CN100483449C - 曲线识别方法 - Google Patents

Abstract

本发明提供了可以应用于识别人的指纹的曲线识别方法，其技术要点是：对图像信息进行局部和片断的识别处理；对曲线画像中的重要要素，如曲线形状、倾斜度和位置等，可使用简捷的数据进行表述；沿着上述曲线上等间隔的弦进行采样，把采样点连接后得到很多的弦长，利用这些弦长表示曲线形状；利用这种手段得到的计测数据的数值群完成对曲线的储存、还原和对比。使用这种方法，用很少的内存容量就可以表达曲线。而且可利用简单的装置，进行高速、正确的数据存储和曲线识别，完成曾被认为只有人可以做到而机器很难做到的“物体的形状识别”工作。它可以作为确定本人的手段，如代替钥匙和锁的装置，代替车票的验票；代替信用交易等。

Description

曲线识别方法

【技术领域】

本发明涉及用于识别人的指纹的曲线识别方法。它作为确认本人的手段，可应用于犯罪搜查；代替钥匙和卡的锁装置；代替车票和定期券的验票；代替信用卡或代替密码和印章的无现金信用交易；代替传统的用电话的声音来确认本人的房产交易等资产管理的电子商务；用于医疗记录、社会福利、服务业、行政及其它履历数据如户口本的检索；以及通过徽章及面孔来进行识别的专业保卫业务等场合。

【背景技术】

以前在指纹识别系统中应用的曲线识别系统是对指纹的整体图像进行处理，并没有对是否容易出现特征点的区域进行区分，也没有根据图像内容来划分信息价值的重要与否，而是对指纹的整体图像均一地处理，如肉眼识别一样构成数据库及识别系统。然而，指纹等曲线是由含有不易受旋转、移动及噪声干扰的局部的特征点及隆线形状的特定部份，就是说信息价值高的部份和价值不高的部份组成的图像，对比时有必要加以利用，采用一成不变的处理方法浪费太大。而且，在构成识别系统基础的数据库的数据存储部分中，如果把信息价值不高的部份也一律保存，浪费大量的存储器容量，这是识别系统的成本和对比速度受到限制的重要原因。再有、不分要点、对数据不进行加工就进行无意义的对比，对比的效率也不好，难以获取高的识别率。进一步讲，指纹识别时不利用应该使用的表示与特征点相关的信息，而使用与特征点的位置及特征点无直接关系的隆线形状的图像数据，这样在有旋转、移动和噪音的影响时识别的效果会显著恶化。

【发明内容】

本发明的目的是：消除以前的应用于指纹识别的曲线识别系统的缺点，不浪费内存容量，在对比时充分利用特征点使之具有良好的效率，进一步讲，关于隆线形状的图像数据，本发明有效使用仅表示特征点的位置关系的数字信息即特征数据，避免由旋转、移动和噪音引起的识别精度的恶化，高速正确地完成对比处理，以提高识别率获取结果，并能以较低价格提供应用于指纹识别等的曲线识别系统作为目的。

为实现本发明的目的，本发明技术方案的内容是：

一、如图1所示，做为曲线的数据表示形式，在曲线(40)的延长方向用单位长度的弦依次确定测量点(31)(32)(33)(34)，一直进行到前面所述曲线(40)的末端。从该测定点开始到两个单位距离的测量点的弦(51)(52)(53)，依次对其长度进行计测，利用这种手段得到的计测数据的数值群完成对曲线的储存、还原和对比。

如此这般，如果是弯曲方向不反转的曲线，根据三个弦(51)(52)(53)的长度及上述单位长度的数值就可以还原四个测定点(31)(32)(33)(34)的位置关系。

因此，重复考虑测定点的同时，反复进行这种操作，根据与原曲线上的测定点的联系，如果是弯曲方向不反转的曲线，可以完全还原和确定原有曲线。而且，这样表达曲线形状的方法，即使移动和翻转同一曲线，三个弦(51)(52)(53)的长度和四个测定点(31)(32)(33)(34)的位置关系不变。

因此，如果使用这种方法，用很少的内存容量就可表达曲线。

据此，如果是弯曲方向不反转的曲线，根据曲线长度和形状的计测数据的数值群可以正确储存、还原和对比。而且，即使移动和旋转被测曲线，也不妨碍曲线的识别。这种表达曲线的数据格式，是可消除移动和旋转影响的表达方法。

一般而言，如果仅仅是数值群的比较，机器比人肯定要有利。

能把这些曾被认为人可以做到而机器很难做到的“物体的形状识别”数据处理工作完全交给机器去做，可以取得高速、正确地处理巨大的数据库的好效果。

二、如图3所示，具备把由宏观上很细密而微观上有一定间隔的，有规则排列的画素形成的画像变换成上述数值群的画像处理算法，在该算法中，当测量点处于上述间隔位置时，计算出从上述曲线上的一个基准点(100)开始到规定直线距离(99)的测量点(12)的坐标，这种方法是假定组成一个三角形，三个点分别是：从基准点(100)开始比规定直线距离(99)近的第一个画素位置(10)、比规定直线距离(99)远的第二个画素位置(11)以及基准点(100)。根据基准点(100)和第一个画素位置(10)组成的第一边、基准点和第二个位置的画素(11)组成的第二边的长度分别和前面规定直线距离(99)的比例，在第一个位置的画素(10)与第二个位置的画素(11)相连组成的第三边上以同样比例确定出上述坐标的测定点近似计算出测量点的算法。

据此，对仅仅具有有限的分解度的摄像画面，通过将其放大并在其画素之间进行插值处理，即在经过放大后可以被视觉功能看到的大量的画素之间通过理论计算推断出并且补上那些丢掉的点，由此从理论上来说可以取得无限的分解度.

三、如图4所示，作为表示曲线(400)的数据形式，用上述曲线(400)的弦(501)(502)(503)(504)中的两个弦构成的角度等来表示曲线的弯曲方向的方位角(408)，并且用弦的曲率度(409)(410)(411)和弦(501)(502)(503)(504)的长度组合来表述上述的数值群，利用这样的数值群对上述曲线(400)，从形状到方向进行特定的记忆、还原和识别.

进而，对于S字形状弯曲方向被翻转的曲线，也可以通过区别那个曲线的弯曲方向的同时识别出其形状，并完全能够从数值还原到曲线。进一步说，对于画面上旋转的曲线，如果表示方向的数据以外的数据一致的话，即使存在形状类似的曲线，也能够识别出这些曲线之间的不同。反过来说，如果能识别出形状类似的曲线仅仅是由旋转而产生的话，就能够判断出是同一曲线形状。

四、如图4所示，作为表示曲线(400)的数据格式，通过把特定的弦(501)的某一端处的特定的轨迹点(402)(403)(404)(405)的位置，作为位置数据进行数据化的位置测定手段；以及利用包含那个位置数据的上述数值群，对上述曲线(400)的形状、方向以及位置进行特定的记忆、还原和识别。

用这种方法，就可以根据表示识别画面上的曲线移动的位置的数据的不同，来完成识别。反过来说，只要能识别出形状类似的曲线仅仅是曲线移动产生的话，就能够判断出是同一曲线形状。

五、如图6所示，把图像分割成密集的图像块的模块细分化手段；以及增强该图像块的对比度进而作黑白二值化处理，得到二值化处理的图像，以此作为第1个二值化处理手段(S3)；以及从该二值化处理图像中提取出上述指纹的凸起模样也就是隆线的方向的提取手段(S4)；以及把沿着上述曲线方向的线的图像信息判断为有效，把不沿着曲线方向的图像信息判断为噪声，除去那些噪声而改善图像的灰度级图像改善手段(S5)；以及增强该改善图像的对比度，进行黑白二值化并获得二值化处理图像，以此作为第2个二值化处理手段(S6)；从由密集的有一定幅度的像素束形成的上述隆线的外端，向这个像素束的中心进行幅压缩，一直到单一的像素幅度为止，并变换成细线化的隆线的细线化方法(S7)；如图(7)所示，把拥有同方向隆线的邻近的端点(20)，或者是邻近交叉点的端点(21)以及邻近图像边框的端点(22)，看作上述隆线由于噪声而产生的伪特征点，将这些伪特征点相连接而消除伪特征点的伪特征点修正手段(S8)；从实施以上伪特征点修正处理后的上述隆线的端点以及分叉点之中，抽出真正的特征点的特征点抽出手段(S9)；具备以上手段，并应用于指纹识别中。

如上所述，对于包含噪声的指纹的输入图像，也可以以很高的识别率实现指纹识别。

六、在某些人的指纹中由端点及其分叉点形成的特征点比较少，用特征点进行指纹识别的手段因此受到一定的范围限制。本发明是以从特征点为起始点的隆线的形状作为特征点，以真正的特征点为起点设定二次特征点，以此二次特征点为起点把由此得到的隆线的形状附加到指纹信息中，从而增加了算法的适用范围。

七、如图8所示，通过上述细线化手段和伪特征点修正手段，完成一系列处理。在这一系列处理中，通过原来的黑白图像，抽出第1类的自身的上述端点的第1次的端点抽出处理；以及把原图像的信号进行黑白翻转的正反翻转手段；以及使该黑白翻转的信号第2次通过上一系列处理，抽出得到第2类的上述端点，通过第2个端点的抽出处理，具有了从原来的黑白图像的隆线中端点和交叉点这两方面进行特征点抽出的手段，并应用于指纹识别。

进而，伴随着把分成两叉的隆线进行黑白翻转处理，图像结构最终简单化了，仅仅用既没有分叉也没有交叉的单纯的曲线的集合构成图像结构，利用这些简化的图像结构进行指纹识别，最适合能进行庞大数据处理的机器识别，同以往的手法相比，首次实现了使用很少的存储量就可以进行简单化处理的设备，由此，可以高速而且准确地进行指纹识别

八、由于各种原因，扑捉到的指纹图像会带有一定的噪声，常常发生隆线或谷线断开，产生伪特征点，区别指纹的真伪特征点的手段是，对连接到隆线或谷线上的分叉点(101)的三根隆线或谷线，从分叉点(101)按照等距离求出隆线或谷线上的点(102)(103)(104)，以分叉点(101)作为原点求出该三个点(102)(103)(104)的二维空间的座标(Xa，Ya)，(Xb，Yb)，(Xc，Yc)，对三点(102)(103)(104)中的任意两点(102)(103)，求出该两点座标(Xa，Ya)，(Xb，Yb)的水平分量的积(Xa·Xb)与纵垂直分量的积(Ya·Yb)之和(Xa·Xb+Ya·Yb)，如果该积比阈值大，则分叉点就被判断为真正的特征点；如果任意两点间求出的纵座标的积与横座标的积之和都小于阈值，则分叉点就被判断为伪特征点。可见，，这种算法用很少的计算就可以识别指纹真伪特征点。

九、用电视摄像头摄取以行扫描方式输入的指纹图像，或是等同的指纹图像输入手段；通过这些指纹输入手段，对一帧的指纹图像，局部或片段地读取上述图像块，随后逐一处理为上述数值群的信号处理手段；反复处理很多帧之中的指纹图像的不同的图像块，进而实施指纹图像整体的数值化处理的手段；具备以上手段，并应用到指纹识别中。

如上所述，这种方法不用以前那种浪费存储器容量的对指纹整体图像的原始图像数据进行存储的方法，就是说，不存储原始的图像信息，而是对信息量做削减处理后，用很小的存储容量构成指纹识别系统。

总之，一副指纹图像的信息量过多，势必浪费存储器的容量，而按照指纹识别的目的，终究要简化图像构成，如果指纹的图像块的各块各自逐一实行数值化处理，也就不需要存储无用信息的存储器容量了。

于是，在上述行扫描进行的同时，只要把上述逐一处理所需要的那部分时间，跳过去不去读取指纹图像，用此期间完成逐一处理，然后，指纹识别所需要的还没被处理过的其他部分的图像块等待在下一帧内的行扫描来的时候再进行读取，用此方法，能够得到指纹的完整图像。

其实，在本系统中，不必得到指纹的完整图像，也能够完成指纹的识别。也正因为如此，上述局部和片断的图像块的读取方式是有效的。

十、作为判断两个指纹是否是同一个指纹的手段，在被分割成格状的二维空间上，把每个格与存储器的地址相对应预备一个可以读写的存储器，对从两个指纹中提取出的任意两个特征点一一进行对比，把相似度高的用较大的值，相似度低的用较小的值作为相似度的指标值的计算方法，以及把该相似度的指标值作为存储器的数据累积加到以连接两个特征点的二维空间的矢量的水平及其垂直分量的值作为二维座标地址的对应于某个格子的上述存储器地址中，反复作此一连串的累积加操作，最后将此存储器中的最大值作为两个指纹的综合相似度指标值，如果该综合相似度指标值超过阈值就判断为相同指纹，小于阈值就判断为不同指纹，对于因为指纹的平移而产生的错位不需要修正；

在识别两个指纹是否是同一个指纹时，根据各个特征点的相似度指标值计算出指纹的综合相似度指标值，当指纹有旋转同时再有平移发生时，通常需要很大的计算量。而在本发明中，对于指纹的位置错位进行修正的处理中，不需要对指纹的平移而产生的错位进行修正，因此它实现了高速识别指纹的目的。

十一、作为判断两个指纹是否是同一个指纹的手段，对于与旋转有关的位置错位进行修正，以两个指纹中的一个中的所有的特征点的座标为基准点以此为中心进行旋转修正，对这些特征点的形状，用与特征点的方位角相同的角度进行旋转修正，根据上述发明内容第十项中所述的对于因为指纹的平移所产生的错位不需要修正的指纹识别手段，在即使有因为任意的旋转以及平移而产生位置错位的情况下，也能够实现高精度的指纹识别。

这样，对于指纹的位置错位进行修正的处理中，不需要对指纹的旋转而产生的错位进行修正，因此可以达到提供实现高速指纹识别的手段的目的。

十二、具备在扫描6到7帧所需要的6/25秒时间以内读取一幅指纹图像并且完成数值化处理的算法，并应用到指纹识别中。

正因为如此，这种算法既保持了实用性又实现了设备的简单化。

为何如此呢？比如每秒25帧或30帧的电视摄像过程中，如果能用6帧得到指纹的完整的图像，那么在6/25秒或6/30秒的时间内就可以完成一副指纹图像的读取和数值化处理。

这种做法，与用数字相机等照相拍摄得到的含有特别多的信息量的一帧指纹图像进行保存和处理相比有很多的好处。它意味着可以获得系统整体的简单化，而且能够降低成本。

十三、根据上述数值群来确定与上述特征点相联系的隆线形状的指纹特征数据，用这些指纹特征数据和预先登记的指纹特征数据样本或是数据库中的指纹特征数据进行对比识别；具备这样的识别手段；因为应用于指纹识别中，用较少的存储器容量就能提高识别的速度和识别率，从实用水平来看，与以往方法相比，能显著提高识别的高速性和正确性。

十四、上述细分化、上述对于噪声的改善以及修正处理、上述二值化、细线化、指纹特征数据的采集和识别等一系列的数据处理，用每秒可以执行1亿条命令的计算机来处理；同时，对于一幅指纹图像，分配最小为40到60字节的指纹特征数据的存储空间的识别手段，把这些应用于指纹识别中，更能够大幅度削减存储器空间，而且能进行高速的识别。

十五、由终端输入的上述指纹图像之中抽出至少40乃至60字节的指纹特征数据的采集手段；将该指纹特征数据连接到网络，和上述数据库进行识别，结果通知到上述终端；具备以上手段，指纹识别也能应用到相隔遥远的地方。

十六、医疗、社会福利、服务业、行政以及金融机关的个人履历检索、锁、各种证券、售票、剪票、查票、核对、付账、电子商务、资产管理等应用之中，把具有以上任何一种功能的终端或单独装置进行组合配备。作为确认本人手段，使用于指纹识别中，仅仅瞬间的指纹识别就可以完成以前利用卡、钥匙、票、月票、签名、印章、徽章、脸以及本人的声音进行的判断。

十七、作为软件的保密、定制大规模集成电路的设计数据保密的机能的一部份，配备在保密对象自身的构造中，作为确认本人的手段而使用指纹识别，削减了保密管理的费用。

十八、从对很多个手指的指纹特征数据进行逻辑运算中设定确认本人的规则。

如上所述，作为权力的适用范围能够方便地自由设定。如限定在家庭成员范围内以及适宜的更多的人。例如，针对汽车事故损害赔偿责任保险中对家庭成员范围等限定的合同，把它用在汽车驾驶锁装置中。

而且，一个人因为有10个手指和10个脚趾，通过它们的级数计算组合形成的密码非常富于变化，极大地强化了对保护对象的保护效果。

【附图说明】

图1是特征弦的数值化说明图；

图2是识别中曲线的移动和旋转图；

图3是像素的间隙部份存在的测定点坐标值的近似计算原理说明图；

图4是使用特征点的方位角和曲率的曲线形状系统的说明图。

图5是通过细线化和正负反转来提取真特征点的算法的说明图；

图6是包含灰度级图象改善手段的真特征点提取算法；

图7是伪特征点说明图；

a.具有同样方向的隆线接近端点说明图；

b.接近分歧点的端点说明图；

c.接近图象的框的端点说明图；

图8是黑白反转及特征点提取说明图；

a.处理前的黑白块图象说明图；

b.中途处理的提取特征点说明图；

c.黑白反转块图象说明图；

d.最终处理后的提取特征点的说明图

图9是使用二次特征点的曲线识别系统的说明图；

图10是利用内积对伪特征点进行除去的判定的说明图；

图11是与平行移动相关的不需要进行偏差修正的识别方法中，关于存储类似度指标的累计值的存储器区域的说明图；

图12是行扫描及全画面的数值化识别处理的特征点提取算法说明图；

图13是指纹识别系统算法；

【上述图中符号的说明】

10：第一像素位置；

11：第二像素位置；

12：测定点；

20，21，22：端点；

30：特征点；

40，400：曲线或隆线；

41，42，43，44：单位长弦；

12，31，32，33，34，62：测定点；

51，52，53：特征弦；

91：特征点

92—95：二次特征点；

99：规定直线距离；

100：基准点。

101，401：分叉点；

102，103，104：隆线或谷线上的点；

402—405：轨迹点；

407：基准轴；

408：特征点的方位角；

409，410，411：曲率度；

501—504：长为D的弦；

RS1—RS4：以二次特征点为起始点的隆线的形状。

【具体实施方式】

以下，沿着图例，把本发明实施的形态一一说明。

图1表明本发明实施的一种形态，是特征弦的数值化说明图。

在图1中，隆线40是从特征点30开始延伸形成的平滑的曲线。这其中，假定弯曲方向是不按S字形状翻转的弧。

用单位长度的弦41、42、43、44沿该曲线(40)的延长方向依次确定采样点(以下也称测量点)31、32、33、34，一直进行到上述曲线(40)的末端。这是在地图之中用分割的方法来测定曲线区间的路径的要领。然后，根据上述特征弦的定义，把从特征点30开始到2点以后的采样点32为止的连续3点，即30、31和32用直线连结，构成等腰三角形，把底边51的长度，作为特征弦而提取出来。

如果把上述等腰三角形详细地说明，从特征点30开始依次按单位长度确定测量点31，32，33，然后依次计测从那些测量点开始到2个单位间隔的弦处的测量点32、33、34的的长度的计测手段，也就是说，从特征点30开始到第2个测量点32为止的弦的长度51、第一个测量点31开始到第3个测量点33为止的弦的长度52、第2个测量点开始到第4个测量点34为止的弦的长度53，对它们依次计测。

从这些计测结果51、52、53得出的数值群数据，作为表示隆线30的曲线形状的信息，由这些单纯数值群数据形成指纹特征数据。

这些指纹特征数据同预先做好的数据库的内容比较，完成指纹的识别，使用较少的存储器容量就能提高识别的速度和识别率。

图2是需要识别的曲线40移动和翻转后的图。在此，如果对曲线40进行数值化后再识别，那么曲线40即使移动、旋转，弦51、52、53的长度不变。所以根据由这些弦51、52、53的长度形成的数值数据就能够完成对曲线40的形状的认识、保存、还原以及区别从而进行识别。

图3是对关于如何近似计算位于不连续的像素之间的测量点的坐标的近似计算原理的说明图。

数字相机或录像机成像镜面等摄像元件中，就像人的肉眼的视网膜一样，对光有反应的微小的区域形成的像素按所定的数量和面积致密地排列着。

然而，上述像素宏观上看虽然致密，微观上看却是具有一定的间距，有规则而且有限地排列着。

另一方面，用计算机等处理数字图像时，如图3所示，画面上的数据只是用被设置成正方形的像素上的点来表示。就是说曲线是由这些具有一定形状的像素来表示的。

这样，举个例子来说，从某个像素100开始到4个像素长度处的点12不一定正好落在实际存在的像素点上。因此，通过接近4个像素长度的曲线上的2个像素10、11的位置信息，计算出偏离像素点的曲线上的测量点12变得必要了。例如，通过单纯的比例关系用直线近似方法就能计算出相关测量点的位置。这样，象对测量点12那样，即使偏离像素10、11的位置，也能计算得出如图1所表示的弦51、52、53的长度。

对上述测量点12存在于两个像素之间的情形，作为从曲线40上的某个基准点100开始到具有规定的直线距离99的曲线40上的测量点12的坐标的计算手段，由次作为计算测量点的算法。

这样，如果在算法上能够严密地计算出那些落在有限的解像度的摄像面上，也就是说只有放大后才能看清落在像素之间的点的位置，从理论上讲就可以得到无限的解像度。

如图3所示，从基准点100开始比直线距离99近的第1个像素位置10，从基准点100开始比直线距离99远的第2个像素位置11，以及基准点100结成三角形。基准点100和第1个像素位置连接的线段为第一边；基准点100和第2个像素位置连接的线段为第二边：第一个像素位置和第二个像素位置连接成第三边，根据第一边和第二边的长度以及同直线距离99的比率，按比例分配上面的第三边。通过这些，完成确定上述坐标的必要的计算。这种近似计算的精度越高，越能显著提高曲线的识别能力。

图4是表示使用了特征点的方位角和曲率的曲线形状系统的说明图。由图4所示的隆线的分叉特征点401上，考虑向分叉的反方向沿伸的隆线402。首先，把分叉点本身作为第一轨迹点，从第一轨迹点仅按照某一个距离D得到隆线上42的第二个轨迹点403，再从第二个轨迹点403用同样的距离D得到隆线上402的第三个轨迹点404，同样地得到第四个轨迹点405，和第六个轨迹点406，这些轨迹点只要隆线不断就可以任意地增加。下一步，将这些轨迹点顺序用直线连接，将隆线的形状用具有同样长度的直线连接成的折线来近似。

为了有效地用具有同样长度的直线连接成的几何图形来表达隆线的形状，首先计算该分叉点同第二个轨迹点连成的线段与基准坐标轴形成的角度(以后，把它成为特征点的“方位角”)。下一步，计算特征点401同第二个轨迹点403连成的线段与第二个轨迹点403同第三个轨迹点404连成的线段之间形成的角度409以后，把它成为特征点的“第一曲率”)。进而，第二个轨迹点403同第三个轨迹点404连成的线段与第三个轨迹点404同第四个轨迹点405连成的线段之间形成的角度410；以下按照相同方法，依次得到相邻两个线段形成的角度。表现隆线的曲线形状所必需的信息，仅仅是特征点的方位角(408)、以及相邻两个线段形成的角度够成的曲率409，410，411而已。

特征点的方位角和曲率这些信息，用来表现含有特征点的隆线的曲线形状，这种表现归根到底是要进行指纹的识别，并能够期待以此显著提高指纹的识别能力。而且，这种曲线形状的表现方法，同样能够适用于在图1中所表示的隆线分叉的特征点以外的，也就是由隆线间断的端点形成的特征点。

图5是根据细线化和正反翻转提取出真正的特征点的算法。

由细线化处理(步骤7)和伪特征点修正(步骤8)构成一连串的处理部分，原黑白图像输入后要通过这一系列部分的处理。

在上述原黑白图像之中，处理黑色对象(包括在轮廓线以内)的延伸方向的轮廓线，把幅处理成一个像素线，进而由面变换成线的算法，用这种算法来进行细线化处理(步骤7)，将上述黑色的面对象最终简化成线。接下来，具体的细线化处理(步骤7)的情况按图8见后述。

接下来，只提取出第1类的上述端点，把它作为第1次的端点提取处理；接下来把原黑白图像的信号进行黑白正反翻转(步骤70)；那些黑白翻转的信号总共只进行2次上述一系列连续部分的处理，通过次数确认(步骤72)确定其次数，然后把提取得到的第2分类的上述端点作为第2类端点的提取处理，进而完成上述原黑白图像的隆线中的端点和分叉点两方面特征点的提取，具备这种特征点提取手段，并能够应用到指纹识别中。这些，在后面图8中进行详细说明。

如上所述，通过把分成两叉的上述曲线进行黑白翻转处理，最终完成图像结构的简单化，只用这种既没有分叉也没有交叉的单纯曲线集合形成图像结构。利用这种简单化的图像结构进行指纹识别，最适合能进行庞大数据处理的机器识别，利用同以前相比占用更少存储量而进行简单化处理的设备，可以高速而且准确地进行指纹识别。

图6是包含灰度级图像改善手段在内的提取真正的特征点的算法。

通过模块细分化手段把图像分成很多细分化的图像块，增强其对比度进而作黑白二值化处理，得到二值化处理的图像，这是进行的第1个二值化处理(步骤S3)，从这个二值化处理图像中检测出上述指纹的凸出模样也就是隆线的方向，完成隆线方向的检测(步骤S4)。

接着，对隆线方向的检测所得到的信息将作为(步骤S4)求出隆线的方向，除去噪声成分时的辅助信息来利用。也就是，把沿着上述曲线方向的线的图像信息判断为有效，把不沿着曲线方向的图像信息判断为噪声，除去那些噪声而得到改善图像，达到灰度级图像的改善(步骤S5)。

而且，二值化是把由含糊的中间值构成的模拟电信号进行数字化的常规手段，在此，具有把用8位或多位表示的电信号，变换成1位的数字电信号的手段，这是根据某些基准值之间大小的比较操作来完成。

图7是伪特征点的说明图。

(a)具有同方向的隆线而且相临近的端点(20)的说明图。

(b)邻近分叉点的端点(21)的说明图。

(c)邻近图像框边缘的端点(22)的说明图。

从上述指纹数据中修正噪声成分，经过该伪特征点修正(步骤S8)完成真正的特征点的提取(步骤S9)。这种伪特征点修正(步骤S8)的具体手段作为“后处理”方式，在图7中说明。

噪声成分等被错误捕捉，虽然不是特征点却被误认为特征点，图7(a)(b)(c)是这3类伪特征点的说明图。图像的边缘或者是接近分叉点的端点，或者是具有同方向的隆线而且相邻近的端点，被看作上述因为噪声导致隆线缺陷而产生的伪特征点，把这些伪特征点相连接的伪特征点的修正规则，适用于上述作为“后处理”方法的特征点修正(步骤S8)。

接着再一次回到图6的说明，增强上述改善图像的对比度，进行黑白二值化，得到二值化处理图像，这是进行了第2个二值化处理(步骤S6)，在那个二值化处理的图像中，从由密集的有一定幅度的像素束形成的上述隆线的外端，向这个像素束的中心进行幅压缩，一直到单一的像素幅度为止，并变换成细线化的隆线，实施这样的细线化处理(步骤S7)。

细线化处理(步骤S7)，就是把复杂形状的图像进行简单化、数值化并且使之适合机器计算处理，起到简化识别工作的作用。

接下来，具有同方向的隆线而且相邻近的端点20，或者是邻近分叉点的端点21，或者是邻近图像的边缘的端点22，被看作是上述隆线由于噪声而产生的伪特征点，把这些伪特征点相连接，进行伪特征点的修正(步骤S8)。

这样，在图6中，对输入图像进行一系列图像处理，一直进行到伪特征点修正，从实施以上处理后的上述隆线的端点以及分叉点之中提取真正的特征点(步骤9)，具备该特征点提取手段，并应用于指纹识别中。

如上所述，对于包含噪声的指纹的输入图像，也可以以很高的识别率实现指纹识别。

图8是通过黑白翻转和细线化，进行特征点提取的方法的说明图。(a)是处理前的黑白图像块的说明图，(b)是中间处理中提取特征点的说明图，(c)是黑白翻转图像块的说明图，(d)是最终处理后提取特征点的说明图。

已经根据图5说明的细线化处理(步骤S7)和正反翻转(步骤70)说明了真正的特征点提取算法，经过细线化处理(步骤S7)，也就是在图8中从(a)开始到(b)的图像处理，和处理前相比，虽然这种处理格外降低了信息量，但没能消除对两股分叉点进行数值化所需要的负担。

图8(b)之中虽然和(a)相比减轻了相当的信息量，可因为有分叉点，这分叉点成为指纹识别中不能进行归一判断的瓶颈。

这里，为了消除二股分叉点的影响，通过正反翻转(步骤S70)从图8中的(a)开始实施(c)的图像处理，进而通过细线化处理(步骤S7)，从图8中的(c)开始完成(d)的图像处理，对上述二股分叉点用有限曲线的一端，即特征点进行了表示。并且，这样的处理重复2次，就可以彻底完成对特征点的提取。

如上所述，只要提取出没有分叉点的有限曲线以及最终处理后的特征点，进而消除分叉点，就能降低需要的信息量，而且使数值化更容易。储存数值化信息的信息量和图像处理前相比，减少了许多。

这样，指纹识别就变成了对事物的归一判断，不需要与人为因素及很多项目有关的判断，适合机器处理，实现了处理高速化，而且减少了存储器容量，减轻数据库极其维护的负担。

图9是使用了二次特征点的曲线识别系统的说明图。，如图9所示，对于某一个特征点91，在与此特征点91相连接的隆线方向(Y1)和与其垂直的方向(X1)的坐标轴上，把从特征点91量起等距离的4点(92)，(93)，(94)，(95)作为二次特征点，使用上述曲线形状同样的表现方法来提取出这些二次特征点的最近处的隆线的形状(RS1)(RS2)(RS3)(RS4)。这四个二次特征点的隆线形状(RS1)(RS2)(RS3)(RS4)，能够间接地捕捉到由原来的特征点91构成的指纹整体的模样。通过把这种附加的消息应用于指纹识别中，能够显著提高指纹识别的精度。

因此由真正的特征点91作为起始点设定可以确定的二次特征点，把用以此二次特征点为起始点的隆线形状作为附加信息，可以极大地扩大选用范围。

具体地说，对于那些仅仅用隆线形状来登记的方法无法登记的指纹，用这种方法，几乎可以实现100％登记和对比。

图10是关于用内积来判定是否除去伪特征点的说明图。如图10所示，真正的隆线的分叉点，一般具有以该分叉点为中心，由一个狭窄的角度包含的区域(A101)以及两个宽阔的角度包含的区域(A102)，(A103)分割而成的这种形状。而且，真正的隆线的端点，如图8所示，能够看作谷线的分叉点，具有与上述的隆线的分叉点一样的，由一个狭窄的角度包含的区域(A101)以及两个宽阔的角度包含的区域(A102)，(A103)分割而成的形状。利用这些性质，为了把由类似的隆线或者谷线的分叉点分割而成的区域，用较少的计算量进行判别，如图10所示，需要求出从分叉点(101)开始为等距离并在隆线或者谷线上的点(102)、(103)、(104)，进而求出以分叉点(101)作为原点时这三点的二维坐标(Xa，Ya)、(Xb，Yb)、(Xc，Yc)。

接着，求出点(102)和点(103)的水平分量的积(XaXb)和垂直分量的积(YaYb)之和(以后，称此操作为两点的内积)，这两点的内积与由分叉点(101)，(102)连接成的直线和分叉点(101)，(102)连接成的直线形成的角的余弦成比例，因此，该值越大，两条线之间的角越小，该值越小，两条线之间的角越大。同样，对点(103)和点(104)的内积及点(104)和点(102)的内积进行同样的操作，这三个内积中正好有一个比阈值大时就表示有一个角小而另外两个角大这种情况，由此判定为真正的分叉点，除此情况外就判定为伪分叉点。

在判定两个指纹是否是同一个手指时，比如说这两个指纹是否来自同一个手指，由于手指的位置移动或角度不同，特征点的位置和方向也不同，在作指纹识别时，一般要对这种偏差进行确定，修正后再进行识别。这种偏差确定及修正往往需要很大的计算量。因此对位置移动或角度的偏差必须加以很大的限制。以下就对位置平行移动产生的偏差不需要修正的方法进行说明。

首先，如图11所示，将一个大长方形的二维空间分割成格状，预备一个可以读写的使每个格与存储器的地址相对应的存储器，图11表示一个M行N列的二维空间的存储器，在开始指纹识别开始时，各个存储器的单元被初始化(如，被清零)。然后，对从两个指纹中提取出的任意两个特征点一一进行对比，用相似度指标表示其相似度高低，作为计算这个指标值的计算函数，是根据隆线的方向和曲线的形状，相似度高的用较大的值，相似度低的用较小的值来实现。

下面，对于上述两个特征点，求出从某一个指纹的特征点坐标点(Xa，Ya)连接到另一个指纹的特征点坐标点(Xb，Yb)的二维空间的矢量(Xb-Xa，Yb-Ya)。这意味着，前一个指纹沿水平方向移动Xb-Xa，垂直方向移动Yb-Ya后，两个特征点正好落在同一个坐标点。如果两个特征点的相似度指标值很高，就表示实际的指纹的平移量等于这个二维空间的矢量(Xb-Xa，Yb-Ya)的可能性很高，否则，如果两个特征点的相似度指标值很低，就表示实际的指纹的平移量等于这个二维空间的矢量(Xb-Xa，Yb-Ya)的可能性很低。

下面，把上述二维空间矢量(Xb-Xa，Yb-Ya)看做坐标，把它当作地址找到与其对应的由图11表示的二维空间上的某个格子，读出该格子中的数据将其累加到两个特征点的相似度指标值上，再写回到该地址中。

图11是关于有平行移动时用不需要修正的识别方法如何将相似度指标值的累加值存入存储器里的说明图。

由上述说明可见，计算特征点对的相似度指标值，从而计算两个特征点间的二维矢量，根据这个二维矢量找到以次为坐标的格子，对与此格子对应的存储器里存放的相似度指标值反复作此一连串的累加并将累加结果再写回原地址中去的操作，从两个指纹中任选一对，对所有组合反复操作。

最后将此存储器中的最大值作为两个指纹的综合相似度指标值，如果该综合相似度指标值超过阈值就判断为相同指纹，用这种方法，对于因为指纹的平移而产生的错位，在对此错位进行判定的同时就已经进行了间接的修正而不需要另外的直接修正，因此用极少的计算量就能实现指纹识别。

以上，说明了不需要对指纹的平移而产生的错位进行修正的指纹识别的方法。在此，对由于旋转而产生的错位进行修正的方法进行说明。这种方法对于任意角度的旋转及一定程度的平移而产生的错位都可以实现高精度的指纹识别。

对于因某一个旋转角而产生的错位进行修正，从两个指纹中的任意一个中对所有的特征点进行旋转修正。特征点的数据由二维坐标和特征点的形状信息构成。对于该二维坐标值要以某一个基准原点为中心，进行旋转修正。对于特征点的形状信息，要对特征点的方位角修正成同样的角度。关于表示特征点的形状的曲率的信息，因为它不随旋转而变，不需要修正。

用上述的旋转修正方法对两个指纹中的一方所有的指纹进行了修正后，进行上述不需要进行平移错位修正的指纹识别方法进行识别。

图12是通过行扫描以及全画面的数值化进而进行识别处理的特征点提取的算法。

摄像机影像输入采用众所周知的行扫描的电视方式，在1帧画面所需要的时间内，例如25分之1秒或者是30分之1秒之内进行扫描，对各像素以及各图像块的数据按规定的顺序进行确认，不是储存1帧全画面的信息，而是保存局部的部分图像块的数据(步骤S92)。

后面，图5和图6表示的是被限制在短时间内进行的特征点的提取处理(步骤S93)。

但是，假设特征点提取处理(步骤S93)由每秒执行亿条指令的计算机进行，即使按一个指纹图象需要50字节左右表示上述指纹特征数值，对一幅指纹图象按顺序一块一块地进行局部范围的特征点提取处理(步骤S93)及特征点数值保存(步骤S94)，完成整个一幅指纹图象处理需要大约5分之1秒的时间。

另外、上述约5分之1秒实际上是0.24秒，为便于说明用分数来表示，这相当于25分之5帧或30分之6、7帧扫描所需的时间。

因此，如果进行5、6及至7帧图象的行扫描，用相当于上述的约5分之1秒的时间，不但可以完成对上述一个指纹图象全部特征点的提取处理(步骤S93)及特征点数值保存(步骤S94)，而且完成对全图象处理完否的确认(步骤S95)，以完成对整个一个指纹图象的识别。

图13作为本发明的一个实施步骤说明了指纹识别系统的算法。

从摄相头摄像输入(步骤S1)乃至真实特征点提取(步骤S9)、然后全图象处理的确认(步骤S95)的算法，由图5、图6及图9说明。

摄相头摄像输入(步骤S1)后紧接着的块细分化(步骤S2)是这个实施过程所必需的，接着是被细分割成多个块的图象二值化处理(步骤S3)及灰度级图象改善(步骤S5)。

全画面处理的确认(步骤S95)的结果为「是」的话，程序跳转到识别处理(步骤S74)及存入指纹识别数据库(步骤S75)。

另外、在识别处理(步骤S74)时，是在数值化状态下，将数值化处理后的数据与登录在指纹识别数据库的数值化数据进行对比。

另外、上述图象块的连接处有围棋棋盘交叉线一样的噪声发生，可由软件加以消除。虽然如此，为了不损失必要的信息，以确保和补足全画面的信息，邻接块之间要相互重叠。

这样，1秒钟执行1亿条指令的计算机，对输入的指纹图像进行噪声除去、图像改善、二值化、细线化、伪特征点消除以及与数据库数据对比等一连串操作，可在0.24秒内完成，对于一个指纹图像，仅用40至60字节的数据量就可以记录指纹特征数据，由此完成指纹识别。

对于画质改善及各种处理进行特别说明。

如图6及图13所示，从被分割以前的指纹图像中，检测出隆线方向(步骤S4)从而来提取隆线方向信息，通过控制在图中未表示出的方向性滤波器，进行上述灰度级画像改善(步骤S5)，指纹图像输入到方向性滤波器中，如与一般指纹形状比较有明显需要修正的地方的话，根据上述隆线方向信息，按照能足以绘制指纹形状的线对信息加以修正，以改善为较为鲜明的图像。

总之，找到按肉眼感觉需要修正的地方，与根据对其周围隆线方向的推测，由与手修正相匹配的由软件自动实行的信号处理(下称DSP)程序完成修正。

块细分化将行扫描方式的电视画面划分为围棋棋盘形状，对所有的块图像进行信号处理，对机器不擅长的复杂图像进行单纯化，近似于单一处理。这样做的原因是，一个指纹图像放大时，其隆线形状单纯化，并且变成只与特征点有关的简洁绘出的画线，根据机器单一处理就可以识别。

因此、在电视画面里对一个指纹图像进行特写构图，如将之分割处理为各个块图像，可接近于单一处理。

但是，没有必要将上述各块图像的信息全部记住；读取上述各块图像以提取有助于指纹识别的，对旋转、移动、噪音不敏感的局部特征点30以及相关的特征弦51、52、53之后，紧接着完成局部的完整的数据处理；在此同时，行扫描一直持续移动，将读取部份(未图示)对应的块图像的信息快速读取。在需要的运算期间不读取。这样，把必要的内存容量限制在很少的范围。

具体而言，小型电视摄像头与信号处理系统(DSP)相连接构成识别系统，DSP的程序里运行本发明的算法程序。

上述小型电视摄像头用行扫描方式摄取的200*200＝2万像素构成的上述画面被分割为32*22像素的小块图象，每次读入DSP的数据内存，在直接将测定点31，32，33，34采样的同时，对沿着隆线40拟定的特征点隆线信息即指纹特征数据进行数值化。数值化及抽取后的指纹特征数据存入未图示的数据内存区。

然后，对随后输入的小块图象的数据进行同样处理。同时，由于上述DSP对特征弦51、52、53的抽取需要一定的时间，不能连续进行块处理。即、计算机对特征点隆线信息的数值处理时很忙，其间不读取新信息，以谋求节约内存。

该系统为能独立实现上述小块图象的数据处理，如用每秒25帧(欧洲和俄罗斯PAL及SECAM方式电视)的速度进行扫描，摄入6帧的指纹图象，就可覆盖全部的图象领域。反过来说，1帧图象可读入全图象领域的1/6稍多一点(上述重叠部份)的图象数据。

即使从一帧指纹图像覆盖全部的图象领域，因为上述DSP进行指纹识别必要的最小限度的上述特征点隆线信息的数值化处理过程也需要0.24秒，所以在扫描一帧所需要的1/25秒或1/30秒(日式NTSC方式)以内不能完全覆盖，因此用6-7帧的时间，即6/25秒又7/30秒之间，将一组指纹图像信息用上述小块图象每个有间隔地获取，一边进行数据加工，一边使系统进行指纹的识别，变成略为一致的数值信息，即将指纹特征数据转化为数据库。

这里，指纹识别系统在实用的时候，一定要在事先做好对比用的数据库，即，在主机或信息中心的数据库里登录大量的指纹特征数据。

接下来，为了确认是否本人指纹，首先从摄入的指纹图像中提取出其指纹特征数据，用此数据与在上述数据库里已登录的作为对比对象用的大量的指纹特征数据进行对比，根据预定的匹配度判定基准，进行“真”“伪”判定。

例如，作为指纹识别的正确性的尺度，正确对比的正确率即“识别率”。判定为“真”的样品中包含的“真”纹的比率，如为100％则是理想的，但如局限于100％，除非不含一切噪声成份的完美的指纹，否则，对比是无法进行的。如为太高的正确率，则无法进行登录指纹的登记。

然而不仅如此，即便是“真”纹，也有误判为“伪”的拒真率“FRR”；在判断为“伪”的样品中包含“真”指纹的比率。如为0％则是理想的，但即便将上述“识别率”设定为100％，还会有百分之几的拒真率。

这些概念，在自动售货机等需进行“真”“伪”判定的识别系统中也有所见，“真伪判定对比感度”的设定也是同样的。实用上，可有折中地设定为一定水平。

根据本发明，即使将上述“识别率”设定为100％，将“拒真率”限制在仅1.2％内即为成功。这与世界上最好的指纹识别系统的27.72％的“拒真率”比较，可以说是有时代意义的成功。

这意味着对于具有特别的旋转、移动和噪声的输入指纹图像，识别能力很高。

上述指纹特征数据的收集及对比的一连串数据处理由具有每秒执行1亿条指令的计算机完成，一个指纹图像用50个左右的字节来描述上述指纹特征数据，按照上述识别手段进行识别，即，对输入图像进行噪声消除、图像改善、2值化、细分化，及对比等一连串操作，在0.24秒内完成，从实用水平的角度来说，可以说比以往的系统实现了更加高速、正确的识别。

与网络相连，与装备了数据库的信息中心进行通信可以进行远方的本人确认。

根据多个指纹的指纹特征数据的“与”、“与非”、“或”、“或非”等组合进行逻辑运算，可设定确认本人的规则。

这样，如果将父母、孩子全体成员的各拇指的指纹数据进行“或”后设定为使用许可的话，就可以对家族共用的钥锁，自家住宅的钥锁在进行初始设定时，对家族限定，以给多数人受权并且自由地设定允许范围。例如，对于适用于与汽车事故损害赔偿责任保险有关的以家族为单位等的特别事项，在适用于这些特别事项上的汽车运行锁装置上就可以用上述逻辑规则对锁设定。

接下来、一人有10个手指和10个脚趾，这种级数计算进行组合的密码具有丰富的多样性，因此可以大大强化对保护对象的保护效果。例如，将右拇指和左食指“与”作为许可条件。

因此，万一指纹数据被指纹管理者故意或无意地泄漏出去，或被盗用的场合，本人察觉后可马上将上述组合用左右小指的“与”等更改以阻止受害的扩大。

还有、美国的电子商务相关的法律修改如下：比如在“密码与签名具有同等法律效应”的情况下，作为与本人确认的功能相关的常识性的且最终的判断，指纹比暗号具有更高的等级。

Claims (15)

1、一种曲线识别方法，其特征是：

用数据表示曲线的方法是，用单位长度的弦，沿曲线(40)的延长方向依次确定测量点(31)(32)(33)(34)，一直进行到上述曲线(40)的末端；

从该测定点开始到两个单位距离的测量点的弦(51)(52)(53)，依次对其长度进行计测，用近似计算方法来确定坐标点位置的测量点计算算法为，

把由宏观上很致密而微观上是有一定间隔的规则上排列密集的像素形成的图像，变换成上述数值群来表示的图像处理算法中；

在计算位于某一个间隔位置的测量点时，作为从上述曲线上的一个基准点(100)开始，到规定直线距离(99)的测量点(12)的坐标计算的方法来讲是组成一个三角形，三个点分别是：从基准点(100)开始比规定直线距离(99)近的第一个像素位置(10)，比规定直线距离(99)远的第二个像素位置(11)以及基准点(100)，基准点(100)和第一个像素位置(10)组成第一个边，基准点和第二个位置的像素(11)组成第二个边；

长度和前面规定直线距离(99)的比例相对应，按比例分配第一个位置(10)和第二个位置(11)组成的第三边；

利用这种手段得到的计测数据的数值群完成对曲线的记忆、还原和识别，具体是：利用数值群对上述曲线(400)从形状到方向进行特定的记忆、还原和识别的方法是，

作为表示曲线的数据形式，用上述曲线(400)的弦(501)(502)(503)(504)中的两个弦构成的角度等作为表示曲线的弯曲方向的方位角(408)，

并且用曲率度(409)(410)(411)和弦(501)(502)(503)(504)的长度组合来表述上述的数值群；

利用包含那个位置数据的上述数值群对上述曲线(400)的形状、方向以及位置进行特定的记忆、还原和识别的方法为，作为表示曲线(400)的数据形式，以通过把在特定的弦(501)的某一端处的特定的轨迹点(402)(403)(404)的位置，进行数据化处理而得到位置数据。

2、按照权利要求1所述曲线识别方法，其特征是：

具有把图像分割成很多块的模块细分化手段；

以及增强该图像块的对比度进而做黑白二值化，得到二值化处理的图像，以此作为第1个二值化处理手段(S3)；

以及从该二值化处理图像中提取出上述指纹的凸起模样也就是隆线的方向的提出手段(S4)；

以及把沿着上述曲线方向的线的图像信息判断为有效，把不沿着曲线方向的图像信息判断为噪声，除去那些噪声而改善图像，具备这种灰度级图像改善手段(S5)；

增强该改善图像的对比度，进行黑白二值化并获得二值化处理图像，以此作为第2个二值化处理手段(S6)；

以及由密集的像素幅组成上述隆线，向这些像素幅的中心进行幅压缩，一直到单一的像素幅为止，变换成细线化的隆线的这种细线化手段(S7)；

把拥有同方向隆线的邻近的端点(20)，或者是邻近交叉点的端点(21)以及邻近图像边框的端点(22)，看作由上述隆线由于噪声而产生的伪特征点，将这些伪特征点相连接的伪特征点的修正手段(S8)；

从实施以上伪特征点修正以后的上述隆线的端点以及分叉点，抽出真正的特征点的特征点抽出手段(S9)。

3、按照权利要求1所述曲线识别方法，其特征是：特征点的提取手段是：

用对应于某个特征点(91)座落在其它的隆线上的点作为二次特征点(92)

(93)(94)(95)，

用以该二次特征点(92)(93)(94)(95)作为起始点的隆线的形状(RS1)(RS2)(RS3)(RS4)作为该二次特征点的隆线形状，将该二次特征点的隆线形状追加到特征点上。

4、按照权利要求2所述曲线识别方法，其特征是：

通过上述细线化手段和伪特征点修正手段，完成一系列处理，在这一系列处理中，首先从原来的黑白图像，只提取第1分类中的上述端点，做第一回端点提取处理；接下来用把原黑白图像的信号进行黑白翻转的正反翻转手段；

对黑白翻转的信号做第二次端点提取处理，从而抽出得到第2类的上述端点，根据以上方法，从原来的黑白图像的隆线中提取出端点和交叉点的特征点提取的手段。

5、按照权利要求1所述曲线识别方法，其特征是：

作为区别指纹的真伪特征点的手段，对连接到隆线或谷线上的分叉点(101)的三根隆线或谷线，从分叉点(101)按照等距离求出隆线或谷线上的点(102)(103)(104)，以分叉点(101)作为原点求出该三个点(102)(103)(104)的二维空间的座标(Xa，Ya)，(Xb，Yb)，(Xc，Yc)，对三点(102)(103)(104)中的任意两点(102)(103)，求出该两点座标(Xa，Ya)，(Xb，Yb)的水平分量的积(Xa·Xb)与纵垂直分量的积(Ya·Yb)之和(Xa·Xb+Ya·Yb)，

如果该积比阈值大，则分叉点就被判断为真正的特征点，

如果任意两点间求出的纵座标的积与横座标的积之和都小于阈值，则分叉点就被判断为伪特征点。

6、按照权利要求1或4所述曲线识别方法，其特征是：

利用以行扫描方式对输入的指纹图像进行摄取的摄像头或者同等的指纹图像输入手段，并根据那些指纹图像输入手段，对输入的指纹图像的每一帧局部，间断地读取上述某一块图像，在读取下一块图像之前，完成对此块图像的逐一处理直至得到上述数据群的信号处理手段；

以及对多帧指纹图像的不同的块图像进行反复的处理，以完成对全部指纹图像的数值化处理手段。

7、一种曲线识别方法，其特征是：判断两个指纹是否是同一个指纹的方法是，

在被分割成格状的二维空间上，把每个格与存储器的地址相对应预备一个可以读写的存储器，对从两个指纹中提取出的任意两个特征点一一进行对比，把相似度高的用较大的值，相似度低的用较小的值作为相似度的指标值的计算方法，

以及把该相似度的指标值作为存储器的数据累积加到以连接两个特征点的二维空间的矢量的水平及其垂直分量的值作为二维座标地址的对应与某个格子的上述存储器地址中，

反复作此一连串的累积加操作，

最后将此存储器中的最大值作为两个指纹的综合相似度指标值，

如果该综合相似度指标值超过阈值就判断为相同指纹，

小于阈值就判断为不同指纹，

对于因为指纹的平移而产生的错位不需要修正；

8、按照权利要求7所述曲线识别方法，其特征是：作为判断两个指纹是否是同一个指纹的手段，对于与旋转有关的位置错位进行修正，以两个指纹中的一个中的所有的特征点的座标为基准点以此为中心进行旋转修正，对这些特征点的形状，用与特征点的方位角相同的角度进行旋转修正，每对一个特征点进行一次旋转修正，就使用一次平移的处理方法。

9、按照权利要求6所述曲线识别方法，其特征是：具备在25分之6秒之内对一个指纹读取6至7帧图像并完成数值化处理。

10、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：根据上述用与特征点相关的隆线形状形成的上述数据群作为特定的指纹数据，对于这些指纹特征数据用预先登录的用于指纹识别的样品数据或由此构成的数据库进行比较识别。

11、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：上述块细分化、上述对噪声的改善及修正处理、上述二值化、上述细线化、上述指纹特征数据收集及对比等一连串数据处理，由每秒可以执行1亿条指令的计算机完成，以及用最少40—60字节的上述指纹特征数据记录一个指纹图像。

12、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：从被输入到终端器的上述指纹图像中提取最少为40—60字节的上述指纹特征数据的提取方法；和将该数据通过互联网与上述数据库对比并通知该终端器。

13、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：使用指纹识别作为确认本人的手段为特点的，在医疗、社会福利、服务业、行政及金融机关的本人履历数据的检索、钥锁、各种票据、售票、剪票、验票、查询、税金、电子商务、资产管理运行等应用中，具有以上任何一种功能的终端器械及在单独装置中组合配置。

14、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：以使用这种指纹识别作为确认本人的手段为特点的，作为软件的保密及委托制造的大规模集成电路设计数据的保密功能的一部份，设置在被保密对象本身的结构之内。

15、按照权利要求1、4、7-9中任一项所述曲线识别方法，其特征是：用多个手指的指纹特征数据做逻辑运算，来设定确认本人的规则。

Images