CN101604384A - 个性化指纹识别方法 - Google Patents

Abstract

本发明涉及一种个性化指纹识别方法，它包括有以下步骤，指纹采集、图像预处理、特征提取；其特征在于它还包括有以下步骤：在所述图像预处理步骤中，二值化处理方法采用骨架型二值化处理方法：在所述特征提取步骤之后，首先判断是否需要智能更新，若需要则进行智能更新步骤，若不需要则进行下一步骤即学习匹配步骤。本发明的有益效果如下：由于采用骨架型二值化处理方法，能够准确地提取指纹的特征点，提高图像预处理的速度；能够对受伤、皱痕、干裂、油污、脱皮的指纹进行高效的识别，可以对指纹数据进行智能补充、修复、完善和更新，提高识别率。

Description

个性化指纹识别方法

技术领域

本发明涉及一种个性化指纹识别方法，属于指纹识别技术领域。

背景技术

随着科学技术的不断发展，指纹识别技术也得到了相应的发展，个性化指纹识别技术是利用人的指纹特征，来进行个人真实身份的鉴定。常用的指纹识别方法包括有指纹采集、图像预处理、特征提取、细节匹配等步骤，上述指纹识别方法的主要缺点如下：当手指受伤、褶皱、油污、脱皮、手指干燥以及其他外界因素的影响，都有可能会出拒真的情况。

发明内容

本发明所要解决的技术问题是针对上述现有技术的缺点，而提供一种采用学习式智能识别技术的个性化指纹识别方法，也叫做存储记忆式智能识别技术的个性化指纹识别方法。

本发明解决其技术问题所采用的技术方案：

本发明包括有以下步骤，指纹采集、图像预处理、特征提取；其特征在于它还包括有以下步骤：

在所述图像预处理步骤中，二值化处理方法采用骨架型二值化处理方法：

在所述特征提取步骤之后，首先判断是否需要智能更新，若需要则进行智能更新步骤，若不需要则进行下一步骤即学习匹配步骤；

所述骨架型二值化处理方法如下：

第一步，设：f(x₀，y₀)为该点的灰度值，其方向场为O(x₀，y₀)，δ为某一范围；

H为切向像素值和： $H=\underset{x=x_0-\mathrm{\δ}}{\overset{x_0+\mathrm{\δ}}{\mathrm{\Σ}}}f(x,\frac{x}{\cos \left(O(x_0,y_0)\right)})$

V为法向像素值和： $V=\underset{x=x_O-\mathrm{\δ}}{\overset{x_O+\mathrm{\δ}}{\mathrm{\Σ}}}f(x,\frac{x}{\cos (\frac{\mathrm{\π}}{2}-O(x_0,y_0))});$

第二步，如果V＞H，那么该点在脊线上；反之，该点在谷线上；

第三步，实际运算中，由于要考虑误差因素，故在求灰度和时，对每一点都设了权值，采用加权平均的方法来降低误差；

设纹线方向七点的权值为：Hw[7]＝{2，2，3，4，3，2，2}；

设纹线方向的垂直方向七点的权值为：Vw[7]＝{1，1，1，1，1，1，1}；

用于解决有新的特征点指纹的所述智能更新步骤的方法如下：

(1)首先获取指纹模块和样板特征点的拓朴结构；

(2)查找是否有指纹特征中心点，如果有则进行中心点的配准，时行拓朴数据结构匹配；

如果没有则进行指纹特征三角点的配准，进行拓朴数据结构匹配；

如果没有则进行方向场特征点配准，进行拓朴数据结构匹配；

如果没有则进行枚举点的配准，进行拓朴数据结构匹配；

如果有新的特征点，显示智能更新；

用于受伤或断裂指纹的所述学习匹配步骤的方法如下：

(1)P为模板图像的某一特征点，P′为输入样板图像的某一特征点；若P与P′完全一样，则P＝P′，其意义为P与P′中所有元素对应相等；

(2)由于误差的存在，若P′与P一样，那么P≈P′，则用数学描述来处理；

(3)当P≈P′时，描述为P＝P′+Δ；Δ的大小是界限盒的误差；

(4)对每一个特征点进行分数累加计算；

(5)用所有特征点的分数和除以特征点的总分，计算相似度；

(6)用得到的相似度与阈值比较，如果大于阈值，比对成功。

本发明的理论根据如下：

本发明采用学习式智能识别技术，也叫做存储记忆式智能识别技术的个性化指纹识别方法。它主要包括两个方面：1.对指纹的数据进行智能的补充、修复、完善及更新，不断丰富特征点，使指纹模板库中的特征点不断完善；2.当指纹有受伤和皱痕时，在经过多次的指纹采集，累积一个经验值。当这个经验值达到一定程度的要求后，就可以更改模板库的特征数据。在每一次的指纹比对时，当前采集的指纹特征点与模板库中的特征点都有一个相似度计算和匹配经验值记录，长时间的累计计算也就是学习的过程，当经验值达到一定的程度时，可以更新模板库或对相应的特征点删除。指纹识别的学习主要体现在受伤或褶皱指纹N次比对的累加经验值，经验值达到一定程度后就会自动更新模板库，就是学习的过程。其中，相似度值指的是每次比对以后和阈值比较的值，经验值是指经过多次采集的一个累加值。

一、受伤和皱痕的指纹智能处理过程

因为随着年龄的增长、体力劳动、意外事故等等会有褶皱的产生。其中有些是永久性的，有些是暂时性的。褶皱的产生会导致伪的特征点提取，降低指纹识别系统的可靠性。所以在指纹识别系统中使用了褶皱检测算法，在检测到褶皱后，去除褶皱上的细节点，实际使用表明该方法有成效地提高指纹识别系统对该类手指判断的准确性。受伤和皱痕的处理过程具体实现如下：

大多数现行的自动指纹识别系统都是基于细节点的匹配算法。因为指纹的细节特征模型能够组成一个有效的指纹特征，它紧凑，适用于多种匹配算法，抗干扰性强，易于提取计算表示。在过去，对指纹的细节特征提取已进行了广泛的研究。但是在指纹图像中常常存在受伤和皱痕，它的存在会对细节特征提取产生干扰。受伤和皱痕是指穿过指纹脊线和谷线的不规则条纹，如图4所示。

受伤和皱痕的产生会导致伪的特征点提取，降低指纹识别系统的可靠性。虽然通过方向场计算可以将一些窄小受伤和皱痕造成的断开脊线连接起来，但仍然有一些宽的受伤和皱痕造成的断开无法连上，它们往往就成为伪的特征点，见图5。申请人利用受伤和皱痕与纹理存在夹角这一特点，用一个矩形模型对受伤和皱痕进行近似，然后设计一个滤波器对指纹图像进行12个方向旋转滤波。设定一个阈值，滤波后灰度值超过这一阈值的作为受伤和皱痕备选区。之后用PCA对12个方向结果进行处理，得到最后结果。

具体的算法流程如下：

第一步，受伤和皱痕模型的建立

采用如图6所示的一个理想的矩形模型来表示受伤和皱痕。假设L(C_x，C_y，w，l，θ)表示一个受伤和皱痕，这里l，w，θ，(C_x，C_y)分别表示L的长度，宽度，方向和中心位置(如图5所示)。并且这个矩形要满足下面的要求：

w＞TH1，l＞TH2，l/w＞TH3    (1)

m(I(x，y))＞TH4             (2)

这里：I(x，y)是像素(x，y)的灰度值。m(I(x，y))是L中像素灰度值的平均值。

是受伤和皱痕和纹理方向的夹角。TH1，TH2，TH3，TH4，TH5是预先选定的经验值。

第二步，受伤和皱痕提取框架

在计算机自动指纹识别技术中，提取出正确、可靠而有效的特征信息是进行最终指纹匹配的基础，而特征提取的准确性又直接依赖于指纹的质量。在实践中，由于受手指本身的因素和采集条件的影响，采集到的指纹图像会不同程度地受到各种噪声的干扰，在进行特征提取和特征匹配之前一般要对指纹图像进行处理，使其纹线结构清晰化，尽量突出和保留固有的特征信息，而避免产生伪特征信息，其目的是保证特征信息提取的准确性和可靠性。至此，本发明中设计了一个提取器来提取指纹的“折痕”，提取器由多个方向滤波器组成的滤波簇。

(1)首先，使用Gussian滤波器获得输入图像的模版图像，也可以使用其他的分割算法获得输入指纹图像的模版图像。

(2)使用滤波器对指纹图像进行12通道方向旋转滤波。使用的滤波器形式如下：

$F{(x,y)}_{\mathrm{\γ}}=\mathrm{Aexp}\{-\frac{u^2+\mathrm{\η}{v}^2}{2{\mathrm{\σ}}^2}\}({\mathrm{\σ}}^2-u^2)---\left(4\right)$

其中：

γ的取值分别为0，π/12，2π/12，...，11π/12；u＝xcosγ+ysinγ，v＝-xsinγ+ycosγ。

12通道方向旋转滤波后得到的响应分别记为：I′₁，I′₂，...，I′₁₂.

(3)对于每个通道，选择一个阈值(本发明选为180)，得到每响应图像的二值图像。灰度值大于选定阈值的区域定为为受伤和皱痕候选区域。

(4)使用PCA算法来预测长方形的参数。在根据公式(1)-(3)移除一些候选受伤和皱痕。

(5)最后融合每个通道，得到最终的受伤和皱痕图像。图7给出了一个示例。

需要注意的是，使用愈多的通道，得到的结果会愈好，但是考虑到计算时间的问题，折中后取12通道。

第三步，伪细节点的去除

图8-1是一个输入指纹图像的原始细节点图，从图中可以看出在受伤和皱痕上产生了大量的伪细节点。提取出受伤和皱痕后，把在受伤和皱痕上的细节点全部剔除。得到的结果如图8-2所示。

二、指纹图像的匹配与学习过程

申请人提出的学习式智能指纹识别技术，也叫做存储记忆式智能识别技术的个性化指纹识别方法，它的核心在于匹配和学习，传统的指纹匹配每一次只是简单的比对，并没有记录比对成功后指纹特征存在什么不同。于是申请人就想能不能把每一次比对成功后的信息做一个记录，因为指纹比对是经常进行的，申请人从这些记录中挖掘出有用的信息。人的指纹其实也在发生着变化，最主要的是受伤或断裂后指纹变化较大，这样当有变化后指纹的特征点随之也会有变化，申请人在程序中进行比较分析，对模板库中的特征点进行处理，使模板库中的特征点更加丰富完善。

1、指纹匹配

匹配的时候先进行总体匹配，也就是如果有奇异点则可以先进行奇异点的匹配，这样可以节省比对时间，如果总体的相似度小于某个阈值则可以认为不是同一个指纹，后面的就不用再比对，如果总体匹配成功则再进行细节特征点匹配，提高比对效率。

(1)总体相似度＝各个奇异点的相似度的和/分数*奇异点数。

Y(x)为奇异点的相似度。分数是指纹模板上的一个特征点和样板上的对应特征点匹配成功的值。其中匹配成功就增加分数，分数值可由自己定义。

(2)若总体相似度大于某个合格阈值，则两个指纹相似。可以进行细节特征点匹配。

①合格域值实际上是一个经验系数，它由平时实验得到。

②由于分数计算方法不一样，所得到的相似度也不一样，合格阈值也不同。

若模板图像中的特征点拓扑结构与样板图像中的特征点拓扑结构大多相同，则两图像匹配。其相似度的描述可转化为特征点相似。

2、指纹图像匹配模型即特征点相似(判断两特征点相同的方法)

设模板图像的某一个特征点为P，输入样板图像的某一特征点为P′。

①若P与P′完全一样，则P＝P′，其意义为P中所有元素对应相等。

②由于误差的存在，若P与P′一样，那么P≈P′则成为数学描述。

③描述P≈P′即：P＝P′+Δ。Δ的大小就是界限盒的误差。比对过程如图2。

3、学习过程

因为界限盒可以分为固定的和可变的，这里采用可变界限盒做为特征点相同的比对方法。

(1)固定界限盒。

固定界限盒的大小Δ是不变的，如图9所示。

界限盒是放在模板特征细节点上的一个盒子，由4边组成。该盒的一对边由两极角边组成，另一对边由两极半径弧组成，说明如下。

①两极角边差angle_size表示该盒的宽度，左右极角边是angle_high和angle_low。angle_size＝angle_high-angle_low。

②两极半径差radius_size表示该盒的高度，上下极半径边是radius_hig和radius_low。radius_size＝radius_high-radius_low。

③界限盒Δ的大小用angle_size和radius_size来表示，即：Δ＝angle_size+radius_size。

以上使用了一个固定大小的限界盒，即在所有的模板特征细节点处angle_size和radius_size取同样的值。

(2)可变界限盒。

可变界限盒的大小Δ是可变的。如图9-2所示，该图中angle_size表示界限盒的角度变化范围，radius_size表示界限盒的半径变化范围。

angle_size和radius_size的值将随着特征细节点的极半径(特征细节点到中心点的距离)大小而改变。如果特征细节点的极半径比较小，它的界限盒将有一个较大的角度变化范围angle_size和较小的半径变化范围radius_size。

①可变界限盒与固定界限盒的区别。

固定大小与可变大小界限盒的差异可从图10中看出来。图10-1是固定界限盒示意图，图10-2是可变界限盒示意图，该图左边界限盒中特征细节点的极半径比较小，它的界限盒将有一个较大的角度变化范围angle_size和较小的半径变化范围radius_size。

因为学习是一个长期的过程，所以我们在每个特征点结构中都有一个匹配经验值，和可变界限盒经验值的记录，做为以后更新的依据。

使用可变大小的限界盒，是为了使算法更加支持非线性形，从而克服线性的缺陷，所以这里我们采用可变界限盒做为特征点相同的比对方法，可以达到更好的效果。

//特征点结构如下

typedef struct tagMinutiae{

  int    x；           //横坐标

  int    y；           //纵坐标

  int    Direction ；  //方向

  int   Triangle[3]；  //特征点为中心外接圆半径为定值的正三角形三个顶点的方向

  int    Type；         //类型

  double   D_radius//极半径

int     a_sizeBox；//界限盒值调整值

double   d_exp//匹配经验值

}，MINUTIA*MINUTIAPTR；

//指纹特征(模板)结构

typedef struct tagFeature{

  int      MinutiaNum；        //特征点数

  MINUTIA     MinutiaArr[MAXMINUTIANUM]；//特征点数组

}FEATURE， *FEATUREPTR；

②可变界限盒radius_size和angle_size的计算。

计算极半径为r的特征细节点的radius_size：

$\mathrm{radius}\_\mathrm{size}=\left\{\begin{array}{c}r\_\mathrm{small},r\_\mathrm{size}<r\_\mathrm{small}\\ r\_\mathrm{size},r\_\mathrm{small}<r\_\mathrm{size}<r\_l\arg e\\ r\_l\arg e,r\_\mathrm{size}>r\_l\arg e\end{array}\right.$

$r\_\mathrm{size}=r\_\mathrm{small}+\frac{r}{a\_\mathrm{size}\_\mathrm{Box}}$

计算极半径为r的模板细节点的angle_size：

$\mathrm{angle}\_\mathrm{size}=\left\{\begin{array}{c}a\_\mathrm{small},a\_\mathrm{size}<a\_\mathrm{small}\\ a\_\mathrm{size},a\_\mathrm{small}<a\_\mathrm{size}<a\_l\arg e\\ a\_l\arg e,a\_\mathrm{size}>a\_l\arg e\end{array}\right.$

$\mathrm{angle}\_\mathrm{size}=\frac{r\_\mathrm{size}}{r}$

其中radius_small、radius_large、angle_small、angle_large分别是radius_size和angle_size的上界和下界，其中a_size_Box为经验值，会随着匹配经验值做适当调整，比如自加或自减。

设每一个特征点的匹配经验值的用X表示，因为每一个特征点在与模板库中的特征点比对时，都会有一个特征点的相似度用Y₀表示。我们给定一个阈值为0.6。Y₀＞0.6可以认为同一个特征点。Y₀值越大，可信度越高。一个分段函数表示为X＝F(Y₀)，公式如下：

$X=F\left(Y_0\right)=\left\{\begin{array}{cc}0& (Y_0>=0.9)\\ 1-Y_0& (0.6<Y_0<0.9)\\ 1& (Y_0<0.6)\end{array}\right..$

$H=\underset{X=X_1}{\overset{\mathrm{Xn}}{\mathrm{\&Sigma;}}}(X_1,X_2,...,X_n)$

X₀，X₁，X₂…….Xn表示同一个特征点的n次采集，当H值达到一定值后，就会对模板库中的特征点进行调整更新。

上述各英文名词的中文注释如下：

angle_size：极角差值；radius_size：极半径差值；radius_high：高极半径值；radius_low：短半径值；angle_high：大极角值；angle_low：小极角值。

本发明的有益效果如下：

(1)在指纹图像预处理中采用骨架型二值化处理方法，能够准确地提取指纹的特征点，提高图像预处理的速度；骨架型二值化处理方法具有很好的处理指纹图像中的断线，消除空洞，去除粘线的能力，这对提高细节特征，提取的准确性具有重要意义。

(2)能够对受伤、皱痕、干裂、油污、脱皮的指纹进行高效的识别，可以对指纹数据进行智能补充、修复、完善和更新，提高识别率。

附图说明

图1为骨架型二值化处理前后对比图；

其中：图1-1为没有采用骨架型二值处理的指纹图，图1-2为采用骨架型二值处理的指纹图。

图2为学习匹配步骤的特征点匹配程序流程图。

图3为智能更新步骤的匹配算法流程图。

图4为受伤和皱痕的指纹图像。

图5原始细节点图像。

图6为受伤和皱痕模型示例图。

图7为受伤和皱痕提取流程图。

图8为细节点对比图，

其中，图8-1为原始细节点图，图8-2为剔除受伤和皱痕上的细节点图。

图9为界限盒示意图。

图10-1为固定界限盒示意图。

图10-2为可变界限盒示意图。

在9、10中，1小极角值、2大极角值、3小极半径值、4模极特征点、5大极半径、6极半径差值、7参考特征点、8极角差值、9极半径差值、10极角差值、11极半径差值。

具体实施方式

实施例(参见图1-3)：本实施例包括有以下步骤，指纹采集、图像预处理、特征提取；其特征在于它还包括有以下步骤：

在所述图像预处理步骤中，二值化处理方法采用骨架型二值化处理方法：

在所述特征提取步骤之后，首先判断是否需要智能更新，若需要则进行智能更新步骤，若不需要则进行下一步骤即学习匹配步骤；

所述骨架型二值化处理方法如下(见图1)：

第一步，设：f(x₀，y₀)为该点的灰度值，其方向场为O(x₀，y₀)，δ为某一范围；

H为切向像素值和： $H=\underset{x=x_0-\mathrm{\&delta;}}{\overset{x_0+\mathrm{\&delta;}}{\mathrm{\&Sigma;}}}f(x,\frac{x}{\cos \left(O(x_0,y_0)\right)})$

V为法向像素值和： $V=\underset{x=x_O-\mathrm{\&delta;}}{\overset{x_O+\mathrm{\&delta;}}{\mathrm{\&Sigma;}}}f(x,\frac{x}{\cos (\frac{\mathrm{\&pi;}}{2}-O(x_0,y_0))});$

第二步，如果V＞H，那么该点在脊线上；反之，该点在谷线上；

第三步，实际运算中，由于要考虑误差因素，故在求灰度和时，对每一点都设了权值，采用加权平均的方法来降低误差；

设纹线方向七点的权值为：Hw[7]＝{2，2，3，4，3，2，2}；

设纹线方向的垂直方向七点的权值为：Vw[7]＝{1，1，1，1，1，1，1}；

用于解决有新的特征点指纹的所述智能更新步骤的方法如下(见图3)：

(1)首先获取指纹模块和样板特征点的拓朴结构；

(2)查找是否有指纹特征中心点，如果有则进行中心点的配准，时行拓朴数据结构匹配；

如果没有则进行指纹特征三角点的配准，进行拓朴数据结构匹配；

如果没有则进行方向场特征点配准，进行拓朴数据结构匹配；

如果没有则进行枚举点的配准，进行拓朴数据结构匹配；

如果有新的特征点，显示智能更新；

用于受伤或断裂指纹的所述学习匹配步骤的方法如下(见图2)：

(1)P为模板图像的某一特征点，P′为输入样板图像的某一特征点；若P与P′完全一样，则P＝P′，其意义为P与P′中所有元素对应相等；

(2)由于误差的存在，若P′与P一样，那么P≈P′，则用数学描述来处理；

(3)当P≈P′时，描述为P＝P′+Δ；Δ的大小是界限盒的误差；

(4)对每一个特征点进行分数累加计算；

(5)用所有特征点的分数和除以特征点的总分，计算相似度；

(6)用得到的相似度与阈值比较，如果大于阈值，比对成功。

Claims (1)

1、个性化指纹识别方法，它包括有以下步骤，指纹采集、图像预处理、特征提取；其特征在于它还包括有以下步骤：

在所述图像预处理步骤中，二值化处理方法采用骨架型二值化处理方法：

在所述特征提取步骤之后，首先判断是否需要智能更新，若需要则进行智能更新步骤，若不需要则进行下一步骤即学习匹配步骤；

所述骨架型二值化处理方法如下：

第一步，设：f(x₀，y₀)为该点的灰度值，其方向场为O(x₀，y₀)，δ为某一范围；

H为切向像素值和： $H=\underset{x=x_0-\mathrm{\&delta;}}{\overset{x_0+\mathrm{\&delta;}}{\mathrm{\&Sigma;}}}f(x,\frac{x}{\cos \left(O(x_0,y_0)\right)})$

V为法向像素值和： $V=\underset{x=x_O-\mathrm{\&delta;}}{\overset{x_O+\mathrm{\&delta;}}{\mathrm{\&Sigma;}}}f(x,\frac{x}{\cos (\frac{\mathrm{\&pi;}}{2}-O(x_0,y_0))});$

第二步，如果V＞H，那么该点在脊线上；反之，该点在谷线上；

第三步，实际运算中，由于要考虑误差因素，故在求灰度和时，对每一点都设了权值，采用加权平均的方法来降低误差；

设纹线方向七点的权值为：Hw[7]＝{2，2，3，4，3，2，2}；

设纹线方向的垂直方向七点的权值为：Vw[7]＝{1，1，1，1，1，1，1}；

用于解决有新的特征点指纹的所述智能更新步骤的方法如下：

(1)首先获取指纹模块和样板特征点的拓朴结构；

(2)查找是否有指纹特征中心点，如果有则进行中心点的配准，时行拓朴数据结构匹配；

如果没有则进行指纹特征三角点的配准，进行拓朴数据结构匹配；

如果没有则进行方向场特征点配准，进行拓朴数据结构匹配；

如果没有则进行枚举点的配准，进行拓朴数据结构匹配；

如果有新的特征点，显示智能更新；

用于受伤或断裂指纹的所述学习匹配步骤的方法如下：

(1)P为模板图像的某一特征点，P′为输入样板图像的某一特征点；若P与P′完全一样，则P＝P′，其意义为P与P′中所有元素对应相等；

(2)由于误差的存在，若P′与P一样，那么P≈P′，则用数学描述来处理；

(3)当P≈P′时，描述为P＝P′+Δ；Δ的大小是界限盒的误差；

(4)对每一个特征点进行分数累加计算；

(5)用所有特征点的分数和除以特征点的总分，计算相似度；

(6)用得到的相似度与阈值比较，如果大于阈值，比对成功。

Images