CN101114335A - 全角度快速指纹识别方法 - Google Patents

Abstract

本发明公开了一种通过指纹细节特征进行判别的全角度快速指纹识别方法：a.图像预处理：运用局部灰度方差法从指纹图像中分割出指纹图像所在的区域，在提取出的指纹区域中，运用方向滤波法实现指纹的二值化，并通过改进的混合OPTA算法对二值图像进行细化处理。b.指纹特征提取：运用Poincare法检测并统计指纹中心点的个数，确定指纹的参考点和参考方向，并在细化后的指纹图像中提取指纹特征点信息。c.特征匹配：以参考点为原点，以参考方向为主轴，用极坐标的形式表示指纹特征点坐标，将其作为待识指纹的特征数据，并将该数据和模版指纹的特征数据进行匹配运算，判断是否吻合。本方法能够有效的抑制指纹图像的平移和旋转产生的影响，并快速地做出判断，适用于大型计算机、DSP、嵌入式系统等多种运行平台，满足各类快速身份识别场合的需求，具有广阔的市场前景和极高的经济价值。

Description

全角度快速指纹识别方法

技术领域

本发明涉及一种指纹图象匹配的方法，用于身份的验证，即运用数字图象处理技术以及一定的判决系统对指纹图象进行识别，判断待识指纹与模版指纹是否吻合。

背景技术

指纹识别技术在现代社会具有广泛的应用价值，它是基于人体指纹特征的相对稳定性与唯一性这一统计学结果发展起来的。实际应用中，根据需求的不同，可以将人体的指纹特征分为：永久性特征、非永久性特征和生命特征。

指纹匹配就是运用指纹的永久性特征对指纹进行判断。永久性特征包括细节特征(中心点、三角点、端点、叉点、桥接点等)和辅助特征(纹型、纹密度、纹曲率等元素)。它们在人的一生中永不会改变，并且在手指前端的典型区域中最为明显，分布也最均匀。细节特征是实现指纹精确比对的基础，而纹形特征、纹理特征等则是指纹分类及检索的重要依据。

反映指纹识别算法的优劣主要看两个方面：算法的精确度和算法的运算代价。

指纹匹配算法的精确度反映了算法的对待识指纹图象的识别能力。为了便于采用量化的方法表示指纹匹配算法的性能，引入了下列两个指标。

拒识率(False Rejection Rate，FRR)：是指将相同的指纹误认为是不同的，而加以拒绝的出错概率。FRR＝(拒识的指纹数目/考察的指纹总数目)×100％。

误识率(False Accept Rate，FAR)：是指将不同的指纹误认为是相同的指纹，而加以接收的出错概率。FAR＝(错判的指纹数目/考察的指纹总数目)×100％。

对于一个已有的系统而言，通过设定不同的系统阈值，就可以看出这两个指标FRR与FAR成反比关系。这很容易理解，“把关”越严，误识的可能性就越低，但是拒识的可能性就越高。

影响指纹识别精确度的主要因素有：噪声、指纹在空间上的相对位移(平移、旋转等)。现有的指纹识别算法虽然可以很好的抑制图象平移产生的影响，但在两幅图象之间存在指纹旋转时处理的效果则不理想。

发明内容

本发明的目的在于提供一种通过指纹细节特征进行指纹识别的方法，该方法能够有效的抑制指纹图象的平移和旋转产生的影响，快速地判断出待识样本与模版样本是否吻合。

本发明为解决其技术问题所采用的方案为：能够抑制图象平移和旋转效应的指纹识别方法，包括如下步骤：

步骤1、图象预处理：对原始灰度图象进行二值化和细化处理，为进一步的工作做准备，包括：

a)指纹分割：运用局部灰度方差法将指纹区域和背景分割开。局部灰度方差法如下：

首先计算整幅图象的灰度方差F；将指纹图象分成不重叠的8*8大小的象素块，计算每一块中象素点灰度值的方差f。根据每一块的相对值f/F是否高于一个阈值T来判断该块的属性：高则属于指纹区域，反之属于背景。

b)二值化：根据每个象素点的方向对图象进行处理，以得到二值图象。本发明运用方向滤波法实现指纹的二值化。

c)指纹细化：将指纹细化至脊线仅一个象素宽，提取指纹的脊背线条。本发明运用改进的混合OPTA算法实现对二值图象的细化。

步骤2、指纹特征提取：提取指纹图象的特征信息，主要包括：中心点、端点、叉点；并确定参考点和参考方向，具体实现如下：

a)检测指纹图象的中心点。指纹中心点为指纹纹路的渐进中心。不同类型的指纹中心的个数不同，分别为0个，1个，2个。本发明运用Poincare法检测并统计中心点的个数。

b)提取指纹的参考点和参考方向。当检测出的中心点个数为2时，定义两中心点连线的中点为参考点，连线的方向为参考方向。当检测出的中心点个数为1时，在以指纹中心为圆心，半径为R的圆上均匀采样30个点；判断各个点所在的8*8的象素块方向是否和该点的半径方向垂直，如垂直把这个点设为1，否则为0；最终在圆上寻找一个包含1最多的180度的弧线，定义这个弧线中点的半径方向为指纹的走向，即参考方向。如果为0则认为匹配失败，算法终止(出现0中心点可能是由图象质量差造成，也可能是弓形纹)。

c)提取指纹特征点。遍历细化指纹中的每一个脊背象素点，取该像点周围3×3的邻域，设象点为p(x，y)，则八个邻点为p(x+m，y+n)，m，n＝{-1，0，1}。自顺时针方向开始p(x+m，y+n)闭合式顺序互减，求差绝对值之和，记为Cnt。若Cnt＝2，p(x，y)为端点，若Cnt＝6，则p(x，y)为分叉点，否则p(x，y)为非特征点。由于噪声的影响，容易提取出伪特征点，本发明采用基于先验知识的特征筛选法将伪特征点清除。最后逐一记录筛选后的特征点坐标。

步骤3、特征点匹配：以步骤2中提取的参考点为原点，参考方向为主轴，用极坐标的形式表示指纹特征点坐标，并将其作为待识指纹的特征数据；最终将上述特征数据和模版指纹的特征数据进行匹配运算，判断是否吻合。

本发明步骤1中运用方向滤波器对图象进行二值化的具体步骤为：指纹图象中的点(x，y)的方向由点所在的8*8象素的块的方向确定，计算方向的表达式：

Vx(i，j)＝∑∑2dx(u，v)dy(u，v)

Vy(i，j)＝∑∑(dy²(u，v)-dx²(u，v)

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

其中dx，dy表示运用Sobel算子计算得的每个象素的梯度。

将得到的方向值分别归一化为0，π/8，π/4，3π/8，π/2，5π/8，3π/4，7π/8。然后分别与相应的方向滤波器相乘，由结果的正负确定点(x，y)为1或0，结果正的为0，结果负的为1。各个方向上的方向滤波器获得方法如下：

由方向为0时的滤波器矩阵 $\left[\begin{array}{ccccccc}0& 0& 0& 0& 0& 0& 0\\ -1& -1& -1& -1& -1& -1& -1\\ -2& -2& -2& -2& -2& -2& -2\\ 6& 6& 6& 6& 6& 6& 6\\ -2& -2& -2& -2& -2& -2& -2\\ -1& -1& -1& -1& -1& -1& -1\\ 0& 0& 0& 0& 0& 0& 0\end{array}\right]$

经过旋转因子 $\left[\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]$ 进行坐标变换获得。

本发明步骤1中指纹细化具体步骤为：先选用快速细化模版对二值图象进行初步细化，以得到含有大量脊背宽度为2象素的指纹图象；再对得到的图象通过改进的OPTA算法进一步细化得到指纹脊背线条。其中改进的混合OPTA算法的具体实施方式如下：

遍历快速细化后图象中每一个为1的点，将该点所在的4*4邻域与改进后的组合模版(附图5)相比较，如满足组合模版(a)、(b)······(h)中某一种情况，则认为该点是可以删除的边界点，并将该点置为0。循环上述步骤直到图象中没有可删除的点为止。

本发明步骤2中检测中心点的具体实现为：

运用Poincare法首先以8*8象素块为单位分割图象，初步确定中心点所在的范围，之后在该范围内以4*4的块为单位再次检测图象，基本确定中心点所在。Poincare法的表达式为：

$\mathrm{Poincare}(x,y)=\frac{1}{2\mathrm{\π}}\underset{k=0}{\overset{N_P-1}{\mathrm{\Σ}}}\mathrm{\Δ}\left(k\right)$

其中

δ(k)＝θ(x(k+1)mod N_p，y(k+1)mod N_p)-θ(x(k)mod N_p，y(k)mod N_p)

N_p为以8*8(或4*4)象素为单位的块所在的封闭曲线。

本发明步骤2中特征点筛选的规则有：

1)如附图6(a)所示，如果两个三叉点的位置小于一定的阀值，则认为这两个三叉点都是伪特征点。

2)如附图6(b)所示，如果两个端点的位置小于一定的阀值，同时两者的方向相同，且都与两者连线的夹角小于一定的阀值，则认为这两个端点都是伪特征点。

3)如附图6(c，d)所示，如果一个三叉点和一个端点的位置小于一定的阀值，两者的方向相同，则认为该三叉点和端点都是伪特征点。

本发明步骤3中匹配的具体步骤为：因为待识指纹的参考方向可能与模版指纹的参考方向存在一定的误差，本发明以待识指纹检测出的参考方向为基础，在角度[-π/8，π/8]区间内均匀地选择5个方向作为待识指纹的候选参考方向。根据候选的参考方向修改待识指纹的特征数据，作为候选特征数据。再将待识指纹的每一组候选特征数据与模版指纹的特征数据进行比较，获得5个匹配度。在这5个匹配度中选择匹配度最大的数值作为待识指纹与模版指纹的匹配度。最终根据匹配度是否高于一定的阈值，判断待识指纹与模版指纹是否吻合。

与现有技术相比，本发明的有益效果是：由于提取了指纹的参考方向，可以很大程度上缩小旋转搜索的范围，抑制图象旋转产生的影响，有效降低算法的运算代价。此外在细化时所运用的快速细化模版和改进型OPTA相结合的方法，实践证明可以进一步提高预算速度。

附图说明

图1为本发明的流程框图；

图2步骤1的流程框图；

图3步骤2的流程框图；

图4指纹图象

图5指纹细化OPTA算法中的组合模版。

图6细化指纹图象中四种常见的伪特征点

图4中(a)(b)为原始指纹图象；(c)(d)为提取了参考点和参考方相的二值化指纹图象；(e)(f)为指纹图象细化后提取特征点的指纹图象；

图4中的“*”表示的参考点，一条从该点出发的直线表示提取出的参考方向，“+”表示提取出的特征点；

图5的“*”表示当前要判断的点。

具体实施方式

步骤1、图象预处理：对原始灰度图象进行二值化和细化处理，为进一步的工作做准备。将图象分成不重叠的8*8大小的象素块，运用局部灰度方差法判断每一块的属性：是属于指纹图象区域还时背景区域。在提取出的指纹区域中，计算每一个8*8象素块的指纹方向，运用方向滤波法实现指纹的二值化。通过改进的混合OPTA算法对二值图象进行细化处理，得到指纹脊背仅只为1象素宽的图象。

步骤2、指纹特征提取：本发明提取的指纹图象的特征信息主要包括：中心点、端点、叉点；同时确定参考点和参考方向。运用Poincare法检测并统计指纹中心点的个数。当检测出的中心点个数为2时，将两个中心点连线的中点作为参考点，将连线的方向作为参考方向。当检测出的中心点个数为1时，计算指纹的走向，并把这一方向作为参考方向。当中心点个数为0时，认为匹配失败，结束程序。在步骤1细化后的图象中提取特征点，并采用基于先验知识的特征筛选将附图6所示的四种伪特征点清除。

步骤3、特征匹配。以参考点为原点，以参考方向为主轴用极坐标的形式表示指纹特征点坐标，将其作为待识指纹的特征数据。最终将上述特征数据和模版指纹的特征数据进行匹配运算，判断是否吻合。

Claims (5)

1.一种通过指纹细节特征进行判别的全角度快速指纹识别方法，其特征在于依次包含如下步骤：

1)图象预处理：对原始灰度图象进行二值化和细化处理。将图象分成不重叠的8*8象素大小的块，运用局部灰度方差法判断每一块的属性：是属于指纹图象区域还是背景区域。在提取出的指纹区域中，计算每一个8*8象素块的指纹方向，运用方向滤波法实现指纹的二值化。通过改进的混合OPTA算法对二值图象进行细化处理，得到指纹脊背仅只为1象素宽的图象。

2)指纹特征提取：提取包括中心点、端点、叉点在内的特征点，并确定参考点和参考方向。运用Poincare法检测并统计指纹中心点的个数。当检测出的中心点个数为2时，将两个中心点连线的中点作为参考点，将连线的方向作为参考方向。当检测出的中心点个数为1时，计算指纹的走向，并将这一方向作为参考方向。当中心点个数为0时，认为匹配失败，结束程序。在1)步细化后的图象中提取特征点，并采用基于先验知识的特征筛选将伪特征点清除。

3)特征匹配。以参考点为原点，以参考方向为主轴用极坐标的形式表示指纹特征点坐标，将其作为待识指纹的特征数据。跟据步骤2检测出的指纹中心个数，将上述的特征数据与系统中已经存在的中心点个数相同的指纹模版进行匹配。

2.根据权利要求1所述的一种通过指纹细节特征进行判别的全角度快速指纹识别方法，其特征在于：当检测出的中心点个数为1时，在以指纹中心为圆心，半径为R的圆上均匀采样30个点；判断各个点所在的8*8的象素块方向是否和该点的半径方向垂直，如垂直把这个点设为1，否则为0；最终在圆上寻找一个包含1最多的180度的弧线，定义这个弧线中点的半径方向为指纹的走向，即参考方向。

3.根据权利要求1所述的一种通过指纹细节特征进行判别的全角度快速指纹识别方法，其特征在于：先运用快速细化模版对二值图象进行初步细化，获得含有大量指纹脊线为2象素宽的指纹图象。再对获得的图象运用改进的OPTA算法进一步细化得到指纹脊线仅为1象素宽的图象。

4.根据权利要求1所述的一种通过指纹细节特征进行判别的全角度快速指纹识别方法，其特征在于：特征数据表示形式为以参考点为原点，以参考方向为主轴，用极坐标的形式表示指纹特征点坐标，将其作为待识指纹的特征数据。

5.根据权利要求1所述的一种通过指纹细节特征进行判别的全角度快速指纹识别方法，其特征在于：特征数据的匹配过程：以待识指纹检测出的参考方向为基础，在角度[-π/8，π/8]区间内均匀地选择5个方向作为待识指纹的候选参考方向。根据候选的参考方向修改待识指纹的特征数据，作为候选特征数据。再将待识指纹的每一组候选特征数据与模版指纹的特征数据进行比较，获得5个匹配度。在这5个匹配度中选择匹配度最大的数值作为待识指纹与模版指纹的匹配度。

Images