【《指纹识别算法的实现分析案例》4300字】

指纹识别算法的实现分析案例目录TOC\o"1-3"\h\u283011.1指纹分割算法 1211841.2指纹增强算法 3294141.2.1点方向求取 3146321.2.2方向增强滤波器设计 529321.3指纹细化算法 566001.4指纹特征值提取算法 6168491.1.1特征点提取 6267751.1.2特征点去伪 740521.5特征值构建算法 779031.6特征值匹配算法 97461一.初匹配 913068二.次匹配 9指纹识别系统一般是基于预处理的，主要涉及分割、增强和细化。改进了由原本不完整的指纹图像造成的噪声，包括特征的提取和比较，本章介绍了指纹识别的过程并开发了适用于硬件上的算法。1.1指纹分割算法在指纹传感器记录的指纹照片中，指纹填充的程度不同，使识别有效区域不同。因此，下一步处理的重点是实际指纹区域。指纹分离算法采用了两种算法，一种是基于灰度图像的特性，另一种是基于图像的方向信息，特别是灰度级的简单快速算法，但是在不同的图像大小上，效率不够，将谷线的清晰度和细微差别与像素分开。采用基于色散和色散梯度的自适应分离算法。作为全局阈值，算法简单，易于实现，效果良好。具体步骤如下：1.将指纹图像根据图像的大小分为（256x256)的小块，为了方便演示，本文划分为8x8的小块；2. 按照式4-1与4-2分别计算每个块图像的方差，其中mean代表块均值，代表图像像素点值，var代表块方差;（4-1）（4-2）3. 将其按照式4-3、4-4、4-5求各点梯度，边界设置为0;m、n为行、列数;（4-3）（4-4）（4-5）1. 将其与梯度矩阵按式（4-6）点乘;f(m,n)=var(m,n)•G(m,n)（4-6）5.将计算所得的矩阵均值的1/8作为全局阈值T，如下式4-7；（4-7）6.对矩阵所有像素与阈值做比较，大于阈值为前景，小于为背景，置0；7.用滤波器进行背景分割，但在这一过程会出现一些孤立区域。在对这些孤立区域进行后处理后对所有块进行平滑。通过算法，将区域设置为前景块或背景块。8.依据背、前景块对原图进行分割处理。9.计算边界值是存储在提取模块中的特征值的自身值过滤算法。计算指纹的行和列的边界，包括每一行的开始和结束地址。10.成功完成指纹分割。1.2指纹增强算法指纹增强的目的是消除图像噪声，最大限度地提高图像的对比度，提高可修复指纹的质量，可以提高指纹提取的精度，保证指纹的光谱质量，消除虚假特征。改善结构和视觉效果。增强算法的目的是简单计算指纹的方向，然后选择合适的滤波器样本来增加像素的方向值，从标准行开始计算，是一种简单、快速的方法，取得了明显的效果。1.2.1点方向求取点方向增强分两步：（1）计算方向场；（2）根据点的方向选择不同的过滤格式。方向场的计算主要是Sobel梯度算子计算，Mehrtre等人（使用航向模型计算周围区域的灰色特征）从块照明开始修改了第一个算法。计算单元方向的令人满意的转换，加上滤波处理，第二种算法是基于9x9模型，根据打印文本对像素进行定向，然后计算不同的MxM块和块中的点数。最后，使用相邻滤波器带来消除噪声。（4-8）m表示块大小，0表示块方向，GY(ij）表示指纹像素的水平和垂直梯度，加、减、乘、除和反演算法复杂，最后一组2-7方向公式的方向计算公式表明，Arkansen算法的划分和实现需要大量的时间和技术资源。图4-1点方向模板图4-1所示为求像素点的方向模板，将中心像素点周边划分为8个方向，以推断可能的脊线走向；具体计算步骤为：(1)求出四个像素点灰度值的平均值;(2)将8个方向分成四组，两两垂直，计算其均值差的绝对值;（4-9）其中最大的一组为其脊线方向；(3)下式4-9求当前像素点*的脊线方向;（4-9）其中D*为点的方向符号。(4)按照（1)〜（3)的步骤遍历整个指纹图像,求出所有像素点方向;(5)将其余边界行列点均置为方向0;图4-2指纹原图的局部纹理结构从指纹纹理的性质可以看出，脊线像素具有相似的值，但点的灰度值相对不同，指定凸轮和凹槽方向变化最小，边缘方向为0，根据指纹的梳理和纹理，纹理方向变化最小，这更好地反映了当前点或纹理方向，因此确定点方向的方法是模型方向的最小方差。根据上述方法计算指纹模型后，将256x256点图像分为8x8个非重叠块，在每个元素的直方图点模型中，以该点的最大值作为块的参考点，所有的子区域地址都有32x32的方向图，噪声对模型的影响最终在3x3附近消除。1.2.2方向增强滤波器设计在不同算法的增强步骤上，合理的增强模板决定了增强后的处理效果，方向滤波器的设计原则为：(1)尺寸大小合理，偏大或偏小的尺寸都会导致模板计算的效果欠佳，符合标准；(2)模板尺寸的长度必须为奇数，并且须为中心对称；(3)争强指纹脊线和谷线的对比度和清晰度，做二值化处理；(4)模板系数和为0。1.3指纹细化算法为了快速准确地提取指纹图像中的功能点，需要在指纹脊线上建立一个单独的像素骨架。在提高处理效率且并不破坏脊线走向的前提下，细化算法的原则为：(1)收敛性：细化算法具有收敛性；(2)连通性：维持指纹图像的原来纹路，保持原来的纹线的连接与走向；(3)拓扑性：保持纹线脉络，使纹线不被分化；(4)保持性：细化后的细节特征不变；(5)细化性：细化处理后的纹线骨架为单像素；(6)中轴性：只保留骨架，尽量使骨架在中轴上；(7)快速性：计算次数少。现在，许多算法都能准确地提取指纹，这基本上是两种方法的比较和补充，两种方法都分为顺序并行算法：将顺序操作的每个结果与前一个事务的结果进行比较，并将结果与前一个事务的结果进行比较。当前计划的结果，根据上一个事务的结果确定当前并行增强算法；连续校正算法依赖于当前像素管理器，不维护或删除像素的显示顺序，同时优化算法验证所有像素处于相同的条件和方向，因此并行算法优先于连续算法。目前使用的详细算法都是并行的，如OPTA、Hall、Zhang和Sun算法以及ZR细度算法。OPTA算法是一种典型的基于模板的精细打印算法。王家隆建议对图像模型进行改进，虽然在提高OPTA快速算法的细节和质量方面取得了很大的进展，但仍存在许多毛刺效应，如模型的改进、毛细管细度的降低等。提高模型的质量，提高模型的去除率和保存率。1.4指纹特征值提取算法指纹图像中特征分为全局特征点和局部特征点。前者可直观感受；后者须通过特殊处理得到，如端点、断线、环形、短线等。本文用端点和分叉点作为特征点。1.1.1特征点提取特征点提取的方法为基于细化指纹图像提取，该方法计算并不复杂且噪声小。经过精细提取后，有两种典型的方法：八邻域算法和像素交叉算法两种，使用八邻域算法计算当前点的八个四分之一中的第一个，4-10式中S(p)；最后一种类型定义当前点的类型，并计算下一个点与当前点四分之八之间的差值。以前，公式4-11，C(p)为交叉数；八个领域点。（4-10）（4-11）图4-3八邻域像素交叉法细化的指纹图像只有三种纹线点:(1)S(p)=l,C(p)=l，该纹线点为端点； (2)S(p)=2,C(p)=2,3,4,该纹线点为连接点；(3)S(p)=3，C(P)=3,该纹线点为分叉点。关于特征点，本文采用八邻域相交法提取，并结合先进的算法，得到一个点的方向，利用分割算法得到边界条件，点用8位二进制数表示：特征从8位到函数类的第5位表示，1是分叉点，0是端点；方向是2点到4点；前者保留编辑，其余6-8位为0；如果这个点是连续的，或者不是纹线点，那么它就用00000000表示。1.1.2特征点去伪去伪属性是指从提取点去除虚假特征的属性，目前有两种去伪属性的方法：一种是恢复精细的属性，以消除因错误的背、桥、毛刺造成的错误。另一个用于消除虚假的属性、桥接和毛刺造成的错误。去除伪特征结构的主要原则为：(1)毛刺的删除：对于每个点，检查文线以计算步长。如果一步的距离小于T，如果发现另一个点是否会有毛刺，这两个点是额外的点，将被删除。(2)假桥的删除：如果设置了一个附加点，如果步长小于T2，则桥被视为缺失的附加元素。(3)岛屿的删除：步长距离设为T3。(4)断脊与断脊的删除：若纹线端点的距离小于T4，且其方向值方差几乎为0，则视为伪特征点。在上述原理和算法的基础上，本文采用模型搜索的方法来消除伪特征，如果中心是一个单点，且周围还有其他点，则将其视为伪特征点并删除。将八位二进制数的第一位标示为1，视为伪特征点。1.5特征值构建算法存储模式下的指纹识别系统中包含的指纹模型应保留，以便后续识别和通信；结合本表中使用的指纹识别与比较算法，本表采用的设计方案是：当前点类型信息+三个相邻点，须调用其特征表达图的特征值结构信息，信息表的点拓扑结构图如图4-4示。图4-4息表达的点拓扑结构图针对当前特征点周围邻域的其他特征点的搜索开始扫描，上述描述的算法中扫描的最大距离为50;扫描邻域周围特征点的个数；II((x+m,y-i))表示扫描到的特征点表达图中的像素点；不同邻域特征点的数据将存于64位二进制数不同的位中，见图4-5示。图4-5三邻点相对中心点数据格式由上表可知，拓扑图特征信息须计算三点的夹角，且还要有三点的距离；如图4-6所示，夹角可由公式（4-12）计算得到，边的距离由公式(4-13)，（4-14）计算得到。图4-6三点坐标距离图（4-12）（4-13）（4-14）1.6特征值匹配算法指纹特征的重要性与模型数据库中的指纹特征相一致，以确定系统数据库中是否存在指纹。采集的每个指纹样本在不同的情况下都可能发生变化由于采集区域的位移、旋转角度、结构变形等不同，需要快速比较指纹，结果准确，但算法复杂，无法满足实时性。随着指纹识别技术的发展，指纹匹配算法得到了广泛的研究。主要有两种算法：一种是基于模式匹配的算法，包括匹配电路和点模式匹配模型；第一种算法基于指纹几何。均匀点模型的基本原理是在指纹之间寻找一个点，最终的识别结果来自于两个指纹点的比较。一.初匹配先找到参考点（三角形点或中心点）。利用邻域点间的关系确定特征向量的数据集。首先，根据最大相似性确定参考点。二.次匹配根据初匹配寻找的参考点，用极坐标进行参数变换，变换公式为式4-15:（4-15）在此基础上，本文提出了一种基于点拓扑的指纹提取算法。在从指纹中提取指纹时，由于不可抗拒的因素，不可避免地会在某些方面存在不确定性，但是在全局图像中可能会存在某些区域。具有良好的图像质量，能准确反映该区域的指纹信息。为了获得完整的图像识别结果，需要对这些局部区域提供的附加信息进行识别。通过收集这些点周围的属性信息来识别和比较指纹。2-9局部特征结构表明，通过特定邻域的中点，相对距离和接触角，相切角为0.5m，平均邻域为0.5m，该算法可以水平和垂直移动，以保持旋转角度的拓扑不平衡，因此具有一定的抗干扰性、指纹位置、角度、噪声和失真性。基于特征点拓扑图的匹配算法的原则为：1.扫描点配置图是特征点拓扑结构的表达，第2.5.3节是算法性能的定义。所描述的结构主要包