CN101777128B - 一种融入全局信息的指纹细节点匹配方法及系统 - Google Patents

Abstract

本发明提出一种融入全局信息的指纹细节点匹配方法和系统。本系统利用图像采集单元、图像预处理单元、特征提取单元、模板存储单元和特征匹配单元来实现整个匹配过程。在特征提取单元提出了包含全局信息的特征——细节点旋向性，并将细节点旋向性和细节点信息、以及细节点局部方向描述作为特征来表示指纹；由细节点旋向性和细节点局部方向描述来衡量细节点之间的相似度；选取相似度最大的几对细节点作为初始点对；以每一组初始点对为参照，对指纹特征进行配准并得到相应的匹配分数；选择各匹配分数中最大的匹配分数作为最终的匹配分数。根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的细节点匹配。

Description

一种融入全局信息的指纹细节点匹配方法及系统

技术领域

本发明属于生物特征识别领域，涉及图像处理、模式识别、计算机技术等前沿知识，特别涉及到将全局信息融入到细节点特征中而实现的指纹匹配。

背景技术

指纹识别技术是目前生物特征识别领域中研究和应用最为成熟的技术之一。由于指纹具有唯一性和稳定性的优点，而且采集过程方便、成本低廉，目前已广泛应用在身份鉴定、信息安全、访问控制等很多方面。

指纹识别技术主要包括指纹图像采集、指纹图像增强、指纹图像特征提取、数据储存、指纹特征的比对与匹配等步骤。其中指纹图像特征提取和匹配是识别领域中的两个关键问题。

识别过程中，指纹特征的提取精度和准确度直接决定了指纹匹配性能的好坏，由于噪声和指纹形变的存在以及图像质量增强算法的不完备等方面的原因，使得提取出来的特征中存在一定数量的伪特征信息。所以在指纹识别过程中，应该尽可能地选择较为稳定可靠的指纹特征，并通过有效、快速、鲁棒的去伪算法从特征集中去除伪的特征。

根据匹配过程中使用的特征不同，可以将现有的指纹匹配算法分成两类：基于局部特征的匹配和基于全局特征的匹配。基于局部特征的匹配主要是基于细节点的匹配。指纹细节点被公认为是指纹最具鉴别能力且最可靠的局部特征。目前为止已经有大量的基于细节点的指纹匹配算法问世。由于两幅指纹图像之间的平移和旋转的相对变换以及指纹形变程度都事先未知，所以两组指纹细节点之间的对应关系也是不确定的。许多研究者都试图在细节点信息中融入局部特征以减少这种不确定性。这些局部特征包括脊线信息、细节点邻域的局部方向场特征、局部细节点结构特征等。He等提出了一种基于全局综合相似度的指纹匹配算法，利用包括一对细节点及与其相关纹理在内的被称为细节点单形的特征来完成指纹的匹配。之后He等又用图的结构扩展了该方法，他们用图表示指纹，细节点表示为顶点集，而局部细节点的二元关系表示为边集。也有人尝试联合局部特征以提高细节点之间的辨别力。Feng等联合纹理和细节点描述符来度量细节点对之间的相似度。Wang等定义了两个具有旋转平移不变性的特征(OrientationCode和PolyLine)，并将二者联合来计算细节点之间的相似度。局部信息甚至可以用来生成免配准的可撤销模板。尽管在细节点中加入更多的判别信息可以增强指纹的特异性，但是这些方法对于区分来自不同手指、却在局部区域拥有相似的细节点、方向场和脊线特征的指纹效果甚微。解决这个问题的一个直接方法就是拒绝重叠面积较小的输入指纹，但是这样又会大大增加系统的错误拒绝率，因为真匹配中也有很多小面积重叠的情况。

全局特征在指纹的识别、索引和分类中都有广泛的应用。Jain等提出了一种叫做FingerCode的指纹表示方法。该方法首先检测一个参考点，然后在参考点局部邻域内利用Gabor滤波提取一个定长的特征向量来表示指纹。Lee等提出了由局部信息决定的局部Gabor滤波的方法。Teoh等综合了小波变换和Fourier-Mellin变换来生成一个具有平移、旋转和缩放不变性的特征；该全局特征可以解决匹配中不同指纹有特征相似的重叠区域的问题。但是这几种方法对参考点提取的精度都有比较严重的依赖；一旦出现了伪的参考点，就会导致匹配失败。

基于细节点的算法不能代表指纹的整体脊线模式，因而对具有局部特征相似性的指纹不能很好的区分，而基于参考点的全局特征对参考点检测的精度非常敏感；因此有必要探索新的融合了局部信息和全局信息的指纹表示策略来增强指纹的特异性。Gu等提出了联合全局方向场和细节点来表示指纹。基于方向场和细节点的相似度在确定真匹配分数时是有效的，但是它仍然无法克服基于细节点的指纹匹配所存在的问题：不同指纹的局部区域可能具有相似的方向场。

总结以上分析可以发现，基于细节点的指纹匹配和基于全局特征的指纹匹配都存在一些缺陷，限制了匹配的准确性；目前已有的融合局部信息和全局信息的指纹匹配方法也没有很好地克服这些缺陷。因此需要新的融合全局信息和局部信息的匹配方法来提高指纹匹配系统的性能。

发明内容

本发明的目的是针对基于全局特征的指纹匹配过分地依赖于参考点的提取精度而基于细节点的指纹匹配不能有效地区分只具有局部特征相似性的不同指纹的情况，提出并实现了一种融合了全局信息的指纹细节点匹配方法和系统，通过一系列的鲁棒特征的提取和合理的匹配规则的建立，降低指纹匹配过程对参考点提取精度的依赖，减少由于噪声原因引起的错误匹配，从而降低指纹匹配系统的错误匹配率，提高系统的性能。

为达成所述目的，本发明的第一方面是提供一种融入全局信息的指纹细节点匹配系统，该系统包括：

图像采集单元，采集注册手指纹和输入手指纹，分别生成注册指纹图像和输入指纹图像；

图像预处理单元与图像采集单元连接，图像预处理单元对采集的注册指纹图像和输入指纹图像分别做预处理，并分别得到注册细化指纹图像和注册指纹方向场图像以及输入细化指纹图像和输入指纹方向场图像；

特征提取单元与图像预处理单元连接，特征提取单元在注册细化指纹图像和输入细化指纹图像中提取细节点信息以及细节点相连脊线的采样信息，并在注册指纹方向场图像和输入指纹方向场图像中提取参考点和细节点局部方向描述；然后计算细节点旋向性；最后分别生成注册指纹特征和输入指纹特征；

模板存储单元与特征提取单元连接，模板存储单元把特征提取单元输出的注册指纹特征生成注册指纹特征模板存储到数据库当中，并为指纹特征匹配生成并输出模板指纹特征；

特征匹配单元与模板存储单元和特征提取单元连接，特征匹配单元对特征提取单元输出的输入指纹特征与模板存储单元输出的模板指纹特征进行计算，判断输入指纹特征与模板指纹特征是否来源于同一个手指；

所述特征提取单元的构成包括：

细节点提取单元，在注册细化指纹图像和输入细化指纹图像中提取指纹细节点信息，包括细节点的位置、方向和类型；

细节点相连脊线采样单元，在注册细化指纹图像和输入细化指纹图像中对每个指纹细节点的相连脊线进行采样并记录采样点的位置信息；

参考点提取单元，在注册指纹方向场图像和输入指纹方向场图像中提取参考点的位置信息；

细节点局部方向描述提取单元，在注册指纹方向场图像和输入指纹方向场图像中对每一个指纹细节点分别提取其局部方向描述；

细节点旋向性计算单元与细节点提取单元和细节点相连脊线采样单元以及参考点提取单元连接，细节点旋向性计算单元对细节点提取单元提取到的每一个指纹细节点，根据该细节点相连脊线的采样信息和该细节点与参考点的位置关系来确定该细节点的旋向性；

所述特征匹配单元的构成包括：

指纹细节点相似度计算单元，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述计算输入指纹特征和模板指纹特征中的指纹细节点之间的相似度；

匹配初始点对选取单元与指纹细节点相似度计算单元连接，匹配初始点对选取单元根据指纹细节点相似度计算单元输出的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数；

指纹细节点匹配单元与匹配初始点对选取单元连接，指纹细节点匹配单元首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；

匹配分数计算单元与指纹细节点匹配单元连接，匹配分数计算单元根据指纹细节点匹配单元输出的每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；

匹配结果获取单元与匹配分数计算单元连接，匹配结果获取单元从指纹细节点匹配单元输出的K个匹配分数中选取最大的匹配分数作为最终的匹配分数，根据该最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指。

为达成所述目的，本发明的第二方面是提供一种融入全局信息的指纹细节点匹配方法，该方法包括指纹注册阶段和指纹验证阶段两个部分，在指纹注册阶段完成对注册指纹图像的采集、特征提取、模板生成并存入数据库等操作；在指纹验证阶段实现对输入指纹图像的采集、特征提取和与模板特征的匹配；指纹注册阶段早于指纹验证阶段执行，但两个阶段执行的时间间隔没有必然的限制；该方法包括步骤：

步骤S1：采集手指纹，并生成指纹图像；

步骤S2：对指纹图像进行预处理，获得细化指纹图像和指纹方向场图像；

步骤S3：在细化指纹图像中提取指纹细节点信息以及指纹细节点相连脊线的采样信息；

步骤S4：在指纹方向场图像中提取参考点的位置以及细节点局部方向描述；

步骤S5：对细化指纹图像中提取到的每一个指纹细节点，根据该细节点相连脊线的采样信息和该细节点与参考点的位置关系来确定该细节点的旋向性；

步骤S6：将提取到的指纹细节点信息、细节点旋向性以及细节点局部方向描述一起生成指纹特征；

步骤S7：在注册阶段，将由注册指纹图像得到的注册指纹特征作为特征模板存储到数据库当中，这样就完成了指纹的注册阶段；在验证阶段，将存储在数据库中的特征模板输出为模板指纹特征，并继续下面的步骤；

步骤S8：对于步骤S6得到的计算输入指纹特征和步骤S7中输出的模板指纹特征，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述，计算这两组指纹特征中的指纹细节点之间的相似度；

步骤S9：根据得到的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数；

步骤S10：首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；最后根据每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；

步骤S11：从K个匹配分数中选取最大的匹配分数作为最终的匹配分数；根据该最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的验证阶段。

本发明的有益效果：本发明的指纹图像识别方法提出了一种融入了全局特征的指纹细节点特征——细节点旋向性，来完成指纹的细节点匹配。由于细节点旋向性对于伪参考点和丢失的参考点都是鲁棒的，本发明有效地降低了指纹匹配系统对参考点提取精度的依赖；通过一系列的鲁棒的特征的提取和合理的匹配规则的建立，实现了全局信息和局部信息的融合，克服了基于细节点的指纹匹配中由于局部重叠区域的相似性导致指纹误匹配的现象，同时减少了由于噪声原因引起的错误匹配，从而降低指纹匹配系统的错误匹配率，提高系统的性能。

附图说明

图1本发明指纹识别系统图；

图2本发明的指纹特征提取模块的结构示意图

图3本发明的指纹特征匹配模块的结构示意图

图4本发明的指纹特征匹配的算法流程图；

图5a至图5c示出来自不同手指的指纹图像在局部区域内的细节点可能匹配得很好的示例；

图6a至图6c示出同一手指的一对重叠区域很小的指纹图像；

图7a至图7f示出本发明的中心点检测过程的图像示例；

图8示出本发明的去除伪中心点和检测MC点的半圆结构；箭头标明了该结构的主方向；

图9a至图9b示出本发明的中心点去伪示例；

图10a至图10b示出本发明的中心点去伪示例；

图11a至图11d示出本发明中MC点检测的过程；

图12a至图12c示出本发明的MC点检测的三个例子；

图13a至图13d示出本发明确定细节点旋向性的例子；

图14a至图14d示出FVC2002指纹数据库上的融入全局信息的指纹细节点特征与单纯细节点特征的实验结果的ROC曲线对比；

图15a至图15d示出FVC2004指纹数据库上的融入全局信息的指纹细节点特征与单纯细节点特征的实验结果的ROC曲线对比；

图16示出FVC2004指纹数据库上的融入全局信息的指纹细节点特征与单纯细节点特征的实验结果的FMR和FNMR曲线对比；

具体实施方式

下面将结合附图对本发明加以详细说明，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

本发明的核心思想是融入了全局信息的指纹细节点匹配方法。该方法采用细节点相连脊线的采样信息和细节点与参考点的相对位置来获取一种包含全局信息的指纹特征——细节点旋向性，并将细节点旋向性和细节点信息、以及细节点局部方向描述作为特征来表示指纹；由细节点旋向性和细节点局部方向描述来衡量细节点之间的相似度；选取相似度最大的几对细节点作为初始点对；以每一组初始点对为参照，对指纹特征进行配准并得到相应的匹配分数；选择各匹配分数中最大的匹配分数作为最终的匹配分数。根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的细节点匹配。

基于上述的思路和目的，下面将指纹图像的识别处理过程划分为若干个步骤，简要介绍执行每个步骤时需要注意的关键问题，来设计和改进我们的系统，建立最终的融入全局信息的指纹细节点匹配的理论框架及系统原型。

本发明的核心在于提取细节点旋向性，并将细节点旋向性作为匹配特征之一来完成指纹细节点的匹配。对现有技术进行改进实现了本发明的系统装置，如图1所示，包括：

图像采集单元1，采集注册手指纹和输入手指纹分别生成注册指纹图像和输入指纹图像；

图像预处理单元2与图像采集单元1连接，图像预处理单元2对采集注册指纹图像和输入指纹图像分别做预处理，该预处理包括注册指纹图像和输入指纹图像的图像分割、图像增强、图像二值化、细化处理以及方向场提取，分别获得注册细化指纹图像和注册指纹方向场图像以及输入细化指纹图像和输入指纹方向场图像；

特征提取单元3与图像预处理单元2连接，特征提取单元3在注册细化指纹图像和输入细化指纹图像中提取细节点信息以及细节点相连脊线的采样信息，并在注册指纹方向场图像和输入指纹方向场图像中提取参考点和细节点局部方向描述；然后根据细节点的位置和相连脊线信息以及参考点信息生成细节点旋向性；最后分别生成含有指纹细节点、细节点旋向性以及细节点局部方向描述的注册指纹特征和输入指纹特征；

模板存储单元4与特征提取单元3连接，模板存储单元4把特征提取单元3的注册指纹特征生成注册指纹特征模板存储到数据库当中，并为指纹特征匹配生成并输出模板指纹特征；

特征匹配单元5与模板存储单元4和特征提取单元3连接，特征匹配单元5对特征提取单元3输出的输入指纹特征与模板存储单元4数据库输出的模板指纹特征进行计算，判断输入指纹特征与模板指纹特征是否来源于同一个手指；

本系统的特征提取单元3的构成示意图如图2所示，其中实线表示对注册指纹图像的处理过程，虚线表示对输入指纹图像的处理过程；这两个过程所经过的处理是相同的，但是两个过程相互独立；对注册指纹图像的处理必然早于对输入指纹的处理，但在时间间隔上没有任何限定。特征提取单元3的构成包括：

细节点提取单元31，在注册细化指纹图像和输入细化指纹图像中提取指纹细节点信息，包括细节点的位置、方向和类型。最常用的细节点类型包括脊线末梢点和脊线分叉点两种；

细节点相连脊线采样单元32，在注册细化指纹图像和输入细化指纹图像中对细节点提取单元31提取到的每个指纹细节点的相连脊线进行采样并记录采样点的位置信息。由于脊线分叉点与三条脊线相连，而脊线末梢点只与一条脊线相连，因此对分叉点和末梢点的相连脊线使用了一致的采样表示，目的是简化计算并降低细节点类型检测错误对后续判断带来的影响；

参考点提取单元33，在注册指纹方向场图像和输入指纹方向场图像中提取参考点的位置信息：首先提取中心点，如果可信度高的中心点存在，就选其为参考点，否则选择曲率最大点作为参考点；

细节点局部方向描述提取单元34，在注册指纹方向场图像和输入指纹方向场图像中对每一个指纹细节点分别提取细节点局部方向描述；

细节点旋向性计算单元35与细节点提取单元31和细节点相连脊线采样单元32以及参考点提取单元33连接，细节点旋向性计算单元35对细节点提取单元31提取到的每一个指纹细节点，首先根据该细节点相连脊线的采样信息计算该细节点的相连脊线的弯曲程度，如果该相连脊线的足够弯曲度，则通过该相连脊线来确定该细节点的旋向性，否则就通过该细节点与参考点的位置关系来确定该细节点的旋向性。细节点旋向性包括三种类型，即左旋、右旋和无旋。右旋细节点表示所有的参考点都在细节点的右边；左旋细节点表示所有的参考点都在细节点的左边；无旋细节点表示细节点的旋向性不能确定。细节点旋向性包含了指纹的全局信息。另外，细节点旋向性具有平移旋转不变性。即使指纹图像存在较大的形变，右旋的细节点和左旋的细节点也是不易混淆的。

本系统的特征匹配单元5的构成示意图如图3所示，包括：

指纹细节点相似度计算单元51，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述计算输入指纹特征和模板指纹特征中的指纹细节点之间的相似度；

匹配初始点对选取单元52与指纹细节点相似度计算单元51连接，匹配初始点对选取单元52根据指纹细节点相似度计算单元51输出的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数；

指纹细节点匹配单元53与匹配初始点对选取单元52连接，指纹细节点匹配单元53首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；

匹配分数计算单元54与指纹细节点匹配单元53连接，匹配分数计算单元54根据指纹细节点匹配单元53输出的每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；

匹配结果获取单元55与匹配分数计算单元54连接，匹配结果获取单元55从指纹细节点匹配单元54输出的K个匹配分数中选取最大的匹配分数作为最终的匹配分数；根据该最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指。

融入全局信息的指纹细节点匹配算法得到本发明方法的流程如图4所示；该方法包括指纹注册和指纹验证两个阶段，这两个阶段相互独立；图4中实线表示指纹验证阶段、虚线表示指纹注册阶段；当对注册指纹图像进行注册时，按照虚线所示的流程执行；当对输入指纹图像进行验证时，按照实线所示的流程执行；指纹注册阶段早于指纹验证阶段执行，但两个阶段执行的时间间隔没有必然的限制。如图4所示，本发明方法的流程包括步骤如下：

步骤S1：采集手指纹，生成指纹图像；

步骤S2：对指纹图像进行预处理，该预处理包括分别对指纹图像的图像分割、图像增强、图像二值化、细化处理以及方向场提取，获得细化指纹图像和指纹方向场图像；该预处理具体的详细步骤有：1.灰度的均衡化，这可以消除不同图像之间对比度的差异；2.使用简单的低通滤波算法消除斑点噪声和高斯噪声；3.方向场的估计，计算出指纹图像每个像素的方向；4.利用方向场一致性以图像的均值和方差把指纹图像划分成前景区域和背景区域；5.二值化，根据每个像素点的方向来对指纹图像处理为只有黑白二种像素的图像；6.细化，根据二值化图像，把指纹的脊线宽度细化至只有一个像素，生成指纹细化图；7.细化后处理，清除细化图像中一些明显的断线，脊线间明显的桥、脊线上的毛刺、过短的脊线和单个斑点等不良脊线结构；

步骤S3：在细化指纹图像中提取指纹细节点信息，包括每个指纹细节点的x，y方向上的坐标，方向以及类型。然后在细化指纹图像中提取每个指纹细节点的相连脊线的采样信息。

所述对指纹细节点相连脊线采样的步骤中，由于细节点包括脊线末梢点和脊线分叉点两种类型，且分叉点与三条脊线相连，而末梢点只与一条脊线相连，因此对分叉点和末梢点的相连脊线使用了一致的采样表示，目的是简化计算并降低细节点类型检测错误对后续判断带来的影响。细节点相连脊线采样的具体过程如下：

(1).对于脊线分叉点，首先选取该分叉点周围夹角较小的两条真实脊线，即分叉一侧的两条真实脊线，对这两条脊线分别等间隔采样并记录采样点的位置；再依次将两组采样点集中顺序对应的采样点的位置取平均来生成一组新的采样点集合 $P_v={\{p_j=(x_j,y_j)\}}_{j=n_1}^{-1};$ 这组新的采样点就表示了一条虚拟的脊线，其中，{x_j，y_j}是第j个采样点p_j的坐标，n₁是负整数，n₁的绝对值|n₁|表示这条虚拟脊线上采样点的个数；然后对另外的那条真实脊线，即未分叉一侧的那条脊线进行等间隔采样，得到一组采样点集合 $P_t={\{p_j=(x_j,y_j)\}}_{j=1}^{n_2},$ 其中{x_j，y_j}、p_j含义同上，n₂是正整数，表示这条真实脊线上采样点的个数；最后将两组采样点连接，得到一组新的采样点集合 $P=P_v\∪P_t={\{p_j=(x_j,y_j)\}}_{j=n_1}^{n_2},$ 其中，{x_j，y_j}、p_j、n₁、n₂含义同上，j＝0时对应的点p₀表示该脊线分叉点。这样对于分叉点的相连脊线一共记录了n＝|n₁|+n₂+1个包括细节点在内的采样点；

(2).对于脊线末梢点，直接对该末梢点的相连脊线进行等间隔采样，得到一组采样点集合 $P={\{p_j=(x_j,y_j)\}}_{j=n_1}^{n_2},$ 其中，{x_j，y_j}、p_j含义同上，n₁＝0，表示没有虚拟脊线，n₂是正整数，表示相连脊线上采样点的个数，j＝0时对应的点p₀表示该脊线末梢点；这样就把脊线末梢点看作是脊线分叉点的特殊情况，从而使二者相连脊线的采样表示保持一致。

步骤S4：在指纹方向场图像中提取参考点的位置以及细节点局部方向描述。首先在指纹方向场图像中提取指纹中心点，如果提取到了可信度高的中心点，就选将所提取到的中心点作为参考点，否则利用基于正弦映射的方法在指纹方向场图像上提取曲率最大点作为参考点。然后在指纹方向场图像中对每一个指纹细节点分别提取其局部方向描述；

所述提取参考点位置的具体步骤包括：

步骤S41：用H和W分别表示指纹方向场图像在高度方向和宽度方向上的像素数量；将该大小为H×W像素的指纹方向场图像分成

个大小为w×w像素的块，其中

表示向下取整；每一块的方向取为该w×w个点方向场的均值；对点方向场分块的目的是克服点方向场的不稳定性和基于点方向场检测中心点的大量耗时；

步骤S42：基于块方向场通过复数滤波检测中心点，具体方法为：

通过一阶对称的复数滤波器h₁(x，y)＝(x+iy)g_σ(x，y)和h₂(x，y)＝(x-iy)g_σ(x，y)在块方向场上检测中心点的候选点，其中g_σ(x，y)表示一个沿x方向和y方向标准差为σ的2-D高斯滤波器，(x，y)表示块方向场中块的坐标。

复数域的方向张量通过下式计算，其中θ表示块方向场中块的方向：

z＝cos(2θ)+isin(2θ)               (1)

对方向张量和对称滤波器(h₁和h₂)做卷积，可以得到两个确定的响应：z_core和z_delta。然后通过下面的规则来得到中心点的可信度：

μ_core＝|z_core|(1-|z_delta|)         (2)

然后用阈值μ_T实现可信度μ_core的二值化，并取白色像素区域的质心作为中心点的候选点，且取该区域内z_core的平均方向值作为相应候选点的方向。图7a至图7f示出中心点检测过程的图像示例，图7a为原始图像(FVC2002中1_1.GIF)；图7b为方向场图像；图7c为前景分割图像；图7d为块方向场上的中心点可信度(w＝6)；图7e为二值化的中心点可信度图(μ_T＝0.45)；图7f为标记了中心点位置和方向的指纹图像；为获得更好的视觉效果图7d和图7e的大小调整与图7a相同；

步骤S43：在一幅指纹图像中可能找到多于一个的中心点候选点，那么采用如下的附加检验条件去除伪中心点，具体包括：

(1).与中心点的方向相反的区域都有较大的曲率，因此认为对应小曲率的候选点是伪中心点；计算候选点对应的曲率大小D的方法如下：

首先生成一个半径为R的半圆型结构：该半圆结构水平放置，弧线在上；沿半圆结构的圆心垂直向下定义为半圆结构的主方向；以半圆结构的圆心为旋转中心，分别将圆心两侧的水平半径向上旋转角度θ，(0＜θ＜π/2)；旋转经过的两个扇形区域定义为区域R₁；半圆结构内不包含于区域R₁的剩余扇形区域定义为区域R₂；图8给出了半圆结构的示例；实验中的R和θ分别取为8和π/4；

然后对该半圆结构进行平移旋转变换，使半圆结构的圆心与块方向场中候选点的位置重合，且半圆结构的主方向与候选点的方向一致；

最后用下面的公式来计算曲率的大小D：

$D={\mathrm{\Σ}}_{R_1^{\′}}\left|\sin (O_{k,l}-{\mathrm{\θ}}_c+\mathrm{\π}/2)\right|$

$-{\mathrm{\Σ}}_{R_2^{\′}}\left|\sin (O_{k,l}-{\mathrm{\θ}}_c+\mathrm{\π}/2)\right|$ (3)

其中，R′₁和R′₂分别是与变换后的半圆结构中区域R₁和R₂重合的块方向场中的区域，O_k，l是候选点坐标(k，l)处的方向，θ_c是候选点的方向；

如果曲率D小于某一个阈值D_T，即D＜D_T(实验中D_T取为12)，则认为这个候选点是伪中心点并去除；

(2).一些螺旋形的或者低质量的指纹图像会检测到两个相似的候选点；由于中心点定义为指纹最内层脊线的顶点，所以两个相似的候选点中指向另一个候选点的候选点就被判定为伪中心点并去除。判断两个候选点相似的规则为满足以下条件：1)λ₁(θ_a-θ_b)＜Thr₁，2)λ₂(θ_a-θ_ab)＜Thr₂，3)λ₂(θ_b-θ_ab)＜Thr₃，其中，θ_a和θ_b表示候选点a和b的方向，θ_ab表示连接a和b的直线的方向，Thr₁、Thr₂、Thr₃分别是三个条件的阈值(实验中这三个阈值都取为π/4)，而函数λ₁(θ)和λ₂(θ)可分别表示如下，其中θ为一角度值：

图9a至图9b所示为中心点去伪的一组示例，指向另一个候选点的候选点被去除；原始指纹图像为FVC2002 DB1中54_1.GIF；图9a为检测到的中心点；图9b为去除伪中心点以后的结果；

(3)如果候选点的个数仍多于两个，则继续执行下面的操作：如果任意两个候选点之间的方向差大于阈值(实验中该阈值取3π/4)，就意味着二者的方向近似相反，于是选择这一对候选点作为最后选定的中心点，否则，所有的候选点都被认为是伪中心点而被去除。图10a至图10b所示为中心点去伪的一组示例：选择方向近似相反的一对候选点作为中心点；原始指纹图像为FVC2002DB1中97_1.GIF；图10a为检测到的中心点；图10b为去除伪中心点以后的结果；

步骤S44：如果找不到可信度高的中心点，则利用基于正弦映射的方法在指纹方向场图像中提取曲率最大点，简称MC点。MC点的提取方法如下：

(1)计算块方向场中的每一个块(k，l)处的方向场O_k，l的正弦成分ε_k，l

ε_k，l＝sin(O_k，l)                     (4)

(2)初始化两个二维矩阵C和D，把所有元素置0；

(3)按从上到下，自左向右的顺序遍历块方向场O。如果块(k，l)是向上凸的，即满足

O_k，l＜O_thr，O_k-1，l＞0，O_k+1，l＜0    (5)

那么

i.根据图8所示的半圆结构，利用下式计算块(k，l)处的曲率值D_k，l，该曲率值就等于半圆结构中R₁和R₂所覆盖的区域的正弦成分的差值：

$D_{k,l}={\mathrm{\Σ}}_{R_1}{\mathrm{\ϵ}}_{k,l}-{\mathrm{\Σ}}_{R_2}{\mathrm{\ϵ}}_{k,l}---\left(6\right)$

ii.利用下式计算块(k，l)的连续测量值C_k，l；

C_k，l＝C_k-1，l-1+C_k-1，l+C_k-1，l-1+1   (7)

(4)保留满足以下条件的点：1)D_k，l＞D_thr，2)C_k，l＞C_thr；然后选择所有保留点中y坐标最大的点作为凹脊线的MC点；

(5)将方向场图像上下翻转，重复前面步骤(1)～(4)，即可得到凸脊线的MC点；

图11a至图11b示出了MC点检测的过程：图11a为原始指纹图像(FVC2002DB1 70_1.GIF)；图11b为图11a的方向场图像；图11c中用红色标记出了MC候选点的连续测量值，红色越深表示连续测量值越大；图11d用灰度值表征了图11a中各点的曲率值，灰度值越小表示曲率值率越大；图12a至图12c示出了MC点检测的三个例子，绿色的圆圈标记了检测到的MC点(实验中O_thr取为π/4，D_thr取为12，C_thr取为8)：图12a为检测到MC点的不完整指纹图像(FVC2002DB1 1_5.GIF)；图12b为检测到MC点的拱形指纹图像(FVC2002DB1 70_1.GIF)；图12c为没有中心点和MC点的指纹图像(FVC2002 DB1 29_6.GIF)。

所述提取细节点局部方向描述的具体方法为：在细节点周围取L个半径为r_l，(0≤l≤L)的同心圆，然后在每个圆上取K_l个采样点α_k，l，(0≤k≤K_l)将圆周等分；于是细节点局部方向描述就可以用采样点集合a＝{α_k，l}的形式来表示，其中α_k，l表示第l个圆上第k个采样点处的方向；这里，l，k，L，K_l均为非负整数；

步骤S5：对细化指纹图像中提取到的每一个指纹细节点，根据该细节点相连脊线的采样信息和该细节点与参考点的位置关系来确定细节点的旋向性。细节点旋向性包括三种类型，即左旋、右旋和无旋。右旋细节点表示所有的参考点都在细节点的右边；左旋细节点表示所有的参考点都在细节点的左边；无旋细节点表示细节点的旋向性不能确定。所述确定细节点旋向性的具体步骤包括：

步骤S51：计算细节点相连脊线的高度；令 $A=p_{n_1},$ $C=p_{n_2}$ 表示脊线采样点集合P中的两个末端采样点，AC表示连接采样点A和采样点C的直线；用B来表示采样点集合P中与直线AC距离最大的点，D表示采样点B在直线AC上的投影；细节点相连脊线的高度就定义为采样点集合P中的采样点与直线AC的最大距离，即采样点B到投影点D的距离|BD|；这里以及下面提到的A，B，C，D和E均为包含了x，y两个方向坐标值的坐标对；

步骤S52：如果细节点相连脊线的高度|BD|大于某一阈值H_Thr(n)(H_Thr(n)是采样点数n的单调递增函数，实验中如果采样点个数n＞5，则H_Thr(n)取为1.5n，否则H_Thr(n)取为8)，就认为采样点集合P所表示的细节点相连脊线足够弯曲，那么就通过采样点集合P来确定细节点旋向性，确定方法如下：

对于三角形△ABC，通过下式求面积S△_ABC：

$S_{\mathrm{\ΔABC}}=\frac{1}{2}\left|\begin{array}{ccc}{x}_A& y_A& 1\\ x_B& y_B& 1\\ x_C& y_C& 1\end{array}\right|$

$=\frac{1}{2}(x_B-x_A)(y_C-y_A)-\frac{1}{2}(x_C-x_A)(y_B-y_A)---\left(8\right)$

其中，x_A，y_A，x_B，y_B，x_C，y_C分别表示采样点A、B、C的水平和垂直坐标。如果S_△ABC＜0则细节点旋向性为右旋，S_△ABC＞0则细节点旋向性为左旋；图13a为通过相连脊线确定的右旋细节点的例子；图13b为通过相连脊线确定的左旋细节点的例子；

步骤S53：如果细节点相连脊线的高度|BD|小于阈值H_Thr(n)，说明采样点集合P所表示的细节点相连脊线的弯曲度不够；这种情况下不能通过相连脊线采样点集合P确定细节点的旋向性，而是考虑参考点的位置；如果没有检测到参考点，则细节点旋向性直接置为无旋；

步骤S54：如果细节点相连脊线的高度|BD|小于阈值H_Thr(n)，且存在参考点，就通过细节点与参考点的相对位置关系来确定细节点旋向性，具体方法如下：

令 $R={\{r_j=(x_j,y_j)\}}_{j=0}^{n_r}$ 表示参考点集合R，其中{x_j，y_j}是第j个参考点r_j的坐标，n_r表示参考点的数量；如果参考点集合R和直线AC的最小距离或者细节点和参考点集合R的最小距离小于阈值，则认为细节点旋向性为无旋，因为噪声会影响参考点的位置并导致错误的细节点旋向性；否则，对每一个参考点E＝r_j，脊线采样点A、参考点E和脊线采样点C构成一个三角形△AEC；S_△AEC的符号显示了参考点E和直线AC的相对位置；如果所有的参考点都在直线AC的同一侧，那么对应的所有三角形都有相同的符号，细节点的旋向性可以通过参考点集来确定：如果对所有的参考点E＝r_j都有S_△AEC＞0，则细节点旋向性为右旋；如果对所有的参考点E＝r_j都有S_△AEC＞0，则细节点旋向性为左旋；否则为无旋。图13c为通过参考点确定的右旋细节点的例子；图13d为因为距离太近而不能通过参考点确定细节点旋向性的例子；

步骤S6：将提取到的指纹细节点信息、细节点旋向性以及细节点局部方向描述一起生成指纹特征；指纹注册阶段得到的注册指纹特征与验证阶段得到的输入指纹特征以及模板指纹特征都具有相同的组成部分；该指纹特征表示为{x_j，y_j，θ_j，t_j，m_j，α_j}_j＝1 ^N，其中，x_j，y_j，θ_j，t_j，m_j，α_j分别表示第j个细节点的横纵坐标、方向、类型、细节点旋向性和局部方向描述；N表示指纹特征中包含的细节点数量；

步骤S7：在注册阶段，将由注册指纹图像得到的注册指纹特征作为特征模板存储到数据库当中，从而完成指纹注册阶段；在验证阶段，将存储在数据库中的特征模板输出为模板指纹特征，并继续下面的步骤；

步骤S8：对于步骤S6得到的计算输入指纹特征和步骤S7中输出的模板指纹特征，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述，计算这两组指纹特征中的指纹细节点之间的相似度。确定指纹细节点相似度的具体步骤包括：

步骤S81：建立不同细节点旋向性之间的匹配规则：当两个细节点的旋向性一个为左旋而另一个为右旋时，认为细节点匹配失败，则直接将两个细节点的相似度置为0；否则继续后面的操作；

步骤S82：对于相似度不为0的两个细节点，用a＝{α_k，l}和b＝{β_k，l}分别表示这两个细节点的局部方向描述，其中，α_k，l和β_k，l分别表示两个细节点的局部方向描述中第l个同心圆上的第k个采样点的方向，则a和b的相似度S_ab的计算方法如下：

S_ab＝mean(s(Λ(α_k，l，β_k，l)))             (9)

其中，Λ(α_k，l，β_k，l)是α_k，l和β_k，l之间的方向差值，s(Λ(α_k，l，β_k，l))是关于Λ(α_k，l，β_k，l)的相似度函数，用x表示相似度函数s(x)的变量，则相似度函数s(x)可表示为s(x)＝e^-x/σ，实验中σ取为π/16；

将由细节点旋向性确定的细节点相似度为0的情况考虑在内，则细节点相似度S_ab的计算公式可以表示如下：

步骤S9：根据得到的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数，实验中K取为l0；

步骤S10：首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；最后根据每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；匹配分数的计算方法如下：

令 ${\left\{p_k\right\}}_{k=1}^{N_p}$ 和 ${\left\{q_l\right\}}_{l=1}^{N_q}$ 分别表示来自于模板指纹特征和输入指纹特征的细节点集合，其中，p_k表示模板指纹特征中的第k个细节点，q_l表示输入指纹特征中的第l个细节点，N_p和N_q分别是模板指纹特征和输入指纹特征中细节点的数量； ${\left\{({p_k}_j,{q_l}_j)\right\}}_{j=1}^{N_s}$ 表示模板指纹特征和输入指纹特征中所有匹配的细节点对集合，其中，

表示第j组匹配的细节点对是模板指纹特征中的第k_j个细节点和输入指纹特征中的第l_j个细节点，N_s表示匹配的细节点对数量且N_s≤min{N_p，N_q)；

表示细节点对

的相似度；匹配分数的公式计算为：

其中，n_p和n_q分别是模板指纹和输入指纹中位于重叠区域内的细节点的数量，满足N_s≤n_p≤N_p和N_s≤n_q≤N_q；

步骤S11：从K个匹配分数中选取最大的匹配分数作为最终的匹配分数；根据最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹验证阶段。

图5a至图5c示出了不同手指的指纹图像在局部区域细节点匹配得很好的示例；图5a为FVC2002 DB1中的33_1.GIF的细化图像；图5b为FVC2002 DB1中的64_1.GIF的细化图像；图5c为图5a和图5b的配准结果；

图6a至图6c示出同一手指的一对重叠区域很小的指纹图像；图6a为FVC2002 DB1中的29_6.GIF的细化图像；图6b为FVC2002 DB1中的29_71.GIF的细化图像；图6c为图6a和图6b的配准结果；

实施例

我们将此方法应用到我们自行设计实现的指纹图像处理系统中。我们研制开发的指纹图像处理系统是基于Window XP，采用面向对象的设计方法和软件工程规范，用C++语言实现的、面向指纹识别领域的图像处理与分析系统。

为了验证本发明中融入全局信息的指纹细节点匹配算法(以下称算法A)的整体性能，我们实现了一个对比算法(以下称算法B)。算法B是传统的指纹细节点匹配，没有加入细节点旋向性特征。

将两个算法分别应用到前述指纹图像处理系统中，并分别在FVC2002和FVC2004提供的8个指纹库上做了实验。图14a至图14d示出FVC2002指纹数据库上的算法A与算法B的实验结果的ROC曲线对比；图15a至图15d示出了FVC2004指纹数据库上的算法A与算法B的ROC曲线对比；。对比这8组曲线可以看出，算法A的性能明显优于算法B。图16示出FVC2004指纹数据库上的算法A与算法B的FMR和FNMR曲线，可以看到算法A较之算法B，保持了较好的错误拒绝率FNMR，而错误匹配率FMR有了明显的降低，这使得指纹识别系统的整体性能得到提高。

以上实验均在同一台电脑上完成，电脑配置为：Intel Pentium 4处理器、3.4GHz；Windows XP professional操作系统。算法A在FVC2002的四个指纹库上的平均匹配时间分别是7.62ms，13.07ms，3.44ms和5.45ms；在FVC2004的四个指纹库上的平均匹配时间分别是8.23ms，7.10ms，12.60ms和9.06ms。算法A的平均匹配时间比算法B要少一点，这主要是因为匹配失败的细节点之间的相似度没有计算而是直接置为零的缘故。不过算法A在时间性能上的优势并不明显，不超过0.2ms。

由于细节点旋向性只有三种类型，只需两位就可以保存细节点的旋向类型。我们用“00”表示“无旋”，“01”表示“右旋”，而“10”表示“左旋”。所以算法A只需要很少的附加计算资源。

在指纹库上的试验结果显示，该系统很好地实现了指纹全局信息和局部信息的融合，有效地降低了指纹匹配系统对参考点提取精度的依赖，同时减少了由于噪声原因引起的错误匹配，从而降低了指纹细节点匹配过程的错误匹配率，也在一定程度上减少了指纹细节点匹配所需耗费的时间，具有很好的准确率、鲁棒性以及实用性。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种融入全局信息的指纹细节点匹配系统，其特征在于，包括：

图像采集单元，采集注册手指纹和输入手指纹，分别生成注册指纹图像和输入指纹图像；

图像预处理单元与图像采集单元连接，图像预处理单元对采集的注册指纹图像和输入指纹图像分别做预处理，并分别得到注册细化指纹图像和注册指纹方向场图像以及输入细化指纹图像和输入指纹方向场图像；

特征提取单元与图像预处理单元连接，特征提取单元在注册细化指纹图像和输入细化指纹图像中提取细节点信息以及细节点相连脊线的采样信息，并在注册指纹方向场图像和输入指纹方向场图像中提取参考点和细节点局部方向描述；然后计算细节点旋向性；最后分别生成注册指纹特征和输入指纹特征；

模板存储单元与特征提取单元连接，模板存储单元把特征提取单元输出的注册指纹特征生成注册指纹特征模板存储到数据库当中，并为指纹特征匹配生成并输出模板指纹特征；

特征匹配单元与模板存储单元和特征提取单元连接，特征匹配单元对特征提取单元输出的输入指纹特征与模板存储单元输出的模板指纹特征进行计算，判断输入指纹特征与模板指纹特征是否来源于同一个手指；

所述特征提取单元的构成包括：

细节点提取单元，在注册细化指纹图像和输入细化指纹图像中提取指纹细节点信息，包括细节点的位置、方向和类型；

细节点相连脊线采样单元，在注册细化指纹图像和输入细化指纹图像中对每个指纹细节点的相连脊线进行采样并记录采样点的位置信息；

参考点提取单元，在注册指纹方向场图像和输入指纹方向场图像中提取参考点的位置信息；

细节点局部方向描述提取单元，在注册指纹方向场图像和输入指纹方向场图像中对每一个指纹细节点分别提取其局部方向描述； 

细节点旋向性计算单元与细节点提取单元和细节点相连脊线采样单元以及参考点提取单元连接，细节点旋向性计算单元对细节点提取单元提取到的每一个指纹细节点，首先根据该细节点相连脊线的采样信息计算该细节点的相连脊线的弯曲程度，如果该相连脊线的足够弯曲度，则通过该细节点相连脊线来确定该细节点的旋向性，否则就通过该细节点与参考点的位置关系来确定该细节点的旋向性；

所述特征匹配单元的构成包括：

指纹细节点相似度计算单元，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述计算输入指纹特征和模板指纹特征中的指纹细节点之间的相似度；

匹配初始点对选取单元与指纹细节点相似度计算单元连接，匹配初始点对选取单元根据指纹细节点相似度计算单元输出的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数；

指纹细节点匹配单元与匹配初始点对选取单元连接，指纹细节点匹配单元首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；

匹配分数计算单元与指纹细节点匹配单元连接，匹配分数计算单元根据指纹细节点匹配单元输出的每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；

匹配结果获取单元与匹配分数计算单元连接，匹配结果获取单元从指纹细节点匹配单元输出的K个匹配分数中选取最大的匹配分数作为最终的匹配分数，根据该最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指。

2.根据权利要求1所述融入全局信息的指纹细节点匹配系统，其特征在于，所述的细节点旋向性包括三种类型：左旋、右旋和无旋；右旋细节点表示所有的参考点都在细节点的右边；左旋细节点表示所有的参考点都在细节点的左边；无旋细节点表示细节点的旋向性不能确定；细 节点旋向性包含了指纹全局信息。

3.一种融入全局信息的指纹细节点匹配方法，其特征在于，该方法是利用融入全局信息的指纹细节点匹配系统，包括指纹注册阶段和指纹验证阶段两部分，包括步骤：

步骤S1：采集手指纹，并生成指纹图像；

步骤S2：对指纹图像进行预处理，获得细化指纹图像和指纹方向场图像；

步骤S3：在细化指纹图像中提取指纹细节点信息以及指纹细节点相连脊线的采样信息；

步骤S4：在指纹方向场图像中提取参考点的位置以及细节点局部方向描述；

步骤S5：对细化指纹图像中提取到的每一个指纹细节点，首先根据该细节点相连脊线的采样信息计算该细节点的相连脊线的弯曲程度，如果该相连脊线的足够弯曲度，则通过该细节点相连脊线来确定该细节点的旋向性，否则就通过该细节点与参考点的位置关系来确定该细节点的旋向性；

步骤S6：将提取到的指纹细节点信息、细节点旋向性以及细节点局部方向描述一起生成指纹特征；

步骤S7：在注册阶段，将由注册指纹图像得到的注册指纹特征作为特征模板存储到数据库当中，这样就完成了指纹的注册阶段；在验证阶段，将存储在数据库中的特征模板输出为模板指纹特征，并继续下面的步骤；

步骤S8：对于步骤S6得到的计算输入指纹特征和步骤S7中输出的模板指纹特征，根据不同细节点旋向性之间的匹配规则和细节点局部方向描述，计算这两组指纹特征中的指纹细节点之间的相似度；

步骤S9：根据得到的指纹细节点相似度，选取指纹细节点相似度最大的K个指纹细节点对作为指纹细节点匹配的初始点对，其中K为大于或等于1的整数；

步骤S10：首先计算每一组匹配初始点对之间的平移旋转参数，然后根据每一组平移旋转参数分别对输入指纹特征和模板指纹特征进行 平移旋转并确定一组输入指纹特征中指纹细节点与模板指纹特征中指纹细节点之间的对应关系；最后根据每一组指纹细节点对应关系分别计算输入指纹特征和模板指纹特征的匹配分数，从而得到K个匹配分数；

步骤S11：从K个匹配分数中选取最大的匹配分数作为最终的匹配分数；根据该最终匹配分数的大小判断输入指纹特征与模板指纹特征是否来源于同一个手指，从而完成指纹的验证阶段。

4.按照利要求3所述的融入全局信息的指纹细节点匹配方法，其特征在于，由于细节点包括脊线末梢点和脊线分叉点两种类型，且分叉点与三条脊线相连，而末梢点只与一条脊线相连，因此对分叉点和末梢点的相连脊线使用了一致的采样表示，用于简化计算并降低细节点类型检测错误对后续判断带来的影响；细节点相连脊线采样的具体过程如下：

(1).对于脊线分叉点，首先选取该分叉点周围夹角较小的两条真实脊线，即分叉一侧的两条真实脊线，对这两条脊线分别等间隔采样并记录采样点的位置；再依次将两组采样点集中顺序对应的采样点的位置取平均来生成一组新的采样点集合 这组新的采样点就表示了一条虚拟的脊线，其中，{x_j，y_j}是第j个采样点p_j的坐标，n₁是负整数，n₁的绝对值|n₁|表示这条虚拟脊线上采样点的个数；然后对另外的那条真实脊线，即未分叉一侧的那条脊线进行等间隔采样，得到一组采样点集合 

其中{x_j，y_j}、p_j含义同上，n₂是正整数，表示这条真实脊线上采样点的个数；最后将两组采样点连接，得到一组新的采样点集合其中，{x_i，y_j}、p_j、n₁、n₂含义同上，j＝0时对应的点p₀表示该脊线分叉点； 这样对于分叉点的相连脊线一共记录了n＝|n₁|+n₂+1个包括细节点在内的采样点；

(2).对于脊线末梢点，直接对该末梢点的相连脊线进行等间隔采样，得到一组采样点集合 

其中，{x_j，y_j}、p_j含义同上，n₁＝0，表示没有虚拟脊线，n₂是正整数，表示相连脊线上采样点的个数，j＝0时对应的点p₀表示该脊线末梢点；这样就把脊线末梢点看作是脊线分叉点的特殊情况，从而使二者相连脊线的采样表示保持一 致。

5.按照权利要求3所述的融入全局信息的指纹细节点匹配方法，其特征在于，所述参考点是：如果在指纹方向场图像上提取到了可信度高的中心点，就将所提取到的中心点作为参考点，否则利用基于正弦映射的方法在指纹方向场图像上提取曲率最大点作为参考点。

6.按照权利要求5所述的融入全局信息的指纹细节点匹配方法，其特征在于，在中心点提取过程中，通过一阶对称的复数滤波器提取中心点候选点后，对于找到多于一个中心点候选点的情况，采用如下的附加检验条件去除伪中心点，具体包括：

(1).与中心点方向相反的区域都有较大的曲率，因此认为对应小曲率的候选点是伪中心点；计算候选点对应的曲率大小 

的方法如下：

首先生成一个半径为R的半圆型结构：该半圆结构水平放置，弧线在上；沿半圆结构的圆心垂直向下定义为半圆结构的主方向；以半圆结构的圆心为旋转中心，分别将圆心两侧的水平半径向上旋转角度θ；旋转经过的两个扇形区域定义为区域R₁；半圆结构内不包含于区域R₁的剩余扇形区域定义为区域R₂；

然后对该半圆结构进行平移旋转变换，使得半圆结构的圆心与块方向场中候选点的位置重合，且半圆结构的主方向与候选点的方向保持一致；

最后用下面的公式来计算曲率的大小 

其中，R′₁和R′₂分别是与变换后的半圆结构中区域R₁和R₂重合的块方向场中的区域，O_k，l是候选点坐标(k，l)处的方向，θ_c是候选点的方向；

如果曲率 

小于某一个阈值 

即 则认为这个候选点是伪中心点并去除；

(2).一些螺旋形的或者低质量的指纹图像会检测到两个相似的候选点；由于中心点定义为指纹最内层脊线的顶点，所以两个相似的候选点中指向另一个候选点的候选点就被判定为伪中心点并去除；判断两个候选点相似的规则为满足以下条件：1)λ₁(θ_a-θ_b)＜Thr₁，2) λ₂(θ_a-θ_ab)＜Thr₂，3)λ₂(θ_b-θ_ab)＜Thr₃，其中，θ_a和θ_b表示候选点a和b的方向，θ_ab表示连接a和b的直线的方向，Thr₁、Thr₂、Thr₃分别是三个条件的阈值，而函数λ₁()和λ₂()可分别表示如下，其中θ为一角度值：

(3).如果候选点的个数仍多于两个，则继续执行下面的操作：如果任意两个候选点之间的方向差大于某一阈值，就意味着二者的方向近似相反，于是选择这一对候选点作为最后选定的中心点，否则，所有的候选点都被认为是伪中心点并去除。

7.按照利要求3所述的融入全局信息的指纹细节点匹配方法，其特征在于，所述确定细节点旋向性的具体步骤包括：

(1).计算细节点相连脊线的高度；令 

表示脊线采样点集合P中的两个末端采样点，AC表示连接采样点A和采样点C的直线；用B来表示采样点集合P中与直线AC距离最大的点，D表示采样点B在直线AC上的投影；细节点相连脊线的高度就定义为采样点集合P中的采样点与直线AC的最大距离，即采样点B到投影点D的距离|BD|；

(2).如果细节点相连脊线的高度|BD|大于某一阈值H_Thr(n)，H_Thr(n)是采样点数n的单调递增函数，就认为采样点集合P所表示的细节点相连脊线足够弯曲，那么就通过采样点集合P来确定细节点旋向性，确定方法如下：

对于三角形ΔABC，通过下式求面积S_ΔABC：

其中，x_A，y_A，x_B，y_B，x_C，y_C分别表示采样点A、B、C的水平和垂直坐标；如果S_ΔABC＜0则细节点旋向性为右旋，S_ΔABC＞0则细节点旋向性为左旋；

(3).如果细节点相连脊线的高度|BD|小于阈值H_Thr(n)，说明采样点集合P所表示的细节点相连脊线的弯曲度不够；这种情况下不能通过相 连脊线采样点集合P确定细节点的旋向性，而是考虑参考点的位置；如果没有检测到参考点，则细节点旋向性直接置为无旋；

(4).如果细节点相连脊线的高度|BD|小于阈值H_Thr(n)，且存在参考点，就通过细节点与参考点的相对位置关系来确定细节点的旋向性，具体方法如下：

令 

表示参考点集合R，其中{x_j，y_j}是第j个参考点r_j的坐标，n_r表示参考点的数量；如果参考点集合R和直线AC的最小距离或者细节点和参考点集合R的最小距离小于阈值，则认为细节点旋向性为无旋，因为噪声会影响参考点的位置并导致错误的细节点旋向性；否则，对每一个参考点E＝r_j，脊线采样点A、参考点E和脊线采样点C构成一个三角形ΔAEC；S_ΔAEC的符号显示了参考点E和直线AC的相对位置；如果所有的参考点都在直线AC的同一侧，那么对应的所有三角形都有相同的符号，细节点的旋向性可以通过参考点集来确定：如果对所有的参考点E＝r_j都有S_ΔAEC＞0，则细节点旋向性为右旋；如果对所有的参考点E＝r_j都有S_ΔAEC＞0，则细节点旋向性为左旋；否则为无旋。

8.按照权利要求3所述的融入全局信息的指纹细节点匹配方法，其特征在于，所述注册指纹特征和输入指纹特征具有相同的组成部分，包括指纹细节点信息、细节点旋向性以及细节点局部方向描述，表示如下： 

其中，x_j，y_j，θ_j，t_j，m_j，α_j分别表示第j个细节点的横纵坐标、方向、类型、细节点旋向性和局部方向描述；N表示指纹特征中包含的细节点数量。

9.按照利要求3所述的融入全局信息的指纹细节点匹配方法，其特征在于，输入指纹特征中的指纹细节点和模板指纹特征中的指纹细节点之间的相似度由它们的细节点旋向性和细节点局部方向描述来计算；首先根据细节点旋向性检验细节点是否匹配，不同类型的细节点旋向性之间的匹配规则为：当两个细节点的旋向性一个为左旋而另一个为右旋时，认为细节点匹配失败，则直接将两个细节点的相似度置为0；对于相似度不为0的两个细节点，再根据细节点局部方向描述来计算细节点的相似度，细节点相似度S_ab的计算公式可以表示如下： 

其中，α_k，l和β_k，l分别表示两个细节点的局部方向描述中第l个同心圆上的第k个采样点的方向，Λ(α_k，l，β_k，l)是α_k，l和β_k，l之间的方向差值，s(Λ(α_k，l，β_k，l))是关于Λ(α_k，l，β_k，l)的相似度函数。 

Images