CN100590644C - 点线结合的指纹识别方法 - Google Patents

Abstract

点线结合的指纹识别方法，它涉及一种点线结合的指纹识别方法，以解决现有的点匹配指纹识别方法存在的容易造成误判、受伪特征点的影响较大，抗噪声能力较差以及线匹配指纹识别方法存在的运算量较大、判断速度慢的问题。在数据库图像T_p和待识别图像T_q中选择所有匹配点；将得到的若干对匹配点按匹配相似度进行排序，从中选取匹配相似度最高的N对匹配点；从N对匹配点中选出K对匹配点作为基准点；将一对匹配点的横纵坐标及方向角做差，作为两图像匹配点的偏移量；对图像T_q进行平移及旋转变换，校正后图像T′_q与图像T_p脊线匹配，记录相匹配的数目；若匹配的所有脊线根据长度的加权平均值符合阈值，则认为图像T_p和图像T_q匹配，否则不匹配。

Description

点线结合的指纹识别方法

技术领域

本发明涉及一种指纹识别方法，特别是一种点线结合的指纹识别方法，属于生物识别领域。

背景技术

指纹识别属于一种生物识别技术，利用指纹图像的唯一性及稳定性的特点，比较两幅指纹图像，判断他们是否来自同一个手指。所谓唯一性是指不同的人的指纹不同，同一个人不同手指的指纹图像也不相同；所谓稳定性是指一个人的指纹基本上不会发生大的变化。

目前常用的指纹识别方法是单纯利用指纹图像的特征点进行匹配，依据两幅图像间满足匹配条件的细节特征点对数目来判断两幅图形是否来自同一枚手指，其一般步骤为：采集、分割、增强、细化、细节特征提取、匹配。在进行匹配时，首先要将输入指纹的细节特征和模板库中细节特征进行校正，使得两个特征集在同一个坐标系中，然后再进行匹配。该类算法仅依靠一些孤立的特征点的匹配性来判断两幅图像是否匹配，而未从整体上考虑两幅图像中脊线的大致走势，只从点的角度来考虑匹配，当图像质量较差时，可能会因无法得到足够的特征点而造成误判，且结果受伪特征点的影响较大，抗噪声能力差。

公开号为CN564186的中国专利公开了一种基于全局脊线的指纹识别方法，该方法是对两幅图像中所有的脊线点进行了点匹配，且每确定一个点匹配都要先判断多个点(约2n+1)是否匹配，运算量较大；而且该专利中涉及的识别方法也并未将一条脊线当作整体看待，只是沿脊线方向在待匹配点前后取几个脊线点，并非对两条脊线的匹配。

发明内容

本发明为解决现有的点匹配指纹识别方法存在的容易造成误判、受伪特征点的影响较大，抗噪声能力较差以及线匹配指纹识别方法存在的运算量较大、判断速度慢的问题，提供一种点线结合的指纹识别方法。本发明由以下步骤实现：

步骤A1、在数据库图像T_p中，以所述数据库图像T_p的中心点为圆心、以R为半径的圆形区域中和待识别图像T_q中的对应区域内寻找匹配点，其中R表示大于零的实数，根据所述数据库图像T_p的圆形区域中的每个特征点，在待识别图像T_q的圆形区域内遍历所有特征点选取一个与所述特征点相匹配的点，两点共同记为一对匹配点；

步骤A2、将步骤A1获得的多对匹配点按匹配相似度进行排序，从中选取匹配相似度较高的N对匹配点，其中N代表自然数；

步骤A3、从N对匹配点中选出K对匹配点作为基准点，其中K代表小于N的自然数；

步骤A4、将每对基准点中两个特征点的横、纵坐标及方向角分别做差获得三个差值Δx、Δy和Δθ，进而获得K对基准点的横、纵坐标及方向角的差值的平均值Δx、Δy和Δθ，将所述横、纵坐标及方向角的差值的平均值分别作为数据库图像T_p和待识别图像T_q之间所有匹配点横、纵坐标及方向角的偏移量；

步骤A5、对待识别图像T_q进行平移及旋转变换，将该图像的横、纵坐标和方向角分别与步骤A4获得的平均值Δx、Δy和Δθ做差完成图像校正，获得待识别校正图像T`_q；

步骤A6、对待识别校正图像T`_q与数据库图像T_p进行脊线匹配，获得相匹配的脊线的条数；

步骤A7、判断步骤A6获得的相匹配的脊线的条数是否大于或等于阈值，判断结果为是，则进入步骤A8，判断结果为否，则判定数据库图像T_p和待识别图像T_q不匹配，更换数据库图像T_p返回步骤A1；

步骤A8、对匹配的所有脊线根据长度求加权平均值，判断该平均值是否小于阈值，判断结果为是，则认为数据库图像T_p和待识别图像T_q相匹配，判断结果为否，则认为数据库图像T_p和待识别图像T_q不相匹配，更换数据库图像T_p返回步骤A1。

有益效果：本发明在求取两幅图像的偏移量时，仅选用在以中心点为圆心的圆形区域中进行特征点匹配，缩小了范围，与在整幅图像中进行特征匹配相比，运算量可降低60％，提高了运算效率；选用多组匹配点作为基准点，然后求取平均值，提高了图像校正的可靠性；在进行脊线匹配时，依据匹配的脊线条数来确定两幅图像是否匹配，从线的角度进行匹配运算，有效减小了伪特征点的影响，对质量较差的图像也有较好的匹配效果，抗噪声能力较强；同时，在进行脊线匹配运算时，采用隔几个点抽样的方法，可减少大约50％的运算量。

附图说明

图1是本方法的流程图。

具体实施方式

具体实施方式一：参见图1，本实施方式由以下步骤组成：

步骤A1、在数据库图像T_p中，以所述数据库图像T_p的中心点为圆心、以R为半径的圆形区域中和待识别图像T_q中的对应区域内寻找匹配点，其中R表示大于零的实数，R值的选取应保证圆形区域内有三到五个特征点，根据所述数据库图像T_p的圆形区域中的每个特征点，在待识别图像T_q的圆形区域内遍历所有特征点选取一个与所述特征点相匹配的点，两点共同记为一对匹配点；

步骤A2、将步骤A1获得的多对匹配点按匹配相似度进行排序，从中选取匹配相似度较高的N对匹配点，其中N代表自然数；

步骤A3、从N对匹配点中选出K对匹配点作为基准点，其中K代表小于N的自然数；

步骤A4、将每对基准点中两个特征点的横、纵坐标及方向角分别做差获得三个差值Δx、Δy和Δθ，进而获得K对基准点的横、纵坐标及方向角的差值的平均值Δx、Δy和Δθ，将所述横、纵坐标及方向角的差值的平均值分别作为数据库图像T_p和待识别图像T_q之间所有匹配点横、纵坐标及方向角的偏移量；

步骤A5、对待识别图像T_q进行平移及旋转变换，将该图像的横、纵坐标和方向角分别与步骤A4获得的Δx、Δy和Δθ做差完成图像校正，获得待识别校正图像T`_q；

步骤A6、对待识别校正图像T`_q与数据库图像T_p进行脊线匹配，获得相匹配的脊线的条数；

步骤A7、判断步骤A6获得的相匹配的脊线的条数是否大于或等于阈值，该阈值可根据匹配精度要求做适当调整，一般情况下应大于7，判断结果为是，则进入步骤A8，判断结果为否，则判定数据库图像T_p和待识别图像T_q不匹配，更换数据库图像T_p返回步骤A1；

步骤A8、对匹配的所有脊线根据长度求加权平均值，判断该平均值是否小于阈值，所述阈值可以为四倍指纹纹线宽度再加上7，判断结果为是，则认为数据库图像T_p和待识别图像T_q相匹配，判断结果为否，则认为数据库图像T_p和待识别图像T_q不相匹配，更换数据库图像T_p返回步骤A1。

具体实施方式二：本实施方式在具体实施方式一的基础上进一步说明了步骤A1中所述的根据数据库图像T_p的圆形区域中的每个特征点，在待识别图像T_q的圆形区域内遍历所有特征点选取一个与所述特征点相匹配点的方法由以下步骤组成：

步骤B1、比较所述数据库图像T_p和待识别图像T_q中的圆形区域中的两个特征点的四个特征量：特征点类型、特征点至圆心的距离、特征点处的频率和特征点方向角与圆心方向角的差值，用P＝{P₁、P₂...P_E}、Q＝{Q₁、Q₂...Q_F}分别代表数据库图像T_p和待识别图像T_q中圆形区域中的特征点的集合；

步骤B2，在集合P中选取一个特征点P_i，遍历集合Q中所有特征点，对于集合Q中任一特征点Q_j，分别判断特征点P_i与Q_j的四个特征量，当有任意一个特征量不满足要求时，则认为P_i与Q_j不是匹配点，更换Q_j重新判断；否则，则认为P_i与Q_j是匹配点；

所述四个特征量是否满足要求的判断方法分别为：

B21，判断特征点类型是否相同，即判断特征点P_i与Q_j是否同为端点或者同为分叉点；

B22，判断特征点至圆心的距离是否满足要求，分别计算特征点P_i及Q_j到其所在图像中心点的距离d_i和d_j，判断d_i与d_j的差值是否小于阈值，该阈值为一不超过指纹纹线宽度的2倍的较小值，判断结果为是，则认为满足要求，判断结果为否，则认为不满足要求；

B23，判断特征点方向角与圆心方向角的差值是否满足要求，分别计算获得特征点P_i及Q_j的方向角与圆心方向角的差值，判断所述两个差值(θ_i-θ_p)与(θ_j-θ_q)的差是否小于阈值，所述阈值为小范围值，可选用阈值为6度，判断结果为是，则认为满足要求，判断结果为否，则认为不满足要求，其中θ_i和θ_j分别表示特征点P_i、Q_j的方向角，θ_p、θ_q分别表示数据库图像T_p和待识别图像T_q中心点的方向角；

B24，判断特征点频率是否满足要求，计算特征点P_i及Q_j两点处频率的差值是否小于阈值，该阈值为小范围值，可选用阈值为0.023，判断结果为是，则认为符合要求；判断结果为否，则认为不符合要求。

具体实施方式三：本实施方式在具体实施方式一的基础上进一步说明了步骤A2中所述的多对匹配点按匹配相似度进行排序，从中选取匹配相似度较高的N对匹配点的方法具体方法为：

步骤C1，计算每一对匹配点P_i和Q_j频率的差值Δf、所述匹配点P_i和Q_j至各自中心点距离差值(d_i-d_j)以及差值(θ_i-θ_p)-(θ_j-θ_q)；其中d_i和d_j分别为匹配点P_i及Q_j到其所在图像中心点的距离，θ_i和θ_j分别表示匹配点P_i和Q_j的方向角，θ_p、θ_q分别表示数据库图像T_p和待识别图像T_q中心点的方向角。

步骤C2，找出所有的匹配点中最大的频率差值max|Δf|、最大的距离差max|d_i-d_j|和max|(θ_i-θ_p)-(θ_j-θ_q)|；

步骤C3，根据步骤C2获得的参数由公式|Δf/maxΔf|+|(d_i-d_j)/max(d_i-d_j)|+|[(θ_i-θ_p)-(θ_j-θ_q)]/max[(θ_i-θ_p)-(θ_j-θ_q)]|获得每一对匹配点的相似度参考值；

步骤C4，将步骤C3获得的相似度参考值按升序排列，值越小则表示该对匹配点的相似度越高。

具体实施方式四：本实施方式在具体实施方式一的基础上进一步说明了步骤A3中所述的从N对匹配点中选出K对基准点的具体方法为：

步骤D1，分别在数据库图像T_p和待识别图像T_q中计算属于N对匹配点中的任意一对匹配点之间的距离，判断所述距离的长度差是否小于阈值，所述阈值小于指纹纹线宽度2倍，判断结果为是，则进入步骤D3，判断结果为否，则进入步骤D2；

步骤D2，去掉相似度最低的一对匹配点，并令N＝N-1，判断N是否为1，如果判断结果为是，则执行步骤D4；如果判断结果为否，则返回步骤D1；

步骤D3，判断是否对N对匹配点中的所有匹配点进行了计算、比较，如果判断结果为是，则执行步骤D4；如果判断结果为否，则返回步骤D1；

步骤D4，令K＝N，将K对匹配点作为数据库图像T_p和待识别图像T_q校正的基准点。

具体实施方式五：本实施方式在具体实施方式一的基础上进一步说明了步骤A6中对待识别校正图像T`_q与数据库图像T_p进行脊线匹配的方法具体为：

步骤E1，对数据库图像T_p和待识别校正图像T`_q中每条有效脊线进行离散化，即每隔L个特征点提取一个脊线特征点，记下该点的纵坐标、横坐标、频率及方向角，其中L代表自然数，所谓的有效脊线是指长度(像素点数)大于一个固定值，且以特征点为起始点或终点的脊线，分叉点看作几条脊线的交点；

步骤E2，对步骤E1提取的脊线特征点分别在数据库图像T_p和待识别校正图像T`_q中做特征点匹配，依据特征点的四个特征量进行判定，比较任意两个特征点的四个特征量是否满足下述条件：1)特征点类型相同；2)特征点到圆心距离差小于指纹纹线宽度的3倍；3)特征点频率差小于0.03；4)角度差值小于10度；满足上述全部四个条件的特征点为一对匹配点，所述一对匹配中的两个特征点所在的两条脊线即为相互对应的两条脊线；

步骤E3，从步骤E2的数据库图像T_p和待识别校正图像T`<sub>q</sub>中对应两条脊线上提取的点的个数分别为M<sub>1</sub>和M<sub>2</sub>个，横、纵坐标分别为{(x<sub>1</sub>，y<sub>1</sub>)、(x<sub>2</sub>，y<sub>2</sub>)...(x<sub>M1</sub>，y<sub>M1</sub>)}和{(x`₁，y`<sub>1</sub>)、(x`₂，y`<sub>2</sub>)...(x`_M2，y`<sub>M2</sub>)}，频率分别为{f<sub>1</sub>，f<sub>2</sub>...f<sub>M1</sub>}和{f``<sub>1</sub>，f``<sub>2</sub>...f``<sub>M2</sub>}，方向角分别为{θ<sub>1</sub>，θ<sub>2</sub>...θ<sub>M1</sub>}、{θ`₁，θ`<sub>2</sub>...θ`_M2}，令M＝min{M₁，M₂}；

步骤E4，计算[(x₁-x`<sub>1</sub>)<sup>2</sup>+(y<sub>1</sub>-y`₁)²+(x₂-x`<sub>2</sub>)<sup>2</sup>+(y<sub>2</sub>-y`₂)²+...+(x_M-x`<sub>M</sub>)<sup>2</sup>+(y<sub>M</sub>-y`_M)²]/M的值，记为R₁，判断该值是否小于阈值，该域值不超过指纹纹线宽度的4倍，判断结果为是，则进入步骤E5，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E5，计算[|f₁-f`<sub>1</sub>|+|f<sub>2</sub>-f`₂|+...+|f_M-f`_M|]/M的值，记为R₂，判断该值是否小于阈值，该域值为小范围值，可选阈值为0.023，判断结果为是，则进入步骤E6，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E6，计算[|θ₁-θ`<sub>1</sub>|+|θ<sub>2</sub>-θ`₂|+...+|θ_M-θ`_M|]/M的值，记为R₃，判断该值是否小于阈值，该域值为小范围值，可选阈值为6度，判断结果为是，则进入步骤E7，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E7，对应的两条脊线依据其长度求加权平均值V_mean，判断V_mean是否满足小于阈值，可选阈值为四倍指纹纹线宽度再加7，判断结果为是，则认为对应的两条脊线相匹配，判断结果为否，则认为对应的两条脊线不相匹配，更换其它脊线，返回步骤E1。

具体实施方式六：本实施方式在具体实施方式五的基础上进一步说明了步骤A8中所述的加权求均值的计算方法由以下步骤组成：

步骤F1，对于每一对匹配的脊线，计算6×R₁+2×R₂+2×R₃的值，记为W；

步骤F2，对于每一对匹配的脊线，根据M的值确定每一对匹配脊线的权值，权值按如下方法确定：若M≤J₁，权为1；若J₁＜M≤J₂，权为2；若M＞J₂，则权为3，其中J₁和J₂均代表纹线的长度；

步骤F3，将每一对匹配的脊线的W值分别乘以其权值后再相加，将相加的结果除以所有对匹配线的权值的和，即求所有匹配线对的加权平均值W_mean。

Claims (6)

1、点线结合的指纹识别方法，其特征在于它由以下步骤实现：

步骤A1，在数据库图像T_p中，以所述数据库图像T_p的中心点为圆心、以R为半径的圆形区域中和待识别图像T_q中的对应区域内寻找匹配点，其中R表示大于零的实数，根据所述数据库图像T_p的圆形区域中的每个特征点，在待识别图像T_q的圆形区域内遍历所有特征点选取一个与所述特征点相匹配的点，两点共同记为一对匹配点；

步骤A2，将步骤A1获得的多对匹配点按匹配相似度进行排序，从中选取匹配相似度较高的N对匹配点，其中N代表自然数；

步骤A3，从N对匹配点中选出K对匹配点作为基准点，其中K代表小于N的自然数；

步骤A4，将每对基准点中两个特征点的横、纵坐标及方向角分别做差获得三个差值Δx、Δy和Δθ，进而获得K对基准点的横、纵坐标及方向角的差值的平均值Δx、Δy和Δθ，将所述横、纵坐标及方向角的差值的平均值分别作为数据库图像T_p和待识别图像T_q之间所有匹配点横、纵坐标及方向角的偏移量；

步骤A5，对待识别图像T_q进行平移及旋转变换，将该图像的横、纵坐标和方向角分别与步骤A4获得的平均值Δx、Δy和Δθ做差完成图像校正，获得待识别校正图像T`_q；

步骤A6，对待识别校正图像T`_q与数据库图像T_p进行脊线匹配，获得相匹配的脊线的条数；

步骤A7，判断步骤A6获得的相匹配的脊线的条数是否大于或等于阈值，判断结果为是，则进入步骤A8，判断结果为否，则判定数据库图像T_p和待识别图像T_q不匹配，更换数据库图像T_p返回步骤A1；

步骤A8，对匹配的所有脊线根据长度求加权平均值，判断该平均值是否小于阈值，判断结果为是，则认为数据库图像T_p和待识别图像T_q相匹配，判断结果为否，则认为数据库图像T_p和待识别图像T_q不相匹配，更换数据库图像T_p返回步骤A1。

2、根据权利要求1所述的点线结合的指纹识别方法，其特征在于步骤A1中所述的根据数据库图像T_p的圆形区域中的每个特征点，在待识别图像T_q的圆形区域内遍历所有特征点选取一个与所述特征点相匹配点的方法由以下步骤组成：

步骤B1、比较所述数据库图像T_p和待识别图像T_q中的圆形区域中的两个特征点的四个特征量：特征点类型、特征点至圆心的距离、特征点处的频率和特征点方向角与圆心方向角的差值，用P＝{P₁、P₂...P_E}、Q＝{Q₁、Q₂...Q_F}分别代表数据库图像T_p和待识别图像T_q中圆形区域中的特征点的集合；

步骤B2，在集合P中选取一个特征点P_i，遍历集合Q中所有特征点，对于集合Q中任一特征点Q_j，分别判断特征点P_i与Q_j的四个特征量，当有任意一个特征量不满足要求时，则认为P_i与Q_j不是匹配点，更换Q_j重新判断；否则，则认为P_i与Q_j是匹配点；

所述四个特征量是否满足要求的判断方法分别为：

B21，判断特征点类型是否相同，即判断特征点P_i与Q_j是否同为端点或者同为分叉点；

B22，判断特征点至圆心的距离是否满足要求，分别计算特征点P_i及Q_j到其所在图像中心点的距离d_i和d_j，判断d_i与d_j的差值是否小于阈值，判断结果为是，则认为满足要求，判断结果为否，则认为不满足要求；

B23，判断特征点方向角与圆心方向角的差值是否满足要求，分别计算获得特征点P_i及Q_j的方向角与圆心方向角的差值，判断所述两个差值(θ_i-θ_p)与(θ_j-θ_q)的差是否小于阈值，判断结果为是，则认为满足要求，判断结果为否，则认为不满足要求，其中θ_i和θ_j分别表示特征点P_i、Q_j的方向角，θ_p、θ_q分别表示数据库图像T_p和待识别图像T_q中心点的方向角；

B24，判断特征点频率是否满足要求，计算特征点P_i及Q_j两点处频率的差值是否小于阈值，判断结果为是，则认为符合要求；判断结果为否，则认为不符合要求。

3、根据权利要求1所述的点线结合的指纹识别方法，其特征在于步骤A2中所述的多对匹配点按匹配相似度进行排序，从中选取匹配相似度较高的N对匹配点的方法由以下步骤组成：

步骤C1，计算每一对匹配点P_i和Q_j频率的差值Δf、所述匹配点P_i和Q_j至各自中心点距离差值(d_i-d_j)以及差值(θ_i-θ_p)-(θ_j-θ_q)，其中d_i和d_j分别为匹配点P_i及Q_j到其所在图像中心点的距离，θ_i和θ_j分别表示匹配点P_i和Q_j的方向角，θ_p、θ_q分别表示数据库图像T_p和待识别图像T_q中心点的方向角；

步骤C2，找出所有匹配点中最大的频率差值max|Δf|、最大的距离差max|d_i-d_j|和max|(θ_i-θ_p)-(θ_j-θ_q)|；

步骤C3，根据步骤C2获得的参数由公式|Δf/maxΔf|+|(d_i-d_j)/max(d_i-d_j)|+|[(θ_i-θ_p)-(θ_j-θ_q)]/max[(θ_i-θ_p)-(θ_j-θ_q)]|获得每一对匹配点的相似度参考值；

步骤C4，将步骤C3获得的相似度参考值按升序排列，值越小则表示该对匹配点的相似度越高。

4、根据权利要求1所述的点线结合的指纹识别方法，其特征在于步骤A3中所述的从N对匹配点中选出K对基准点的方法由以下步骤组成：

步骤D1，分别在数据库图像T_p和待识别图像T_q中计算属于N对匹配点中的任意一对匹配点之间的距离，判断所述距离的长度差是否小于阈值，判断结果为是，则进入步骤D3，判断结果为否，则进入步骤D2；

步骤D2，去掉相似度最低的一对匹配点，并令N＝N-1，判断N是否为1，如果判断结果为是，则执行步骤D4；如果判断结果为否，则返回步骤D1；

步骤D3，判断是否对N对匹配点中的所有匹配点进行计算、比较，判断结果为是，则执行步骤D4；如果判断结果为否，则返回步骤D1；

步骤D4，令K＝N，将K对匹配点作为数据库图像T_p和待识别图像T_q校正的基准点。

5、根据权利要求1所述的点线结合的指纹识别方法，其特征在于步骤A6中对待识别校正图像T`_q与数据库图像T_p进行脊线匹配的方法由以下步骤组成：

步骤E1，对数据库图像T_p和待识别校正图像T`_q中每条有效脊线进行离散化，即每隔L个特征点提取一个脊线特征点，记下该点的纵坐标、横坐标、频率及方向角，其中L代表自然数；

步骤E2，对步骤E1提取的脊线特征点分别在数据库图像T_p和待识别校正图像T`_q中做特征点匹配，比较任意两个特征点的四个特征量：特征点类型、特征点至圆心的距离、特征点处的频率和特征点方向角与圆心方向角的差值，记录下所有满足条件的匹配对，所述一对匹配中的两个特征点所在的两条脊线即为相互对应的两条脊线；

步骤E3，从步骤E2的数据库图像T_p和待识别校正图像T`<sub>q</sub>中对应两条脊线上提取的点的个数分别为M<sub>1</sub>和M<sub>2</sub>个，横、纵坐标分别为{(x<sub>1</sub>，y<sub>1</sub>)、(x<sub>2</sub>，y<sub>2</sub>)...(x<sub>M1</sub>，y<sub>M1</sub>)}和{(x`₁，y`<sub>1</sub>)、(x`₂，y`<sub>2</sub>)...(x`_M2，y`<sub>M2</sub>)}，频率分别为{f<sub>1</sub>，f<sub>2</sub>...f<sub>M1</sub>}和{f``<sub>1</sub>，f``<sub>2</sub>...f``<sub>M2</sub>}，方向角分别为{θ<sub>1</sub>，θ<sub>2</sub>...θ<sub>M1</sub>}、{θ`₁，θ`<sub>2</sub>...θ`_M2}，令M＝min{M₁，M₂}；

步骤E4，计算[(x₁-x`<sub>1</sub>)<sup>2</sup>+(y<sub>1</sub>-y`₁)²+(x₂-x`<sub>2</sub>)<sup>2</sup>+(y<sub>2</sub>-y`₂)²+...+(x_M-x`<sub>M</sub>)<sup>2</sup>+(y<sub>M</sub>-y`_M)²]/M的值，记为R₁，判断该值是否小于阈值，判断结果为是，则进入步骤E5，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E5，计算[|f₁-f`<sub>1</sub>|+|f<sub>2</sub>-f`₂|+...+|f_M-f`_M|]/M的值，记为R₂，判断该值是否小于阈值，判断结果为是，则进入步骤E6，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E6，计算[|θ₁-θ`<sub>1</sub>|+|θ<sub>2</sub>-θ`₂|+...+|θ_M-θ`_M|]/M的值，记为R₃，判断该值是否小于阈值，判断结果为是，则进入步骤E7，判断结果为否，则认为对应的两条脊线不相匹配；

步骤E7，对应的两条脊线依据其长度求加权平均值V_mean，判断V_mean是否满足小于阈值，判断结果为是，则认为对应的两条脊线相匹配，判断结果为否，则认为对应的两条脊线不相匹配。

6、根据权利要求5所述的点线结合的指纹识别方法，其特征在于步骤A8中所述的加权求均值的计算方法由以下步骤组成：

步骤F1，对于每一对匹配的脊线，计算6×R₁+2×R₂+2×R₃的值，记为W；

步骤F2，对于每一对匹配的脊线，根据M的值确定每一对匹配脊线的权值，权值按如下方法确定：若M≤J₁，权为1；若J₁＜M≤J₂，权为2；若M＞J₂，则权为3，其中J₁和J₂均代表纹线的长度；

步骤F3，将每一对匹配的脊线的W值分别乘以其权值后再相加，将相加的结果除以所有对匹配线的权值的和，即求所有匹配线对的加权平均值W_mean。