指纹技术的研究进展

指纹技术的研究进展

指纹是指由指的表面皮肤上的脊柱线和谷线组成的图案。已经使用指纹进行身份识别已经使用了很长一段时间，以满足生物特征识别所需的各种性质，包括普遍性、悠久性和独特性。首先，指纹是通用的，也就是说，每个人都有指纹。其次，合成指纹的序列非常长，并且始终保持不变。第三，任何指纹的细节都是独一无二的。然而，这一指纹的独特性没有得到科学的证实，而是基于观察经验。基于指纹的详细位置模型，假设细节是随机分布的，并且不同组合的指纹的可能性是很低的，以满足实际使用的需要。指纹识别技术正在日常生活的个人身份识别方面得到日益广泛的应用,譬如ID卡、指纹硬盘等.各种指纹识别方法,包括指纹获取、分类、增强和匹配,性能都有了显著的提高.按照用途不同,我们把指纹识别分为两类:验证模式和识别模式.由于指纹识别涉及的通常是海量数据库,因此检测自动指纹识别系统(AFIS)在大规模识别中的性能是非常重要的.AFIS是一个模式识别系统,典型的指纹识别系统包括个体指纹采集、图像增强、特征提取、与数据库中样本比对等步骤.图1给出了指纹识别系统的一般结构.现阶段大部分的AFIS都是基于指纹细节点模型进行身份识别和验证.本文概述了指纹识别领域的最新进展,对每个步骤相关的算法进行总结,特别针对两个重要而有挑战性的问题:低质量指纹的增强和弹性形变指纹图像的匹配进行了深入的探讨.另外,我们还讨论了指纹识别算法的标准评测方法,基于此可以进行全面、客观的识别算法的性能评价.本文首先阐述并比较指纹图像增强相关的各算法,特别讨论低质量图像的增强处理,描述了最普遍的基于细节点模型的特征提取算法.其次列举指纹图像匹配的各种算法,介绍弹性指纹图像匹配算法的进展.最后给出了两种国际指纹算法评测标准FVC2004和FpVTE2003.1特征提取前指纹增强自动指纹识别系统通过比对指纹脊线和谷线结构中的细节特征点来实现个人身份识别.在所有的特征量中,指纹纹线的末梢和分叉细节点,是AFIS最普遍采用的细节特征结构.然而实际上从输入指纹图像中准确的提取特征点是十分困难的.指纹细节点的自动精确提取极大程度上依赖于图像质量.伤疤、与指纹采集仪的不标准接触、采集环境等因素都会导致指纹图像质量的退化.增强算法的主要目的就是提高指纹纹线的清晰度,削弱图像中的噪声.因此,在特征提取前对指纹图像进行增强是很有必要的,它可以提高计算细节点坐标的可信度,是AFIS中最重要的步骤之一.图2描述了大部分指纹增强算法中的主要步骤及处理流程.当然不同算法的具体实现步骤也不同.譬如,Maio等提出一种利用脊线追踪法直接对灰度图像进行增强,省略了二值化和细化步骤.1.1图像索引的传统扩展算法1.1.1指纹图像分割算法分割是图像预处理中的一个重要步骤,它将指纹的有效区域从背景和噪声区域中分离出来.有效区域的分割不仅简化了后续的处理,更显著提高了细节特征提取的可靠性.一般的分割算法是基于方差阈值的.相对于其他区域,有效的指纹区域具有一个较高的方差值.因此,可选取方差阈值作为特征量进行分割.Bazen和Gerez提出了一种基于像素特征的分割算法,采用Rosenblatt感知边缘方法分类各像素.Chen等引入了3种特征量:块聚集度,块均值及块方差实现指纹图像分割.另一类指纹图像分割算法是基于方向场信息的.它的性能依赖于方向场的可靠性,对灰度对比度不敏感.但实际上在脊线不连续的区域或中心点和奇异点附近的区域中,精确的提取方向场几乎是不可能的.基于频域的方法,假定前景及噪声区域内不能保持指纹表面的纹线模式.Fourier频谱中几乎没有对应的能量分布.但是对指纹弹性形变导致脊线间隔不匀的区域,这种算法尚不能很好地处理.融合多种特征来实现适当的分割显然是可行的.由于采用了不同的特征,分割处理存在很多不确定的因素.人们提出了一系列的算法来改进这种情况,如基于D-S证据理论的分割、用Urn模型实现图像分割,Markov模型的分割等等.1.1.2图像归一化处理指纹图像的采集过程是非理想的,很多因素都可能导致沿脊线和谷线的灰度值出现不同程度的扭曲,譬如墨印的密度不同、与采集仪的不均匀接触等.对图像进行归一化可以减少亮度分布的差异,有利于后面的增强处理步骤.Lin等通过将灰度的方差限制到要求范围内来统一图像的密度值.归一化处理中的参数根据图像的均值和方差计算得到.1.1.3方向场的计算任一指纹图像的方向场都可用一个描绘脊线方向的矢量矩阵表示,其中每个元素值都是指纹图像对应像素的局部脊线的方向矢量.它反映了指纹图像的基本信息,是衡量指纹质量的重要因素.在诸多方法中,应用最广泛的方向场计算方法是基于梯度的,利用方向场矢量垂直于梯度矢量的性质计算指纹图像的方向场.它将图像分割成小块,通过计算与块内各像素梯度值垂直的矢量均值估计各小块对应的方向场矢量.而基于模板对比的方法将方向场量化到有限个方向.利用特定的模板来估算块内脊线的方向.与上一种方法相比,它的特点是计算速度较快但计算结果精度不高.指纹图像中存在噪声及被污染的区域,因此有必要对已有的方向场进行后处理.由于局部邻域内脊线方向变化缓慢,用一个低通滤波器进行方向场图像平滑可以有效减少外界的影响.图3显示出一幅原始的指纹图像及其基于梯度的方向场.1.1.4改进的gabo滤波算子由于指纹状况及采集环境是非理想的,指纹图像常常含有随机噪声和粗糙的脊线.为了精确地绘制指纹,有必要去除噪声干扰并用滤波器平滑脊线.依据滤波的实现方法不同,可以将现有的滤波算法大致分为两类:基于空域的及基于Fourier频域的.前者利用指纹的局部特征包括脊线频率和方向,而后者主要是基于脊线整体特征.基于空域的算法通过直接对滤波算子和数字指纹图像求卷积实现带通滤波.其中有代表性的是Lin等提出的一种兼有频率选择性和方向选择性的Gabor滤波算法.但是算法太过耗时而不适合应用.然后人们提出了一些改进的Gabor滤波算法以加快处理过程.Areekul等采用了一系列独立的Gabor滤波器来增强指纹图像.该算法相比传统的Gabor滤波器约快了2.6倍.基于频域的算法通过直接改善原始指纹的频谱来实现滤波处理.由于脊线和谷线间隔几乎等距,指纹图像的能量集中在某个频率附近.Sherlock等提出的方向滤波方法是基于频域的,首先用若干个方向滤波器分别对原有图像进行处理,每一个都在提取某个方向频谱的同时削弱其余方向的频谱值,然后将经方向滤波后的多幅图像融合得到增强后的图像.与Fourier增强相比,基于空域的方法如Gabor滤波比较复杂而且计算占用资源较多.另外,存在其他利用小波变换对整体纹理和局部方向进行多决议分析来提高脊线的清晰和连续性的算法.还有一些双尺度的方法,它们将指纹图像分解成一系列不同尺度的图像,然后分析并融合所有的特征来实现可靠的增强.1.1.5图像的细化处理二值化处理将一幅灰度图像转化为二值图像.它提高了指纹图像中脊线和谷线间的对比度,使细节点的提取变得更方便.二值化的关键问题是选取一个合适的阈值.近年来,普遍采用基于局部适应的阈值的算法来生成二值化图像,它依据每个像素周围的局部图像窗口选择适当的阈值并将该像素判定到前景类或背景类.He等利用方向场可以快速而直接的实现图像二值化.作为细节提取前的最后一个步骤,细化是一种基于形态学的处理方法,它持续腐蚀原有的脊线到一个像素宽为止.标准的细化算法是通过重复执行两次子细化实现的.1.1.6廓跟踪的后处理细节提取步骤中,算法从细化图像中提取局部细节特征点得到指纹的生物特征模式.大部分算法是基于细化后的指纹骨架的.但此类算法占用资源较多,且提取结果中存在很多伪特征,譬如:假细节点或桥等.Chikkerur等提出一种基于链式码轮廓跟踪的特征提取算法.Maio等直接从灰度图像中直接进行细节提取.其主要思想是依据指纹方向场在灰度图像中跟踪脊线来实现细节点提取.Jiang等提高了脊线跟踪算法的自适应性.提取过程可能存在错误,导致丢失真实细节点或错误生成伪细节点.因此选择适当的后处理以提高细节点的可信度是很有必要的.Luo等利用人们在指纹方面的先验知识来处理脊线断裂、搭桥、污损及伤疤等情况,得到更可靠的细节点.Chikkerur等提出的方法主要是基于下述规则:合并相互间距离小于设定阈值且方向相似的细节点;(2)除去指纹图像中感兴趣区域边界的所有细节点;(3)丢弃那些方向和局部脊线方向不一致的细节点,等等.然后我们得到输入指纹图像的细节点模式.图4显示了一幅细化指纹图像中提取的细节点及其后处理的结果.1.2基于局部滤波、局部滤波、低质量指纹的滤波器、滤波器和一般民由于在采集过程中受按压、皮肤状况、采集仪器等各种因素的影响,很容易造成指纹图像质量退化.图5给出了4种低质量指纹图像的例子.AFIS系统的适应性普遍依赖于低质量指纹图像增强的效果和可靠性.指纹增强是影响识别指纹识别系统性能的重要步骤,是指纹识别中至关重要而困难的任务之一.图像质量分析是指纹在线扫描的一个重要成分.由于不满足图像质量标准AFIS拒绝一部分提交的指纹.低质量的脊线纹理、图像的对比度和亮度较差常常导致提取细节点失败.Shen等提出基于Gabor特征的方法来判断指纹图像的质量.研究人员已经采用了各种图像增强算法来改善低质量图像.Shi等提出一种基于边界处指纹突变的特征对边界模糊定位的方法,同时利用增强图像中新的块特征进行分割.Zhou等提出一种基于模型的算法,可以更准确有效的恢复退化的指纹图像.他们采用传统的计算方法得到指纹粗略的方向场,并用光滑的曲线对方向场进行拟合.低质量图像增强处理必须结合一个与输入指纹质量相适应的脊线滤波器以达到更好的效果.Lin等在脊线滤波时假定平行的脊线和谷线呈现理想的正弦平面波形,并伴随若干噪声.与低质量图像的情况不符.Yang等特意依据规则而不是经验来决定算法中的参数,保留了指纹图像的结构并保持了图像增强的一致性.算法可避免因局部脊线方向计算错误而导致的增强效果不佳.Zhu等沿用了Lin的算法,但是采取一个支持曲线的滤波器,并分别调整滤波器的频率和尺寸.这种方法实现了指纹图像的快速增强而且有效地克服了图像斑驳的影响.Khan等提出了一种采用无损伤方向滤波器(DFB)来增强低质量指纹的算法.以上算法中局部估计和纹理滤波在分离的模式下进行,常常导致指纹图像出现斑驳和局部图像特征的估计错误.为了解决这个问题人们提出了另外一种基于非线性扩散的方法.Xie等选取一种图像结构张量特征,它融合了一致增强扩散来处理纹理模式和前后向增强扩散来描绘脊线形状.上述算法利用指纹纹理方向的整体特征来重建低质量图像中断裂的脊线,取得较好的性能.相比于局部脊线信息的不确定性,采集的指纹图像中整体特征保存得更准确.因此,多种基于Fourier频域的脊线滤波器被用于低质量指纹的增强.Willis等提出了一种基于Fourier频域的算法,通过将频谱的幅值迭乘来改善指纹图像的质量.Zhu等结合了上述的两种算法,将每个滤波向量和设置的权值相乘来构造一个新的滤波向量.另外,算法中采用从上到下重复滤波的方法提高结果的有效性.2指纹图匹配算法2.1基于点模式匹配的匹配优化文献中已经提出了大量的指纹识别算法,包括基于点模式的匹配、特征转换、结构匹配及基于图的匹配.很多指纹识别算法[24,25,26,27,28,29,30,31,32,33]是基于细节点匹配的,因为普遍认为细节点是最独特、最可信的特征,它们本质上属于“欧氏”匹配.图6显示了两幅指纹及它们对应细节点间的映射关系.这些匹配算法假定输入指纹及模板指纹间的存在平移、旋转、尺寸缩放等相似变换,且它们可适应限定范围内的伪细节点出现和真细节点的丢失.其中一些改进后的算法可容忍细节点在一个小界限盒内的偏移.但是它们不能处理细节点偏离真实位置较远的形变.Ratha等提出一种基于点模式的匹配,用一般的Hough变换来恢复两幅指印间的位置变换.Chang等基于一般Hough变换的方法将点模式匹配转化为对Hough变换参数空间中峰值的检测.它将Hough参数空间离散化,利用一个结构或特征匹配方法可以提取出联系两个点模式间的变换参数并在Hough空间中累积样本点.但如果只存在少量可利用的细节点,在Hough变换空间内累积足够的样本点以完成可靠匹配是很困难的.而且它很难处理严重形变的情况.Jain等提出一种改进后的松弛算法来降低匹配的复杂度.但是,算法需要反复执行且难以处理严重形变的情况,这决定了其固有的复杂性.有些研究者提出采取能量最小化方法进行点模式匹配[24,25,27,28,29,31].首先基于可能相关性的初始序列定义能量方程,通过它估计一对点序列间的相关程度;选取合适的优化算法譬如遗传算法、神经网络、模拟退火等来达到一种可能的次优匹配.这些算法执行速度非常慢因而不满足实时指纹识别系统的需求.Jain等提出一种基于滤波器的指纹特征表示方法.Jiang等依据定义在局部结构特征间的相似度衡量方法来比对两个模式,并得到两个细节点序列间的匹配分数.Wahab等提出一种利用细节点组来定义局部结构特征的方法.匹配是基于定义在两幅指印间的对应结构特征对.但是这些方法都不能解决非线性形变的问题.有些人提出基于图的算法[一43],本质上是一种拓扑的匹配器.它们容许一般的变换、位置错误、细节点丢失及伪细节点出现.这些算法的性能严重依赖于脊线特征及外部的指纹配准信息的可信度.在半自动指纹特征识别系统中,由于细节点模式的配准及细节点和脊线特征的错误都可以交互式的修正,这些算法表现出优异的性能.但是完全自动的指纹匹配系统不能一直保证正确脊线特征及外部配准信息的可靠性.2.2健全的指纹图像非线性变形检测技术如何处理匹配过程中的非线性形变是一项具有挑战性的工作.以指纹验证竞赛2004(FVC2004)为参考,竞赛中特别强调以下因素:形变,干的和湿的指纹.指纹的形变严重影响了匹配的准确性.指纹形变有两个主要原因.首先,指纹的获取是一个从三维到二维的变形转换过程.指纹采集时不同的接触中心会产生不同的形变模型.由于不同的手指尖形状和柔韧程度区别很大,无法建立一个统一的三维模型对这一个过程作复原.其次,人在采集仪上施加非垂直的压力会引起形变.图7显示了指纹间较大形变的两个例子.最近,人们提出了一些算法来明确处理指纹中的非线性形变以提高匹配的性能.Ratha等提出直接检测出加在扫描仪上的压力和力矩,并在用力过剩时由硬件辅助拒绝采集来减少和控制形变.Dorai等提出的方法对指纹影像中的形变进行检测并估计.但这两种方法都不能作用于已采集的指纹图像.Maio和Maltoni等提出了一个弹性形变模型来处理指纹在线采集的过程中发生的非线性形变,对于理解指纹的形变过程很有帮助.但是由于单独的指纹图像提供的信息有限再加上噪声等因素的影响,自动并可靠地确定该模型中定义的各参数值还存在困难.Senior等通过调整匹配前的弹性形变图像,使脊线等间距分布来提高算法的准确率.但是,现实情况中特别是在脊线断裂,譬如细节点附近或接近指纹边界的区域内,指纹脊线等间距分布的可能性是很小的.Watson等利用适应形变的滤波器来提高指纹相关匹配的性能.通过重复训练和适应形变的MINACE滤波器来优化算法性能.但算法的在线实现存在困难.Vajna等提出一种三角匹配的算法来处理指纹图像大幅度形变的情况.它在图形上展现了较小的指纹的局部形变累积下来,导致了整个图像较大的形变量.Bazen等采用薄板样条模型来描述两个可能匹配的细节点列间的非线性形变.这种方法依据模板图像来规范输入图像,可以得到很准确的细节匹配.Ross等基于薄板样条模型计算出同一手指生成的指纹图像的平均形变量来解决弹性形变问题.Chen等提出一种基于两幅指纹间的注册模型(RP)检测和判决进行指纹验证的算法.将两幅指纹粗略配准,然后利用两幅指纹中注册情况最优的各部分得到指纹可能的注册模型空间.参考实际注册模型空间中的样本分布检测可能的RP.对判定为真的注册模型,采取进一步的精确匹配进行检测.与上述方法不同,Chen1)等基于模糊理论来处理指纹图像的非线性形变.算法引入局部拓扑结构匹配来提高局部配准的适应性.然后采用基于模糊理论和归一化模糊相似衡量的方法计算模板和输入指纹图像的相似度.实验结果显示,算法很好的处理了非线性形变指纹匹配的情况,给出了较传统匹配算法高的匹配分数.3fvc2004基本情况近十几年来,随着自动指纹识别系统的快速发展,建立一个公共的指纹识别算法评测标准和平台变得日益迫切起来.算法开发者可以在此公共的标准和平台上评估他们的算法、比较算法的性能,进一步可以了解指纹识别算法的最新进展.目前在国际上,有两个比较权威的指纹认证和评测方法,指纹识别竞赛(FVC)和商用指纹算法评测(FpVTE).FVC2004(第三届国际指纹识别竞赛)是由来自意大利博洛尼亚大学的Maio,Maltoni,Cappelli,圣何塞州立大学的Wayman,以及密歇根州立大学的Jain等组织的指纹识别算法的国际竞赛,受到了来自世界各国企业和研究机构的普遍关注,并得到了国际指纹业界的认可和接受,具有非常广泛的影响力.自FVC2000开始,竞赛每两年举办一次,FVC2004是第三届.在FVC2000参赛的11家单位中,没有国内的算法.在FVC2002中,共有31个单位参加竞赛,其中有21家公司,6个科研单位.而FVC2004,共有110个参赛单位在其网站上注册,最终有43个参赛单位提交了67套算法.FVC的目标是追踪指纹识别算法的最新进展,包括在学术界和产业界,探讨指纹识别中的最新技术.FVC2004的结果公布在2004年1月8—10日的国际生物识别会议上(ICBA2004),竞赛结果概述了指纹识别领域内的最近进展.与前两届不同的是,FVC2004提供了open和light两种竞赛方式,其中light方式在注册和匹配时间、模板大小以及内存占有方面有比较严格的限制,而open是开放式,有更广泛的适应性.在open类中,增强响应时间限定在10s内,且测试中匹配时间要小于5s.Light算法的计算资源受到了限制,限制条件如下:注册时间<0.5s,匹配时间<0.3s,模板尺寸<2kB,分配的内存量<4kB.算法测试的数据库包括4个不同的指纹库,其中包括用3种不同的指纹采集仪所建立的指纹库和一个用算法生成的指纹库.每个库的指纹尺寸都不相同,包括110个手指,每个手指8幅图像.对每个指纹库,真匹配(来自同一个手指间的图像匹配)的数目是2800次,而假匹配(不同手指图像间的匹配)的数目是4950次.对参加竞赛的每个算法,测试的性能指标包括:注册拒绝率(REJEN