CN100342391C - 自动指纹分类系统和方法 - Google Patents

Abstract

本发明涉及计算机技术领域，特别是涉及一种自动指纹识别分类方法。本发明是根据奇异点把指纹分为六类：拱型，尖拱型，左漩，右漩，漩涡和奇异型。本指纹分类系统依赖于指纹奇异点(包括中心点：corepoint，和三角点：delta point)的数目和奇异点周围脊线方向。预先通过分割程序把指纹图像分成前景区和背景区，然后程序在前景区进行处理，对指纹图像，构造一个块方向场图像；利用块方向场来确定指纹奇异点的位置和方向；根据奇异点的数目和方向，以及预先确定的一些规则，将指纹分成六类。

Description

自动指纹分类系统和方法

技术领域

本发明涉及计算机技术领域，特别是涉及一种自动指纹识别分类系统和方法。

背景技术

每个人都具有唯一的指纹特性。对要待识别的人来说，指纹匹配是最重要的识别方法。指纹匹配可以在两个层次上进行，一个是粗匹配，一个是精确匹配。在粗匹配过程中，指纹被分为六类：拱型，尖拱型，右漩，左漩，漩涡型和奇异型。精确匹配是通过提取细节点来实现的，两个指纹的相似性是通过比较两个指纹的细节点来实现。虽然粗匹配不能够唯一的识别一个指纹，但是它在确定两个指纹不匹配的过程中非常有用。比如，一个右漩的指纹只能和一个右漩的指纹匹配，它不可能和一个拱型之类的指纹匹配。对指纹识别的专家来说，实行粗分类是一个很简单的问题。

一般的指纹分类系统从获得指纹图到决定指纹类型将经过以下几个处理步骤：指纹图像，图像预处理，特征提取，分类器，如图1所示。其中各部分功能大致如下：

一、图像预处理：

图像预处理部分包括了两个步骤：图像分割与图像增强。

(1)图像分割：分割器读取输入的指纹图，剪切出该指纹图的前景清晰脊线区域，减少以后各步骤中所要处理的数据量。

(2)图像增强：该步骤通过增强分割后的指纹图提高图像质量。

二、特征提取：

该步骤根据灰度指纹图，生成方向数组。此数组是分类系统使用的基本特征。

三、指纹分类器：输出分类结果。

图像预处理和特征提取的结果，如图2的(a)，(b)，(c)，(d)图所示，图2(a)为原始指纹图像，图2(b)为分割后的指纹图像，图2(c)为增强后的指纹图像，图2(d)为求出的指纹图像中心。

但是对一个自动指纹识别系统来说，指纹分类就比较困难一些，它必须考虑指纹脊线全局走向和指纹的局部方向。目前，这一问题尚未得到完全解决。

发明内容

本发明的目的是设计一种自动分类指纹图像的方法。这种方法应该准确并不易受噪声的影响。而且，这种方法根据奇异点的位置和数目以及脊线方向把指纹分成六类，如图4所示。

为了达到这个目的，本发明的技术解决方案是提供一种自动指纹分类方法，其包括步骤：

(1).把一幅H×W的指纹数字图像分成一些大小为M×N的方块，获得

个方块；

(2)把每个方块分为背景块或前景块；

(3)根据最小平方差确定每个指纹方块的脊线方向d(i，j)；

(4)对估计的块脊线方向d(i，j)进行滤波，在没有奇异点的邻域内，局部脊线方向是缓慢变化的，用一个低通滤波器来滤波脊线块方向，在滤波后的图像上求出块方向场；

(5)根据块方向场确定奇异点的位置；

(6)若奇异点的数目≤4，根据奇异点的个数和方向，按规则把指纹图像分为六类中的一种。

所述的自动指纹分类方法，其所述前景块，为包含指纹的区域。

所述的自动指纹分类方法，其所述奇异点包括中心点和三角点。

所述的自动指纹分类方法，其所述第(2)步中分背景块或前景块，其区分的方法是根据块的灰度平均值和方差区分，方法如下：设方块以(i，j)为中心的方块(0＜I≤M，0＜j≤N)的平均值为m(i，j)，方差为v(i，j)，若m(i，j)＜Thre1并且v(i，j)＞Thre2，则以i、j为中心的方块是包含指纹的前景块，否则以i、j为中心的方块作为背景块；其中，Thre1和Thre2是两个固定值。

所述的自动指纹分类方法，其所述第(3)步中确定每个指纹方块的脊线方向d(i，j)，有以下步骤：a.计算每一点i，j的梯度_x(i，j)和_y(i，j)，其梯度算子选为Sobel算子；b.计算以i，j为中心的每一块的方向，c.在计算每一块方向的同时，求每一块的最小平方差。

所述的自动指纹分类方法，其所述第(5)步中，确定奇异点的位置包括步骤：

a.对每一个以i、j为中心的方块，取其周围的一闭曲线D1D2...D12D1；

b.在曲线D1D2...D12D1上计算Poincare的值.计算出候选奇异点；

c.消除伪奇异点，在一些指纹图像中，由于噪声等因素的影响，可能存在伪奇异点。

所述的自动指纹分类方法，其为了消除伪奇异点，还对每一个以i、j为中心的方块，计算了同一点的里面闭曲线d1d2...d8d1的Poincare值；只有当在3×3和5×5的Poincare值相同的时候，这个候选奇异点才作为真正的奇异点，并对求得的奇异点用k-均值聚类算法求得最终的奇异点。

所述的自动指纹分类方法，其所述在3×3和5×5的Poincare值相同，即同为1/2或-1/2。

所述的自动指纹分类方法，其所述第(6)步中，若奇异点的数目大于四，则回到第(4)步，对方向场继续滤波。

所述的自动指纹分类方法，其所述六类指纹图像，为拱型，尖拱型，左漩，右漩，漩涡和奇异型。

所述的自动指纹分类方法，其所述六类指纹图像，其分类规则为：

a.若没有奇异点，奇异点包括中心点和三角点，中心点和三角点均可做为奇异点，则把指纹分为尖拱型；

b.若有两个中心点和两个三角点，则把指纹分为漩涡型；

c.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差小于一个固定的阈值，则把指纹分为拱型；

d.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的右侧，则把指纹分为左漩；

e.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的左侧，则把指纹分为右漩。

f.若不满足a，b，c，d，e，则把指纹分为奇异型。

附图说明

图1指纹分类方法原理框图；

图2指纹分类方法执行的各个步骤：(a)原始指纹图像；(b)分割后的指纹图像；(c)增强后的指纹图像；(d)求出的指纹图像中心点；

图3本发明的流程图；

图4本发明中的六类：(a)左漩型；(b)右漩型；(c)漩涡型；(d)尖拱型；(e)拱型；(f)奇异型；

图5本发明计算出的方向场图：(a)原始图；(b)方向场。

具体实施方式

对每一个输入的指纹图像，本发明的流程如图3所示，具体的分类过程如下：

1.把每个方块分为背景块或者前景块(包含指纹的区域)。区分的方法是根据平均值和方差。块(i，j)的平均值为 $m(i,j)=\frac{1}{m\×n}\underset{m=i-M/2}{\overset{i+M/2}{\mathrm{\Σ}}}\underset{n=j-N/2}{\overset{j+N/2}{\mathrm{\Σ}}}I(m,n),$ 方差是 $v(i,j)=\sqrt{\frac{1}{M\×N}\underset{m=i-M/2}{\overset{I+M/2}{\mathrm{\Σ}}}\underset{N=j-N/2}{\overset{j+N/2}{\mathrm{\Σ}}}{(I(m,n)-m(i,j))}^2}.$ 这里I(m，n)是指纹图像中位于(m，n)的象素的灰度值。若m(i，j)＜Thre1并且v(i，j)＞Thre2，则以(i，j)为中心的方块是包含指纹的前景块，否则(i，j)作为背景块。Thre1和Thre2是两个固定值。

2.确定每个指纹方块的脊线方向，由如下几步组成：

a.计算每一点i、j的梯度_x(i，j)和_y(i，j)，在这里，梯度算子选为Sobel算子。

b.计算以(i，j)为中心的每一块的方向，如下：

$V_x(i,j)=\underset{u=i-M/2}{\overset{u=i+M/2}{\mathrm{\Σ}}}\underset{v=j-N/2}{\overset{j+N/2}{\mathrm{\Σ}}}2{\∂}_{x}I(u,v){\∂}_{y}I(u,v)$

$V_y(i,j)=\underset{u=i-M/2}{\overset{i+M/2}{\mathrm{\Σ}}}\underset{v=j-N/2}{\overset{j+N/2}{\mathrm{\Σ}}}({\∂}_x^{2}I(u,v)-{\∂}_y^{2}I(u,v))$

$\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{V_y(i,y)}{V_x(i,j)}\right)$

这里θ(i，j)是局部脊线方向的最小平方估计。

3.由于噪声、断裂的脊线和谷线的存在，估计的脊线方向θ(i，j)可能不是总正确。在没有奇异点的邻域内，局部脊线方向是缓慢变化的，可以用一个低通滤波器来修改不正确的脊线方向。为了做这件事情，方向场需要转化到一个连续的向量场中：

      φ_x(i，j)＝cos(2θ(i，j))

      φ_y(i，j)＝sin(2θ(i，j))

φ_x，φ_y是向量场的x，y分量，低通滤波可以如下表示：

${\mathrm{\φ}}_x^{\′}(x,y)=\underset{u=-w_{\mathrm{\φ}}/2}{\overset{w_{\mathrm{\φ}}/2}{\mathrm{\Σ}}}\underset{v=-w_{\mathrm{\φ}}/2}{\overset{w_{\mathrm{\φ}}/2}{\mathrm{\Σ}}}h(u,v){\mathrm{\φ}}_x(i-\mathrm{uw},j-\mathrm{vw})$

${\mathrm{\φ}}_y^{\′}(x,y)=\underset{u=-w_{\mathrm{\φ}}/2}{\overset{w_{\mathrm{\φ}}/2}{\mathrm{\Σ}}}\underset{v=-w_{\mathrm{\φ}}/2}{\overset{w_{\mathrm{\φ}}/2}{\mathrm{\Σ}}}h(u,v){\mathrm{\φ}}_y(i-\mathrm{uw},j-\mathrm{vw})$

其中h是一个2维低通滤波器其积分为1，^wφ×^wφ是滤波器的大小。这个平滑操作是在块上执行的。其缺省大小为5×5。

4.计算在i，j局部方向场：

$O(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{{\mathrm{\φ}}_y^{\′}(i,j)}{{\mathrm{\φ}}_x^{\′}(i,j)}\right)$

求的块方向场如图5所示。

5.确定奇异点的位置如下：

a.对每一个方块，取其周围的一闭曲线D1D2...D12D1。如表1：

	D12	D11	D10
					D1	d1	d8	d7	D9
D2	d2	(i，j)	d6	D8
					D3	d3	d4	d5	D7
	D4	D5	D6

        表1闭曲线的离散表示

则在曲线D1D2...D12D1上计算Poincare的值如下：

$\mathrm{Poincare}(i,j)=\underset{i=1}{\overset{12}{\mathrm{\Σ}}}|D_i-D_{(i+1)\mathrm{mod}12}|$

这样得到相邻的几个候选奇异点，我们用k-均值算法来得到最终的奇异点。

b.在一些指纹图像中，由于噪声等因素的影响，可能存在伪奇异点。为了消除伪奇异点，我们还计算了同一点的里面曲线d1d2...d8d1的Poincare值，如表1。只有当在3×3和5×5的Poincare值(1/2或-1/2)相同的时候，这个候选奇异点才作为真正的奇异点。奇异点包括中心点：core point，和三角点：delta point。

6.为了把指纹图像进行分类，设定如下规则：

a.若没有奇异点，奇异点包括中心点和三角点，中心点和三角点均可做为奇异点，则把指纹分为尖拱型；

b.若有两个中心点和两个三角点，则把指纹分为漩涡型；

c.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差小于一个固定的阈值，则把指纹分为拱型；

d.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的右侧，则把指纹分为左漩；

e.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的左侧，则把指纹分为右漩。

f.若不满足a，b，c，d，e，则把指纹分为奇异型。

Claims (10)

1.一种自动指纹分类方法，其特征在于，包括步骤：

(1)把一幅H×W的指纹数字图像分成一些大小为M×N的方块，获得

方块；

(2)把每个方块分为背景块或前景块；

(3)根据最小平方差确定每个指纹方块的脊线方向θ(i，j)；

(4)对估计的块脊线方向θ(i，j)进行滤波，在没有奇异点的邻域内，局部脊线方向是缓慢变化的，用一个低通滤波器来滤波脊线块方向，在滤波后的图像上求出块方向场；

(5)根据块方向场确定奇异点的位置；

(6)若奇异点的数目≤4，根据奇异点的个数和方向，按规则把指纹图像分为拱型，尖拱型，左漩，右漩，漩涡和奇异型中的一种。

2、如权利要求1所述的自动指纹分类方法，其特征在于，所述前景块，为包含指纹的区域。

3、如权利要求1所述的自动指纹分类方法，其特征在于，所述奇异点包括中心点和三角点，中心点和三角点均可做为奇异点。

4、如权利要求1所述的自动指纹分类方法，其特征在于，所述第(2)步中分背景块或前景块，其区分的方法是根据块的灰度平均值和方差区分，方法如下：设以i、j为中心的方块的平均值为m(i，j)，方差为v(i，j)，其中0＜i≤M，0＜j≤N，若m(i，j)＜Thre1并且v(i，j)＞Thre2，则以i、j为中心的方块是包含指纹的前景块，否则以i、j为中心的方块作为背景块；其中，Thre1和Thre2是两个固定值。

5、如权利要求1所述的自动指纹分类方法，其特征在于，所述第(3)步中确定每个指纹方块的脊线方向θ(i，j)，有以下步骤：a.计算每一点i，j的梯度_x(i，j)和_y(i，j)，其梯度算子选为Sobel算子；b.计算以i，j为中心的每一块的方向，c.在计算每一块方向的同时，求每一块的最小平方差。

6.如权利要求1所述的自动指纹分类方法，其特征在于，所述第(5)步中，确定奇异点的位置包括步骤：

a.对每一个以i、j为中心的方块，取其周围的两条闭曲线d1d2...d8d1和D1D2...D12D1，其中3×3曲线是由围绕以i、j为中心的方块的八个方块所构成，为曲线d1d2...d8d1，5×5曲线是由围绕上述3×3曲线的12个方块所构成，为曲线D1D2...D12D1；

b.在曲线D1D2...D12D1上计算Poincare的值，计算出候选奇异点；

c.消除伪奇异点，在一些指纹图像中，由于指纹采集时噪声和边缘效应的影响，可能存在伪奇异点。

7.如权利要求6所述的自动指纹分类方法，其特征在于，为了消除伪奇异点，还对每一个以i、j为中心的方块，围绕以i、j为中心的方块分别取3×3和5×5两条闭曲线，其中3×3曲线是由围绕该点的八个方块所构成，为曲线d1d2...d8d1，5×5曲线是由围绕上述3×3曲线的12个方块所构成，为曲线D1D2...D12D1，计算同一点的里面闭曲线d1d2...d8d1的Poincare值；将围绕同一点的闭曲线分为两条，分别为3×3和5×5的离散曲线，只有当在3×3和5×5的Poincare值相同的时候，这个候选奇异点才作为真正的奇异点，并对求得的奇异点用k-均值聚类算法求得最终的奇异点。

8.如权利要求7所述的自动指纹分类方法，其特征在于，将围绕同一点的闭曲线分为两条，分别为3×3和5×5的离散曲线，所述在3×3和5×5的Poincare值相同，即同为1/2或-1/2。

9.如权利要求1所述的自动指纹分类方法，其特征在于，所述第(6)步中，若奇异点的数目大于四，则回到第(4)步，对方向场继续滤波。

10.如权利要求1所述的自动指纹分类方法，其特征在于，所述六类指纹图像，为拱型，尖拱型，左漩，右漩，漩涡和奇异型，其分类规则为：

a.若没有奇异点，奇异点包括中心点和三角点，中心点和三角点均可做为奇异点，则把指纹分为尖拱型；

b.若有两个中心点和两个三角点，则把指纹分为漩涡型；

c.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差小于一个固定的阈值，则把指纹分为拱型；

d.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的右侧，则把指纹分为左漩；

e.若指纹图像有一个中心点和一个三角点，中心点方向和中心点与三角点连线的方向之差大于一个固定的阈值，并且三角点在中心点的左侧，则把指纹分为右漩；

f.若不满足a，b，c，d，e，则把指纹分为奇异型。

Images