指纹识别算法的研究与实现

指纹识别算法的研究与实现【摘要】：论文在指纹识别算法的基础上，对指纹图像的分割作了较为深入的研究，采用了均值方差法的指纹图像分割算法，仿真结果表明，该方法能有效地改善指纹图像分割后的质量。此外，本文对指纹识别的基本步骤也作了较为详细的叙述，如：指纹图像预处理、指纹特征提取、指纹识别等步骤。在图像预处理中，依次介绍了图像归一化、二值化，分割和细化等步骤。预处理后将得到一幅宽度为一个像素的细化二值图像，在此基础上提取特征点，进行指纹的识别。论文中采用Matlab编程实现全部算法。【关键词】：均值方差；预处理；特征提取；指纹识别iAbstract:Paperonthebasisofthefingerprintidentificationalgorithmforfingerprintimagesegmentationmadeamorein-depthstudy,usingthevariancelawoffingerprintimagesegmentationalgorithm,simulationresultsshowthatthismethodcaneffectivelyimprovethequalityoffingerprintimagesegmentationafter.Inaddition,inthispaperthebasicstepsoffingerprintrecognitionhasmadethedetailednarration,suchasfingerprintimagepreprocessing,fingerprintfeatureextractionandfingerprintidentification.Intheimagepreprocessing,imagenormalization,areintroducedinturnbinarization,suchassegmentationandrefinementstep.Afterpretreatmentwillgetawidthofapixelandrefinethebinaryimage,onthebasisofextractingfeaturepoints,fingerprintidentification.ThethesisallalgorithmisrealizedbyusingMATLABprogramming.Keywords:Themeanvariance;Pretreatment;Featureextraction;Fingerprintidentificationii目录前言.2第1章绪论.3第1.1节研究背景及意义.3第1.2节指纹识别技术特点.3第1.3节指纹识别技术发展现状.4第1.4节本课题研究内容.4第2章指纹识别算法的研究.6第2.1节指纹识别算法工作流程.6第2.2节指纹图像预处理.6第2.3节指纹图像的特征提取.10第2.4节指纹图像的识别.12第3章重点研究算法的实现.13第3.1节基于均值方差法的指纹分割.13第3.2节基于动态阈值的指纹灰度图二值化.14第4章指纹识别算法的仿真.16第4.1节软件介绍.16第4.2节实验过程.16第4.3节仿真结果及仿真分析.17第4.4节小结.19第5章总结与展望.20结论.21参考文献.21致谢.22附录.23附录1：部分源程序.230前言随着信息时代的发展,指纹识别技术已经广泛地应用于公安、海关、银行、网络安全等需要进行身份识别的领域，不同人的指纹，即使同一个人不同手指的指纹，纹线走向及纹线的端点和交叉点等各不相同。也就是说，每个指纹都是唯一的。另外。指纹不随年龄的增长而发生变化，是终生不变的。依靠这种唯一性和稳定性，可以把一个人同他的指纹对应起来，于是我们可以通过对他指纹的预先保存，以方便实现对该人身份的认证。论文通过指纹识别算法仿真了指纹识别过程。并对各流程作了较为详细的叙述。首先，论文系统介绍了指纹识别技术的研究意义及发展现状，并对指纹识别技术的原理及实现过程做了系统介绍。其次，针对在指纹采集过程中存在着大量的低质量指纹图像，影响指纹识别的识别率的问题，文中对指纹图像预处理步骤进行了的较为系统的介绍，预处理后大大的改善了指纹图片质量，使其符合后续的特征提取与指纹识别的图片质量要求。此外，对指纹图像的二值化，分割作了深入的研究，采用局部动态阈值的二值化方法，根据局部不同的指纹纹理对其进行适合的二值化，该方法对指纹的纹理影响较小，对后续处理提供了方便，采用了均值方差的分割算法，效果也达到预期。最后，研究了指纹识别过程中特征的提取与指纹匹配算法，论文采用了基于特征向量的指纹匹配法，该方法较简易，效率高，匹配速度快。1第1章绪论第1.1节研究背景及意义现代门禁系统是一种随着电子技术和计算机技术的发展而迅速发展起来的安防系统，一套现代化的、功能齐全的门禁系统，不仅可用于进出口控制，而且有助于单位内部的有序化管理。门禁系统是新型现代化公共安全管理系统，它集微机自动识别技术和现代安全管理措施为一体，涉及电子、机械、光学、计算机技术、通信技术和生物技术等诸多新技术，是重要部门出入口实现安全防范管理的有效保障。目前有很多的生物测定技术可用于身份认证，包括虹膜识别技术、视网膜识别技术、面部识别、签名识别、声音识别技术、指纹识别等，具有安全、可靠的特点，其中自动指纹识别技术是目前研究最多、最有应用前景的生物识别系统。指纹识别技术的应用十分广泛，指纹因具有终生不变性及稳定性,而且不同人指纹相同的概率几乎为零,因此指纹自动识别技术被广泛应用于案例分析、商业活动中的身份鉴别等领域。指纹识别技术的发展得益于现代电子集成制造技术的进步和快速可靠的算法的研究。指纹门禁系统通过将用户的指纹特征与指纹特征数据库中的数据进行对比实现用户身份的鉴别，并不直接保存和使用用户的指纹图像信息，不会侵犯到用户的隐私信息，是当前技术最先进、应用最广泛的门禁系统。对生物识别(指纹识别)技术来说，被广泛应用意味着它能在影响亿万人的日常生活的各个地方使用。通过取代个人识别码和口令，生物识别（指纹识别）技术可以阻止非授权的“访问”，可以防止盗用ATM、蜂窝电话、智能卡、桌面PC、工作站及其计算机网络；在通过电话、网络进行的金融交易时进行身份认证；在建筑物或工作场所生物识别技术（指纹识别）可以取代钥匙、证件、图章等。生物识别(指纹识别)技术的飞速发展及其广泛应用将开创个人身份鉴别的新时代。指纹所具有的唯一性、不变性、易于获取、分类存储有规律等特性使其成为生物鉴定学中最为成熟的方式。第1.2节指纹识别技术特点指纹特征是人终生不变的特征之一，而且不同人的指纹特征相同的可能性几乎为零。人体指纹含有天然的密码信息，其具有作为密码信息必须具备的三个重要性质：(1)、广泛性，指每一个正常的人都有指纹。(2)、唯一性，指每一个人的指纹都不同。指纹的细节由细微纹点和纹线的起点、终点、分叉等组成。正是这些无穷无尽的细节特征组合构成了指纹的唯一性事实上，甚至包括双胞胎，世界上两个指纹相同的概率小于1109，几乎为零，这就构成了指纹的第一大特点。2(3)、终生不变性，指纹终身不变即指纹的图案永远不会改变，从人的出现到死后的分解为止(除非指纹受到伤害)。(4)、指纹与主体的不可分离性：即指纹不存在丢失、遗忘、被窃取的可能。指纹的使用比起其它证卡来说更快捷、安全、准确、无干扰，可实现快速登录注册，系统兼容性好，也就是说可以独立或者通过联网构成系统并且很容易并入各类证卡和定义识别系统中。因此，指纹识别技术的应用范围极广。第1.3节指纹识别技术发展现状指纹识别技术的研究方向主要分为：基于图像的识别技术和基于特征的识别技术。基于图像的识别技术认为，指纹图像的频域和空域信息可以用来唯一表示并识别不同的指纹。它是一种使用全局信息进行识别的方法，例如使用指纹图像的Fourier频谱来表示和识别指纹。这类算法的问题在于图像特征难以定义和识别，因此算法的拒识率和误识率较高。基于特征的指纹识别算法是找到并比对指纹的特征。指纹特征的复杂度足以提供用于鉴别的足够特征。目前大多数的自动指纹识别系统使用的都是这类算法。指纹特征多种多样，有特征点、奇异点、域方向图、脊线数目，甚至脊线线型等。对应的识别方法可以分为：基于点模式的识别，基于脊线的识别，基于纹理的识别以及多种细节特征混合的识别方法。大多数基于特征的识别算法专注于脊线上的末梢点和分叉点，该方法根据各个特征点的位置和方向来表示和区分指纹，从而使指纹识别问题转化为判断两个特征点集间的最大相似度(最大重合度)的问题。提取该细节特征有多种方法：基于灰度指纹图像直接提取，基于二值图像的特征提取，基于细化图像的特征提取。目前许多公司和研究视梅在指纹识别技术领域都取得了突破性的进展，推出许多指纹识别与传统IT技术完美结合的应用产品，这些产品已经被越来越多的用户所认可。中科院自动化所智能生物信怠系统研究组和北京数字指通软件技术有限公司对自动指纹识别技术进行了长期的理论研究和应用系统开发，指纹图像的识别准确率和识别速度已达到国际先进水平。另外，一些公司和机构结合社会应用的实际需求，开发了各种类型的具有独立知识产权的嵌入式指纹识别模块、指纹应用系统软件等，用户反映良好。指纹识别技术多用于对安全性要求比较高的领域，如在商务移动办公领域颇有建树的苹果、三星及IBM等国际知名品牌都拥有技术与应用较为成熟的指纹识别系统，与国外相比，我国在自动指纹识别技术的研究水平上还存在一定的差距。主要表现在：(1)、指纹录入设备的质量还不太过关；(2)、自动指纹识别算法研究水平还有待提高；在应用上的表现为产品适应性和易用性较差，对干、湿一些的指纹往往不能正确区别，对指纹录入时的旋转、平移比较敏感。第1.4节本课题研究内容3本文研究的是基于图像处理的指纹识别。而图像处理技术基本可分成两类：模拟图像处理和数字图像处理。其中数字图像处理，也称为计算机图像处理，其含义就是利用计算机对图像信息进行加工处理，以得到某些预期的效果或从图像中提取某些有用的信息。其主要有三个目的：(1)、改善图片质量；(2)、提高软件对图像的处理速率和图片利用率；(3)、进行图像的理解与识别。其具有四点优势：(1)、处理精度高；(2)、处理内容丰富；(3)、可靠性强；(4)、灵活性强。数字图像处理技术主要包括图像数字化、图像变换、图像增强、图像复原、图像分割、图像分析、图像压缩、图像重建等。本文重点结合指纹识别的特点，再基于数字图像处理技术，对指纹图片进行了相应的处理。通过图像预处理、特征点的提取与识别等环节，以实现指纹识别功能。4第2章指纹识别算法的研究第2.1节指纹识别算法工作流程指纹识别技术主要涉及四个功能：读取指纹图像、提取特征、保存数据和比对。当算法开始时，用设备提取人的指纹图像，取到指纹图像之后，再对原始图像进行初步的相应处理，使之更清楚。当指纹图像处理到满足一定的条件，接下来进行指纹特征信息的提取和指纹的识别，基于图像处理的指纹识别的组成方案由于各研究机构的不同而提出了各自的方案，基于细节点特征的指纹识别技术是当下的主流，它有以下一些步骤如图2-1所示指纹图像图像预处理特征提取特征识别指纹识别指纹库图2-1指纹识别算法流程框图图像预处理阶段是极为重要的，如果这阶段处理不好，后面的工作根本无法展开。在实际中，获取的原始图像不是很好的，例如对于系统获取的原始图像，由于环境、光线等原因，图像的质量不是很好，所以需要先进行预处理，方便我们提取有用的信息，指纹图像的预处理是将输入的质量低、掺杂噪音的指纹源图象处理成已细化了的清晰的单一像素图像。它的目的是降低低质量的图像对识别结果的影响，预处理中一般包括归一化，图像平滑、二值化、分割、细化等步骤。特征提取一般是指提取指纹图像的局部特征，也就是细节点特征。在基于细节点的指纹自动识别系统中，特征提取是在细化后的指纹图像上进行的，再剔除假特征点，进行细节点的识别。5第2.2节指纹图像预处理2.2.1.归一化由于采集仪器本身和手指结构的特点，墨印的密度不同、以及指纹采集时用力不均等情况，指纹的采集过程是非理想的，很多原因都可能导致沿脊线和谷线的灰度值出现不同程度的改变，使得图像部分区域信号太弱（颜色太浅）或者太强（颜色太黑），总体效果较差，使得指纹图像的质量退化，给接下来的指纹识别操作带来了很大的困难，所以我们必须对指纹进行归一化处理，同时也为后面的均值方差法分割作铺垫。图像归一化的作用就是使所有指纹图像具有相同的灰度均值和方差，从而将每一幅图像的灰度调整到统一的范围，方便后续处理。归一化的算法是：(1)、计算图像的平均值和方差(2.1),(101HiWjiIIM）（(2.2)(,)(2ijIMjVar(2)、指定期望经过处理后的图像均值和方差，计算归一化后的图像G为使输入的指纹图像具有相同的均值和方差，需要对指纹进行规格化处理，规格化并不改变指纹脊骨的清晰程度，其目的是为了减小不同指纹图像之间灰度值的差异，为后续处理做准备。方法是寻找一幅质量很好的图像，然后以此图像作为标准的图像，求解其平均值和方差，那么以后的图像都以此图像为标准进行规格化，令代表原始),ji（图像在点的灰度值，代表规格化后的图像在点的灰度值,分别),(ji),(jiI)(jiVarM和(代表原始图像的均值和方差，分别代表期望得到的灰度均值和方差，则规格化0VarM和之后的图像在象素点的值由(2.3)式确定：),(ji(2.3)othersVarijiIjIijijiG,)(,(),),200（2.2.2.指纹图像平滑处理图象光滑的主要任务是削减指纹图像的噪声。由于图像噪声的来源比较多，有来自系统外部的干扰（如电磁波或经电源窜进系统里面的外部噪声），也有来自于系统内部的干预（如摄像机的热噪声、电器机械运动而发生的震颤噪声等内部噪声）。其实现实情况得到的图象都会因为遭到各种干预而发生噪声，噪声分布的特性及与图像信号的关系是由噪声产生的原因决定的。我们可以通过在空间域或频率域的处理减少噪声，在空间域中进行时，就是求像素的平均值或中值；在频率域中，可以运用低通滤波技术。但是图6像平滑却要以一定细节模糊为代价，因此我们怎么尽量减少平滑掉图像的噪声，又尽量保持图像细节是图像平滑研究的主要问题之一。此处我们使用的是中值滤波的方法处理。中值滤波在运算过程中不需要知道图像的统计特性，是一种非线性技术，所以比较方便。在必须的的条件下，中值滤波可以消除图像细节模糊问题，可是，对少许细节多，特点是点、线、尖顶细节较多的图象则不宜选用中值滤波的方法。中值滤波的目的是既保护图像边缘，又去除噪声。中值滤波的特性：(1)、对某些输入信号中值滤波具有不变性(2)、中值滤波的去噪声性能中值滤波可以减小随机干扰和脉冲干扰。因为中值滤波是非线性的，于是对随机输入信号数学分析比较复杂。中值滤波的输出与输入噪声的概率密度散步相关，而领域平均法的输出与输入分布无关。中值滤波方法在抑制随机噪声上比领域法差，但对脉冲烦扰，中值滤波是非常有效的。(3)、中值滤波的频谱特性：因为中值滤波是非线性运算，在输入与输出之间的频率上不存在一一对应的关系，故不可以用一般的线性滤波器频率特性剖析方式。选用整体试验观察法，经前人大量的实验表明，中值滤波器的频率响应与输入信号的频谱相关，出现不规则波动不大的弧线，中值滤波频谱特性变化不大，可以认为信号经中值滤波后，频谱基本不变。对带有噪声的指纹图像进行预处理,过滤后可以消除一部分图像中的干扰效果。2.2.3.图像分割指纹图像分割是指纹图像处理过程中很重要的一步，它可以将指纹图像中不清楚，质量很差的部分从有效的区域中分割开来，为后续处理提高速度，节省时间，更能够提供精确地指纹信息，以提高指纹识别的精确度和整个识别系统的可靠性。不仅要求尽可能的把无效区域去除掉，还要尽可能把有效区域完整的保留下来，这就需要比较精确的分割算法。传统的指纹图像分割算法主要包括基于像素点的阈值分割法和利用图像方向信息进行分割（方向法）以及基于块特征的指纹分割算法，阈值分割法就是简单地用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度在同一个灰度类内的像素属同一物体。它是图像分割中最基本的方法。其原理是先定一个阈值，大于此值为1，小于则认为为0；多阀值则可以利用多维函数。此原理在匹配中也可以运用。其优点是计算简单，仅需比较灰度值即可；运算效率较高，速度快；它的缺陷在于仅考虑图像的灰度信息，而忽略了图像的空间信息，对于图像中不存在明显灰度差异或各物体的灰度值范围有较大熏叠的图像分割问题难以得到准确的结果。而指纹图像分割的方向法，它是利用了指7纹的脊线和谷线所蕴藏的平行方向信息来分割的，该方法的优点是：适合有污渍的指纹，但缺点是因为依赖脊线的方向，由于脊线的自身不连续性将被确定为背景区域，很难达到满意的效果。且由于计算的复杂性，处理时间很长，不适宜实际应用。基于块特征的指纹分割算法在第3章中提到。2.2.4.图像二值化二值化是指纹细化的预处理，由于指纹图像脊、谷相间，因此指纹图像的处理常是将指纹图像二值化。灰度图像二值化是将灰度图变换为只有黑和白两种灰度的图像。这样不仅使原指纹图像体积变小，也使后面的细节特征的提取更加方便。灰度图二值化的基本思想是通过选取适当的灰度阈值，将灰度图像转化为二值图像，如2.4式所示：Tjifjif),(01),(（2.4）对一幅图像进行二值化，由于不同的灰度图像的不同的灰度基值，以及同一图像中不同亮度，所以阈值的设定是该操作的关键所在。阈值的选择是二值化的关键。二值化的方法很多，其一般包括全局阈值（如固定阈值法二值化）和局部阈值（动态阈值法二值化）两种，全局阈值算法是将整幅图像以一个阈值处理，而局部阈值算法则把原图分成若干个子图，在每个子图中确定阈值。采用固定阈值的二值化可以取得比较好的效果，但是这些方法仅仅利用了图像的灰度信息，当指纹图像灰度不均匀使指纹纹线容易产生断裂，对指纹图像的二值化效果就很不理想；而动态阈值能根据图像的局部灰度自动选择合适的阈值，二值化效果较为理想，所以论文采用动态阈值变换方法，将指纹图象本身的方向结构特征与源图像灰度值变换特点结合起来，确定图像中每个像素点二值化的动态阈值。2.2.5.图像细化由于灰度过渡区的存在，指纹细化是指纹图像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。细化可以便我们得到绞线的单像素的骨架。所谓“骨架”，是指图像中央的骨骼部分，是描述图像几何及拓扑性质的重要方法之一。获取一个图像骨架的过程通常称为对图像“细化”的过程。在文字识别、地质构造识别、工业零件形状识别或图像理解中，先对被处理图像进行细化有助于突出形状特点和减少冗余信息。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，并保持纹线的连通性、拓扑性和细节特征点不变。一种好的细化算法应该满足下列条件：8(1)、迭代必须收敛的。(收敛性)(2)、不破坏纹线的连接性。(连接性)(3)、不引起纹线的逐步吞食。(拓扑性)(4)、保护指纹的细节特征。(保持性)(5)、骨架纹线的宽度为1个像素。(细化性)(6)、骨架尽可能接近条纹中心线。(中轴性)(7)、算法简单、速度快。(快速性)已有的算法迭代按迭代方式的不同分为串行算法和并行算法。在串行细化算法中，当前迭代的结果不仅取决于前一次的迭代图像，而且与当前处理情况有关；而在并行方式中，当前迭代仅仅是由前一次的迭代情况决定，串行细化算法的处理结果依赖于对像素处理的先后顺序，因而像素点的消除或保留不可预测。并行细化算法对图像进行细化时利用相同的条件同时检测所有像素点，其结果具有各向同性，因此从算法原理上并行算法优于串行算法。由于并行细化算法具有快速而准确的特性，因此他一直是人们研究的热点，并且相应的提出了许多并行细化算法，如OPTA细化算法1，RWHall细化算法，Rosenfeld细化算法，Zhang&Suen细化算以及ZR细化算法等等。性能上这些算法各有所长。不同的文献上有不同的关于细化方法，如王家隆等2以及王业琳等3的细化模板。制约细化的客观因素表现在计算速度、毛刺和断点上。因而细化中选择一个好的模板很关键。模板分为保留模板和消除模板，消除模板就是根据条件判定这点是否去除掉，并且不可以作为背景的模板；保留模板则是根据条件判定这点能否保留并作为前景的模板。这样就可以将较粗的图像曲线细化成很细的以像素为单位的线，大大减少了图像的信息量，有利于识别的高效进行。文献1中采用了如下的方法步骤：(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7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次细化第2.3节指纹图像的特征提取特征提取就是对细化后的指纹图像提取表示其特征的信息的操作。我们前面所叙述的指纹图像预处理目的就是为指纹的特征提取和最终识别建立一个良好的基础，以保证整个算法识别率比较高。对于自动指纹识别技术，选择一个合适的，可以表达指纹唯一9性的特征量是很关键的。一般说来，这种特征应有以下性质：(1)、单一性：要求这种特征能够充分体现指纹的唯一性。(2)、可测试性：适用于指纹识别算法，便于在识别算法中应用。(3)、紧凑性：要求提取的特征不能包含除指纹唯一性以外的冗余信息，信息量要尽可能小，以便于存储、管理和计算。(4)、鲁棒性：要求这种特征对噪声的存在与指纹形变不敏感。对于特征点提取的常用算法很多，如：(1)、基于二值化的特征提取方法：这种算法对于预处理和增强后得指纹图像进行二值化。(2)、基于灰度的特征提取方法：这种方法在灰度图像上分析图像的纹理属性。(3)、基于细化图像的特征提取方法：这种方法是在细化图像上提取特征点。论文选择了基于细化图像的特征提取方法，该方法是以提取细节点来作为特征。为了比较两个人的指纹是相同的，需要从指纹图像中提取能表达指纹的唯一性的特征，指纹细节点是最常用的人工指纹识别的特征。指纹由交替的脊线和谷线构成，在大多数地方，纹线连续且相互平行，而一些局部不连续的地方构成了细节点。定义了4种细节点类型：分叉点，端点，环、岛，并指出细节点具有唯一性，可以用于指纹识别。特征类型已被定义的已达到150多种，但这些扩展的特征并不总是很容易提取并相互区分，它们可以通过端点和分叉点的组合进行描述，这使得端点和分叉点成为最常用的结构特征，也被称为细节特征，这被认为是最稳定，最容易检测的，并占所有特征点的80以上。提取的特征点也必须通过伪特征点的去除，尽可能去除掉由于二值化，细化处理等过程中引入的伪特征点。最后确定该特征点的类型，位置，方向。本章便是依据端点和分叉点是最常用的结构特征，提取满足一定条件接近的点，再去除不是端点和分叉点的伪特征点，最后实现特征信息的提取。当前在细化二值图像中提取细节特征多是用8邻域法13，该方法比较简单，在获得可靠的细化二值图像后，只需要一个33的模板便可将端点和分叉点提取出来。对于细化二值图像，像素点的灰度值只有2种情况，即黑白两种。在提取指纹图象的细节特征中，由于图像质量和噪声的干扰，存在大量的伪特征点，试验表明一幅质量较差的图像在经过预处理，细节特征提取后可能会产生多达一、两万个细节特征点，其中包含了大量的伪特征点，这些伪特征点的存在，不但使匹配的速率大大降低，还使指纹识别性能急剧下降，造成识别算法的拒真率和误识率的上升，因此在进行指纹匹配之前，应对细节特征进行验证，尽可能将伪特征点去除，同时保留真特征点13。去除伪特征点是特征提取要解决的一个重要问题。对整个图象进行特征提取后得到10的特征点并不是全部都是真实的分叉点和端点，由于指纹质量，细化、特征提取过程引入的噪声造成了很多伪特征点，特别是图像边缘有很多图像分割产生的边界伪端点。本章中为特征建立了一个3维数组，第一，二组用于记录端点和分叉点。第三组则专门记录伪特征并最终可以将之除去。端点和分叉点的判断运用了上文提到的8邻域法。其中：(1)、端点的判断条件为：周围的8邻域两两相邻当且仅当存在2个不同值。(2)、分叉点的判断条件为：周围的8邻域两两相邻当且仅当存在6个不同值。(3)、伪特征的判断比较多，全部计入数组3。2.3.2.局部特征向量的构造一个具有鲁棒性的指纹匹配算法必须要满足三个要求:首先匹配算法要尽量快速准确，以满足实时系统的需要;其次匹配算法必须与指纹的旋转无关:而且匹配必须与一定范围内的指纹平移和变形无关。指纹图像通过预处理、特征提取及后处理等一系列操作以后，将转化为一组由若干末梢点和分叉点所组成的点集，指纹匹配问题也相应地转变为寻找点集间相似度的(即细节点集匹配度的)问题。点匹配算法对特征点之间的距离及其在坐标系中的位置有着很高的要求4。但在指纹收集时，同一枚指纹的两次按捺用力程度、位置不可能完全相同，得到的特征细节点集间就必定存在一定的平移、旋转和局部变形。对每个特征细节点构造局部特征向量的步骤如下：(1)、将每个特征细节点作为为局部特征向量的中心，计算其他特征点到中心点的距离。(2)、对每个特征细节点搜索与其距离大于R的最近的5个点作为邻域点，构成向量组。(3)、系统处于匹配状态，就循环从指纹特征库中读入模板文件，进入匹配阶段4。2.3.3.算法概述通过对每个特征点构造局部特征向量，一枚指纹图像便转化为一个特征向量组。匹配的过程便是将当前输入指纹的特征向量组与从指纹库中读入的指纹特征向量组进行比对的过程。为了表述方便，这里称当前输入指纹为待测指纹A，称提前输入到指纹库中的原始指纹为模板指纹B。由前面特征向量的构造过程可知，特征向量使用的都是特征点之间的相对位置关系、相对角度关系，所以平移和旋转问题也得到解决。在下面的匹配过程中，通过设置限界盒可以使算法对一定幅度内的变形具有鲁棒性。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13。11第3章重点研究算法的实现第3.1节基于均值方差法的指纹分割基于块特征的指纹分割也是一种传统分割算法，代表块特征的指纹图像分割目前研究趋势为多种块基本特征如灰度均值、块灰度方差、块方向图等综合运用和重新定义块特征。其中块指的是将图像分割成一个个小的图像块。图像均值就是对每一个单位块的灰度值取均值，方差则反映该块中各点与均值的偏差性，这部分将重点介绍均值方差法的计算方法和在仿真中的运用。该算法基于背景区灰度方差小，而指纹区方差大的思想，将指纹图像分成块，计算每一块的方差，如果该块的方差小于阈值为背景，否则为前景。具体步骤分以下三步：(1)、将低频图分成大小的无重叠方块，方块的大小以一谷一脊为宜。M(2)、计算出每一块的均值和方差。设指纹图像的大小为，为像素点的灰度，和分别为原ILH),(jiI),(jiVARE和指纹图像的均值和方差，可以通过公式(3.1)和(3.2)计算得到。VARE和(3.1)1-0),(HiLjiI(3.2)2),iJAVEj(3)、如果计算得到的方差几乎接近于0就认为是背景，对于方差不为零的区域在进行阈值分割算法，这种算法主要是根据计算得到的方差来决定其是否为背景区。在使用方差均值法之前还要使用归一法将图变为低频图。归一化的目的是把不同原图像的对比度和灰度调整到一个固定的级别上，为后续处理提供一个较为统一的图像规格。指纹图像的归一化公式如式(3.3)所示，当大于平均值时为加。(3.3)VAREyxIAVEyxI200),(,),(其中为期望的灰度均值和方差。0VARE和(4)、通过计算结果，得到分割后的图片12图（a）指纹原始图像图（b）归一化处理图像图（c）分割处理图像图3-1指纹cashi1处理结果图（a）指纹原始图像图（b）归一化处理图像图（c）分割处理图像图3-2指纹cashi3处理结果本实验是在2.0GHz的PC机上，Window764位操作系统，Matlab7.0的仿真软件环境下。指纹来自于本实验指纹数据库，为了验证这种分割方法的适用性，从数据库中挑选了2幅差异较大的指纹图像分别进行归一化和分割仿真，上面的图像为指纹图像归一化和分割结果。（以cashi1、cashi3指纹样本为例）从图3-1，图3-2中可以看到用均值方差法分割既适用于比较圆滑的指纹，又适用纹线变化很大的指纹图像。在归一化处理降频和通过区域均值方差的后得到的图像条纹清晰，轮廓分明，对于后面的细化和识别有很大的帮助。该方法快捷，损坏程度低，缺点是计算有一定的复杂度，要通过2次方差均值来处理。第3.2节基于动态阈值的指纹灰度图二值化图像二值化是通过设定阀值将灰度图像变换成仅用两个值分别表示图像的目标和背景的二值图像。对于指纹图像而言，二值化不仅可以大大的减少存储量，而且可以去除大量的粘连，为特征提取和匹配做准备。一般的二值化方法对于质量好的指纹图像可能会出现一些伪特征细节点，而对于质量差的指纹图像则可能出现纹线丢失的现象。本文采用局部动态阈值法对指纹图像进行二值化，即将图像分成大小的图像块，分别设w定每一块的阈值，然后将每个块中的像素值与该块的阈值相比较，从而得到二值化指纹图像。为此，必须解决两个问题：一是如何去划分块的大小，即的大小；二是如何确定每个块的阈值7。(1)、每块中阈值的确定T将指纹图像分为目标和背景两大区域，并且在背景区域中存在目标区域。认为边缘13点存在于某一对邻点之间，即一个在背景区域，一个在目标区域，而且这两个相邻像素点的灰度值有所差异。因此，只要能够找到这些边缘点，并以此为界，就能够将目标和背景区域分开。然而，要确定一个点是否为边缘点的判据是该点的梯度大于某个门限值，找到这个门限值是非常困难的。为了避免寻找这个门限值，采用以边缘强度为权值的灰度平均法直接得到分割阈值，这样就避免了确定边缘点的门限值4。将阈值定义为：T(3.4),(jiSfT（其中像素的边缘强度，是像素的灰度值。),(yxSyxf|)1,()1,(2),1(),1(),(2)1,(|,|jifjifjifjifjifjifjififif（(3.5)分析式（3.4）可以看到，该阈值综合了图像的强度信息，当像素点在目标或背景范围内的时候边缘强度较弱，因此这些点的灰度值加权和就小；相反，当像素点位于目标和背景的边界的时候，它们灰度值的加权和就大。(2)、块大小的确定w运用上述阈值的统计方差来选择一个合适的块大小，定义块因素为：BF(3.6)42wBF(3.7)21)(iiT其中，为阈值的统计方差，为每块的阈值，为图像的均值。2iT调节，选择使式（3.6）最小的作为块的大小。w二值化具体实现步骤如下：(1)、将指纹图像分为块，利用公式（3.5）分别计算出各块中每个像素的边缘强w度(2)、根据式（3.4）计算出每块的分割阈值T(3)、对每一块内的每一个像素分别进行判断，并对每一子块进行二值化，得到二值化图像),yxB（(3.8)TyxfyxB),(10),(14图（a)原始指纹图像图（b)二值化指纹图像图3-1指纹图像二值化效果对比实验结果分析：将图3-1中的图（a)与图（b)进行对比，可以看出经过局部动态阈值二值化法处理后的指纹图像，较好的保持了原始图像中的细节特征，同时在指纹图像灰度不均匀的部位，二值化效果也比较理想。二值化后不仅大大减少了存储量，而且去除了大部分纹线间的粘连。该方法处理效果较好、速度快，具有较强的实用性。15第4章指纹识别算法的仿真第4.1节软件介绍Matlab是由美国MathWokes公司推出的用于数值计算和图形处理的软件，是当今最优秀的科技应用软件之一。在数字图像处理领域，MATLAB具有很强的实用性。随着大量可视化编程语言的出现。为工程技术人员提供了可视化的编程环境。大大降低了技术人员编程的工作量。即使不是专业的编程工作者也能完成复杂的编程任务，极大地推动了各种应用软件的发展。MATLAB作为面向科学与工程计算的大型科技应用软件同样提供了一个用于函数建立的窗口，这使得主体函数简单化，清晰化，更加容易纠错。第4.2节实验过程(1)、建立指纹库，本实验采集了8个人的64枚指纹，每人采集同一手指的8枚指纹样本，采用了6人的指纹样本进行试验(2)、载入指纹图像，这张图像是初始的指纹(3)、进行预处理，步骤包括归一化，分割，二值化，细化(4)、提取端点和交叉点（点模式）(5)、图像平滑(6)、清理边界特征点（伪特征）(7)、提取特征信息(8)、指纹识别实验界面图4-1实验使用界面建立相应的函数文件同时将指纹库导入Matlab中（软件包的work中）16图4-2建立好的函数文件和指纹库第4.3节仿真结果及仿真分析进行分割处理后的仿真效果在第3章已提到，所以这里进行后处理的仿真分析，先对分割好的图像进行二值化处理，简化后面的细化计算。细算中的模板在一个函数中实现，细化结果如图4-3,4-4所示（以cashi1，cashi3指纹样本为例）图4-3指纹cashi1的细化结果图4-4指纹cashi3的细化结果图图（a）指纹分割图像图图（b）指纹二值化图像图图（c）指纹细化图像图图（a）指纹分割图像图图（b）指纹二值化图像图图（c）指纹细化图像17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。细化将黑白二值图像细化成了单个像素带宽的指纹图像，由于模板的选择不同，上图中的二值化图像一定程度上存在毛刺、空洞、断点等不理想的情况。所以在细化处理前还需稍加处理，二值化好的模板选择可以提高图片的质量和细化运算的速度。当然，此次仿真的细化还有待改进。对于细化中出现的毛刺现象，要根据局部阈值来判定这个点的像素以决定是否去除掉，甚至可以减少模板的数量和判断次数，既简化模板，又提高运算速度，这点还可以有很大的深入研究。接下来为提取特征点与指纹匹配仿真结果：图4-5预处理，提取特征点，去伪特征由图4-5所示经过预处理的图像，由于图像质量和噪声的干扰，在此基础上提取特征点，存在大量的伪特征点，最终的特征点图较好的处理掉了边界的端点和分叉点，并做了去噪，圆滑处理，更加满足匹配要求，使匹配更加精确无误和快速。仿真结果基本满足要求。18图4-6匹配结果以上结果证明基于特征向量的指纹匹配法的实用性。该方法能从多幅数据库的指纹图片中挑选出与当前输入图片最相近的指纹，即使它的图像有所残缺，也不大会影响它的判断和距离的计算。该方法是先找出指纹库中与测试图片最匹配的图片，即它们特征向量间距离最小的图片（Recon子程序中dis最小的），得到该指纹类别，再显示该类别的所有图片。该方法具有速度快，准确率高的特点。第4.4节小结本实验算法能基本实现指纹识别功能，但在指纹细节处理上没能够做的更好，对细化以及指纹特征提取没能做更深入的研究。19第5章总结与展望作为一种可靠的生物识别技术，指纹识别技术受到了广泛关注，开发高效可靠的指纹图像识别算法不但具有重要的理论意义，而且具有很高的实用价值。本文针对指纹图像的特性，将均值方差法、模板细化、点模识别应用于指纹识别技术，以改善指纹识别算法的性能。主要研究内容如下：(1)、对于指纹分割目前主流的二种趋势，选择了基于区域特征的均值方差法并用matlab语言来对指纹图像进行分割。分割前还对图像进行低频归一化处理。(2)、对分割好的图像进行了二值化处理，使得细化的信息量大大减少。选用了一种比较精确的模板细化，得到了指纹细化后比较清晰的图像。(3)、对细化后的图像进行特征提取，其中分叉点和端点视为特征点，小桥、边界、毛刺视为伪特征点，对他们进行加以区分和提取以进行识别。(4)、在上述的特征点的部分选用了特征向量识别，以特征向量满足相对距离的个数和相对值为依据判断是否识别。论文中的算法基本能够实现指纹识别功能，但由于毕业设计的时间较短以及我的知识面的限制，许多问题的考虑还不全面，有待于进一步改善。20结论本论文是在前人研究的基础上，参阅了部分资料，通过指纹算法理论，给出了一套比较合适的指纹识别算法，文中对指纹图像处理的各个步骤做了较为详细的讨论，并用matlab加以仿真和验证，具有一定的应用价值。参考文献1.赵磊,陈琼,陈中.一种新的改进OPTA细化算法J.计算机应用,2008,28(10):2639-26422.KASSM,WITKINA,TERZOPOULOSDSnake:ActivecontourmodelsJ.InternationalJournalofComputerVision,1988,1(4):32l一3313.MORTENSENEN,BARRETFWA.IntelligentscissorsforimagecompositionJ.ProceedingsoftheACMSIGGRAPH95.NewYork,NY，USA:ACM,1995,8:1911984.王崇文,李见为,周宏文.指纹识别系统的设计与实现J.计算机应用,2001,21(12):23255.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,2007,24(1).6.文鹃,杨公平,董晋利.指纹图像分割方法综述J.山东大学学报,2010.45(7):94-1007.谢立锋,陈灵枭.浅谈指纹识别基本原理J.技术与市场,2008.1:44-458.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:自然科学版,2003,39(4):469-4759.姜腾云，指纹识别门禁系统的matlab仿真实现.江门：五邑大学，201110.高月红.灰度图像分割算法的研究J.科技信息,2009年27期:17-1811.田捷,陈新建,张阳阳.指纹识别技术的新进展J.自然科学进展,2006,16(4):400-40812.刘明生,吴小培,项明.一种基于指纹图像特征的图像分割算法J.电子测量技术第32卷,2009.8:92-913.乔治宏.基于细节结构的指纹特征提取及匹配算法研究.北京：北京工业大学硕士学位论文，2004-5.21致谢本文是在苏州大学应用技术学院做毕业设计期间学习的总结，是在导师彭静玉老师下完成的。虽然这次的时间较短，且任务较多，但通过这次的毕业设计我学到了很多。掌握了很多的知识。在这个团结友爱的集体里，大家互相帮助，彼此讨论问题，共同解决各种难题，使得论文研究得以顺利的完成。大学即将毕业，在此我想对我带了将近4年的母校，我的父母亲人，老师同学表达由衷的谢意，感谢他们的支持和帮助。我要感谢给予我许多帮助的班主任和同学们，4年的生活中，无论在生活上还是学习上，他们都给予了我诸多关爱，让我四年的生活快乐充实。我要感谢大学4年以来所有的老师，他们指导我打下坚实的专业基础，使此次毕业设计得以顺利完成。我要感谢彭静玉老师，感谢老师的督促和指导，以及对我的支持和帮助。22附录：中英文文献翻译名称基于细节分数匹配法的指纹识别23附录1：部分源程序指纹识别算法主程序clc;closeall;clearall;%载入图像filename=fullfile(pwd,images,ceshi1.tif);I=imread(filename);%预处理I1=ImgPreProcess(I);%提取端点+交叉点Pts=GetPoint(I1);%图像平滑I2,Pts1=ImgSmooth(I1,Pts);%清理边界特征点Pts2=ClearImgBorder(I2,Pts1);figure;subplot(2,2,1);imshow(I,);title(原图像);subplot(2,2,2);imshow(I1,);title(预处理图像);subplot(2,2,3);imshow(I1,);title(提取特征点);holdon;plot(Pts(: