽值正时，将其设定为背景，否则作为前景。 ( 2 6 ) ( 2 7 ) 通过上述分割后，图像中可能会出现一些孤立的图像块。为了去除这些孤立 块，可以用3 x 3 邻域进行平滑。 2 3 方向图估计： 方向图是用每个像素点的方向来表示指纹图像的，像素点的方向是指其灰度 值保持连续性的方向，可以根据像素点领域中的灰度值来判断，它反映了脊线的 方向。方向图的计算通常有两种方法：八方向图法 3 】和公式法 6 。 嵋 2 y g 十 “g 碍口一：畸 = 匕 许健彬中国科学技术大学硕士学位论文 2 3 1 八方向图法： 将脊线走向分为8 个方向。对于指纹图像的每一个像素，为了确定在该像素 处的脊线方向，在以该像素为中心的9 9 窗口内，分别计算8 个方向上的灰度 平均值，即将下图中标有f ( f - 0 , 1 ，7 分别代表8 个方向) 的位置像素灰度值 取平均得到g m e a n i ，然后将这8 个平均值按两两垂直的方向分成4 组，0 和4 一组，1 和5 一组，2 和6 一组，3 和7 一组，计算每组中两个平均值的差值 g d 删= i g m e a n ，一g m e a n d + 4 l , j = 0 , 1 ，2 ，3( 2 - 8 ) 23456 12 3 4s 67 17 0000 71 76 5 43 21 6s432 图2 - 1 像素点八方向图 取差值的绝对值最大的两个方向为可能的脊线方向，如： 则方向i m a x 和i m a x + 4 为该像素处可能的脊线方向，若该像素处地灰度值为 g ，叫，则脊线方向为 i d i r ：蝴l 吧_ g 删”刃 i g r a y g m 8 a n i + 4 _ ，l ( 2 - 1 0 ) 。1 “其他 即：取i m a x 和i m a x + 4 方向中灰度平均值与该像素灰度值比较接近的方向 作为该像素处的脊线方向。 为了减少噪声的影响，保证方向场估计的准确性，通用的做法是将图像分成 1 6 x 1 6 的小块，以小块内所有的像素方向平均值作为该小块的脊线方向，该小 块内每个像素的脊线方向都取为该小块的脊线方向，具体作法为，先计算该小块 许健彬 中国科学技术大学坝上学位论文 内方向估计为i ( i = o ，l ，7 分别代表8 个方向) 的像素个数n u m i ，然后将该小块 图像的脊线方向取为 2 3 2 公式法： d i r = a r g ( m a x ( n u m i ) )( 2 - 1 1 ) 将指纹图像划分为不重叠的w x w 的块，对于分辨率为5 0 0 d p i 的指纹图像， 初始值设置为8 x 8 。 2 。2 z ，( i , j 9 一2 g ，似，v ) g ，似_ l ： ( 2 1 2 ) 。 一 2 。2 阳：拙，一一g j 以剀 ( 2 - 】3 ) 2 9 2 口彻= r 踹j 1 4 ) 其中指纹图像被划分为w w 大小的块区域，g ，g ，是点( i ，j ) 在x 和y 方向 上的梯度，梯度算子可选为s o b e l 算子，0 ( i , j ) 是以点( i ，j ) 为中心的块区域方 向。 计算各块图像方向信息的可靠性： c 彻2 i 1 厘而 ( 2 1 5 ) l 口_ 曰l = l d d , d 一1 8 1 。8 。0 ，其。他 ( 2 1 6 ) 式中，d = 阳l 0 + 3 6 0 。) m o d 3 6 0 。，口为以( i ，j ) 为中心的块周围的局部区域， 是一分块图像的集合，缺省大小为5 x 反l q 为区域d 内块的数目；o ( i 。，_ ，) 、口( f ，) 为块。) ，( f ，) 的方向。 许世彬 中国科学技术人学形 l 学位论义 如果c 俐大于预先设定的阀值瓦，则须调整该区域的分块大小重新进行方 向信息计算直至满足条件。当然，随着分块大小的减小，计算量增大。 2 4 图像滤波： 指纹图像的一个特点在于许多脊是平行的。利用这个信息。即使当前脊是 不连续的，我们可以通过观测很小局部领域脊的方向，就可以得出该脊的方向， 而在该小邻域内与脊方向不同的点往往就是附加了噪声的点。因此，利用这个特 点可以设计出自适应的匹配滤波器。对于指纹图像的每一个点，根据其邻域信 息，对该点滤波，滤波器可以使与脊方向相同的点得到增强，而不同的点则减弱， 达到抑制噪声增强有效信息的作用。又由于每个小区域的方向图不同，因此，根 据各个区域不同方向，需要采用不同参数的滤波器，实现时一般采用自适应滤波 器。 c o e t z e e 等【1 0 提出对输入的灰度图像使用m a r r - h i l d r e t h 边缘算子得到脊边 缘图，并采用卷积模板来进行增强。 r a n d o l p h 等【1 1 提出使用方向滤波器组束对输入的二值指纹图像进行增强。 o g e r m a n 等 1 2 】提出由局域脊方向图得出k k 模板系数，并给出了详细的 滤波器设计讨论。 s h e r l o c k 等 1 3 提出采用傅立叶滤波器，来增强指纹图像。但由于以上方法 依赖于准确的方向图估计存在一定的局限性，对于输入指纹图像较差的情况下， 局域方向图估计无法准确得到。 h o n g 等 1 4 】提出使用同时具有频率选择和方向选择的g a b o r 滤波器来增强 指纹图像。该方法将输入的指纹图像通过一系列的g a b o r 滤波器得到滤波图像， 并根据这些滤波图像估计出方向图。这种方法在指纹图像质量很差的情况下，j ，j 以取得良好的效果。但是在计算局部区域方向圈时开销太大。 许健彬 中国科学技术火学硕士学位论立 a j w i l l i s 等 1 5 】提出的低质量指纹增强算法，将图像分成3 2 * 3 2 的小块，然 后再作傅立叶滤波从而使指纹图像得到增强，这种算法的不足是没有利用全局信 息，从而导致增强效果没有达到最佳。 陈新建等【1 6 提出了一种基于傅立叶变换的频域增强算法，通过傅立叶变换 把指纹增强从空域转化到频域，然后在频域上对指纹图像分方向进行滤波，从而 使指纹图像得到增强。该方法能够实现在线宴时处理，并且对低质量指纹图像增 强得较好。 程建刚、田捷等 1 7 】提出了一种利用非线性扩散滤波增强指纹图像以提取细 节点的方法，该算法利用指纹图像的结构张量构造扩散张量，使得滤波沿着指纹 脊线方向扩散。有效地连接断裂脊线，而不改变指纹脊线的连续性和奇异性，提 高了提取细节点的性能和指纹匹配率。 陈宏、田捷等 1 8 针对指纹图像的特点提出灰度估计快速图像增强算法。利 用像素周围脊线方向场信息和周围像素灰度信息，对像素灰度进行估计。该算法 对于指纹图像中大量存在的噪音、图像局部灰度过淡过浓不均匀等情况有很高的 适应性，同时对于指纹中普遍存在的折痕，有很强的延伸和平滑能力。 2 5 二值化： 若该像素处的脊线方向为i ，先用估计方向场时用到的方法计算该像素处在 方向i 和垂直方向i v a r = ( i + 4 ) m o d 8 的灰度平均值g m e a n i 和g m e a n i v a r ，然后将 该像素二值化为 ，脚= 譬蒜喇如榭唧例 p 其中，i v a r 表示二值图像中该像素的灰度值，2 5 5 为二值图像中图像背景和谷线 的灰度值，0 为二值图像中图像脊线的灰度值。 许健彬中国科学技术大学硕士学位论殳 2 6 细化： 细化是指对经过二值化后的指纹图像，在不影响脊线连通性的基础上，删 除脊线的边缘像素，直到脊线为单像素宽为止，理想的细化后脊线骨架应该是原 始脊线的中间位置，并保持脊线的连接性、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： f 1 ) 收敛性：迭代必须收敛。 ( 2 ) 连接性：不破坏原始脊线的连接性。 ( 3 ) 拓扑性：不造成脊线缺损，保持原始脊线的结构特征。 ( 4 ) 保持性：保持指纹图像的细节特征。 ( 5 ) 细化性：骨架脊线的宽度为一个像素，即单像素宽。 ( 6 ) 中轴性：骨架尽可能接近脊线的中心。 ( 7 ) 快速性：算法简单高效。 细化算法按照细化顺序主要分为3 类：串行细化、并行细化和混合细化。 其中快速细化算法( q u i c kt h i n n i n ga l g o r i t h m ) 和改进的o p t a 算法 ( i m p r o v e do p t a t h i n n i n g a l g o r i t h m ) 是目前使用较多的两种细化算法。快速细 化算法为4 连通并行细化算法，逐步找出指纹脊线的边界点并删除。该算法速度 快，但细化不彻