指纹识别的探索

指纹识别技术探讨指纹识别技术的基础与原理指纹识别技术的应用指纹识别技术的一些具体算法指纹识别技术的基础与原理指纹识别技术的背景指纹特征的定义与提取指纹取象技术指纹识别前的预处理指纹的匹配指纹识别技术的背景特征识别是指生物特征识别,目前有指纹、声纹、签字动态、掌(手)形、掌纹、眼纹(虹膜、视网膜血管 图形)、DNA、击键动态、面部特征、唇纹、人体气味、影像等。19世纪末20世纪初,科学研究发现了指纹的两个重要特征:一是唯一性,两个不同指纹纹脊的式样不同;二是不变性,指纹纹脊的式样终生不变。从而揭开了指纹技术研究和应用的序幕,为上述问题的彻底解决提供了新思路.指纹识别技术的背景人手的指纹即为手指皮肤上的花纹,它是人的一种生物特征。该特征具有独特的性质,其花纹的细节由细微纹点和纹脊的起点、终点、分叉、结合等组成。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几率几乎为零,这就构成了指纹的第一大特点。指纹特征的另外几大特点是:

不变性——即指纹的图案永远不会改变;与主体永不分离性——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,可以独立或者通过联网构成系统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。指纹特征的定义与提取通常可通过指纹的两类特征进行验证:总体特征和局部特征.在考虑局部特征的情况下,英国E.R.Herry认为,只要比对13个特征点重合,就可以确认是同一个指纹.指纹特征的定义与提取总体特征总体特征指那些用人眼直接就可观察到的特征,包括如图1所示.图1指纹总体特征Fig1Fingerprintoverallfeature指纹特征的定义与提取其它的指纹图案都是基于此3种基本图案.这只是一个粗略的分类,通过详细分类可使在大数据库中搜寻指纹更为便捷,如图2图2指纹图案细分表Fig

2Classificationoffingerprintpictures指纹特征的定义与提取局部特征局部特征即指纹上节点的特征,这些具有某种特征的节点称为特征点.两枚指纹经常会具有相同的总体特征,但它们的局部特征——特征点,却不可能完全相同.指纹纹路并不是连续、平滑笔直的,而是经常出现中断、分叉或打折.这些断点、分叉点和转折点就称为“特征点”:就是这些特征点提供了指纹唯一性的确认信息.指纹上的节点有4种不同特性.指纹特征的定义与提取表1指纹特征点分类表Table1Classificationoffingerprintfeaturepoint指纹特征的定义与提取①特征点的类型.特征点有多种类型,如表1,最典型的是终结点和分叉点;②方向(orientation).节点可朝着一定的方向;③曲率(curvature).描述纹路方向改变的急剧程度;④位置(position).节点位置通过(x,y)坐标来描述,可以是绝对的,亦可相对于三角点或特征点.指纹取象技术指纹取像技术有多种,目前按原理可分成2大类:光学取像技术和非光学取像技术.相应的指纹取像设备主要有扫描仪、数码相机和活体指纹摄入仪等.扫描仪和数码相机采用光学取像技术.扫描仪把卡片或照片上的捺印指纹转化成灰度图像;数码相机适于将现场实物上的指纹转化为图像;活体指纹摄入仪结合了光学取像技术和非光学取像技术.活体指纹摄入仪可直接从人的手指上获取指纹图像.指纹取象技术光学取像技术光学取像技术是目前常用的可靠性好的指纹取像技术.它的历史最长,始于70年代.光学取像技术分2类:(1)扫描仪和数码相机使卡片或照片上的捺印指纹或现场实物上的指纹印迹直接被取像设备中的光电耦合器件(CCD)获取,并经数字化器件转换得到数字化图像指纹取象技术(2)光学活体指纹摄入仪利用了光的全反射原理.即当光源照到按有手指的玻璃棱镜表面时,入射光经玻璃射到指纹纹谷后,在玻璃与空气的界面发生全反射,反射回CCD的光强损失很少.而射向指纹纹脊的光线不发生全反射,被纹脊与玻璃的接触面吸收或者发生漫反射,这样反射回CCD的光强就大大减弱,因此纹谷和纹脊的不同反射光强由CCD获得并被数字化器件转换为灰度图像.反射光强的损失受压在玻璃棱镜表面指纹的纹脊和纹谷的深度,以及皮肤与玻璃之间的油脂和水分的影响.指纹取象技术非光学取像技术非光学取像技术目前主要有2类:半导体传感器取像和超声波扫描取像.半导体传感器取像技术半导体取像传感器是最近几年才出现的,主要有:(1)硅电容传感器.(2)半导体压感式传感器.(3)半导体温度感应传感器.超声波扫描取像技术超声波扫描技术[8]被认为是指纹取像技术中最好的一种,但在指纹识别系统中还不多见,还处于实验室阶段指纹识别前的预处理在指纹自动识别过程中,输入的指纹图象由于各种原因的影响,是一幅含噪音较多的灰度图象,预处理的目的就是去除图象中的噪音,把它变成一幅清晰的点线图,便于提取正确的指纹特征.预处理是指纹自动识别系统中的第一步,它的好坏直接影响着指纹识别的效果.因此我们有必要对预处理作一下介绍.指纹识别前的预处理预处理过程概述指纹预处理的一般工作过程下图所示.由图可以看出,预处理是分五步进行的:灰度滤波,二值化,二值滤波,细化,细化后的去噪.指纹识别前的预处理灰度滤波的目的是对输入的噪音较多的灰度图象进行滤波,去除图象中的叉连、断点及模糊不清的部分,得到一幅较清晰的灰度图象;之后对这幅灰度图象进行二值化,把它变成一幅二值指纹图象;由于灰度去噪的不完全性及二值化时又可能引入噪音,所以对二值化后的指纹图象还需进行一次去噪操作,得到清晰的二值指纹图象;而后把这幅清晰的二值指纹图象通过细化变为点线图,即指纹图中的脊线都以点线(宽度为1的线)的方式表示;由于前面滤波去噪的不完全性及细化算法本身可能引入的噪音,因此,细化后的指纹图还需进行一次滤波操作,以得到一幅清晰的点线图,这幅点线图供以后的特征提取使用.指纹识别前的预处理由上面的介绍可以看到,在预处理的过程中我们采用了三次滤波操作:灰度图象滤波、二值图象滤波和细化后图像的滤波,这主要是为了彻底去除图象中的噪音,减少人工干预,同时也提高了系统对模糊不清、残缺不全的指纹图象的处理能力.通过这种渐进的滤波形式,输出的点线图基本上不含任何噪音(对比较清晰的指纹图象而言),因此为以后的特征提取、匹配等操作打下了良好的基础.具体的的每一步(灰度滤波、二值化、二值滤波、细化、细化后的滤波)此处就不再介绍.指纹的匹配指纹匹配是指从已有的指纹集合中找出与待识别指纹图象来自同一手指的指纹图象的过程。指纹匹配是自动指纹识别系统中最关键的一步,一类是基于图形的匹配方式;另一类是采用人工神经网络的方法。图形匹配是针对纹线几何形状和特征点的拓扑结构的匹配方式。它的原理是采用相似变换的方法把两个细节点集中相对应地点匹配起来。它可以在一定程度内允许少量伪特征点的存在、真正特征点的缺失以及轻微的特征点定位偏差,对图象的平移和旋转也不敏感。但这种方法有两个不足之处:一是匹配速度比较慢;二是对指纹图象的质量要求比较高,低质量的图象匹配效果不佳。采用人工神经网络的方法有很多,这里不再介绍。指纹的匹配指纹匹配算法的准确性和速度是检测系统性能的两个主要指标。由于图象录入时的随机性和特征提取技术的不完善性等客观问题的存在，使得指纹比对技术的实现存在很大的技术难度。关于这个方面又有好些论文专门介绍，此处不再详述。指纹识别技术的应用应用系统利用指纹识别技术可以分为2类,即验证(Verification)和辨识(Identification)。验证就是通过把现场采集到的指纹与己经登记的指纹进行一对一的比对(onetoonematching),来确认身份的过程。辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比,从中找出与现场指纹相匹配的指纹。指纹识别技术的一些具体算法关于指纹识别的算法有很多，比如有：基于形态学和结构图表的指纹识别，基于脊线采样的指纹识别，一种基于方向场和细节特征匹配的指纹识别等等。下面我简单介绍一下一种基于模糊判别的指纹识别算法。基于模糊判别的指纹识别算法过去人们对指纹识别做了很多研究。Isenor等指出了一种用图匹配来对两幅指纹图像进行匹配的方法。Hrechak等用结构匹配来做指纹识别。但目前最常用的方法是用美国联邦调查局(FBI)提出的细节点坐标模式来做细节匹配。此外,Ranade等的松弛算法,Chang等的基于二维聚类的快速算法,Jain等的串匹配算法,以及Luo等针对Jain等的算法所提出的改进算法等,都曾用于指纹的识别。利用模糊判别技术从另外一种角度改进了Jain等提出的指纹匹配算法,增强了指纹识别系统抵抗噪声和非线性形变的能力,在一定程度上解决了Luo等在实验过程中所遇到的问题。基于模糊判别的指纹识别算法算法描述：基于模糊判别的指纹识别算法由两部分组成:一是根据样本库建立各细节点特征库;二是基于细节特征库利用模糊判别的方法对待识别指纹图像进行识别。目标分割采用简单的二值分割法;细节特征提取采用细节点坐标模式。基于模糊判别的指纹识别算法细节点特征库的建立假设样本库中共有C个手指的指纹图,每个手指用N个细节点特征来描述,每个手指有L幅指纹图(每幅指纹图不限制位置和方向),每幅指纹图提取出的细节特征值记为Pijk(i表示是哪个手指,j表示细节特征序列号,k表示是哪幅指纹图)。现以每个手指的特征均值和方差来表述该手指,即每个手指对应一个确定的均值和方差矢量,设第i个手指的细节特征的均值和标准差矢量为M(i),V(i),即基于模糊判别的指纹识别算法M(i)=[mi1,⋯,mij,⋯,miN],V(i)=[vi1,⋯,vij,⋯,viN],这样,有C个手指的指纹图模型库将为{M(i),V(i)},i=1,2,⋯,C。基于模糊判别的指纹识别算法模糊判别在判别过程中,由于特征值的变化是随机噪声等因素引起的,可以把特征值的波动视为一种高斯分布。根据高斯分布的性质,特征值离均值3倍标准差以外的概率几乎为0。这样当识别指纹时,如果待识别的指纹图与样本库中的某手指指纹相匹配,那么该指纹的每个细节特征值均应落在样本库中某手指的指纹细节特征均值的3倍标准差以内.在定义所要识别的指纹图对于样本库中的某手指指纹的隶属度时,先逐个按特征计算指纹图归属于样本库中某手指各幅指纹图的隶属度,以后再以已算出的一组隶属度中的极小值作为被识别指纹图对样本库中某手指的隶属度。根据实验结果确定隶属度的阈值,在识别时,若样本库中获得极大隶属度的那个指纹大于所设阈值,则认为该指纹图与被识别的那个指纹图相匹配。基于模糊判别的指纹识别算法假设有C个手指的指纹图样本模型库,现讨论对待识别指纹图Q的模糊判别过程。将待识别指纹图Q的特征记为矢量FQ,FQ=[fq1,⋯,fqj,⋯fqN]如果该指纹图与样本库的第i个手指相匹配,FQ虽具有不变性,但由于随机因素的影响,FQ不可能恒等于i第个手指指纹的均值矢量M(i),而是以高斯分布的形式集中在M(i)周围。FQ的每个分量fqj应集中在各自的mij的附近,但也可能在其他mrj(r≠i)附近,这就是fqj的不确定性,由其作识别也就带来了识别的不确定性。现在用fqj定义待识别指纹图属于手指r的隶属度drj,则基于模糊判别的指纹识别算法上述隶属度drj在0～1之间。如该指纹图与样本库中的手指i匹配,则FQ每一分量均应在M(i)对应分量的周围,即在逻辑上是一种与的关系,这就可以定义该待识别指纹图与样本库中的手指i相匹配的隶属度为Di=min(dIj)(1≤j≤N)。同样求得该待识别指纹图属于样本库中每个手指的隶属度,最后在作识别归属判别时,只要样本库中获得极大隶属度的手指的隶属度大于给定阈值,则认为待识别指纹图属于样本库中获得