CN101499130A - 一种指纹识别方法和指纹识别系统 - Google Patents

Abstract

本发明涉及指纹识别技术，针对现有指纹识别系统无法识别脱皮指纹的缺陷，提供一种指纹识别方法，包括如下步骤：采集指纹图像，提取其指纹特征，并将该指纹特征与指纹模板进行特征匹配；在匹配成功后，依据该指纹特征对指纹模板进行特征更新。本发明还提供了一种指纹识别系统。实施本发明的技术方案，具有以下有益效果：依据匹配成功的指纹特征对最新指纹模板进行特征更新，可时时掌握指纹脱皮过程中最新的指纹特征信息，再配合使用原始指纹模板，便可实现指纹在未脱皮和脱皮过程中各个阶段的精确匹配。同时，本方案是通过对指纹图像进行处理来实现的，不依赖于传感器技术，因而成本低廉，且适用于各类指纹传感器。

Description

一种指纹识别方法和指纹识别系统

技术领域

本发明涉及指纹识别技术，更具体地说，涉及一种指纹识别方法和指纹识别系统。

背景技术

指纹识别技术为人们提供了一种更为精确的身份识别手段。图1是现有指纹识别过程的示意图。如图1所示，现有的指纹识别过程包括注册和在线两个部分。在注册部分，通过传感器采集注册用户的指纹，然后提取特征并将其登记到存储器中。在在线部分，通过传感器采集登录者指纹，提取特征并将其与存储器中存储的特征进行匹配，输出匹配结果。注册部分往往发生在系统安装后的参数设置阶段，一旦注册完成，存储器中存储的特征便很少发生改变。

在日常生活中脱皮现象经常发生，这给指纹的识别带来了很大的困难。由于现有指纹识别系统无法频繁更新存储的指纹特征，因此指纹脱皮达到一定程度时，系统往往无法识别。这一现象可从下面的图2—图4中得到理解。图2是脱皮前采集的手指指纹，图3和图4是脱皮过程中不同时期采集的同一手指的指纹。如果在系统注册时采集的是未脱皮的指纹(如图2所示)，而实际使用时刚好发生脱皮现象(脱皮后的指纹如图3和图4所示)，那么现有系统往往无法识别，这就极大的影响了系统的使用。

为了解决脱皮导致的系统无法识别的问题，一些指纹识别系统采用不怕脱皮的指纹传感器，也就是所谓的真皮传感器来在注册部分和在线部分中采集指纹。然而常见的真皮传感器如超声传感器往往体积大，价格高昂贵，在一般的应用领域很少用到，不适于广泛推广。

因此，需要一种指纹识别解决方案，能够解决现有指纹识别系统无法识别脱皮指纹的问题。

发明内容

本发明要解决的技术问题在于，针对现有指纹识别系统无法识别脱皮指纹的缺陷，提供一种指纹识别方法和指纹识别系统。

本发明解决其技术问题所采用的技术方案是：构造一种指纹识别方法，包括如下步骤：

S1、采集指纹图像，提取其指纹特征，并将该指纹特征与指纹模板进行特征匹配；

S2、在匹配成功后，依据该指纹特征对指纹模板进行特征更新。

在本发明所述的指纹识别方法中，所述指纹特征包括细节点特征和奇异点特征；

细节点特征可表示为(x，y，θ，t，k)^T，其中x、y、θ、t、k分别表示细节点的横坐标、纵坐标、奇异点的方向、细节点类型和权重系数；

奇异点特征可表示为(x，y，θ，k)^T，其中x、y、θ、k分别表示奇异点的横坐标、纵坐标、奇异点的方向和权重系数。

在本发明所述的指纹识别方法中，

所述细节点特征中权重系数k的计算方法如下：

设细节点的邻域内假细节点的数量为c₁，该邻域内细节点的总数量为c₂，该细节点与距其最近的细节点之间的距离为d₁，则该细节点特征中权重系数k采用如下公式计算：

k＝(5-c₁)α₁+(6-c₂)α₂+(d₁-4)α₃

其中c₁≤5，c₂≤6，4≤d₁≤16，α₁，α₂，α₃是各项的比例系数，当c₁>5，c₂>5，d₁<4时，对应项计算值为0，当d₁>16时，该项值取为最大值12α₃

所述奇异点特征中权重系数k的计算方法如下：

当奇异点的邻域内存在真细节点时，取该邻域内真细节点的权重系数的算术平均值作为该奇异点的权重系数k；

当该奇异点的邻域内不存在真细节点时，取所采集指纹图像中所有真细节点的权重系数的算术平均值作为该奇异点的权重系数k。

在本发明所述的指纹识别方法中，所述特征匹配的过程如下：

A1、计算所采集指纹图像与指纹模板的匹配值S，其具体过程如下；

A11、计算指纹模板与所采集指纹图像的重叠区域；

A12、将指纹模板与所采集指纹图像进行细节点匹配，计算细节点匹配分数S_m，其具体过程如下：设指纹模板的细节点i和所采集指纹图像的细节点j相匹配，细节点i的细节点特征为(x_i，y_i，θ_i，t_i，k_i)^T，对应匹配上的细节点j的细节点特征为(x_j，y_j，θ_j，t_j，k_j)^T，则细节点i和j的贡献分数S_ij为：

S_ij＝λ₀+min(k_i，k_j)-λ₁|t_i-t_j|-λ₂|x_i-x_j|-λ₃|y_i-y_j|-λ₄|θ_i-θ_j|

其中λ₀，λ₁，λ₂，λ₃，λ₄是经验常数；细节点匹配分数S_m为指纹模板中所有匹配细节点贡献分数的和，即

S_m＝∑S_ij

A13、将指纹模板与所采集指纹图像进行奇异点匹配，计算奇异点匹配分数S_p，其具体过程如下：设指纹模板的奇异点i和所采集指纹图像的奇异点j相匹配，奇异点i的奇异点特征是(x_i，y_i，θ_i，k_i)^T，对应匹配上的奇异点j的奇异点特征是(x_j，y_i，θ_j，k_j)^T，则奇异点i和j的贡献分数P_ij为：

P_ij＝K₀

其中K₀是经验常数；

对于无法匹配的奇异点，如果这些奇异点在重叠区域外，那么对于任意组合P_ij＝0；如果在重叠区域内，那么对于任意组合P_ij＝0，其贡献分数P_ij为：

$P_{\mathrm{ij}}=-\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-P_0-\min (k_i,k_j)$

其中，P₀是经验常数；奇异点匹配分数S_p为所有奇异点贡献分数的和，即

S_p＝∑P_ij

A14、计算调整分数S_n，其具体过程如下：将指纹模板处于重叠区域内的未匹配细节点i取出来，计算该未匹配细节点i的位置(x_i，y_i)在所采集指纹图像中的权重系数

，计算过程是，将所采集指纹图像中位置为(x_i，y_i)的细节点的邻域内的细节点权重系数取算术平均值，作为

的数值，则未匹配细节点i的调整分数S_i为：

$s_i={\mathrm{\&beta;}}_1\min (k_i,k_i^{\&prime;})+{\mathrm{\&beta;}}_2$

其中β₁，β₂都是小于0的经验常数；

调整分数S_n为指纹模板中处于重叠区域内的所有未匹配细节点调整分数s_i的和，即

S_n＝∑_si

A15、依据细节点匹配分数S_m、奇异点匹配分数S_p和调整分数S_n计算匹配值S：

S＝S_m+S_p+S_n

A2、将匹配值S与匹配阈值进行比较，若匹配值S大于匹配阈值，则匹配成功。

在本发明所述的指纹识别方法中，所述特征更新的过程如下：

B1、调整所述指纹模板中细节点的权重系数，其具体过程如下：

B11、调整重叠区域内所述指纹模板中与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设指纹模板的细节点i和所采集指纹图像的细节点j相匹配，则特征更新后该细节点i的权重系数

为：

${\tilde{k}}_i=\max (k_i,k_j)+{\mathrm{\&gamma;}}_1\min (k_i,k_j)$

其中，γ₁>0；

B12、调整重叠区域内指纹模板中未能与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设该细节点为i，那么注册完成后其权重系数

为：

${\tilde{k}}_i=k_i-0.5{\mathrm{\&gamma;}}_2(k_i^{\&prime;}+k_i)$

其中0<γ₂<0.5，

为未匹配细节点i的位置(x_i，y_i)在所采集指纹图像中的权重系数；

B13、调整重叠区域外指纹模板中未能与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设该细节点为i，那么注册完成后其权重系数

为：

${\tilde{k}}_i=(1-{\mathrm{\&gamma;}}_2)k_i$

其中0<γ₂<0.5；

B2、调整指纹模板中匹配奇异点的权重系数，其具体过程如下：设指纹模板的奇异点i和所采集指纹图像的奇异点j相匹配，则特征更新后该奇异点i的权重系数

为：

${\tilde{k}}_i=\max (k_i,k_j)+{\mathrm{\&gamma;}}_1\min (k_i,k_j)$

其中，γ₁>0。

在本发明所述的指纹识别方法中，所述指纹模板的生成过程如下：

C1、采集第一注册指纹图像，提取第一指纹特征；

C2、采集第二注册指纹图像，提取第二指纹特征；

C3、将第一指纹特征与第二指纹特征进行特征匹配；

C4、在匹配成功后，使用第二指纹对第一指纹特征进行特征更新，并将更新后的第一指纹特征分别存储为原始指纹模板和最新指纹模板。

在本发明所述的指纹识别方法中，所述指纹模板的生成过程还包括：

C5、采集第三注册指纹，提取第三指纹特征；

C6、将第三指纹特征与所述原始指纹模板进行特征匹配；

C7、在匹配成功后，使用第三指纹特征对原始指纹模板和所述最新指纹模板进行特征更新。

在本发明所述的指纹识别方法中，

在所述步骤S1中，将所采集指纹图像的指纹特征分别与所述原始指纹模板和最新指纹模板进行特征匹配；

在所述步骤S2中，在所采集指纹图像的指纹特征与原始指纹模板和最新指纹模板二者至少之一匹配成功后，依据该指纹特征对最新指纹模板进行特征更新。

在本发明所述的指纹识别方法中，所述指纹特征包括轮廓特征。

本发明还提供了一种指纹识别系统，包括指纹采集模块，用于采集指纹图像，还包括：

指纹识别模块，用于采集指纹图像，提取所采集指纹图像的指纹特征，并将该指纹特征与所存储的指纹模板进行特征匹配，并在匹配成功后，依据该指纹特征对指纹模板进行特征更新。

实施本发明的技术方案，具有以下有益效果：依据匹配成功的指纹特征对最新指纹模板进行特征更新，可时时掌握指纹脱皮过程中最新的指纹特征信息，再配合使用原始指纹模板，便可实现指纹在未脱皮和脱皮过程中各个阶段的精确匹配。同时，本方案是通过对指纹图像进行处理来实现的，不依赖于传感器技术，因而成本低廉，且适用于各类指纹传感器。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是现有指纹识别过程的示意图；

图2是在指纹脱皮前采集的指纹示意图；

图3—图4是图2所示指纹在脱皮过程中不同时期采集的指纹示意图；

图5是本发明指纹注册过程的流程图；

图6是本发明匹配值计算过程的流程图；

图7是校准后指纹图像的重叠示意图；

图8是本发明指纹模板生成过程的流程图；

图9是本发明指纹识别和特征更新过程的流程图；

图10是本发明指纹识别系统的结构示意图。

具体实施方式

指纹识别过程实际上是指纹信息的匹配过程，具体来说，就是将从现场采集的指纹图像中提取的指纹特征，与预先存储的指纹模板中的指纹特征进行匹配。因此不难看出，指纹特征是指纹识别过程中的关键数据，其中记载的信息直接影响匹配结果的精确性。本发明提供了一种新的指纹特征结构，其具体结构如下：

 

特征头

指纹轮廓信息

指纹奇异点信息

指纹细节点信息

表1

从表1中可以看到，本发明提供的指纹特征包括特征头、轮廓特征、奇异点特征和细节点特征四个部分。

基于像素来描述指纹图像的轮廓特征不适于反应纹线的走向，因此本发明采用了如下方式来提取指纹图像的轮廓特征：将指纹图像划分为大小为WH×WH(WH为像素的数量)的方格，对于每一方格，如果将其判定为背景，则将其值设为0；如果将其判定为前景，则将其值设为1。这样一来，对于典型的256×288的指纹图像，WH的值可以设为16，这样一来，便可将256×288的指纹图像划分为288(16×18)个方格，其背景表只需用36字节(16×18bit)就可以表示。

在本发明的技术方案中，奇异点特征可以表示为(x，y，θ，k)^T，其中x、y、θ、k分别表示奇异点的横坐标、纵坐标、奇异点的方向和权重系数。奇异点可分别为中心点和三角点两类，一般的指纹最多有2个中心点和2个三角点。奇异点特征的数据结构如下：

 

第一中心点信息

第二中心点信息

第一三角点信息

第二三角点信息

表2

从上表可以看出，本发明的奇异点信息中前两个是中心点信息，后两个是三角点信息。

细节点特征是指纹特征中最重要的特征，是指纹匹配和特征更新过程中用到最多的数据。在本发明的技术方案中，细节点特征表示为(x，y，θ，t，k)^T，其中x、y、θ、t、k分别表示细节点的横坐标、纵坐标、细节点的方向、细节点类型和权重系数。其中，细节点可分为分叉点和端点两类。细节点特征的数据结构如下：

 

第一细节点信息

第二细节点信息

……

第n细节点信息

表3

对于奇异点和细节点特征中的横坐标、纵坐标、方向和类型等参数的计算，现有技术中已经给出了具体方法，因此本文不再赘述。而奇异点和细节点特征中的权重系数k是本发明技术方案的重要内容，其在生成指纹模板和指纹模板的特征更新过程中都具有重要的作用，下文首先来描述一下细节点特征和奇异点特征中权重系数k的计算过程。

在计算细节点特征的权重系数k之前，首先要从预处理后(预处理过程将在下文结合图5进行描述)的指纹图像中提取细节点。在具体实现过程中，可采用现有的任一种方式来提取细节点，例如但不限于采用八邻域法从预处理后的指纹图像中提取细节点。

在指纹的采集过程中，受各种因素(例如但不限于指纹的清洁程度、按压轻重程度等)的影响，采集的图像一般都会存在一些质量问题，例如图像含有端纹、褶皱，图像模糊等。因此，提取到的细节点中会包含很多假细节点。假细节点的大量存在会对后面的操作产生负面影响，因此需要在计算细节点的权重系数k之前滤除假细节点。本发明采用如下规则清除假细节点：

1、边际的假细节点

如果以细节点为圆心、以R₁为半径的区域内有背景的话，那么这类细节点称为边际的假细节点。

2、相对的平行端点

如果两个端点之间的距离小于L₁，且它们的方向相对，而且它们之间没有和其他像素相交，那么这类端点是由于指纹脊线断开产生的假细节点。

3、散乱端点

如果一个端点和其他2个端点之间的距离小于L₂，则这三个端点都是假细节点。

4、毛刺端点

如果一个端点在L₃个像素内能够碰到一个分叉点，那么这个端点是毛刺造成的假细节点。

5、毛刺分叉点

如果分叉点的两条分支在L₄个像素内到达端点，或者某一个分支在L₅个像素内达到另外一个分叉点，那么这些三个细节点是假细节点。

6、桥接分叉点

如果分叉点的一个分支在L₆个素到达另外一个分叉点，并且角度差大于60度，接近垂直，那么这两个分叉点是假细节点。

7、三角分叉点

如果分叉点的两个分支在L₆个像素到达另外两个分叉点，那么这些三个分叉点是假细节点。

8、散乱分叉点

如果分叉点半径为R₁的邻域内有4个以上的细节点(包括假细节点)，那么该分叉点和这些细节点是假细节点。

上面各个参数需要按照传感器的类型进行调整，其典型取值如下：R₁＝16，L₁＝20，L₂＝13，L₃＝8，L₄＝12，L₅＝10，L₆＝10。

在按照上述方式判断出真假细节点后，本发明采用下面的方法计算细节点的权重系数。

对于某个细节点，假定以其为圆心、以R₂(其取值为例如但不限于20～36，典型取值30)为半径的邻域内假细节点的个数为c₁，邻域内总的细节点个数c₂，这个细节点与距其最近的细节点之间的距离为d₁，那么这个细节点的权重系数k可以用下面的线性公式计算：

k＝(5-c₁)α₁+(6-c₂)α₂+(d₁-4)α₃            (公式1)

其中c₁≤5，c₂≤6，4≤d₁≤16，而α₁，α₂，α₃是各项的比例系数，典型取值α₁＝3，α₂＝2，α₃＝2，而当c₁>5，c₂>5，d₁<4时，对应项计算值为0。而d₁>16时该项值取为最大值12α₃。

在计算奇异点的权重系数k时，取以该奇异点为圆心、以R₃(例如R₃＝20)为半径的邻域内真细节点的权重系数的平均值作为该奇异点的权重系数。如果该邻域内不存在真细节点，那么取指纹图像中所有真细节点的权重系数的算术平均值作为奇异点的权重系数k。

在计算指纹图像的权重系数k₀时，将所有真细节点的权重系数的算术平均值作为指纹图像的权重系数。

在阐述完权重系数的计算方法后，下文来描述本发明指纹注册过程的具体流程。

图5是本发明指纹注册过程的流程图。如图5所示，本流程开始于步骤500，采集用户同一手指的两枚指纹，分别标记为第一指纹图像和第二指纹图像。

在下一步骤502，对第一指纹图像和第二指纹图像进行预处理，并按照上文描述的方法生成第一指纹特征和第二指纹特征，例如上述指纹图像的轮廓特征、奇异点特征和细节点特征。

在下一步骤504，将第一指纹特征与第二指纹特征进行特征匹配，分别计算细节点匹配分数、奇异点匹配分数和调整分数，然后对计算结果求和，生成匹配值。

在下一步骤506，判断计算得到的匹配值是否大于预先设定的匹配阈值，若是，则转到步骤508，依据第一指纹特征和第二指纹特征生成指纹模板，否则转到步骤510，注册失败，重新启动注册过程。

以下就对上述步骤进行详细描述。

在步骤500中，可参照现有的任何一种方法来采集用户的指纹，例如但不限于油墨按压和仪器采集等方法，采集指纹所使用的采集器件可以使用例如但不限于CMOS指纹传感器、热敏传感器和超声波传感器等。受指纹采集设备的精度、指纹表面的清洁程度以及按捺指纹时用力均匀程度等原因的影响，采集到的指纹图像往往存在各种各样的问题，例如指纹像不清晰等。因此，在采集完指纹之后，还需要在步骤502中对采集的指纹图像进行预处理，改善采集到的指纹图像的质量，然后才能进行下一步的操作。预处理过程可包括，例如但不限于，对采集的指纹图像提取方向图，即计算指纹图像每个像素的方向；采用例如但不限于Gabor滤波算法对指纹图像进行滤波；对滤波后的指纹图像进行二值化处理，即根据每个像素点的方向将指纹图像处理为仅包含黑色和白色的图像；根据二值化处理得到的图像，把指纹的脊线宽度细化为只包含一个像素，生成指纹细化图等等。

以下结合图6重点描述一下步骤504中匹配值的生成过程。

图6是本发明匹配值计算过程的流程图。

如图6所示，本流程开始于步骤600，在对预处理后的第一指纹图像和第二指纹图像进行校准后，计算第一和第二指纹图像的重叠区域，如图7所示。

在下一步骤602，对第一和第二指纹图像进行细节点匹配。

在下一步骤604，计算细节点匹配分数S_m，其具体计算过程如下：假定第一指纹图像的细节点i和第二指纹图像的细节点j相匹配。细节点i校准后的细节点特征是(x_i，y_i，θ_i，t_i，k_i)^T，对应匹配上的细节点j的特征是(x_j，y_j，θ_j，t_j，k_j)^T，则细节点i和j的贡献分数S_ij为：

S_ij＝λ₀+min(k_i，k_j)-λ₁|t_i-t_j|-λ₂|x_i-x_j|-λ₃|y_i-y_j|-λ₄|θ_i-θ_j|           (公式2)

其中λ₀，λ₁，λ₂，λ₃，λ₄是大于0的经验常数(上述参数的取值范围可以是例如但不限于0～100，典型取值λ₀＝30，λ₁＝4，λ₂＝1，λ₃＝1，λ₄＝1)。细节点匹配分数S_m为第一指纹图像中所有匹配细节点贡献分数的和，即

S_m＝∑S_ij                            (公式3)

在下一步骤606，对第一和第二指纹图像进行奇异点匹配。

在下一步骤608，计算奇异点匹配分数S_p，其具体计算过程如下：假定第一指纹图像的奇异点i和第二指纹图像的奇异点j相匹配。奇异点i校准后的奇异点特征是(x_i，y_i，θ_i，k_i)^T，对应匹配上的奇异点j的特征是(x_j，y_j，θ_j，k_j)^T，则奇异点i和j的贡献分数P_ij为：

P_ij＝K₀                              (公式4)

其中K₀是经验常数(其取值范围可以是例如但不限于0<K₀<400，典型取值K₀＝50)。

对于无法匹配的奇异点，如果这些奇异点在重叠区域外，那么对于任意组合P_ij＝0，其中可使用遍历的方式在第一指纹特征和第二指纹特征的奇异点特征中选择无法匹配的奇异点i和j；如果在重叠区域内，那么其贡献分数P_ij为：

$P_{\mathrm{ij}}=-\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-P_0-\min (k_i,k_j)$                    (公式5)

其中，P₀是经验常数(P₀的取值范围可以是例如但不限于P₀>20，典型取值P₀＝30)，无法匹配的奇异点i和j可使用例如但不限于遍历的方式在第一指纹特征和第二指纹特征的奇异点组合中进行选取。奇异点匹配分数S_p为所有奇异点贡献分数的和，即

S_p＝∑P_ij                                        (公式6)

在下一步骤610，计算调整分数S_n，其具体计算过程如下：将第一指纹图像校准后处于重叠区域内的未匹配细节点i取出来，首先计算这个未匹配细节点i的位置(x_i，y_i)在第二指纹图像中的权重

。

计算过程是，将在以点(x_i，y_i)为圆心、以R₄(其取值范围可以是例如但不限于R₄>16，典型取值为20)半径的邻域内的第二指纹图像的细节点权重系数取算术平均值，如果这个邻域内没有细节点存在，那么取第二指纹图像的权重系数k₀作为

的数值。

这个未匹配细节点i的调整分数S_i为：

$s_i={\mathrm{\&beta;}}_1\min (k_i,k_i^{\&prime;})+{\mathrm{\&beta;}}_2$                              (公式7)

其中β₁，β₂都是小于0的经验常数，典型值为β₁＝-0.8，β₂＝-2。调整分数S_n为第一指纹图像校准后处于重叠区域内的所有未匹配细节点调整分数s_i的和，即

S_n＝∑s_i                             (公式8)

在下一步骤612，计算匹配值S，其为细节点匹配分数S_m、奇异点匹配分数S_p和调整分数S_n三者之和，即

S＝S_m+S_p+S_n                              (公式9)

按照图5中的步骤506，若匹配值S大于预先设定的匹配阈值(其取值范围可以是例如但不限于100～1000，典型取值200)，则在步骤508中依据第一指纹图像和第二指纹图像生成指纹模板。

以下就结合图8来描述一下图5中步骤508中指纹模板的生成过程。

图8是本发明指纹模板生成过程的流程图。指纹模板的生成原则是一前一指纹图像(第一指纹图像)为基础模板，使用后一指纹图像(第二指纹图像)的指纹特征(第二指纹特征)来调整前一指纹图像的指纹特征(第一指纹特征)。如图8所示，本流程开始于步骤800，首先计算轮廓特征，指纹模板中的轮廓特征为第一指纹图像和第二指纹图像轮廓特征的合并集合，因此两幅图像轮廓特征合并后会比第一指纹图像和第二指纹图像大。

在下一步骤802，调整细节点权重系数，即使用第二指纹特征中的细节点特征来调整第一指纹特征中的细节点特征，其中进一步包括：1、调整重叠区域内匹配细节点的权重系数；2、调整重叠区域内未匹配细节点的权重系数；3、调整重叠区域外未匹配细节点的权重系数。

对于重叠区域内匹配的第一指纹图像的细节点，由于此类细节点是比较可靠的细节点，所以将增加其权重系数。假定第一指纹图像的细节点i和第二指纹图像的细节点j相匹配，那么注册完成后其权重系数按如下方式计算：

${\tilde{k}}_i=\max (k_i,k_j)+{\mathrm{\&gamma;}}_1\min (k_i,k_j)$                             (公式10)

其中，γ₁>0。需要为调整后的权重系数定义一个上限值k_max，例如k_max＝100。

对于重叠区域内未匹配的第一指纹图像的细节点，由于此类细节点可靠程度较低，所以将降低其权重系数。设该未匹配细节点为i，那么注册完成后其权重系数

${\tilde{k}}_i=k_i-0.5{\mathrm{\&gamma;}}_2(k_i^{\&prime;}+k_i)$                                  (公式11)

其中，0<γ₂<0.5，

的计算方法如图6中步骤610所述。需要为调整后的权重系数

定义一个下限值k_min，例如将其设置为第一指纹图像和第二指纹图像的所有细节点权重系数的最小值。

对于重叠区域外未匹配的第一指纹图像的细节点，假定该未匹配细节点为i，那么注册完成后其权重系数按如下方式计算：

${\tilde{k}}_i=(1-{\mathrm{\&gamma;}}_2)k_i$                                 (公式12)

其中0<γ₂<0.5。

在下一步骤804，调整奇异点权重系数，其中进一步包括：1、调整匹配奇异点权重系数；2、调整未匹配奇异点权重系数。

对于匹配奇异点权重系数，可按上文公式10来调整其权重系数。对于未匹配奇异点权重系数，其权重系数不作调整，保留其原有的权重系数。

在下一步骤806，将调整后的轮廓参数、细节点权重系数和奇异点权重系数，按照上文描述的格式存储为原始指纹模板T₀和最新指纹模板T₁。在注册过程中，模板T₀和T₁是相同的。

上述流程描述的是使用两张指纹图像来生成指纹模板的过程，对于两张以上的指纹图像，可将第三张指纹图像的指纹特征与生成的原始指纹模板T₀或最新指纹模板T₁(在注册部分，模板T₀和T₁是相同的)进行特征匹配，在匹配值大于预先设定的匹配阈值时，使用第三张指纹图像的指纹特征来对原始指纹模板T₀和最新指纹模板T₁进行特征更新，然后按照上述方法存储为新的原始指纹模板T₀和最新指纹模板T₁。第四张及其他的指纹图像的处理方法与第三张指纹图像相同。

在阐述完指纹注册过程之后，下文来描述一下本发明识别匹配和特征更新过程的具体流程。

图9是本发明指纹识别和特征更新过程的流程图。如图9所示，本流程开始于步骤900，现场采集用户指纹。

在下一步骤902，对现场采集的指纹图像进行预处理，并按照上文描述的方法生成指纹的指纹特征，例如指纹的轮廓特征、奇异点特征和细节点特征。

在下一步骤904，将生成的指纹特征分别与原始指纹模板T₀和最新指纹模板T1进行特征匹配，计算匹配值S₀和S₁，其具体过程如上文图6所示。

在下一步骤906，将匹配值S₀和S₁分别与预先设定的匹配阈值进行比较，只要S₀和S₁二者之一大于匹配阈值，则匹配成功，否则转到步骤下一步骤910，匹配失败。若匹配成功，转到下一步骤908，使用现场采集的指纹图像的指纹特征更新最新指纹模板T₁，其具体过程与上文图8中指纹模板生成过程中各类特征的更新过程相同，其中最新指纹模板对应图8中的第一指纹特征，现场采集指纹图像的指纹特征对应第二指纹特征。经过上述过程，既保存了最初的原始指纹模板T₀(例如未脱皮前的指纹特征)，又保存了最新指纹模板T₁，从而使得脱皮前后的指纹都能够得到精确的匹配。

应注意，上述流程图中列举的步骤及各步骤的顺序仅限于说明本发明的技术方案，目的在于更为清晰的阐明本发明的主旨，而不是用于限定本发明的范围。因此，在具体实现过程中，根据具体的需要，还可在上述流程中添加其他的步骤，同时上述流程中各步骤的顺序也并非必须按上述流程所示。

下面介绍用于实现上述指纹识别方法的指纹识别系统。

图10是本发明指纹识别系统的结构示意图。如图10所示，本系统包括指纹采集模块和指纹识别模块。其中，指纹采集模块可以使用例如但不限于CMOS指纹传感器、热敏传感器和超声波传感器等。指纹识别模块进一步包括预处理模块、特征提取模块、特征匹配模块、特征更新模块和模板存储模块。其中预处理模块用于例如但不限于，对采集的指纹图像提取方向图，即计算指纹图像每个像素的方向；采用例如但不限于Gabor滤波算法对指纹图像进行滤波；对滤波后的指纹图像进行二值化处理，即根据每个像素点的方向将指纹图像处理为仅包含黑色和白色的图像；根据二值化处理得到的图像，把指纹的脊线宽度细化为只包含一个像素，生成指纹细化图等等。预处理模块在现有技术中已经给出了具体的实现方案，因此本文不再赘述。

下面将分别按照注册过程和指纹识别过程两个阶段对指纹识别模块中的其他模块进行详细描述。

首先描述注册过程中指纹识别模块中其他模块的作用。

经过预处理，采集到的指纹图像将发往特征提取模块。如上文所述，注册过程中将采集至少两枚指纹图像，例如第一指纹图像和第二指纹图像。特征提取模块进一步包括轮廓特征提取模块、奇异点特征提取模块和细节点特征提取模块，分别用于从预处理后的第一指纹图像中提取第一轮廓特征、第一组奇异点和第一奇异点特征以及第一组细节点和第一细节点特征(第一轮廓特征、第一奇异点特征和第一细节点特征统称第一指纹特征)，从第二指纹图像中提取第二轮廓特征、第二组奇异点和第二奇异点特征以及第二组细节点和第二细节点特征(第二轮廓特征、第二奇异点特征和第二细节点特征统称第二指纹特征)。指纹特征的内容已经在前文做了描述，此处不再赘述。

提取的第一和第二指纹特征将发往特征匹配模块。特征匹配模块进一步包括奇异点匹配模块、细节点匹配模块、调整分数生成模块和求和比较模块。

在注册过程中，细节点匹配模块用于将收到的第一和第二细节点特征进行匹配，生成细节点匹配分数S_m；奇异点匹配模块用于将收到的第一和第二奇异点特征进行匹配，生成奇异点匹配分数S_p；调整分数生成模块用于依据收到的第一和第二指纹特征生成调整分数S_n。上述参数的生成过程已在前文结合图6做了描述，因此此处不再赘述。求和比较模块模块用于对细节点匹配分数S_m、奇异点匹配分数S_p和调整分数S_n求和，生成匹配值S，然后将匹配值S与预先确定的匹配阈值进行比较，若大于预先确定的匹配阈值，则匹配成功，将第一和第二指纹特征发往特征更新模块。

特征更新模块进一步包括轮廓特征更新模块、细节点特征更新模块和奇异点特征更新模块，分别用于依据第二指纹特征中的轮廓特征、细节点特征和奇异点特征来调整第一指纹特征中的轮廓特征、细节点特征和奇异点特征，生成原始指纹模板T₀和最新指纹模板T₁，其具体调整内容已在前文结合图8做了描述，因此此处不再赘述。生成的原始指纹模板T₀和最新指纹模板T₁随后发往模板存储模块中存储。

模板存储模块进一步包括原始模板存储模块和最新模板存储模块，分别用于存储原始指纹模板T₀和最新指纹模板T₁，由于原始指纹模板T₀在生成后不再发生变化，因此原始模板存储模块可使用非易失性存储器来实现。而最新指纹模板T₁在生成后将在每次特征匹配成功后发生变化，依次可使用可反复擦写的存储器来实现。

以上便是注册过程中指纹识别模块中各模块的作用。下面来描述一下指纹识别过程中各模块的作用。

在指纹识别过程中特征提取模块的作用与其在注册过程中的作用相同，此处不再赘述。

在指纹识别过程中，特征匹配模块用于将收到的指纹特征与原始指纹模板T₀和最新指纹模板T₁进行特征匹配，其具体过程是：细节点匹配模块用于将收到的细节点特征分别与原始指纹模板T₀和最新指纹模板T₁中的细节点特征进行匹配，生成细节点匹配分数S_m0和S_m1；奇异点匹配模块用于将收到的奇异点特征分别与原始指纹模板T₀和最新指纹模板T₁中的奇异点特征进行匹配，生成奇异点匹配分数S_p0和S_p1；调整分数生成模块用于依据收到的指纹特征与原始指纹模板T₀和最新指纹模板T₁分别生成调整分数S_n0和S_n1；求和比较模块模块用于对细节点匹配分数S_m0、奇异点匹配分数S_p0和调整分数S_n0求和，生成匹配值S₀，然后将匹配值S₀与预先确定的匹配阈值进行比较，判断其是否大于预先确定的匹配阈值；求和比较模块还用于对细节点匹配分数S_m1、奇异点匹配分数S_p1和调整分数S_n1求和，生成匹配值S₁，然后将匹配值S₁与预先确定的匹配阈值进行比较，判断其是否大于预先确定的匹配阈值。若S₀和S₁二者中至少有一个大于预先确定的匹配阈值，则匹配成功，将收到的指纹特征发往特征更新模块。

特征更新模块接收指纹特征，由其轮廓特征更新模块、细节点特征更新模块和奇异点特征更新模块使用收到的指纹特征中的轮廓特征、细节点特征和奇异点特征对最新指纹模板T₁中的轮廓特征、细节点特征和奇异点特征进行更新，存储到模板存储模块中的最新模板存储模块中。更新的具体过程已结合图8和图9做了描述，因此此处不再赘述。

Claims (11)

1、一种指纹识别方法，其特征在于，包括如下步骤：

S1、采集指纹图像，提取其指纹特征，并将该指纹特征与指纹模板进行特征匹配；

S2、在匹配成功后，依据该指纹特征对指纹模板进行特征更新。

2、根据权利要求1所述的指纹识别方法，其特征在于，所述指纹特征包括细节点特征和奇异点特征；

细节点特征可表示为(x，y，θ，t，k)^T，其中x、y、θ、t、k分别表示细节点的横坐标、纵坐标、奇异点的方向、细节点类型和权重系数；

奇异点特征可表示为(x，y，θ，k)^T，其中x、y、θ、k分别表示奇异点的横坐标、纵坐标、奇异点的方向和权重系数。

3、根据权利要求2所述的方法，其特征在于，

所述细节点特征中权重系数k的计算方法如下：

设细节点的邻域内假细节点的数量为c₁，该邻域内细节点的总数量为c₂，该细节点与距其最近的细节点之间的距离为d₁，则该细节点特征中权重系数k采用如下公式计算：

k＝(5-c₁)α₁+(6-c₂)α₂+(d₁-4)α₃

其中c₁≤5，c₂≤6，4≤d₁≤16，α₁，α₂，α₃是各项的比例系数，当c₁>5，c₂>5，d₁<4时，对应项计算值为0，当d₁>16时，该项值取为最大值12α₃

所述奇异点特征中权重系数k的计算方法如下：

当奇异点的邻域内存在真细节点时，取该邻域内真细节点的权重系数的算术平均值作为该奇异点的权重系数k；

当该奇异点的邻域内不存在真细节点时，取所采集指纹图像中所有真细节点的权重系数的算术平均值作为该奇异点的权重系数k。

4、根据权利要求3所述的方法，其特征在于，所述特征匹配的过程如下：

A1、计算所采集指纹图像与指纹模板的匹配值S，其具体过程如下；

A11、计算指纹模板与所采集指纹图像的重叠区域；

A12、将指纹模板与所采集指纹图像进行细节点匹配，计算细节点匹配分数S_m，其具体过程如下：设指纹模板的细节点i和所采集指纹图像的细节点j相匹配，细节点i的细节点特征为(x_i，y_i，θ_i，t_i，k_i)^T，对应匹配上的细节点j的细节点特征为(x_j，y_j，θ_j，t_j，k_j)^T，则细节点i和j的贡献分数S_ij为：

S_ij＝λ₀+min(k_i，k_j)-λ₁|t_i-t_j|-λ₂|x_i-x_j|-λ₃|y_i-y_j|-λ₄|θ_i-θ_j|

其中λ₀，λ₁，λ₂，λ₃，λ₄是经验常数；细节点匹配分数S_m为指纹模板中所有匹配细节点贡献分数的和，即

S_m＝∑S_ij

A13、将指纹模板与所采集指纹图像进行奇异点匹配，计算奇异点匹配分数S_P，其具体过程如下：设指纹模板的奇异点i和所采集指纹图像的奇异点j相匹配，奇异点i的奇异点特征是(x_i，y_i，θ_i，k_i)^T，对应匹配上的奇异点j的奇异点特征是(x_j，y_i，θ_j，k_j)^T，则奇异点i和j的贡献分数P_ij为：

P_ij＝K₀

其中K₀是经验常数；

对于无法匹配的奇异点，如果这些奇异点在重叠区域外，那么对于任意组合P_ij＝0；如果在重叠区域内，那么对于任意组合P_ij＝0，其贡献分数P_ij为：

$P_{\mathrm{ij}}=-\sqrt{{(x_i-x_j)}^2+{(y_i-y_j)}^2}-P_0-\min (k_i,k_j)$

其中，P₀是经验常数；奇异点匹配分数S_P为所有奇异点贡献分数的和，即

S_p＝∑P_ij

A14、计算调整分数S_n，其具体过程如下：将指纹模板处于重叠区域内的未匹配细节点i取出来，计算该未匹配细节点i的位置(x_i，y_i)在所采集指纹图像中的权重系数k_i′，k_i′计算过程是，将所采集指纹图像中位置为(x_i，y_i)的细节点的邻域内的细节点权重系数取算术平均值，作为k_i′的数值，则未匹配细节点i的调整分数S_i为：

$s_i={\mathrm{\&beta;}}_1\min (k_i,k_i^{\&prime;})+{\mathrm{\&beta;}}_2$

其中β₁，β₂都是小于0的经验常数；

调整分数S_n为指纹模板中处于重叠区域内的所有未匹配细节点调整分数s_i的和，即

S_n＝∑s_i

A15、依据细节点匹配分数S_m、奇异点匹配分数S_P和调整分数S_n计算匹配值S：

S＝S_m+S_p+S_n

A2、将匹配值S与匹配阈值进行比较，若匹配值S大于匹配阈值，则匹配成功。

5、根据权利要求4所述的方法，其特征在于，所述特征更新的过程如下：

B1、调整所述指纹模板中细节点的权重系数，其具体过程如下：

B11、调整重叠区域内所述指纹模板中与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设指纹模板的细节点i和所采集指纹图像的细节点j相匹配，则特征更新后该细节点i的权重系数

为：

${\tilde{k}}_i=\max (k_i,k_j)+{\mathrm{\&gamma;}}_1\min (k_i,k_j)$

其中，γ₁>0；

B12、调整重叠区域内指纹模板中未能与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设该细节点为i，那么注册完成后其权重系数

为：

${\tilde{k}}_i=k_i-0.5{\mathrm{\&gamma;}}_2(k_i^{\&prime;}+k_i)$

其中0<γ₂<0.5，

为未匹配细节点i的位置(x_i，y_i)在所采集指纹图像中的权重系数；

B13、调整重叠区域外指纹模板中未能与所采集指纹图像相匹配的细节点的权重系数，其具体过程如下：设该细节点为i，那么注册完成后其权重系数

为：

${\tilde{k}}_i=(1-{\mathrm{\&gamma;}}_2)k_i$

其中0<γ₂<0.5；

B2、调整指纹模板中匹配奇异点的权重系数，其具体过程如下：设指纹模板的奇异点i和所采集指纹图像的奇异点j相匹配，则特征更新后该奇异点i的权重系数

为：

${\tilde{k}}_i=\max (k_i,k_j)+{\mathrm{\&gamma;}}_1\min (k_i,k_j)$

其中，γ₁>0。

6、根据权利要求5所述的方法，其特征在于，所述指纹模板的生成过程如下：

C1、采集第一注册指纹图像，提取第一指纹特征；

C2、采集第二注册指纹图像，提取第二指纹特征；

C3、将第一指纹特征与第二指纹特征进行特征匹配；

C4、在匹配成功后，使用第二指纹对第一指纹特征进行特征更新，并将更新后的第一指纹特征分别存储为原始指纹模板和最新指纹模板。

7、根据权利要求6所述的方法，其特征在于，所述指纹模板的生成过程还包括：

C5、采集第三注册指纹，提取第三指纹特征；

C6、将第三指纹特征与所述原始指纹模板进行特征匹配；

C7、在匹配成功后，使用第三指纹特征对原始指纹模板和所述最新指纹模板进行特征更新。

8、根据权利要求7所述的方法，其特征在于，

在所述步骤S1中，将所采集指纹图像的指纹特征分别与所述原始指纹模板和最新指纹模板进行特征匹配；

在所述步骤S2中，在所采集指纹图像的指纹特征与原始指纹模板和最新指纹模板二者至少之一匹配成功后，依据该指纹特征对最新指纹模板进行特征更新。

9、根据权利要求7所述的方法，其特征在于，所述指纹特征包括轮廓特征。

10、一种指纹识别系统，包括指纹采集模块，用于采集指纹图像，其特征在于，还包括：

指纹识别模块，用于采集指纹图像，提取所采集指纹图像的指纹特征，并将该指纹特征与所存储的指纹模板进行特征匹配，并在匹配成功后，依据该指纹特征对指纹模板进行特征更新。

Images