CN101408935A - 基于捕捉有效域的快速指纹特征提取方法 - Google Patents

Abstract

一种基于捕捉有效域的快速指纹特征提取方法，包括以下步骤：1)有效域捕捉和脊线跟踪步骤；2)指纹脊线方向估算步骤；3)计算核心点坐标步骤；4)截取有效区域步骤；5)基于脊线跟踪的细节特征点提取步骤。本发明通过核心点的检测来确定指纹面积，并在处理过程中降低了对图像增强的依赖；之后对确定了指纹面积的图像进行脊线跟踪。从实验结果可以看出，该方法有较高的可靠性和效率，且能较好地平衡它们两者的矛盾，具备了现有方法所不具有的高效率和可靠性。对于如门禁，口令系统等对安全性要求相对较低而速度要求相对较高的场合，有较高的应用价值。

Description

基于捕捉有效域的快速指纹特征提取方法

技术领域

本发明涉及一种指纹特征提取方法。

提出了一种基于有效域捕捉，并结合脊线跟踪的快速指纹细节提取方法，即先通过梯度矢量来求得指纹中心点位置，再通过向外部扩张来获得包含有足够数量特征点的有效域，最后通过与一种改进的脊线跟踪算法的结合来获得指纹的特征信息。

背景技术

近年来，随着计算机技术的飞速发展以及高可靠指纹识别算法的实现，使得自动指纹识别技术飞速融入到人们的生活中。由于指纹识别技术具有很高的实用性和可行性，已经被认为是一种理想的身份认证技术，有着十分广泛的应用前景，因此是将来生物特征识别技术的主流之一。

现有的指纹特征提取算法大致分为：常规的细节特征提取算法和直接灰度指纹图像特征提取算法两类。其中常规的细节特征提取算法大多是在经过细化和纹线修复的指纹图像上进行。而事实上，由于指纹自身结构的复杂性和目前图像预处理技术的局限性，对图像进行比较理想的细化具有一定的技术难度，且该方法所涉及的领域在处理上非常繁琐，时间消耗也比较大。所以，在实际应用中，常规细节特征提取算法的效果并不总能令人满意。直接灰度指纹图像特征提取算法一般是通过沿纹线方向自适应地追踪指纹脊线，在追踪的过程中，局部增强指纹图像，最后可得到一幅细化后的指纹脊线骨架图和附加在其上的细节点信息。由于该算法只在占全图比例很少的点上估算方向，并进行滤波处理，计算量相对较少。但受限于该算法的独特性，致使其对低质量指纹图像的适应性不是太理想，并且容易在特征点的判断上出现偏差。

目前指纹算法主要面临的问题是：(1)指纹图像质量不能满足要求；(2)指纹面积的不确定性；(3)指纹图像具有旋转与扭曲。因此现行的指纹算法几乎都是针对如何快速，并准确地处理以上问题而进行的优化与提高。但大都无法在计算效率、准确度以及指纹方向容忍度上做到很好的平衡。

在传统算法中，先期的图像增强是很重要的一步。如果不能很好地对图像进行增强，则很容易导致后续步骤出错或者失败。针对图像增强通常使用基于Gabor滤波器的方法，但其时间消耗较大。而之后的核心点检测则是关键的一步。这些先决条件都导致了以上算法不能具有很好的兼容性，且对指纹图像的先期要求较高，并可能因为无法确定中心点而导致花费大量时间。在特征点提取方面，传统算法的主要设计思想包括计算方向图、图像滤波、二值化、细化、提取特征和后处理这些过程。虽然上述方法可靠性较高，但过程繁琐。

发明内容

针对上述技术问题，本发明提供一种基于捕捉有效域的快速指纹特征提取方法，通过提取用于指纹识别的有效域，在有效域中进行脊线跟踪，以解决低质量指纹图像识别、指纹面积敏感度等问题。

一种基于捕捉有效域的快速指纹特征提取方法，包括以下步骤：

1)有效域捕捉和脊线跟踪步骤；

2)指纹脊线方向估算步骤；

3)计算核心点坐标步骤；

4)截取有效区域步骤；

5)基于脊线跟踪的细节特征点提取步骤。

进一步地，所述步骤1)有效域捕捉和脊线跟踪步骤具体为：

首先计算指纹图像在每个像素处的梯度矢量，局部区域内梯度矢量较大的像素位于图像纹理的边缘，局部区域内脊线方向主要由这些边缘像素决定，其梯度矢量将垂直于脊线方向，由于脊线的梯度矢量都会指向中心点，在 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 角度内对其进行跟踪后，将频率最大的跟踪线末端的坐标视为核心点的位置。

进一步地，所述步骤2)指纹脊线方向估算步骤中采用索贝尔梯度算子式(4)、式(5)来计算某像素点在z区域的x和y方向上的梯度G_x和G_y，

$G_y(x,y)=\underset{u=x-z/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}{2\&PartialD;}_x(u,v){\&PartialD;}_y(u,v)---\left(4\right)$

$G_x(x,y)=\underset{u=x-w/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}[{\&PartialD;}_x^2(u,v)-{\&PartialD;}_y^2(u,v)]---\left(5\right)$

进一步地，所述步骤3)计算核心点坐标步骤具体为：

采用式(6)计算脊线上梯度的倾角：

$\mathrm{\&theta;}(x,y)=\frac{1}{2}\&CenterDot;{\tan }^{-1}\left(\frac{V_y(x,y)}{V_x(x,y)}\right)-\frac{\mathrm{\&pi;}}{2}---\left(6\right)$

核心点根据式(7)所描述的条件进行跟踪，连续搜索θ(x+1，y+1)，仅当倾角处于 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 的范围中时，频率记数增加1；否则保存频率记数，并开始下一轮搜索，将频率记数最大的θ(x，y)坐标视为核心点。

进一步地，所述步骤4)截取有效区域步骤为，首先对步骤1)中获得的处理后的图像面积进行计算，其判断标准为非0像素，由点

开始，截取

大小的矩阵区域为有效区域。

进一步地，所述步骤5)基于脊线跟踪的细节特征点提取步骤为：

以灰度值为参照，搜寻局部最大值点(X_max，Y_max)和最小值点(X_min，Y_min)，然后计算最大值点与最小值点的灰度差d和点(X_max，Y_max)处的方向估计值θ；最后以步长u沿θ方向探测点(X_i，Y_i)直至点(X_n+i，Y_n+i)与点(X_max，Y_max)的灰度之差大于某个与d相关的值，得到延伸的步长l＝n×u；

定义smax为计算图像s中单位区域最大值的函数，根据式(10)所描述的条件来对(X_n，Y_n，l)进行判断，

如果满足结束探测条件，则结束沿一个方向的脊线跟踪；返回初始点，并沿反方向继续跟踪；当另一方向的探测也结束后，得到了一条脊线，对脊线上的所有点(X，Y)，修改s[x，y]＝m，m为脊线的序号，从下一个块中寻找灰度最值点，如果该点未被访问过，则以该点作为新的出发点。

进一步地，在所述步骤4)与步骤5)之间还包括以下步骤：

根据相邻像素灰度的期望的均值M₀，和期望的方差V₀，采用公式(8)来对图像进行归一化处理：

根据已确定的脊线方向，先将垂直于该方向上的点保存为Ω点集；然后根据Ω上的灰度均值得到平滑后的点集Ω₁；最后使用高斯低通滤波器(式9)对点集Ω₁做卷积运算，即 ${\mathrm{\&Omega;}}_2={\mathrm{\&Omega;}}_1\&CircleTimes;G,$

$G\left(y\right)=\frac{1}{\sqrt{2\mathrm{\&pi;r}}}\exp [-{\left(\frac{y}{r}\right)}^2]---\left(9\right)$

使图像得到局部增强。

进一步地，在所述步骤1)之前，还包括对图像进行滤波的步骤。

进一步地，所述对图像进行滤波的步骤为，对于一幅N×M大小的图像，

$\mathrm{\&mu;}=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}a(n_1,n_2)---\left(1\right)$

${\mathrm{\&sigma;}}^2=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}{a}^2(n_1,n_2)-{\mathrm{\&mu;}}^2---\left(2\right)$

$b(n_1,n_2)=\mathrm{\&mu;}+\frac{{\mathrm{\&sigma;}}^2-v^2}{{\mathrm{\&sigma;}}^2}(a(n_1,n_2)-\mathrm{\&mu;})---\left(3\right)$

先采用式(1)、式(2)计算每个像素a周围的局部均值μ、方差σ和噪音方差v，再根据式(3)来进行处理。

本发明通过核心点的检测来确定指纹面积，并在处理过程中降低了对图像增强的依赖；之后对确定了指纹面积的图像进行脊线跟踪。从实验结果可以看出，该方法有较高的可靠性和效率，且能较好地平衡它们两者的矛盾，具备了现有方法所不具有的高效率和可靠性。对于如门禁，口令系统等对安全性要求相对较低而速度要求相对较高的场合，有较高的应用价值。

附图说明

图1至图5为经本发明方法实施例各步骤处理后的指纹图片。

具体实施方式

一种基于捕捉有效域的快速指纹特征提取方法，包括以下步骤：

1)有效域捕捉和脊线跟踪步骤：

所谓有效域捕捉就是基于对指纹核心点的捕获。捕获时，首先计算指纹图像在每个像素处的梯度矢量，在得出这些梯度数据后，由于局部区域内梯度矢量较大的像素位于图像纹理的边缘，因此局部区域的脊线方向主要由这些边缘像素决定，其梯度矢量将垂直于脊线方向。由于脊线的梯度矢量都会指向中心点，因此在 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 角度内对其进行跟踪后，可将频率最大的跟踪线末端的坐标视为核心点的位置。最后即可根据指纹图像的相对面积来截取包含足够细节点信息的有效域。

为更好地进行指纹图像处理，一般需要先对图像进行滤波。通常采用Gabor滤波器进行滤波，但其耗时相对较长。本发明采用维纳算子可明显降低噪声对于估算脊线方向中梯度算法的影响，且速度较快。对于一幅N×M大小的图像，如图1所示，先采用式(1)、式(2)计算每个像素a周围的局部均值μ、方差σ和噪音方差v，再根据式(3)来进行处理。

$\mathrm{\&mu;}=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}a(n_1,n_2)---\left(1\right)$

${\mathrm{\&sigma;}}^2=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}{a}^2(n_1,n_2)-{\mathrm{\&mu;}}^2---\left(2\right)$

$b(n_1,n_2)=\mathrm{\&mu;}+\frac{{\mathrm{\&sigma;}}^2-v^2}{{\mathrm{\&sigma;}}^2}(a(n_1,n_2)-\mathrm{\&mu;})---\left(3\right)$

2)指纹脊线方向估算步骤：

为获得指纹走向，需要获得指纹脊线的方向信息。常用的计算脊线方向的方法是最小方差估计和梯度算法。本发明是采用索贝尔梯度算子式(4)、式(5)来计算某像素点在z区域的x和y方向上的梯度G_x和G_y。

$G_y(x,y)=\underset{u=x-z/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}{2\&PartialD;}_x(u,v){\&PartialD;}_y(u,v)---\left(4\right)$

$G_x(x,y)=\underset{u=x-w/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}[{\&PartialD;}_x^2(u,v)-{\&PartialD;}_y^2(u,v)]---\left(5\right)$

不同于其它的算法，由于在之后的脊线跟踪时仍将用到该梯度值，因此这里对其进行单独计算并加以保存，以避免之后可能发生的重复计算。对图1处理后得到的脊线方向估计结果如图2所示。

3)计算核心点坐标步骤：

在获得了脊线的梯度值后，再采用式(6)计算脊线上梯度的倾角。

$\mathrm{\&theta;}(x,y)=\frac{1}{2}\&CenterDot;{\tan }^{-1}\left(\frac{V_y(x,y)}{V_x(x,y)}\right)-\frac{\mathrm{\&pi;}}{2}---\left(6\right)$

核心点可根据式(7)所描述的条件来进行跟踪。连续搜索θ(x+1，y+1)，仅当倾角处于 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 的范围中时，频率记数增加1；否则保存频率记数，并开始下一轮搜索。最后将频率记数最大的θ(x，y)坐标视为核心点。实验结果如图3所示。

4)截取有效区域步骤：

由于指纹图像大小S的不确定性，因此本发明使用相对大小来对有效区域进行截取，即首先对步骤1)中获得的处理后的图像面积进行计算。其判断标准为非0(白色)像素。由点开始，截取

大小的矩阵区域为有效区域，如图4所示。

5)基于脊线跟踪的细节特征点提取

根据相邻像素灰度的期望的均值M₀，和期望的方差V₀，采用公式(8)来对图像进行归一化处理，以降低灰度值不同所造成的判断偏差。

根据已确定的脊线方向，先将垂直于该方向上的点保存为Ω点集；然后根据Ω上的灰度均值得到平滑后的点集Ω₁；最后使用高斯低通滤波器(式10)对点集Ω₁做卷积运算，即 ${\mathrm{\&Omega;}}_2={\mathrm{\&Omega;}}_1\&CircleTimes;G,$ 使图像得到局部增强。实验结果如图5所示。

$G\left(y\right)=\frac{1}{\sqrt{2\mathrm{\&pi;r}}}\exp [-{\left(\frac{y}{r}\right)}^2]---\left(9\right)$

首先，以灰度值为参照，搜寻局部最大值点(X_max，Y_max)和最小值点(X_min，Y_min)。最大值点就是与脊线骨架最接近的脊线点，即要寻找的脊线点，而最小值点就是离脊线边缘最近的非脊线点；然后计算最大值点与最小值点的灰度差d和点(X_max，Y_max)处的方向估计值θ；最后以一定的步长u(u一般取1或2)，沿θ方向探测点(X_i，Y_i)直至点(X_n+i，Y_n+i)与点(X_max，Y_max)的灰度之差大于某个与d相关的值，即得到延伸的步长l＝n×u。

定义smax为计算图像s中单位区域最大值的函数，根据式(10)所描述的条件来对(X_n，Y_n，l)进行判断。

如果满足结束探测条件，则结束沿一个方向的脊线跟踪。返回初始点，并沿反方向继续跟踪。当另一方向的探测也结束后，得到了一条脊线。对脊线上的所有点(X，Y)，修改s[x，y]＝m(m，为脊线的序号)。从下一个块中寻找灰度最值点(最大与最小点)，如果该点未被访问过，则以该点作为新的出发点。

本发明实施例采用VeriFinger、BioLAB及UareU三指纹数据库作为数据源进行了仿真实验，实验环境为基于PIII-667的普通PC机。并与常规的细节特征提取算法的提取结果进行了比较，指纹识别速度及识别率的比较结果如下表所示：

由上表可见，本发明在保证识别率的情况下比传统算法的平均耗时降低了许多。

Claims (9)

1、一种基于捕捉有效域的快速指纹特征提取方法，其特征在于包括以下步骤：

1)有效域捕捉和脊线跟踪步骤；

2)指纹脊线方向估算步骤；

3)计算核心点坐标步骤；

4)截取有效区域步骤；

5)基于脊线跟踪的细节特征点提取步骤。

2、根据权利要求1所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

所述步骤1)有效域捕捉和脊线跟踪步骤具体为：

首先计算指纹图像在每个像素处的梯度矢量，局部区域内梯度矢量较大的像素位于图像纹理的边缘，局部区域内脊线方向主要由这些边缘像素决定，其梯度矢量将垂直于脊线方向，由于脊线的梯度矢量都会指向中心点，在 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 角度内对其进行跟踪后，将频率最大的跟踪线末端的坐标视为核心点的位置。

3、根据权利要求2所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

所述步骤2)指纹脊线方向估算步骤中采用索贝尔梯度算子式(4)、式(5)来计算某像素点在z区域的x和y方向上的梯度G_x和G_y，

$G_y(x,y)=\underset{u=x-z/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}2{\&PartialD;}_x(u,v){\&PartialD;}_y(u,v)---\left(4\right)$

$G_x(x,y)=\underset{u=x-w/2}{\overset{x+z/2}{\mathrm{\&Sigma;}}}\underset{v=y-z/2}{\overset{y+z/2}{\mathrm{\&Sigma;}}}[{\&PartialD;}_x^2(u,v)-{\&PartialD;}_y^2(u,v)]---\left(5\right)$

4、根据权利要求3所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：所述步骤3)计算核心点坐标步骤具体为：

采用式(6)计算脊线上梯度的倾角：

$\mathrm{\&theta;}(x,y)=\frac{1}{2}\&CenterDot;{\tan }^{-1}\left(\frac{V_y(x,y)}{V_x(x,y)}\right)-\frac{\mathrm{\&pi;}}{2}---\left(6\right)$

核心点根据式(7)所描述的条件进行跟踪，连续搜索θ(x+1，y+1)，仅当倾角处于 $\mathrm{\&pi;}<\mathrm{\&theta;}<\frac{3\mathrm{\&pi;}}{2}$ 的范围中时，频率记数增加1；否则保存频率记数，并开始下一轮搜索，将频率记数最大的θ(x，y)坐标视为核心点。

5、根据权利要求4所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

所述步骤4)截取有效区域步骤为，首先对步骤1)中获得的处理后的图像面积进行计算，其判断标准为非0像素，由点

开始，截取

大小的矩阵区域为有效区域。

6、根据权利要求5所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

所述步骤5)基于脊线跟踪的细节特征点提取步骤为：

以灰度值为参照，搜寻局部最大值点(X_max，Y_max)和最小值点(X_min，Y_min)，然后计算最大值点与最小值点的灰度差d和点(X_max，Y_max)处的方向估计值θ；最后以步长u沿θ方向探测点(X_i，Y_i)直至点(X_n+i，Y_n+i)与点(X_max，Y_max)的灰度之差大于某个与d相关的值，得到延伸的步长l＝n×u；

定义smax为计算图像s中单位区域最大值的函数，根据式(10)所描述的条件来对(X_n，Y_n，l)进行判断，

如果满足结束探测条件，则结束沿一个方向的脊线跟踪；返回初始点，并沿反方向继续跟踪；当另一方向的探测也结束后，得到了一条脊线，对脊线上的所有点(X，Y)，修改s[x，y]＝m，m为脊线的序号，从下一个块中寻找灰度最值点，如果该点未被访问过，则以该点作为新的出发点。

7、根据权利要求6所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

在所述步骤4)与步骤5)之间还包括以下步骤：

根据相邻像素灰度的期望的均值M₀，和期望的方差V₀，采用公式(8)来对图像进行归一化处理：

根据已确定的脊线方向，先将垂直于该方向上的点保存为Ω点集；然后根据Ω上的灰度均值得到平滑后的点集Ω₁；最后使用高斯低通滤波器(式9)对点集Ω₁做卷积运算，即 ${\mathrm{\&Omega;}}_2={\mathrm{\&Omega;}}_1\&CircleTimes;G,$

$G\left(y\right)=\frac{1}{\sqrt{2\mathrm{\&pi;r}}}\exp [-{\left(\frac{y}{r}\right)}^2]---\left(9\right)$

使图像得到局部增强。

8、根据权利要求1至7中任一权利要求所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

在所述步骤1)之前，还包括对图像进行滤波的步骤。

9、根据权利要求7所述的基于捕捉有效域的快速指纹特征提取方法，其特征在于：

所述对图像进行滤波的步骤为，对于一幅N×M大小的图像，

$\mathrm{\&mu;}=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}a(n_1,n_2)---\left(1\right)$

${\mathrm{\&sigma;}}^2=\frac{1}{\mathrm{NM}}\underset{n_1,n_2\&Element;\mathrm{\&eta;}}{\mathrm{\&Sigma;}}{a}^2(n_1,n_2)-{\mathrm{\&mu;}}^2---\left(2\right)$

$b(n_1,n_2)=\mathrm{\&mu;}+\frac{{\mathrm{\&sigma;}}^2-v^2}{{\mathrm{\&sigma;}}^2}(a(n_1,n_2)-\mathrm{\&mu;})---\left(3\right)$

先采用式(1)、式(2)计算每个像素a周围的局部均值μ、方差σ和噪音方差v，再根据式(3)来进行处理。

Images