指纹快速匹配算法研究指纹快速匹配算法研究_可变界限盒

1、指纹快速匹配算法研究指纹快速匹配算法研究指纹快速匹配算法研究指纹快速匹配算法研究_ _可变可变界限盒界限盒论文导读:本文设计的指纹匹配算法，以分类时获取的奇异点为参考点对指纹进行定位，利用奇异点特殊邻近结构缩小细节点匹配规模，在可变界限盒的基础上设计合理匹配策略。该方法不仅可以提高计算速度，也能够适应指纹非线性形变的特点，增加算法鲁棒性。在 FVC2000 数据库上的测试结果显示,该算法在保证自动指纹识别系统识别准确性的同时，还使得指纹辨识速度有了显著的提高。论文关键词：指纹，快速匹配，奇异点，可变界限盒0 引言对于大容量的指纹数据库自动识别，不仅要考虑实用的分类技术，也要选择合适的指纹匹配算

2、法。传统的 1:1 验证算法在执行效率方面不能满足现场比对的需要，因此还必须采用兼顾识别率和识别速度的快速指纹识别算法。现有的多数分类方法往往只侧重于数据库分类方面的研究，而忽略了将指纹匹配与分类综合考虑，无法将分类和匹配两种加速手段统一起来，充分发挥速度上的优势以满足自动指纹识别系统实用化的需求。本文综合考虑指纹分类和匹配特点，在大小可变限界盒的基础上提出了一种基于分类信息的快速指纹识别算法。该方法将指纹连续分类用到的奇异点邻近结构用到指纹匹配中，通过邻近结构限制细节点对的选择，在分类信息的基础上进行细节点对匹配。匹配主要有 3 个步骤：首先，以分类中获取的奇异点为基准点对指纹图像进行定位可

3、变界限盒，利用奇异点特殊邻近结构缩小细节点匹配规模；其次，根据可变限界盒大小设计细节点匹配分数，能适应指纹非线性形变的特点；最后，利用细节点匹配分数计算参考点可能的调整位置，为二次匹配提供信息，不仅可以提高计算速度，也能够增加算法鲁棒性。1 细节点匹配顺序构造奇异点邻近结构参考时鹏等人1提出的奇异点邻近结构，如图 1 所示。以圆心 R、为半径作个同心圆，其中，圆心参考点取分类时获取的奇异点, 是预定义的半径值，单位为像素的个数。个同心圆环将指纹参考点的邻近区域分为个子区域，将第个圆环记为第 档，这样奇异点邻近区域中的细节点就分布在这个分档之中论文开题报告范文。同心圆的数量根据不同指纹数据库中图

4、像的性质,通过实验找到最优值。根据上述规则，就构成了不仅便于指纹连续分类提取采样点，又能够实现快速比对的奇异点邻近结构1。图 1 奇异点邻近结构图第档中细节点定义为：，其中。分别表示细节点相对于参考点的半径，极角，相对于参照点的细节点方向，定义如公式(1)所示。将细节点用极坐标方向表示，可以避免指纹采集时由于手指的旋转带来的干扰。是细节点所在的分档号，是细节点到基准点之间的纹线切割数目，对于图像的平移和旋转，属性具有不变性可变界限盒，也不易受非线性形变的影响。(1)(2)比较输入指纹与模板指纹参考点方向，在每一个输入细节点方向上统一调整旋转角度，定义如公式(2)所示。然后将 M 个输入细节点和

5、 N 个模板细节点分别按照分档号，每档极角由小到大，螺旋递增顺序排序，并连接成串,如图 1 所示。指纹的匹配细节点顺序可表示如下：。则指纹识别算法就变为集合的细节点间的匹配。2 可变界限盒方法指纹细节点的匹配采用罗西平2提出的可变界限盒来进行，如图 2 所示。当待匹配的细节点对落在可变界限盒内，认为这两个细节点匹配，否则认为不匹配。指纹的非线性形变特点：在极径较小的细节点周围，小的形变可以造成大的极角改变；而极径较大的细节点周围，形变不易造成大的极角改变量。可变界限盒就是根据指纹的这种非线性形变设计。图 2 可变界限盒3 快速指纹匹配算法匹配过程中，利用细节点结构特征，设置条件可以减少不可能相

6、似的细节点对进行匹配；设置条件排除明显不相似的细节点对继续细节匹配。满足这两个条件的细节点对继续采用大小可变限界盒的方法来进一步匹配。这样可以极大地减少模板中细节点对进行匹配的数量，从而降低匹配算法的计算量，使匹配速度得到显著提高。基于分类信息的快速指纹匹配算法具体描述如下：上面 condition1 和定义如公式(3)和(4)所示，代表细节点间的相似程度。(3)(4)(4)式中的和分别是可变限界盒的极径和极角边界论文开题报告范文。其中(5)(6)第 4)步中的和定义如下(7)(8)其中，(9)匹配分数描述了输入指纹与模板指纹的相似性，当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同一

7、个指纹；否则，为了容忍由于指纹质量或者前期预处理算法不精确带来的误差，设置第二个阈值，将匹配分数落在里的模板指纹，按照由小到大的顺序保留个到堆栈里可变界限盒，保留信息包括匹配分数、新参考点相对平移量和旋转量。当输入指纹与指纹库中所有模板指纹一一比较，没有找到匹配指纹时，按照匹配分数由大到小的顺序，提取堆栈中储存的相对平移量和旋转量信息，调整参考点位置，重新提取输入指纹各细节点相应属性，按上述匹配算法再次匹配，此时初次匹配步骤(3)修改如下：if ,则输出两枚指纹匹配，else 输出两枚指纹不匹配。4 实验结果分析在 FVC2000 DB1 指纹库中对论文的基于分类信息的快速匹配算法进行性能测试

8、，实验运行环境为：Pentuim(R)D 2.8GHz CPU 896MB 内存的台式机，使用Window XP 操作系统，VC+6.0 编程软件实现上述算法。测试规则如下：将每个手指的 8 幅指纹图像两两匹配，共进行 10(87)/2=280 次真匹配，假匹配采用所有手指的编号为 1 的指纹图像两两匹配，共匹配(109/2)=45 次，测试中的阈值使用，测试性能如图 3 所示。图 3 匹配算法的性能分析图主要测试指标为 FMR，FNMR，EER，FMRl00，FMRl0005-6 ，具体数据如表 1所示。表 1 匹配算法的性能指标EER 是 FMR 和 FNMR 能够同时取得的最小值，Avg

9、 Enroll Time 指生成指纹特征模板的平均时间可变界限盒，包含图像预处理，图像增强的处理时间；AvgMatch Time 是指纹特征模板之间的匹配时间。从算法的主要性能指标可以看出，该匹配方法性能较好。5 结论本文重点研究指纹的匹配，将指纹分类时采用的特征点邻近结构引入到指纹的匹配模板中，同时增加细节点与参考点间的脊线数目属性，利用这两个制约因素减少参与匹配的细节点数目，降低运算量，提高匹配速度。从实验结果看，该匹配方法性能较好，并且还有很大提升空间。影响上述匹配算法性能的主要因素有7-8：预处理算法，能够保证匹配的准确性；参考点定位方法，FVC2000 DB1 指纹库中均为活体指纹，

10、采集时发生的严重位移无法有效定位参考点，反映到数据上就是 EER，FMRl00 和 FMRl000 都较高。针对这两个因素，可以继续研究以便能够进一步提高这种匹配方法的性能。参考文献1时鹏,田捷,苏琪,杨鑫.基于奇异点邻近结构的快速指纹识别J.软件学报.2008,19(12).2罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法J.软件学报.2002,13(5）.3田捷，杨鑫等，生物特征识别技术理论与应用M.清华大学出版社,2009.4杨利敏.图像特征点定位算法研究及其应用D.上海交通大学博士学位论文.2008.5http:/bias.csr.unibo.it/fvc2002/.2002.6

11、http:/bias.csr.unibo.it/fvc2000/.2000.7张莹.基于大规模指纹库的指纹识别算法研究D. 天津大学硕士学位论文.2007.8翁大伟.指纹图像奇异点检测算法研究D. 山东大学硕士学位论文.2009.(7)(8)其中，(9)匹配分数描述了输入指纹与模板指纹的相似性，当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同一个指纹；否则，为了容忍由于指纹质量或者前期预处理算法不精确带来的误差，设置第二个阈值，将匹配分数落在里的模板指纹，按照由小到大的顺序保留个到堆栈里可变界限盒，保留信息包括匹配分数、新参考点相对平移量和旋转量。当输入指纹与指纹库中所有模板指纹一一比

12、较，没有找到匹配指纹时，按照匹配分数由大到小的顺序，提取堆栈中储存的相对平移量和旋转量信息，调整参考点位置，重新提取输入指纹各细节点相应属性，按上述匹配算法再次匹配，此时初次匹配步骤(3)修改如下：if ,则输出两枚指纹匹配，else 输出两枚指纹不匹配。4 实验结果分析在 FVC2000 DB1 指纹库中对论文的基于分类信息的快速匹配算法进行性能测试，实验运行环境为：Pentuim(R)D 2.8GHz CPU 896MB 内存的台式机，使用Window XP 操作系统，VC+6.0 编程软件实现上述算法。测试规则如下：将每个手指的 8 幅指纹图像两两匹配，共进行 10(87)/2=280

13、次真匹配，假匹配采用所有手指的编号为 1 的指纹图像两两匹配，共匹配(109/2)=45 次，测试中的阈值使用，测试性能如图 3 所示。图 3 匹配算法的性能分析图主要测试指标为 FMR，FNMR，EER，FMRl00，FMRl0005-6 ，具体数据如表 1所示。表 1 匹配算法的性能指标EER 是 FMR 和 FNMR 能够同时取得的最小值，Avg Enroll Time 指生成指纹特征模板的平均时间可变界限盒，包含图像预处理，图像增强的处理时间；AvgMatch Time 是指纹特征模板之间的匹配时间。从算法的主要性能指标可以看出，该匹配方法性能较好。5 结论本文重点研究指纹的匹配，将指

14、纹分类时采用的特征点邻近结构引入到指纹的匹配模板中，同时增加细节点与参考点间的脊线数目属性，利用这两个制约因素减少参与匹配的细节点数目，降低运算量，提高匹配速度。从实验结果看，该匹配方法性能较好，并且还有很大提升空间。影响上述匹配算法性能的主要因素有7-8：预处理算法，能够保证匹配的准确性；参考点定位方法，FVC2000 DB1 指纹库中均为活体指纹，采集时发生的严重位移无法有效定位参考点，反映到数据上就是 EER，FMRl00 和 FMRl000 都较高。针对这两个因素，可以继续研究以便能够进一步提高这种匹配方法的性能。参考文献1时鹏,田捷,苏琪,杨鑫.基于奇异点邻近结构的快速指纹识别J.软

15、件学报.2008,19(12).2罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法J.软件学报.2002,13(5）.3田捷，杨鑫等，生物特征识别技术理论与应用M.清华大学出版社,2009.4杨利敏.图像特征点定位算法研究及其应用D.上海交通大学博士学位论文.2008.5http:/bias.csr.unibo.it/fvc2002/.2002.6http:/bias.csr.unibo.it/fvc2000/.2000.7张莹.基于大规模指纹库的指纹识别算法研究D. 天津大学硕士学位论文.2007.8翁大伟.指纹图像奇异点检测算法研究D. 山东大学硕士学位论文.2009.(7)(8)其中

16、，(9)匹配分数描述了输入指纹与模板指纹的相似性，当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同一个指纹；否则，为了容忍由于指纹质量或者前期预处理算法不精确带来的误差，设置第二个阈值，将匹配分数落在里的模板指纹，按照由小到大的顺序保留个到堆栈里可变界限盒，保留信息包括匹配分数、新参考点相对平移量和旋转量。当输入指纹与指纹库中所有模板指纹一一比较，没有找到匹配指纹时，按照匹配分数由大到小的顺序，提取堆栈中储存的相对平移量和旋转量信息，调整参考点位置，重新提取输入指纹各细节点相应属性，按上述匹配算法再次匹配，此时初次匹配步骤(3)修改如下：if ,则输出两枚指纹匹配，else 输出两枚指

17、纹不匹配。4 实验结果分析在 FVC2000 DB1 指纹库中对论文的基于分类信息的快速匹配算法进行性能测试，实验运行环境为：Pentuim(R)D 2.8GHz CPU 896MB 内存的台式机，使用Window XP 操作系统，VC+6.0 编程软件实现上述算法。测试规则如下：将每个手指的 8 幅指纹图像两两匹配，共进行 10(87)/2=280 次真匹配，假匹配采用所有手指的编号为 1 的指纹图像两两匹配，共匹配(109/2)=45 次，测试中的阈值使用，测试性能如图 3 所示。图 3 匹配算法的性能分析图主要测试指标为 FMR，FNMR，EER，FMRl00，FMRl0005-6 ，具

18、体数据如表 1所示。表 1 匹配算法的性能指标EER 是 FMR 和 FNMR 能够同时取得的最小值，Avg Enroll Time 指生成指纹特征模板的平均时间可变界限盒，包含图像预处理，图像增强的处理时间；AvgMatch Time 是指纹特征模板之间的匹配时间。从算法的主要性能指标可以看出，该匹配方法性能较好。5 结论本文重点研究指纹的匹配，将指纹分类时采用的特征点邻近结构引入到指纹的匹配模板中，同时增加细节点与参考点间的脊线数目属性，利用这两个制约因素减少参与匹配的细节点数目，降低运算量，提高匹配速度。从实验结果看，该匹配方法性能较好，并且还有很大提升空间。影响上述匹配算法性能的主要因素有7-8：预处理算法，能够保证匹配的准确性；参考点定位方法，FVC2000 DB1 指纹库中均为活体指纹，采集时发生的严重位移无法有效定位参考点，反映到数据上就是 EER，FMRl00 和 FMRl000 都较高。针对这两个因素，可以继续研究以便能够进一步提高这种匹配方法的性能。参考文献1时鹏,田捷,苏琪,杨鑫.基于奇异点邻近结构的快速指纹识别J.