版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
指纹图像特征提取和匹配算法研究与实现第1章绪论1.1指纹特征识别技术1.1.1指纹识别技术的历史与背景二十一世纪以来,科技发展可谓是日新月异,尤其是计算机相关技术的飞速发展以及计算机网络的普及,使得人类的生活面貌发生了极大的改观,带来了无数的便利。不管是人与人之间日常联系与交流,还是工作上的协作,都变得更加的便捷与高效,古时的“天涯若比邻”如今已成为了现实。现在的时代,俨然是数字化的时代了。相应的,人们数据和身份的隐私却受到了一些威胁,这也是科技发展所附带的负面影响。最近些年,数据隐私的泄露,使得个人或团体的利益受到了严重的损失,同时也带来了极大的恐慌,对社会造成了极其不良的影响。如2017年的时候,美国有家名叫Dun&Bradstreet的商业服务公司泄露了约52GB大小的个人的私密信息,大概3400万人的个人身份信息都包含其中,包括姓名、联系方式、邮箱和家庭组织等极度隐私的信息。美国社交平台如推特等社交网络数据也都曾被大量泄露。甚至黑客会利用木马和病毒等违法的技术手段侵入银行账户,这严重损害了个人信息隐私,并致使人们的财产遭到损失。这样的非法技术诈骗案件尤其在近些年国内外愈来愈多。因此,信息的保密与安全和个人隐私的保护成了当前人们关注的焦点,并成为了研究人员的重点研究对象。在当前的社会中,为保护用户的权益和隐私,通常需要安全系统来验明用户的身份来确认是否为本人。在日常的生活中,我们通常利用传统的手段来鉴别和验证身份。我们经常用到身份证、护照和驾照等这类能够显示自己身份信息的证件,这些证件大多由政府部门或者相关机构进行发放,具有重要的意义。我们回家或去办公室的时候会用钥匙开锁,开车也需要车钥匙来解锁,我们因为生活的需要有着各个地方的钥匙。在现在的互联网时代,我们出于工作的需要或生活娱乐会经常浏览各种网站,因此会注册许多网站的账号,比如社交网络账号和购物网站账号等,这样就避免不了对于密码的设置。而且网站有时会要求我们的密码中同时含有字母、数字和符号,有一定的长度,这样可以保证账号的安全强度,以避免被盗取。但是这些传统的身份鉴别方式都有若干的缺点。对于身份证、驾照这类证件,若是过多的话并不便于携带,而且身份证是需要更新换代的,需要花费时间去办理新的身份证。我们的钥匙也有携带上的不便,甚至有分辨不出的可能和丢失的风险,而且传统的门锁并不是十分安全的。现代的密码,确实在一定程度上保证了用户的安全权益,但是过多繁杂的密码加重了我们的记忆负担,如果设置相同的密码就会变得不那么可靠,若是忘记了又给生活平添了一些麻烦。综上,现代社会需要的是一种准确性、可靠性、安全性和稳定性兼备的身份鉴别技术来对当下的身份识别方式取而代之。随着计算机技术的飞速发展以及计算机应用范围的扩大,也随着人们对生物特征的研究,生物特征识别技术发展开来,逐渐应用并得到广泛普及。生物特征识别技术就是利用人体天生独特的生理特征和行为特性来进行身份鉴别的一项技术。它通过现今发达的计算机技术得以实现,并和光学、声学等物理学知识和生物统计学原理等知识和手段密切结合。初中政治书上写着“世界上没有完全相同的两片叶子”,作为不同的个体,我们每个人都是与众不同的,身体特征都不尽相同。我们的生理特性如人脸、虹膜和指纹,行为特征如声音、笔迹和行走姿态都是不一样的。考虑到生物特征技术的独特性、稳定性和不可复制性,它很适合作为鉴别身份的工具。不同的生物特征会适合不同的应用场景。下表1.1列出了各种生物特征技术的各方面性能对比。表1.1不同生物特征技术的各方面性能对比(引用)生物特征独特性稳定性接受程度易采集性人脸低中高高虹膜高高中低指纹高高中中声音低低中高可以看出,指纹是最有广泛应用潜力的一项生物特征识别技术。事实上也确实如此。“指纹识别”可以说有着比较悠久的历史了,根据有关资料显示,我国最早有关于指纹的应用可以追溯到秦朝。唐朝时期,人们开始以指纹按印的方式广泛应用在文书和契约中来表明身份和诚意,这样的情节我们在电视剧也经常见到。到了宋朝时候,指纹开始作为物证作用于刑事诉讼中。指纹在古巴比伦也有着同样的应用。指纹的全局特征,又称总体特征,指的是一片特殊模式区,位于人体指纹纹线的中心区域。全局特征较为明显,用肉眼技能观察了然,是对人体指纹形状的总体表述,主要包括指纹纹线的类型、核心点、模式区和指纹的数目等等。常见的指纹的基本类型不外乎以下几种:斗形纹、箕形纹和弓形纹。斗形纹看上去像是一簇又一簇的水流中的漩涡,呈螺旋或同心圆状。箕形纹顾名思义,看起来像簸箕,一边是开口的。弓形纹的形状看似弯弓。但是为了对指纹进行识别,仅仅对指纹进行这样大致的分类,肯定是远远不够的。我们还需要进一步的细致的进行分类才能做到对海量指纹的准确搜索与比对。为此,我们需要介绍一下有关指模式区、三角点、核心点和指纹纹数的概念。模式区是一个特定的区域,它包含有全局特征中的纹线,通过对模式区的观察,我们判断出来指纹纹线的类型。核心点处在指纹纹线向前延伸的中心点,当进行指纹读取和校对的工作时我们需要以位于指纹纹线的渐进中心的中心点作为参考基准。三角点提供了指纹纹路的计数和跟踪的开始点,它位于从核心点开始的第一个分叉点或者断点、或者两条纹路的汇聚点、孤立点和转折点,或者指向这些奇异点。指纹纹数顾名思义是指人体指纹图像模式区内指纹纹线的数量。交叉点的个数与指纹纹数是相同的。人体指纹的纹线是错综复杂的,其中包含打折、中断和分叉等纹路现象,并不是平滑的连续曲线。指纹图像中的部分具有特性的节点形成了指纹细节特征(通常还称局部特征)。这些节点叫做指纹的特征点,它包涵了人体指纹中局部细节点的许多重要的参数,该些参数在指纹识别中具有重要的作用,它们能够对指纹的唯一性进行表征。这些参数主要有细节点的方向、相对位置,纹线的数目、指纹类型等。人体指纹的特征点有四种不同特性,分别为:分类、方向、曲率和位置。指纹节点的分类又有以下几种类型:1)端点位于一条指纹纹线的一端,是一条纹线的终结点。2)孤立点并非是孤立的一个点,而是一条长度短至几乎可以当作一点来看待的的指纹纹线,3)分叉点就是指两条或两条以上指纹纹路的交点。4)桥点是两条较为靠近的平行的指纹纹线连接形成的交汇点。5)洞,显然是指纹纹线围起来的呈洞状的指纹纹路。6)短脊与孤立点类似,都是长度极短的指纹纹线,但是不同的是短脊不能当作一个点来看待。指纹节点中的分叉点和末梢点有着良好的鲁棒性,而且不容易附带噪声,所以在指纹细节特征点中存在有许多的分叉点和末梢点,出现的概率极高。所以,研究者们主要利用指纹细节特征点中的分叉点和端点的优良特性来实现对指纹特征提取和匹配算法的设计。指纹不仅仅是简单的分类,他们还有着具体的参数,如曲率、位置坐标、方向等等,这对于指纹识别的精度同样有着十分重要的意义。位置参数与数学上点的坐标完全相同,采集到的指纹图像是一个二维平面,要刻画其所在具体位置,可以建立坐标系,通过特征点所处位置的横轴和纵轴的坐标数值来确定;指纹纹线的方向参数代表着指纹纹线的走向和趋势;曲率参数与数学上的曲率概念的几何意义是相同的,它表征的是指纹纹线切线方向角对弧长转动的变化速率。我们可以建立一个四维向量,四个维度分别为特征点的水平坐标、垂直坐标、方向参数和曲率参数,通过这个四维向量我们便可以确定指纹的细节特征,这对于指纹识别算法很重要。指纹的稳定性很高,人类的指纹可以说是终生不变的,我们从胚胎时期的第四个月就形成了指纹,随着年龄的增长,我们的指纹也只是放大了,但是纹形和纹数等特征是不会发生改变的。NehemiahGraw于1684年发表了一篇关于指纹的论文,这标志着现代指纹识别技术的工作从此拉开序幕。这篇文章从科学的角度研究了指纹的组成。随后Mayer于1788年又从解剖学的角度介绍了指纹的构成(基于图像处理)。在这两三百年的历史中,指纹识别的发展历史都是较为缓慢的。到了20世纪五十年代的时候,计算机这一伟大发明问世了。1963年《自然》杂志上发表了关于指纹自动识别的论文。随着计算机的更新换代,计算机拥有了图像处理能力,指纹识别的研究步伐才开始加快。美国的FBI最早开始了指纹自动识别技术的研究,这是因为到了1969年的时候,FBI收集并存储的指纹已经达到了1600万枚,无论是存储还是搜索指纹,任务量已经极其繁重,让FBI员工感到苦不堪言,这才提出要研究指纹自动对比并识别的技术。随后各国也出现了研究和开发此技术的浪潮,其中有日本、加拿大等国。到了20世纪70年代末,加拿大警方已经开始利用指纹来进行身份的鉴别。日本的立石电机公司也于80年代末创造出了指纹核对机器。在我国的刑事案件中,办案人员总是需要举着放大镜在含有几十万枚指纹素材的指纹库中来对比指纹,任务量可谓是极其繁重。于是我国也紧随其后,投入到了指纹识别技术的研发当中。20世纪末我国各大高校相继启动了指纹识别的相关研究。北京大学、清华大学、中国科学院自动化研究所等率先开设科研团队进行指纹识别的研究工作,并有了自主产权的技术和产品。其中比较资深的研究机构是中科院自动化研究所。这些研究都使得指纹识别技术在我国的发展越来越纯熟。1.1.2指纹识别技术的现状与前景指纹识别技术现在可以说已经是十分普及了。无论是在日常的生活中,还是在企业、刑侦和金融等诸多领域都有着十分广泛的应用。在我们的日常生活里,指纹识别体现最多的地方当属我们的智能手机的指纹解锁。相比于前几年的密码解锁,指纹解锁显得更加快捷,也节省了时间。现在手机的免密支付提供了同样的便利。我们的最新一代身份证中,也是含有我们个人的指纹信息的,这在出行的时候为我们提供了许多便利,车站不再需要人工的检验身份的工作人员,只需要刷一下身份证即可通过。指纹识别技术甚至已应用在了高考中,在我当年参加高考的时候,每次进考场都要重新在指纹采集器上采集指纹与原数据进行比对来验证身份,有效防止了替考的问题,有力保障了国家考试的公平。在门禁系统中指纹识别技术同样有着重要的应用,指纹锁取代了传统的门锁,避免了传统门锁易丢失和盗用的缺点,同时操作比较简单,只需进行简单的指纹比对,而且指纹锁成本较低,价格相对低廉,安全性更高。指纹锁有着乐观的市场前景,在不久的将来,一定会改变传统的用钥匙开锁的方式。指纹识别在企业考勤系统中发挥着重要作用。传统的打卡方式和利用IC卡进行考勤的规章制度容易滋生一些弊端,如代打卡,而基于指纹识别的企业员工考勤系统彻底革除了这一弊端,而且十分便捷,提高了办公效率,同时保证系统得到的都是真实的数据,能够真正做到公开、公平和公正,促进了企业的发展。另外,由于指纹考勤产品价格十分便宜,性能稳定且可靠,性价比很高,因此越来越多的中小型企业开始采购指纹考勤系统。据相关数据显示,现今我国生物特征识别技术产品的市场上,指纹考勤产品的销量独占鳌头,销量占比超过40%,居于榜首。在刑事侦查领域,指纹识别发挥着关键的作用。小时经常在《今日说法》栏目中看到这样的情景,警方从作案现场提取到犯罪嫌疑人的指纹获得关键线索,从而成功侦破案件。指纹校验是重要的取证手段,它可以同时确认受害者和犯罪嫌疑人的身份,从而准确而快速地找到案件中的关键性证据,提高案件侦破几率和效率,稳定社会秩序。正是有了指纹识别技术在案件侦破中发挥的关键作用,数十年前的疑案难案获得侦破。在金融领域,指纹识别同样有着十分重要的应用。比如在银行的自动取款机取钱时,如果单单进行密码验证会给不法分子以作案的可乘之机,因此在一些地区,银行已经采取了银行卡与对应的指纹信息相绑定的措施,这样在取款的时候,首先要验证指纹,然后将数据传递给后台,如果相符合,就可以成功取款。这一举措是保障用户财产安全的有力举措。指纹识别在当前还存在着一些不足,比如指纹识别的算法精度问题可能导致错误的判断、指纹采集器容易受到环境影响采集到的图像的质量和指纹识别设备的成本问题。这些都是需要慢慢去解决的问题。不过,指纹识别的前进还是很光明的在很多领域都有很大的发挥空间。在未来,指纹识别会与一个包含所有人信息的数据库绑定,经过指纹就可以查询个人的登记信息生活中处处都有指纹识别,包括出行信息、获奖信息等,信息一体化可以为人们的生活提供巨大的便利,同时也提高了安全性。随着科技发展,指纹识别设备的可靠性和安全性都会随之提高,而且成本也会降低,变得更加普及。未来我们也可以期待指纹识别更多的与可穿戴设备结合。指纹识别需要一个由众多技术模块组成的图像识别系统。每个模块对应着相应的指纹识别技术,基本分为四个模块:指纹采集与分类;指纹图像的预处理;指纹图像的特征点提取;指纹匹配。在这其中,指纹采集是十分重要的一环,采集到的指纹图像质量的好坏也会直接影响后续步骤的进行。现在市场上常用的指纹采集设备有以下几种:1.光电式指纹采集器是最早出现的指纹采集器,也是当前最为普及的一种指纹采集器。顾名思义,光电式指纹采集器是基于光学原理对指纹表层的纹理图像进行采集的。采集器自带有发光二极管,当手指与采集器表面接触时,二级管提供的光源照射在手指上,因为手指上凹凸不平的纹路对光的反射效果不相同,所以不同的光线反射到光敏元件阵列上,便形成了电压高低变化的电信号,然后进行A/D转换,把接收到的电信号转化为数字图像并进行存储,从而完成指纹的采集工作。光学指纹传感器相对于其他种类的指纹采集器,采集到的图像分辨率更高,且能够有效避免受到静电的干扰,使用寿命也较长。但其对表面有脏物或干燥的指纹图像识别效果不好,对温度、适度等环境因素的适应能力较差。而且采集器中的电荷耦合器件若是因时间久老化,录入的图像质量就会降低。光电式指纹采集器由于其低廉的价格有着较高的性价比,所以应用最为普遍,技术现在也更加成熟。2、热敏式指纹采集器。该采集器中含有热敏元件,它能根据指纹上的沟和脊散发的热量不同来进行成像的。不过热敏式指纹采集器得到的指纹图像并不直接是一副完整的指纹图像,而是由许多指纹图像块拼接而成的。显然,采集得到的指纹图像质量相对于其他类型的采集器较差,几何失真较大。尽管价格便宜,体积小,但相对于其它类型的指纹采集器,热敏式传感器往往需要消耗更多的能量,而且对环境的耐受性不强,在炎热或寒冷的环境里,采集得到的指纹图像会很不清晰。3.电容式指纹采集器。电容式指纹采集器是根据电容的特性设计出的一种新型器件。虽然有关于电容指纹采集器的想法已经存在了很多年,但直到上个世纪末期电容式指纹采集器才真正走入市场。电容式指纹采集器的核心部件是覆盖在表面的一百多万个由半导体材料制成的绝缘电容阵列。电容式指纹采集器同样基于指纹表面凹凸不平的纹路。对指纹图像进行采集时,手指按压在采集器表面的半导体电容阵列上,手指皮肤的真皮层导电性能良好,指纹上纹线的凹陷与凸起,会导致纹面和采集器的半导体电容阵列之间产生不同的距离,根据电容元件的原理,其间距越大,电容值越小,两者呈反比例关系,电容差又导致了电容阵列上不同的电压数值,从而把电容上的电信号转换为数字指纹图像。电容式指纹采集器比较“智能化”,当我们在采集器上按压手指的力度较为轻微,这样会使得图像的对比度较差,或者图像局部范围里不清晰,都能通过传感器来传达信号,从而增大与之对应的电容的增益,提高指纹图像的质量。相对于前两种指纹采集器的,电容式指纹采集器有一个优点就是可以适应不同的工作环境,而且若是因为采集者的手指出现磨损或者由于一些原因而造成的模糊,电容式指纹采集器可以进行一定程度上的修复。与光电式指纹采集器相比,电容式指纹采集器因没有繁杂的管路系统体积比较小,这样就有利于在移动设备上的集成,如有的保险箱上就安装有电容式指纹采集器。但是电容式指纹采集器也存在一些缺点。受制于当前的半导体加工技术,采集器采集到的指纹区域会比较小。表面湿润的指纹可能会对半导体电容单元导电性造成一定影响,进而导致采集指纹的效果不理想。传感器的表面比较脆弱,容易受到机械损伤。如果传感器表面受到损伤,维修时只能替换掉整个传感器,成本较高。早期的电容式指纹采集器抗静电能力较低,容易被击穿,随着技术的进步,现在的电容式指纹采集器的抗静电干扰能力得到了一定程度的增强。3.射频指纹采集器。射频指纹采集器内部嵌有射频传感器,传感器能够发射出少量的射频信号,透过手指的表皮层直接探测内层的纹路,这样一来获得的指纹图像质量会比较优良,而且对有裂纹、有汗渍或水等不易识别的手指也可以准确地识别。最关键的是射频传感器只对人的真皮皮肤有效果,这就避免了指纹造假地问题。另外,射频指纹采集器可以在较为宽广的温度范围内工作。虽然射频指纹采集器采集到的指纹图像质量很高,但是成本也很高昂,所以并不是那么普及。图1-1三种指纹采集器(左一为光学式,中间为电容式,右一为射频式)由于各种原因的影响,我们从指纹取象设备中获取的是含有较多噪声的灰度图像,所以在指纹匹配之前需要先对指纹图像进行预处理工作。指纹图像预处理是对采集到的原始指纹图像进行去除噪声和加强对比度的处理,可以有效减少后续提取算法的复杂度并提高算法的效率。把原有图像通过预处理便可以得到一幅清晰且易于进行匹配的二值点线图,这样就更有利于保留正确的图像特征。这项技术的关键环节在于我们将噪声消除的同时还可以尽可能的保证原图像的真实特征得到最大保留,不受损失。图像预处理技术中又包含几个小模块:归一化、图像分割、二值化和细化。为了便于后续进行的匹配工作,我们需要提取出特征点。提取的特征点一般包括奇异点:中心点、三角点,和交叉点、端点这两种出现概率较高的点。由于采集设备随机噪声的影响,采集器表面的污渍,以及手指指纹的质量不佳,都会产生虚假的特征点。指纹的虚假特征点过多会直接影响指纹的匹配结果,提取指纹特征点正确与否直接影响到匹配的精度。所以在提取特征点后还要去除伪特征点以便更好的进行匹配。提取到合适数量的特征点后,便可以进行指纹匹配了。指纹匹配的原理是通过原图像和欲识别图像中的图像特征点的信息模板进行比对是否相匹配,从而判断两枚指纹是否同源。现有的文献中的匹配算法较常用的具体包括三种:基于点模式的匹配算法、基于纹理模式的匹配算法和基于图的匹配算法。点模式匹配方法通过计算两枚指纹图像中细节点集合组成的几何关系的相似度来判断两幅指纹图像是否匹配,在不同的场合根据应用来设定一个阈值,当相似度在阈值范围内近似相等时,则认为指纹图像匹配成功,否则判定匹配不成功。现在的指纹匹配研究大都是以点匹配为基础的。1.2本文的研究内容和结构安排本文基于MATLAB2018A的平台,在广泛阅读了许多研究人员的文章后,设计出一种切实可行的指纹识别算法。指纹识别研究的内容包括指纹图像的采集,将采集到的图像细化为单像素宽的二值图像,在细化图上提取指纹的局部特征点,根据局部特征点的分布判断两个指纹图像是否匹配。将指纹原始图像细化为单像素宽二值图的过程,包括归一化、图像分割、图像增强、二值化和细化,这是指纹图像的预处理流程。指纹图像的预处理工作为后面的局部特征点的提取和指纹匹配工作奠定了基础。论文安排如下:第一章:绪论。讲述了指纹识别的历史与背景,并介绍了若干种指纹采集器,和指纹识别发展的不足与前景。第二章:指纹识别的预处理算法,包括归一化、图像分割、图像增强、二值化、细化等步骤,最终成功得到一副清晰的二值点线图。采用MATLAB来实现每个具体步骤的效果图。第三章:指纹图像的特征点提取。本文选择的局部特征点为中心点,三角点,端点和分叉点,特征点提取工作是从细化后的指纹图像上提取指纹的特征点,并建立基于特征点位置种类和方向的特征向量,为指纹图像的匹配工作奠定基础。第四章:指纹图像的匹配。指纹图像的匹配采用基于相似三角形的匹配算法,介绍了原理,并通过实验结果展示该匹配算法的效果。指纹匹配特征点的提取指纹预处理指纹采集指纹匹配特征点的提取指纹预处理指纹采集结果输出结果输出图像分割去除空洞和毛刺细化图像增强规格化图像分割去除空洞和毛刺细化图像增强规格化图1-2总体设计框图了解指纹图像的特征提取和匹配算法的重要意义了解指纹图像的特征提取和匹配算法的重要意义对指纹图像特征提取与匹配算法进行设计通过MATLAB仿真实现所设计的算法及流程匹配结果的评价指标设计得出结论收集整理相关文献资料并了解流程预处理特征点提取匹配图1-3技术路线图第二章指纹预处理算法对于整个指纹识别系统来说,指纹图像的质量的重要性不言而喻。而指纹图像的采集,便是影响图像质量的主要环节。指纹图像采集过程可能会受诸多因素的干扰,如环境的温度、采集环境的湿度、光照、采集器采集面积较小、采集器表面有残留、被采集对象的皮肤干燥或潮湿或有污渍等等。这些主客观因素都会影响到采集所得指纹的图像质量,可能使所得原始指纹图像含有较多噪声和模糊区域。我们后续是要进行指纹细节特征点的提取的,而这也必须要以细化图像作为基础支撑,因此想要获得细化图,将指纹的原始图像做预处理工作是必不可少的。顾名思义,指纹图像的预处理就是先采集得到原始指纹图像,继而通过MATLAB工具做一系列的处理,然后得到单像素宽的指纹骨架图像的一个过程。这项工作要确保指纹纹路的连接性和拓扑性不变的前提下,将其纹理特征特别突出出来,抓住特征点的局部特征,一方面努力保存指纹的细节特征信息,与此同时还要将指纹转换为单像素宽的二值图,概况的说,这就是预处理需要完成的工作流程。2.1缩放处理与规格化首先将读取的指纹图像转化为灰度图像。MATLAB读入图像的数据是uint8,但是MATLAB中存储和运算一般采用double型(64位)的数据,所以要将图像进行缩放处理,转为double格式的才能运算。图2-1为原图和经过缩放处理得到的图像。图2-1(左图为原图像,右为经缩放处理的图像)由于指纹采集器的传感器本身会含有较多噪声,采集者按压的力度的不同等原因,会使采集到的指纹图像存在灰度差异。因此,在进行预处理工作时,需要先对指纹图像进行规格化处理。指纹规格化(FingerprintNormalization)可以消除由前面所述原因造成的灰度差异,使不同原图像的对比度、均值和方差等图像统计特性保持在一个较为稳定的水平上,有一个统一且规范的规格。从而为后续的预处理工作操作打下良好的基础。由于采集到的指纹图像像素点呈非均匀分布,所以采用的算法是:使采集获得的原始指纹图像的统计特性如对比度在这个图像上均匀分布,将像素值重新分配。下面为具体的算法公式:设整个灰度图像I的尺寸为N×N,其均值和反差分别设为M,V,分别由式3-1和式3-2确定M=1N2i=0V=1N2i=0规格化的公式为式3-3G(i,j)=M0+VAR(Ii,j−M0-VAR(Ii,j其中,I(i,j)代表原始图像在点(i,j)的灰度值,G(i,j)代表规格化后的图像在点(i,j)的灰度值,M0和VAR分别期望得到的均值和方差。对于实验所用指纹图像运用以上算法进行图像均衡规格化,得到的实验结果如下图2-2所示,经过规格化后的指纹图像对比度得到了增强,脊线和谷线的纹路都变得更加清晰了。图2-2规格化得到的图像2.2图像分割原始指纹图像经过均衡规格化后,指纹的图像统计特性(灰度、均值和方差)都达到了统一的水平上。我们想得到有效的清晰的纹理信息,而这些纹理信息都存在于前景区域中。所谓前进区域,就是包含着丰富信息的指纹脊线和谷线,正是这些脊线和谷线构成了纹理图案。通常,我们将那些不包含指纹图像的纹理信息的区域,命名为背景区域,它们一般呈现为白色。我们进行指纹算法研究所需要的主要特征信息集中在清晰可见的指纹区域和虽然模糊但是可以进行修复得到纹线信息的指纹区域。因此我们需要对指纹图像进行图像分割,剔除掉无用的信息,使我们感兴趣的有效信息更加清晰可见,后续处理算法的处理效率和正确率都会得到极大的提高。随着指纹识别技术的发展,图像分割算法的研究也受到了人们更多的关注,因为比较好的分割算法有效保护指纹的信息和脊线及其走势,方便后续的特征点提取工作。而且对于低质量的指纹图像具有很好的鲁棒性。我们研究了指纹的统计特征,主要着眼于模式识别和计算机视觉的角度来进行。对于均值、方差、频率和方向特性等要素,我们可以采用神经网络聚类分析、形态学聚类的特性等方法,以此来达到去除图像中的噪声的效果。比如利用图像的灰度和方差信息来对图像进行分割;Mehre利用灰度信息和方向信息对特定分辨率的图像进行分割,这是一种综合的指纹图像方法;利用Gabor滤波器和分类算法来提取指纹图像中有效的信息,并对其分类;还有一种思路,就是利用图像的指纹脊线和谷线组成纹理图案的频率和方向特性对图像进行分割;另外,在有的算法中扫描所有点,直接对采集到图像信息的每个像素点进行统计特性计算,把无用的指纹区域分割出来,达到图像分割的目的;唐对采集到的图像信息进行分块处理,计算每一块的灰度值、方向场和方差,并以图像明暗对比度和指纹脊线的方向场信息为依据建立分类器,对图像的信息进行分类判决并分类;Bazen改进了唐的算法,他对图像分块后,计算了图像的梯度信息、灰度和方差,用线性判别函数对原指纹的统计特性和梯度进行分类,后期也采用了形态学的处理方法来去除噪声。以上所述的指纹分割算法,都是基于灰度值的相似性和不连续性这两个基本性质来实现的。本文将论述了两种指纹图像分割算法:(1)基于统计特征信息的二值化的指纹分割算法;(2)基于形态学的指纹分割算法。2.2.1基于统计特征信息分割方法(二值化)采集到的指纹信息包含着许多的没有用处的信息,他们主要存在于噪声污染比较严重的指纹区域和背景区域,这些信息并不是我们感兴趣的。我们需要的是包含丰富纹理信息的前景区域。鉴于这两种区域内的统计特性特性信息不同,我们由此进行对指纹图像的分割工作,利用了灰度方差、均值和梯度等图像统计特性来对这两类区域进行区分。虽然对指纹信息已经进行了规格化处理,但是我们感兴趣的指纹的有效信息的区域均值会比较低,而其他噪声、无用信息区域的均值会比较大。在采集到的指纹图像中,我们感兴趣的区域含有大量的纹线和脊线,看上去呈黑白交叉,形成了许多错综复杂的纹路,它的灰度方差会远远大于含有噪声区域的灰度方差。一副指纹图像的梯度场反映了纹线方向上凸起最陡的部分,因此指纹的梯度信息也可以区分前景区域和含噪声的指纹区域。因此,我们采用这三个统计特性来区分图像,从而自适应分割指纹图像。具体的实现算法步骤如下:(1)首先我们把图像进行分块处理,把指纹图像分割成互相不重叠的W×W等大小的图像块,每个子图像块的大小为N×N,分别求得每个图像块的灰度均值和灰度方差:GrayBMean(k,l)=1GrayBVar(k,l)=1k=1,2,3,…W;l=1,2,3,…W(2-4)(2)求得每个子图像块的灰度均值和方差后,由得到的数据判断该块是否是前景块。而后采用自适应阈值BTh来作门限。当大于门限Bth时,便作上图像标记BFlag,令其值为1,否则则令其值为0,公式如下。GrayMean和GrayVarr为归一化中得到的整幅指纹图像的灰度均值和方差。Th=GrayMeanGrayVarBTh(k,l)=GrayBMean(k,l)GrayVar(k,l)BFlag(k,l)=1,ifBTh(k,l)<Th0,others(2-5)(3)求得指纹每个子图像块的梯度值GrayGd。GradGd(I,j,k,l)=|Gray(i+1,j)-Gray(i-1,j)|+|Gray(i,j+1)-Gray(I,j-1)|i=1,2,…N;j=1,2,…N;k=1,2,…W;l=1,2,…W;(2-6)(4)计算每个图像块内的所有像素点的梯度和,并比较所有子图像块内梯度和的值,得到梯度和最大的值为BGdSumMax。用这两者的比率关系作为门限阈值来对图像块的梯度信息进行判定,用BGdFlag来标记所判定得到的结果。本文μ设为0.3。BGdSum(k,l)=i=BGdSumMax=maxk,lBGdFlag(k,l)=1,ifBGdSum(k,l)≥μ×BGdSumMax0,others(2-7)2.2.2基于形态学的指纹分割算法本文提出了一种基于形态学的指纹分割方法来获得的指纹图像进行分割。形态学的方法一般通过开操作和闭操作对消除图像块中的噪声。开操作是先膨胀,后腐蚀,通过开操作可以解决掉图像块的噪声问题,使原本略显粗糙的图像轮廓变得光滑一些,并使得狭细的间断断开,把细小的突出物消除掉,同时又不改变面积。闭操作是先腐蚀后膨胀,闭操作可以解决掉指纹图像中纹线的断裂和粘连的问题,并可以消除狭窄间断和长细的鸿沟,消除小的孔洞,并连接临近物体弥补轮廓线中的裂痕,也不会明显地改变体积。基于形态学的指纹分割算法具体的步骤为:首先确定形态学操作的算子为10×10的模板,其次通10×10模板对二值化后的图像进行闭操作,对闭操作后的结果进行开操作,消除噪声,最后对进行过操作后的二值化图像进行标号处理,选择出最大的连通域作为指纹的前景区域,其他小的连通域作为掩膜,通过对原始指纹图像和掩膜相乘就可以得出分割出来的图像。实验结构如图2-4所示图(a)表示了对指纹的二值图像进行闭操作,图(b)表示了对(a)的结果再进行开操作,图(c)表示通过掩膜相乘得到的分割图像。图2-3(左为前景区域,右为背景区域)图2-4开运算和闭运算采用基于形态学的分割方法对图像进行分割,实验结果如图所示。从图中可以看出基于形态学的指纹分割方法对含有噪声地低质量指纹图像具有良好的效果,同时可以连通断裂的脊线。2.3图像增强由于指纹采集器表面由污渍、参数设置问题和敏感度这些因素可能会引起指纹图像上脊线和谷线粘连在一起,或者断裂。同时若是采集者的手指比较干燥或潮湿或有创伤的话,会使指纹的脊线和谷线变得模糊,纹理信息不清晰。这样就导致了从采集器上采集到的指纹信息会含有不同能量的噪声。这些噪声对指纹信息的影响主要表现在使得指纹感兴趣的区域纹线信息模糊,含有许多噪声点以及会出现一大片的黑色背景区域等等。一个好的指纹增强算法是提高指纹识别可靠性的根本保证。于是对指纹图像的增强就显得十分必要。对采集到的指纹图像进行增强,就是在不破坏指纹脊线和谷线这些纹理信息的基础上,使用特定的算法使得指纹图像的纹理信息包括方向信息和特性信息得到最大程度的保留,并除去指纹图像附带的大量噪声信息以免产生伪特征信息,显著提高指纹图像的质量,从而使得后期工作中特征点的提取和匹配顺利进行,提高工作效率。由此可见,一个好的指纹增强算法能够提高指纹识别的可靠性。迄今为止,有许多的研究工作者对指纹增强算法进行了研究。由于灰度指纹图像的脊线和谷线是按照正弦状分布在局部的领域内的,在频率和方向性上都具有一定的特性。因此可以通过滤波的的方式对图像进行增强。而按不同的滤波实现方法,可以把算法分为两类:基于空域的滤波方法和基于频域的滤波方法。其中Kim等人提出的Gabor滤波器基于指纹图像整体特征,属于频域滤波方式。而Hong等人提出的Gabor滤波器算法与Kim的算法有所不同,它基于指纹图像的局部特征,其中包含指纹图像的方向信息和频率信息。Tahmasebi等人没有把重点放在指纹的脊线和谷线信息上,他们提出了通过改进滤波器的设计方式来对指纹图像进行增强。Maio等人提出直接在灰度图像上追踪脊线提取细节点的方法,但该算法对质量较差的指纹图像实现的效果并不好因此有一定的局限性。近些年,基于各向异性扩散的算法由于其区别于传统算法保留边缘的优越性广受关注,如郝玉峰等人提出的各向异性逆扩散算法,该算法通过增强指纹图像中的脊线和谷线的对比度来增强指纹图像的特征点。苏永利等人对扩散张量进行了研究,该算法很好的平衡了去噪和保边这一相互矛盾的两个方面。王丹和张小波结合了各向异性扩散和冲击滤波两种算法的优点,提出了基于各向异性扩散和冲击滤波指纹图像增强算法,该算法分为两个阶段,首先对退化的指纹图像进行各向异性扩散增强,而后在增强后的指纹图像上进行冲击滤波,既保留了原始的各向异性扩散算法修补断纹的良好效果,又通过冲击滤波锐化了指纹图像的脊线边缘,提高了指纹图像的质量。本文利用基于空域方向滤波的平均分离滤波器来对指纹图像进行滤波增强,该算法所需时间相较于其他算法较短,而且不是那么复杂,且在填补空洞和修复断裂纹路方面都很有成效。由于平均分离器只能按一个局部的方向增强,所以方向滤波过程必须将图像分块处理。分块的大小由图像的大小决定,目的是使各子块的纹线方向基本平行。实验采用的指纹素材尺寸为512×512,故分为32×32比较合适。本文对每一个子块的滤波过程的具体算法如下:(1)第一步要计算该块的方向图。一般通过掩膜法和公式法进行方向场的计算。但是掩膜法计算精度较低。本文采用基于最小均方估计算法,即公式法来进行计算。∂G(i-1,j+1)-2G(i,j+1)-G(i+1,j+1)∂yi,j=G(G(i+1,j-1)-2G(i+1,j)-G(i+1,j+1)γx(i,j)=i−w2γy(i,j)=(2-8)其中,∂xi,j、∂y(i,j)分别使用Sobel算子求出的每个像素梯度的横纵坐标,γx和γy(2)得到该块的方向图后,就能根据其方向设计出相应的滤波器。(3)用得到的滤波器对该块进行滤波增强。利用MATLAB中的imfilter(I,h)函数可以轻松地实现这个功能。(4)最后,如果滤波后的像素灰度值不是整数或者不在(0,255)范围内,需要对其进行归一化。实验结果图如下:图2-5图像增强2.4去除毛刺和空洞因为指纹上可能存在油脂或者水分等杂物,从而导致采集过程中指纹粘连或者断裂,进而影响到后续的特征点的提取和匹配,接下来需去除指纹中的空洞和毛刺。图2-6去除空洞和毛刺2.5细化在完成上述工作后,我们要进一步的对图像的脊线和谷线进行处理工作,把图像的纹线宽度变为只有一个像素的宽度,这样的过程称为对图像的细化处理过程。经过细化后的图像可以使得指纹脊线和谷线更加清晰可见,为后续对特征点的提取提高了效率,能够很快地建立特征点模板,避免了由噪声造成的多余的杂乱信息。因为指纹细化算法的过程是不可逆的,把纹线变为一个像素的宽度,这样会对图像造成不可还原的影响。因此,指纹细化算法的优劣会直接影响到整个系统的性能。指纹细化时应满足下列条件:(1)算法迭代的收敛性。(2)指纹纹线的连通性。(3)算法简便高效。(4)细化后的图像的纹线宽度变为单像素宽。(5)提取的指纹纹线原指纹的纹线中心尽量靠近。指纹细化算法一般有两种:并行法和序列法。他们互有优缺点,正所谓“鱼和熊掌不可兼得”,并行算法的运行速度比较快,但是容易破坏指纹纹线的连通性。序列法则恰好相反,虽然可以很好保持纹线的连通性,但是速度却相对缓慢。目前有许多研究者提出了关于指纹细化的算法,如极值形态学处理、OPTA等细化算法。一种最常用的算法为细化查表法,通过计算其邻域像点的灰度值来达到细化的目的。本文采用快速并行的细化算法。快速并行细化算法利用图像某个像素点的八邻域特性对指纹图像进行细化。具体的算法流程如下:
(1)按照逆时针遍历整幅图像的像素点,并按照边界点八邻域的特点,找出图像中的所有边界点;(2)对第一步中找出的指纹图像中所有边界点P定义如下两个特征量:asum和bsum。如果P点同时满足bsum=2,asum≠1且asum<6,则可将其删除;asum=i=1bsum=i=1(2-9)(3)持续遍历整幅图像,直到第一步中找不到满足八邻域特性的边界点。快速细化算法运行速度特别快,但是快速细化算法细化的不够彻底,会使指纹特征信息的准确性受到严重的影响。图2-7为细化结果图。可以看出细化效果较好,保持了指纹纹线原有的拓扑结构,较大程度地简化了特征点的提取方式。图2-7细化图第三章特征提取的算法研究3.1特征点的提取指纹的特征提取是自动指纹识别整个系统中非常重要的一个环节,它提取到的特征点信息可谓是指纹算法的匹配的根据与基础。采集到的图像信息一般可以分为三部分:全局、局部和细微特征信息。中心点和三角点组成了指纹的全局特征。我们在特征提取的工作中主要提取端点和分叉点,他们构成了指纹的局部特征,它们的坐标特性、方向特性等统计特性信息为指纹匹配算法的实现提供了依据。细微特征主要指的是指纹中脊线和谷线粘连和产生气泡等特征现象,这是因为图像中含有噪声。这些特征信息的提取和分类都需要指纹的特征提取算法来完成。通过对指纹特征信息的描述,我们可以知道指纹特征一般具有以下几个性质:(1)能够对指纹图像进行唯一性的判定;(2)对于指纹图像受到噪声等因素影响具有一定的抗干扰能力,有较好的鲁班性;(3)可以为指纹匹配提供依据;我们最感兴趣的特征点为端点、分叉点,其次是奇异点。我们提取到的细节点主要为指纹图像的细节特征,由于噪声等因素影响,指纹中的脊线和谷线经过处理后并不理想,他们常含有一些环点、断线等细节特征。近些年,有很多学者研究过指纹图像的提取算法。如J.Liu等人提出了对灰度图像获取细节点信息的算法。AlessandroFarina等人提出了直接从指纹的骨架图像中提取细节特征的算法。Xudong在此基础上提出的基于脊线跟踪的提取细节特征的算法。算法的性能越好,便越有利于后续匹配工作的顺利进行。本文拟采用8邻域模板的方法提取纹线中的两种细节特征——端点和分叉点。8邻域方法采用3×3的模板提取端点和分叉点,如下图:PPPPPPPPP图3-1八领域图设P点为待处理的像素点,P1~8是该点的8个领域点。R1~CN=i=18|如果P点是分叉点,则他的八领域满足:CN=i=18|Ri+1(3-1)3.2特征点的去伪经过提取算法提取到的特征点,并不一定都是真特征点,其中一定会不可避免的含有一些伪特征点。这是由指纹图像含有噪声、不彻底的二值化或细化效果较差以及采集设备等因素造成的。如果不将这些伪特征点去除,很显然,这会影响到后期的工作,增加后续算法的复杂度,影响到匹配的准确度、精度和效率,进而可能使鉴别发生错误的判断。因此,我们必须采取措施对这些伪特征点进行剔除。常见的伪特征点种类有以下几种:短线(由于指纹图像中含有噪声)、毛刺(由采集设备和二值化算法导致)、间断点(可能由于按压力度分布不均匀或者手指表面有损伤)、小孔和小桥(由于指纹纹线模糊或存有空洞)等等。对于不同种类的伪特征点有不同的剔除办法。对于毛刺而言,本文采取纹线跟踪技术来去除毛刺。具体原理:以上一步得到的细节特征点集中的任意一个端点为中心,设定的阈值范围为5个像素,使其沿着纹线的方向移动5个单像素宽度,如果在五个像素之内遇到交叉点,则判断端点和分叉点是由毛刺构成的,然后去除掉该点。短线也同毛刺一样,可以用纹线跟踪技术来剔除掉。我们在采集指纹的时候,由于采集器的原因,图像的边缘会存在一些断点,不去除的话会影响到后续的匹配工作。图像边缘的显著特征就是黑色多,白色少,均值小。本文定义了一个cut函数,将指纹图像灰度图分为31×31块,然后求均值,如果低于70,就去掉这个区域的特征点。经过处理后的特征点效果图如下:显然,经过处理之后,效果良好,伪特征点的数量明显减少了,而有效的细节特征点被保留。这样就有利于后面的指纹匹配工作,很大程度的提高了效率和准确度。图3-2处理后的效果图第四章指纹图像的匹配算法研究经过前面特征点的提取和伪特征点的剔除,这一步进入到了指纹匹配的工作。简单地说,指纹匹配就是通过特征点的比对,设定一个合理的阈值,如果高于这个阈值,就说明两枚指纹是同源的。一个合适的指纹匹配算法,对匹配结果有着极其重要的影响。随着指纹识别的普及,指纹数据库的规模自然也越来越大,现在我国公民的新一代身份证中都含有我们个人的指纹信息。现在也不同于以前,指纹的自动匹配算法代替人工校对来进行身份的鉴别,极大减少了工作量。匹配算法是指纹自动识别系统最根本的功能。指纹匹配中两个模板间包括线性形变和非线性形变两种变换。平移和旋转都属于线性形变,由于手指在采集器表面中放置方式会有不同,有可能导致指纹局部发生重叠。采集过程中的非线性形变同样不可避免,因为采集指纹的时候要从三维立体映射到二位的平面上,具体的情况跟采集者的按压的方式和力度、手指表面情况和采集设备有关。由于上次采集会造成指纹的残留,指纹采集器的灵敏度等因素,模板会受到噪声的影响,这还和皮肤表面情况和环境相关。这些问题都对指纹的匹配算法的好坏来说,是极大的考验。在保证预处理算法可靠性以及特征提取的算法准确性的前提下,采用高效而又准确的匹配算法对指纹进行匹配,对匹配结果的精确度和稳定性都有极大的提高。4.1指纹匹配算法现状指纹匹配算法与自动指纹识别系统的好坏休戚相关。近年来已有许多研究者对指纹图像匹配算法进行了广泛而深入的研究。在大量的研究中,指纹的匹配算法基本可分为三类:基于点模式的匹配算法、基于纹理模式的匹配算法和基于图的匹配算法。本小节将介绍大量近年来关于指纹匹配算法的研究成果。比如Ranade等人提出的松弛算法,这一方法定义两个点集,针对一组匹配,为点集定义相对变换。以该变换条件下其它点实际匹配程度为依据,计算相对变换可靠度。若有一个变换能使点集科学匹配,如果这一变换和前一变换相近,则说明此变换比较可靠,但其它变换的可靠性较小。在对可靠度进行重复计算的过程中,其它变换具有的可靠度会对正处于计算过程的可靠度造成加权影响。完成迭代后,能使匹配达到科学的变换,其可靠度将较大,其它变小。这一方法由于需要对可靠度进行反复计算,故速度相对较慢。又比如Stockman提出以Hough为基础的方式,将点模式通过匹配转化为检测Hough当中的峰值。该方法的缺点为:如果细节点的数量较少,则难以在空间内积累足够的特征点数完成准确而可靠的匹配。这一方法的计算量实在太大也是个问题。虽然有人从能量达到最小这一角度入手对点匹配问题进行表述,同时引入模拟退火方式,但是这一方法的实际计算量也很大。在此之后,Rand等提出了了更加细致的能对指纹特征进行分析的模型。这一模型区分了对10种指纹具有的特征,并以此为基础,可通过叠加格栅的方式来完成特征识别。S-Sobajic等提出三种能对指纹进行匹配的方法,其中一种为通过光学仪器对指纹图进行相关性的计算,这一算法运算速度快,但成本较高,便携性太差;另一种方法为PCA法,从图像识别角度讲也就是KL变换,这一方法的指纹识别成效相对较少,其主要原因为指纹图具有的特征属于松散定义,同时有很多伪特征点。还有一种较为简单的方法为神经网络法,但是计算量很大,需要付出较大代价。史晶提出了基于遗传算法的指纹图匹配算法,具有良好的效果。在考虑到所处环境、采集时手指的按压程度等因素对指纹造成的线性和非线性形变等影响,本文提出了基于相似三角形原理的指纹匹配算法,它属于点模式的匹配算法,能够很好的解决采集得到的图像数据特征由于信息平移、旋转等线性形变造成的匹配难度过高的问题4.2基于相似三角形原理的指纹匹配算法很显然基于点模式的匹配方法当进行平移和旋转操作的时候会受到较大的影响,从而影响到结果的精确度。但是无论指纹图像怎样发生平移或者旋转等线性形变抑或者尺寸上的改变,但是一个特征点和附近的特征点之间的关系是维系不变的。因此我们在本文中采取了基于相似三角形原理的指纹匹配方法,它是一种细节点匹配方法。它不仅有着优秀的匹配速度,而且对于指纹采集过程中出现的那些操作时有很强的抗干扰性的。通过对特征点的提取,可以得到特征细节点得类型和细节点的坐标等信息。本文采用的相似三角形原理的匹配方法主要利用了提取到的分叉点组成的三角形相似来判断两幅指纹图像是否匹配。由于受到噪声、采集设备参数设置等因素的影响,使得采集到的指纹质量比较低,不可避免的含有伪细节点——断线、小桥和小环等,在指纹匹配中,端点和分叉点得可靠度是最高的而且数量也最多。研究发现,一枚指纹图像中80%以上都是分叉点和端点。通过这些分叉点和端点任意的进行组合,可以组成上千个相似三角形,数量之多,对于特征点得匹配来讲是足够用的了,而且具有很好的鲁棒性。三角形相似算法一般流程为:首先对于通过特征提取算法得到的端点,采用纹线跟踪技术,通过计算脊线上像素点到端点的距离来判断脊线在阈值内是否近似相等,若相似,则保留这个端点,否则剔除掉。然后通过对保留下来的端点和提取到的分叉点任意构造三角形,运用数学知识来判断对应角在阈值范围内是否近似相等、对应边的比值在阈值范围内是否相等。最后对两幅图像中相似三角形的个数进行统计,以及计算相似度来判断在阈值范围内是否匹配。指纹名相似度校对时间192.37.9452s294.110.2546s395.78.1527s表4-1同一手指的对比结果指纹名相似度校对时间460.16.2341s547.65.1476s620.95.3241s表4-2不同手机的比对结果实验结果证明,基于相似三角形的指纹匹配原理匹配精确度较高。阈值是人为设定的。本文将阈值设置在90。该算法具有良好的鲁棒性,但是同时因为需要匹配的相似三角形个数极多,耗费的时间也会略长一些。参考文献[1]胡晓霞,郑三婷.基于shapecontext的指纹图像识别研究[J].电子设计工程,2019,27(17):122-126.[2]袁颖.基于Matlab的小波纹理特征融合指纹识别系统[J].电子技术与软件工程,2019,76(14):79-81.[3]史晶.基于遗传算法的指纹图匹配算法及应用研究[J].科学大众(科学教育),2019,73(09):200-208.[4]陈静.数字图像处理中指纹识别技术的分析[J].电子测试,2018,45(18):116-117.[5]简兵,庄镇泉,李海鹰,基于脊线跟踪的指纹图像细节提取算法[J].电路与系统学报,6(3):1-5.[6]平建创.指纹识别预处理和匹配算法的研究[D].电子科技大学(成都),2005.[7]王丹,张小波.基于各向异性扩散和冲击滤波的指纹图像增强算法[J].智能计算机与应用,2019,9(05):320-322+325.[8]陈斯宇.指纹识别图像预处理系统的设计和实现[D].吉林大学,2015.[9]YinX,ZhuY.3DFingerprintRecognitionbasedonRidge-valley-guided3DReconst-ructionand3DTopologyPolymerFeatureExtraction[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2019,37(04):455-457.[10]Ezhilmaran,Devarasan.Bio-medicalandlatentfingerprintenhancementandmatchingusingadvancedscalablesoftcomputingmodels[J].JournalofAmbientIntelligenceandHumanizedComputing,2019,10(10).532-541.[11]MunishKumar,Priyanka.Variousimageenhancementandmatchingtechniquesusedforfingerprintrecognitionsystem[J].InternationalJournalofInformationTechnology,2019,11(04):132-136.[12]LiMF,ZhaoLC,TanD.BLEFingerprintIndoorLocalizationAlgorithmBasedonEight-NeighborhoodTemplateMatching[J].Sensors(Basel,,Switzerland),2019,19(22):376-380.致谢此时此刻,我完成了论文的初稿。我首先要衷心的感谢我的指导老师邬老师。还有毕业设计期间为我解答疑惑的研究生学姐。我十分感谢他们对我的指导和对我的关怀。这个过程对我来说挺不容易的,我知识基础不是很好,做毕业设计时曾经遇到过很多困难。但是平易近人的邬老师总会为我解答疑惑。这学期因为疫情的原因没能开学,虽然在家里,但是邬老师每周都会召我们开例会,让我们每个人都说一说我们一周里的学习内容和学习进度等等,了解我们的学习情况,对每个人的学习进行细致的点评和指导,对我们感到疑难的问题老师会为我们提供一个清晰的思路,引导我们去解决问题。我有时候会有些懈怠,老师和研究生学姐特别关心我的情况,并督促我完成设计任务,按时阅读文献。整个做毕业设计的过程下来,我收获不少。转眼间在东北电力大学已经度过了四年的时间,马上要毕业了。这四年的时间里,我和同学们一起生活一起学习,互帮互助,建立起深厚的友谊。我很感谢我的同学们。我也很感谢学校的老师们,传授给我们知识。最后我也要感谢我的父母,感谢他们一直以来对我的支持和理解。感谢所有关心、帮助过我的老师和朋友们,祝你们生活幸福美满,身体健康,万事顺利。附录程序closeall;tic;clear;thin1=tuxiangyuchuli('zhiwen.png');thin2=tuxiangyuchuli('zhiwen.png');figure;txy1=point(thin1);txy2=point(thin2);[w1,txy1]=guanghua(thin2,txy2);[w2,txy2]=guanghua(thin2,txy2);thin1=w1;thin2=w2;txy1=cut(thin1,txy1);txy2=cut(thin2,txy2);[pxy31,error2]=combine(thin1,8,txy1,60);[pxy32,error2]=combine(thin2,8,txy2,60);error=1;num=20;cxy1=pxy31;cxy2=pxy32;d1=distance(cxy1(1,1),cxy1(1,2),num,thin1);d2=distance(cxy2(1,1),cxy2(1,2),num,thin2);f=(sum(abs((d1./d2)-1)));if(f<0.5)error=0;elseerror=1;endfc11=find_point(cxy1(1,1),cxy1(1,2),txy1,1);c12=find_point(cxy1(1,1),cxy1(1,2),txy1,2);c21=find_point(cxy2(1,1),cxy2(1,2),txy2,1);c22=find_point(cxy2(1,1),cxy2(1,2),txy2,2);cxy1(2,:)=c11;cxy1(3,:)=c12(2,:);cxy2(2,:)=c21;cxy2(3,:)=c22(2,:);x11=cxy1(1,1);y11=cxy1(1,2);x12=cxy1(2,1);y12=cxy1(2,2);x13=cxy1(3,1);y13=cxy1(3,2);x21=cxy2(1,1);y21=cxy2(1,2);x22=cxy2(2,1);y22=cxy2(2,2);x23=cxy2(3,1);y23=cxy2(3,2);dd1(1)=juli(x11,y11,x12,y12);dd1(2)=juli(x12,y12,x13,y13);dd1(3)=juli(x13,y13,x11,y11);dd2(1)=juli(x22,y21,x22,y22);dd2(2)=juli(x22,y22,x23,y23);dd2(3)=juli(x23,y23,x21,y21);ff=sum(sum(abs((d1./d2)-1)))ifff<1error=0elseerror=1endcxy1(2:41,:)=find_point(pxy31(1,1),pxy31(1,2),txy1,40);cxy2(2:41,:)=find_point(pxy32(1,1),pxy32(1,2),txy2,40);f11=length(find(cxy1(:,3)==2));f12=length(find(cxy1(:,3)==6));f21=length(find(cxy2(:,3)==2));f22=length(find(cxy2(:,3)==6));fff=abs(f11-f21)/(f11+f12)tocfunctionw=tuxiangyuchuli(image)f=imread('zhiwen.png');f=imresize(f,[362,311]);figure;imshow(f);gray=double(rgb2gray(f));figure;imshow(uint8(gray));[m,n]=size(gray);M=0;var=0;forx=1:mfory=1:nM=M+gray(x,y);endendM1=M/(m*n);forx=1:mfory=1:nvar=var+(gray(x,y)-M1).^2;end;end;var1=var/(m*n);forx=1:mfory=1:nifgray(x,y)>M1gray(x,y)=150+sqrt(2000*(gray(x,y)-M1)/var1);elsegray(x,y)=150-sqrt(2000*(M1-gray(x,y))/var1);endendendfigure;imshow(uint8(gray));M=3;H=floor(m/M);L=floor(n/M);aveg1=zeros(H,L);var1=zeros(H,L);forx=1:Hfory=1:Laveg=0;var=0;fori=1:Mforj=1:Maveg=gray(i+(x-1)*M,j+(y-1)*M)+aveg;end;end;aveg1(x,y)=aveg/(M*M);fori=1:Mforj=1:Mvar=(gray(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)).^2+var;end;end;var1(x,y)=var/(M*M);end;end;Gmean=0;Vmean=0;forx=1:Hfory=1:LGmean=Gmean+aveg1(x,y);Vmean=Vmean+var1(x,y);endendGmean1=Gmean/(H*L);Vmean1=Vmean/(H*L);gtemp=0;gtotle=0;vtotle=0;vtemp=0;forx=1:Hfory=1:LifGmean1>aveg1(x,y)gtemp=gtemp+1;gtotle=gtotle+aveg1(x,y);endifVmean1<var1(x,y)vtemp=vtemp+1;vtotle=vtotle+var1(x,y);endendendG1=gtotle/gtemp;V1=vtotle/vtemp;gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;forx=1:Hfory=1:LifG1<aveg1(x,y)gtemp1=gtemp1+1;gtotle1=gtotle1+aveg1(x,y);endif0<var1(x,y)<V1vtemp1=vtemp1+1;vtotle1=vtotle1+var1(x,y);endendendG2=gtotle1/gtemp1;V2=vtotle1/vtemp1;e=zeros(H,L);forx=1:Hfory=1:Lifaveg1(x,y)>G2&&var1(x,y)<V2e(x,y)=1;endifaveg1(x,y)<G1-100&&var1(x,y)<V2e(x,y)=1;endendendforx=2:H-1fory=2:L-1ife(x,y)==1ife(x-1,y)+e(x,y+1)+e(x+1,y+1)+e(x-1,y+1)+e(x+1,y)+e(x+1,y-1)+e(x,y-1)+e(x-1,y-1)<=4e(x,y)=0;endendendendIcc=ones(m,n);forx=1:Hfory=1:Life(x,y)==1fori=1:Mforj=1:Mgray(i+(x-1)*M,j+(y-1)*M)=G1;Icc(i+(x-1)*M,j+(y-1)*M)=0;endendendendendfigure,imshow(uint8(gray));figure,imshow(Icc);temp=(1/9)*[1,1,1;1,1,1;1,1,1];Im=gray;In=zeros(m,n);fora=2:m-1forb=2:n-1In(a,b)=Im(a-1,b-1)*temp(1,1)+Im(a-1,b)*temp(1,2)+Im(a-1,b+1)*temp(1,3)+Im(a,b-1)*temp(2,1)...+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b-1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3);endendgray=In;Im=zeros(m,n);forx=5:m-5fory=5:n-5sum1=gray(x,y-4)+gray(x,y-2)+gray(x,y+2)+gray(x,y+4);sum2=gray(x-2,y+4)+gray(x-1,y+2)+gray(x+1,y-2)+gray(x+2,y-4);sum3=gray(x-2,y+2)+gray(x-4,y+4)+gray(x+2,y-2)+gray(x+4,y-4);sum4=gray(x-2,y+1)+gray(x-4,y+2)+gray(x+2,y-1)+gray(x+4,y-2);sum5=gray(x-2,y)+gray(x-4,y)+gray(x+2,y)+gray(x+4,y);sum6=gray(x-4,y-2)+gray(x-2,y-1)+gray(x+2,y+1)+gray(x+4,y+2);sum7=gray(x-4,y-4)+gray(x-2,y-2)+gray(x+2,y+2)+gray(x+4,y+4);sum8=gray(x-2,y-4)+gray(x-1,y-2)+gray(x+1,y+2)+gray(x+2,y+4);sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8];summax=max(sumi);summin=min(sumi);summ=sum(sumi);b=summ/8;if(summax+summin+4*gray(x,y))>(3*b)sumf=summin;elsesumf=summax;endifsumf>bIm(x,y)=128;elseIm(x,y)=255;endendend%imshow(Im);fori=1:mforj=1:nIcc(i,j)=Icc(i,j)*Im(i,j);endendfori=1:mforj=1:nif(Icc(i,j)==128)Icc(i,j)=0;elseIcc(i,j)=1;endendendfigure;imshow(double(Icc));title('Icc');u=Icc;forx=2:m-1fory=2:n-1ifu(x,y)==0ifu(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3u(x,y)=1;endelseu(x,y)=u(x,y);endendendfigure;imshow(u);title('去除毛刺');fora=2:m-1forb=2:n-1ifu(a,b)==1ifabs(u(a,b+1)-u(a-1,b+1))+abs(u(a-1,b+1)-u(a-1,b))+abs(u(a-1,b)-u(a-1,b-1))...+abs(u(a-1,b-1)-u(a,b-1))+(abs(u(a,b-1)-u(a+1,b-1)))+abs(u(a+1,b-1)-u(a+1,b))...+abs(u(a+1,b)-u(a+1,b+1))+abs(u(a+1,b+1)-u(a,b+1))~=1if(u(a,b+1)+u(a-1,b+1)+u(a-1,b))*(u(a,b-1)+u(a+1,b-1)+u(a+1,b))+(u(a-1,b)+u(a-1,b-1)+u(a,b-1))...*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0u(a,b)=0;endendendendendfigure;imshow(u);title('去除空洞');v=~u;figure;imshow(v);se=strel('square',3);fo=imopen(v,se);figure;imshow(fo);title('开运算')v=imclose(fo,se);figure;imshow(v);title('闭运算')w=bwmorph(v,'thin',Inf);figure;imshow(w);title('细化图')function[pxy3,error2]=combine(thin,r
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026-2027学年上学期单元测试高二物理模拟卷打印版
- 2026-2027学年上学期单元测试二年级语文测试卷及答案解析
- 2025超声技师超声诊断基础强化训练题及答案
- 地下连续墙钢筋笼制作安装质量控制专项方案
- 造纸车间耐腐蚀花岗岩砌筑施工方案
- 幼儿园管理能力考核表
- 交通场站防疫管理规范
- 冰箱结冰原因分析及解决方法
- 智慧教育平台课程质量管理手册
- 智能停车场电子收费系统建设规范
- 4.1 《观察的范围》教案 2026-2027学年四年级上册数学北师大版
- 2026年高考数学命题特征分析及2027届高三复习备考策略讲座
- 2026年秋季道德与法治五年级上知识点
- 2026年全国卷新高考英语语法易错题卷(含解析)
- 2025中核集团原子能院校园招聘笔试参考题库附答案
- 货运公司安全生产责任考核标准
- 转诊转科交接管理
- DB13 2081-2014 工业和民用燃料煤
- 2025全国农业(水产)行业职业技能大赛(水生物病害防治员)选拔赛试题库(含答案)
- 2020-2025年中国湖北省开发区行业市场调查研究及投资前景预测报告
- 超星尔雅学习通《舌尖上的植物学(北京大学)》2025章节测试附答案
评论
0/150
提交评论