基于统计方法的指纹识别研究开题

1、苏州科技学院毕业论文开题报告论文题目 基于统计方法的指纹识别研究 院 系 专 业 学生姓名 学 号 指导教师 2014年 2 月 31 日1本课题研究的背景、目的及意义生物识别技术是依靠人体的身体特征来进行身份验证的一种解决方案。人体的生物特征包括指纹、声音、脸孔、视网膜、掌纹、骨架等等。生物识别的核心技术是如何获取这些生物特征, 并将之转换为数字信息, 存储于计算机中, 利用可靠的匹配算法来完成验证与识别个人身份的过程。相对于其它生物特征鉴定技术例如语音识别及视网膜识别等, 指纹识别是一种更为理想的身份确认技术。每个人的指纹是独一无二, 两人之间不存在着相同的指纹，每个人的指纹是相当固定的,

2、 很难发生变，易于获取指纹样本, 易于开发识别系统, 实用性强1。目前已有标准的指纹样本库, 方便了识别系统的软件开发; 另外, 识别系统中完成指纹采样功能的硬件部分(即指纹采集仪)也较易实现。但是指纹其实是比较复杂的。与人工处理不同, 许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司及其研究机构产生了许多数字化的算法(美国有关法律认为, 指纹图像属于个人隐私, 因此不能直接存储指纹图像)但指纹识别算法最终都归结为在指纹图像上找指纹特征到并对指纹特征进行对比2。目前自动指纹识别技术基于细节特征的最多，一般步骤为:指纹信息预处理、特征提取和匹配等。(1) 指纹图像预处理: 通常按处理

3、目的把预处理过程分为平滑、增强、二值化等步骤。每一步骤都有一些常用算法，如用于平滑的均值滤波法、中值滤波法、迭代加权法3等，用于增强的规格化法、自适应算法、拉普拉斯法、Wdlis滤波、Lee滤波等。本文采用灰度分割法对质问图像进行分割,然后利用中值滤波进行去噪;通过自适应二值化的方法处理指纹图像，最后再对图像进行细化以及去除毛刺，断裂等干扰4。(2) 指纹图像特征提取:针对提取出指纹细节特征点含有大量的伪特征5这一问题,本文采用了一种边缘信息判别法6，有效地去除了边界伪特征点7，再根据脊线结构特性去除其毛刺和短脊等伪特征点,减少伪特征点。(3) 指纹匹配：指纹的匹配是指将两个指纹的信息，用两个

4、指纹模板进行适当的计算, 由最后的计算结果判断匹配是否成功的过程。本文采用基于结构特征的点匹配算法，对校准后的点集进行匹配，匹配的特征点个数在两个点集中所占比例大约百分之六十五的范围8内就可判为匹配成功。基于以上概述,本文对指纹图像预处理主要运用灰度分割法、中值滤波和二值化的方法处理指纹图像;再通过边缘信息判别法对指纹图像特征进行提取;然后采用基于结构特征的点匹配算法完成指纹匹配。2本课题主要研究内容和预期目标一.研究内容 本课题是基于统计方法的指纹识别研究。主要分为以下三个部分:1.研究指纹图像的预处理:指纹灰度分割法、中值滤波、二值化和细化等。2.研究指纹图像的特征提取的方法。3.研究指纹

5、图像的匹配方法。二.预期目标通过Matlab平台，实现样本指纹数据的识别，主要包括：1 掌握指纹识别基本方法；2 熟练掌握基于边缘信息判别法的指纹特征提取及结构特征的点匹配算法指纹识别的基本原理；3 运用Matlab构建实现指纹识别系统；4 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，通过识别软件提取出指纹图像中的特征数据，然后根据匹配算法得到的结果鉴别指纹所有人身份的生物特征识别技术。系统流程框图如图1所示.指 纹预处理指 纹特征提取指纹匹配指 纹识 别指纹库图1指纹识别系统流程图一、图像的预处理大致可以划分为以下几步：分割、平滑滤波9、二值

6、化和细化10。(1)基于灰度方差法进行分割运算对指纹图像进行分割。a先对初步处理后的指纹图像进行归一化处理11，在此利用公式如下： （1）如果，则把灰度值归一化为255背景处理，其中和为期望的均值和方差，根据实际情况而定， 和为指纹图像的均值和方差。b对指纹图像进行分块，将其分为的小块，如果是背景区域，其灰度的方差较小，而前景区的指纹图像的方差较大，所以对每个小块求其方差，再设定一个阈值，小于阈值的方块区域设置为背景区域，将其灰度值设定为255，而大于阈值的区域的灰度值保持不变，从而可以将指纹图像从背景区域很好的分离。(2)对指纹图像进行二值化处理。首先把图像分为若干个的方块，每一块根据自己的

7、阈值进行二值化。这种算法充分利用了指纹图中脊线与谷线宽度大致相同的特点，即二值化后黑白像素的个数也应大致相同，首先利用固定阈值算法的特点对指纹图像中的每块确定一个大致的阈值，然后再利用自适应的思想对阈值进行准确的调整，即阈值的取值合适时图像是最光滑的，既没有“黑洞”阈值过大，也没有“白点”阈值过小，所以01之间的转换次数最少。下面为块区域阈值的选取算法：a.将指纹图像划分为不重叠的大小为的块，求取该区域内所有像素的灰度平均值。在综合考虑算法速度和处理效果两方面的条件下，本文分块尺寸为8×8；为块的灰度平均值见式(2）： （2）b. 计算区域内的和的值，=灰度值大于等于的像素点的个数。

8、=灰度值小于的像素点的个数；c. 如果，则为阈值；d. 若，则，否则，返回第b步。(3)利用查表的方法对指纹图像进行细化处理。为了避免分裂指纹图像，细化的过程分为两个步骤，第一步是正常的腐蚀操作，但是它是有条件的，也就是说那些被标记的可除去的像素点并不立即消去；在第二步中，只将那些消除后并不破坏连通性的点消除，否则的话保留这些边界点。以上的步骤是在一个3×3邻域内运算，可以通过查表实现细化的操作。算法的实现步骤如下：a.定义一个3×3模板和一个查找表；b.对二值图像从上到下、从左到右进行扫描；该过程结束后再对图像进行从左到右，从上到下的扫描；如果图像中当前像素点的灰度值为“

9、0”，且其左右（第一次扫描过程考虑左右像素点）或上下（第二次扫描过程考虑上下两个像素点）两个像素点中有任意一个为“255”则转至步骤c，否则回转到步骤b； c.该像素点为中心的3×3区域内的各个像素值和定义的模板中的权值进行卷积求和，得到查找索引值k；d.根据这个索引值k得到表里相应的数据，如果为“1”，那么该像素点的灰度值设为“255”，如果为“0”，则该像素点的灰度值为“0”。 e.图像从头至尾扫描二遍后，如果该次扫描修改了图像中的点，则跳转至步骤b，开始新的一轮扫描。否则图像细化结束。二、指纹的特征提取。(1) 基于模板匹配法对特征点提取。a.从端点出发，端点的八邻域只有一个黑

10、点,该点就是脊线跟踪的下一点；b.对脊线中间连续点，因为八邻域只有两个黑点,除去上一个被跟踪的点，下的一点即为下一个待跟踪点；c.设集合，记录下端点或分叉点的横坐标，纵坐标，及特征点的类型是特征点的角度跟踪结束条件。若被跟踪点的八邻域黑点数等于1且交叉数等于2时如下式(3)，则认为是端点；若被跟踪点的八邻域黑点数等于3且交叉数等于6时如下式(4)，则认为是分叉点；端点的角度取从端点为起点的端线的角度，分叉点的角度取相对最小分支的角度。端线及分支线的角度求法为：即从一个特征的位置出发坐标为搜索到步长为7是最后一点坐标为。见式(5)： （3） （4） （5）求出特征点后，再根据平均纹线距离等信息对

11、所得特征点进行有效性检验，去除伪特征点，保留真特征点。然后以特征点的坐标，及特征点的方向d，结合其邻域情况(邻域内的特征点数、相对位置、脊线上特征点所处位置的纹曲率、特征点邻域内的脊线纹密度等等)，可以构成该指纹细节特征点的特征向量。将所有的特征向量进行筛选后留下50到80个特征向量，构成指纹特征模板。(2) 伪特征点滤除。a若在半径内有个相邻特征点，如果个特征点与中心特征点的结构关系符合上面所述的准则，则是真特征点，保存。如果不符合，需进一步分析，对端点和分叉点分别讨论。b对于端点，判断个相邻特征点种有无短枝、纹线间断伪特征结构，如没有是真特征点。如果有一个或两个，则是伪特征，按照先短枝后纹

12、线间断的顺序进行删除。对于分叉点，判断个相邻结构中，有无毛刺、孔洞、叉连伪特征结构，如没有，则是真特征点。如有一个或多个，是伪特征结构，按照毛刺、孔洞、叉连的顺序进行删除。c对边界特征点的去除，搜索指纹分割时的边缘块，根据块所在的位置，判断特征点离边界的距离，如果小于阈值(一般设为5)，则认为该特征点为伪特征点，应予以删除。(3)中心点定位。先求出指纹图像的点方向，相邻8个灰度值之和的平均值，再求这8个灰度值与平均值之差的和，最小和所在的方向即此点所在指纹脊线的方向，如此得到点方向图。把点方向图分为若干块16×16大小的小块，对每块计算直方图，其峰值方向即为块方向，即每块中点的主导方

13、向。然后在这个粗的块方向图上按照以下原则去搜索中心区域，逐行检查块方向数组。然后再根据求出各个方向的角度以及相邻8个灰度值之和的平均值，再求这8个灰度值与平均值之差的和，最小和所在的方向即此点所在指纹脊线的方向，如此得到点方向图。(4)建立特征模板。特征端点分类为1，特征分叉点分类为2；建立特征端点相对中心点的距离向量，和特征分叉点相对中心点的距离向量；建立特征端点相对中心点的方向向量，和特征分叉点相对中心点的方向向量。定义匹配点PointOfModel（点集合中的特征点）是从输入的指纹图像中提取出来的，另外一个匹配点PointOfMatch（点集合Q中的特征点）则是从指纹图像库中提取出来储存

14、在模板库中的。将两组点集合进行比对。三、利用特征点匹配完成指纹匹配。a.分别读取两个特征点集合中的特征点；b.对特征点进行分类。定义取“1”时，属于特征点端点分类，取“2”时，属于特征点分叉点分类；c.分别计算他们相对于中心点的方向向量和距离向量；d.若两特征点的距离向量之差小于“2”且梁特征点的方向向量小于等于，则认为两特征点匹配；e.若不满足d的条件则认为不匹配，并删除。一般能找到13个相同的特征就可以认为这两个指纹出自同一个手指，但从匹配来看，平均50个特征匹配点会有34个误配，于是将成功匹配点设置为>30个，认为是出自同一个手指。匹配成功的特征点：端点用红色o标注，分叉点用绿色标

15、注o。4本课题主要参考文献1 高婧婧指纹识别预处理算法研究D北京:电子科技大学, 2007.2 陈倩基于细节特征的指纹识别算法研究D武汉:武汉理工大学，2008.3 田纪亚基于Matlab在指纹识别系统中的应用研究D吉林:吉林大学，2008.4 黄韧. 实用指纹识别系统中若干算法的研究及实现D . 上海: 上海大学, 2002.5 罗剑. 指纹图像特征点提取和匹配算法的研究D . 上海: 上海大学, 2002.6 杨庆生. 自动指纹图像分类与匹配方法的研究D . 大连: 大连理工大学, 2005.7 黄轩宇.统计指纹识别系统的研究D .南京:东南大学，2008.8 魏冬冬.指纹特征提取与识别关

16、键技术研究D .北京:.国防科学技术大学，2006.9 Eun-Kyung Yun，Sung-Bae ChoAdaptive fingerprint image enhancement with fingerprint image quality analysisImage and Vision Computing，2006：101110.10 Yi Wang，Jiankun HuA Fingerprint Orientation Model Based on 2D Fourier Expansion (FOMFE) and Its Application to Singular-Point Detection and Fingerprint IndexingIeee transactions on pattern analysis and machine intelligence，2007，29（4）：573585.11 RAVIJ，KBRAJA，VENUGOPALKRF