CN101853374B - 面状指纹传感器图像采集过程中的指纹监测方法 - Google Patents

Abstract

本发明涉指纹识别领域，尤其涉及一种面状指纹传感器图像采集过程中的指纹监测方法，弥补了现有技术忽略分析指纹局部细微结构的不足。通过参考窗口、邻域窗口及邻域跨度等设置，对指纹图像的局部特征进行邻域相关性分析，有效甄别出虽然符合整体统计特征、但邻域相关性小(一般为噪声)的非指纹图像，提高了指纹识别系统的精度和效率。同时，突破了传统指纹检测只考察单幅静态图像，而不关注动态按指过程的技术局限，根据手指按捺形成指纹图像的过程，提出动态检测指纹的技术方案，采用“相关度突变时刻”作为刻画其动态特征的量化指标，对于不符合指纹成像过程动态特征的行为提示、以及残留指纹的甄别方面，取得了较为明显的技术效果。

Description

面状指纹传感器图像采集过程中的指纹监测方法

技术领域

本发明涉指纹识别领域，尤其涉及一种面状指纹传感器图像采集过程中的指纹监测方法。

背景技术

指纹检测(按指检测)是指纹识别系统工作过程中的一个必要环节。该功能要求指纹采集设备的内嵌软件持续检测传感器传来的图像，通过一定的算法判别是否具备指纹纹理特征。当符合特定要求的指纹纹理图像出现时，指纹设备内嵌的软件立即给出判别信号，启动指纹采集设备作下一步的动作。

具有纹理特征的指纹图像在均值、方差、直方图等统计特性上与其他图像具有一定的差异，现有技术就是利用这个原理进行指纹检测，以此区分指纹图像和非指纹图像。然而，现有技术所依赖的均值、方差或者直方图等，所刻画的都是图像的整体统计特征，不能反映图像局部区域的细微特征，这种不足会在一定条件作用下表现得十分明显。譬如，图1中的A、B两幅图像，它们在均值、方差和直方图等整体统计特性方面都很接近，可是A为清晰有规律的指纹图像；B为杂乱无章的噪声图像，如果采用现有技术，就无法对这两幅图像有效加以区别。

现有指纹检测技术缺乏对指纹采集动态过程的全程监测分析，只是对最后时刻采集的那幅指纹图像进行静态的统计分析。采用这种技术手段所产生的技术效果满足不了实际应用的需求。特别是当手指因汗液、油脂等物质在传感器上留下很清晰的指纹痕迹时，其统计特征不论整体或局部，都与真实指纹图像非常接近，现有技术往往会把残留指纹误判为真实指纹，导致系统出错。对某些非指纹图像、特别是指纹残留图像的有效甄别，是现有技术需要解决的一个问题。

发明内容

为了解决上述问题，本发明提供一种面状指纹传感器在图像采集过程中的指纹监测方法，其目的是：一方面对指纹图像的局部特征进行邻域相关性分析，以甄别出那些虽然符合整体统计特征、但邻域相关性小(一般为噪声)的非指纹图像；另一方面对指纹成像过程进行动态监测，甄别出以成像过程静止不变为特点的指纹残留图像。

为了达到上述目的，本发明所采取的技术手段是：在面状指纹传感器有效感测区域设置前景区A_f和背景区A_b。前景区A_f为一孤立的区域，位于有效感测区域中心。背景区A_b为中空的闭合区域，位于前景区A_f四周，将其包围其中；

1)较佳地，前景区A_f是位于传感器中心的一块矩形区域，宽度是矩形传感器感测阵列宽度的四分之一，高度为传感器感测阵列宽高度的四分之一；背景区A_b是围绕前景区A_f四周的一块框形区域，外框与传感器有效感测阵列的外沿叠合，纵向边框宽度是传感器感测阵列宽度的四分之一，水平边框宽度为传感器感测阵列高度的四分之一。

2)确定若干图像主采样区域S_n(n＝1，2，3，……)，使之均匀、等量地分布在前景区A_f和背景区A_b之中；

1较佳地，采用8个16×16象素的主采样区域S_n(n＝1，2，3，……8)，其中S₁～S₄采样区域的左上、左下、右上、右下角分别与前景区的左上、左下、右上、右下角重叠；其余4个采样区域的分布是：S₅采样区域右下角与背景区内框左上角重叠。S₆采样区域右上角与背景区内框左下角重叠。S₇采样区域左下角与背景区内框右上角重叠。S₈采样区域左上角与背景区内框右下角重叠。

3)以每一个主采样区域S_n为基准，采用相等的邻域跨度(即对于基准点的绝对偏移量)d，选取若干同样面积的邻域采样W_nu(u＝1，2，3，……)，使之均匀分布在S_n周边；较佳地，在S_n上、下、左、右位置，均匀分布4个临域采样；邻域跨度d应在0.5～1.5个指纹脊线宽度之间；

4)以每一个主采样区域S_n采集的数据为基准，逐一计算出该采集数据与从各邻域采样W_nv采得数据之间的相关因数CorreW_nv；

1_设W为p×q个二维象素矩形采样窗口，它在主采样区域S_n采集到n组像素数据为PixW_n(i，j)，(0≤i≤，0≤j≤q，n＝1，2，3，……)；

2_设各主采样区域S_n在其邻域采集到n×u组像素数据为PixW_nu(i，j)，(0≤i≤；0≤j≤q；n＝1，2，3，……；u＝1，2，3，……)；

3_计算PixW_n(i，j)对其邻域PixW_nu(i，j)的相关因数CorreW_nu，即同坐标象素值差的平方和：Corre_nu＝∑[PixW_n(i，j)-PixW_nu(i，j)]²，(0≤i≤；0≤j≤q；n＝1，2，3，……；u＝1，2，3，……)；

5)逐一计算每一个主采样区域Sn所采集数据PixW_n(i，j)对于邻域所采集数据PixW_nu(i，j)的邻域相关度DeCorre_n；

1_取出第1主采样区域S₁邻域W_1u的全部相关因数CorreW_1u；

2_从中找出最大值MaxCorreW₁和最小值MinCorreW₁；

3_上述极值之差即为第1采样区的邻域相关度DeCorre₁，即DeCorre1＝MaxCorreW₁-MinCorreW₁；

4_如此遍历各主采样区域S_n，直至计算出所有主采样区域S_n对其邻域W_nu的相关度DeCorre_n；

6)分别计算前景平均相关度和背景平均相关度；

1_在全部邻域相关度DeCorre_n中，选取属于前景区A_f所有邻域相关度DeCorre_f，算出均值 ${\mathrm{AvrCorre}}_f=\mathrm{\Σ}\frac{{\mathrm{DeCorre}}_f}{n},$ 即为前景平均相关度AvrCorre_f；

2_在全部邻域相关度DeCorre_n中，选取属于背景区A_b所有邻域相关度DeCorre_b，算出均值 ${\mathrm{AvrCorre}}_b=\mathrm{\Σ}\frac{{\mathrm{DeCorre}}_b}{n},$ 即为背景平均相关度AvrCorre_b；

7)指纹图像合格性判断；

1_如果前景平均相关度AvrCorre_f大于设定的相关性阈值ForeDiffHold，而且背景平均相关度且AvrCorre_b也大于另一个设定的相关性阈值BackDiffHold，

1/判断为合格的指纹图像；

2_否则

1/判断为不合格的指纹图像；

8)从手指弧面接触传感器平面之前的某个瞬间起，到手指按捺完毕的时段内连续采样，以相等的时间间隔，连续计算该时刻t的前景平均相关度AvrCorre_f(t)、背景平均相关度AvrCorre_b(t)；

9)分别计算前、背景平均相关度自身对于前一时刻的变化率Dif_f(t)、Dif_b(t)；

1_Dif_f(t)＝AvrCorre_f(t)-AvrCorre_f(t-1)，Df(t+1)＝AvrCorre_f(t +1)-AvrCorre_f(t)，……；

2_Dif_b(t)＝AvrCorre_b(t)-AvrCorre_b(t-1)，Db(t+1)＝AvrCorre_b(t+1)-AvrCorre_b(t)，……；

10)分别搜索并记录前、背景平均相关度变化率最大MaxDif_f(t)、MaxDif_b(t’)的发生时刻Tmax_f、Tmax_b；

11)计算前一步骤两种突变时刻的延时Tdelay＝Tmax_f-Tmax_b，并判断：

1_如果Tdelay大于一个设定的时间阈值BreakHold，

1/符合指纹动态采样特征，判为即时录入的真实指纹图像；

2_否则

1/判为以成像过程静止不变为特点的指纹残留图像。

本发明有益的效果：

1、本发明弥补了指纹检测现有技术忽略分析指纹局部细微结构的不足，提出了邻域窗口及邻域跨度的选择和设置方法，对指纹图像的局部特征进行邻域相关性分析，有效甄别出虽然符合整体统计特征、但邻域相关性小(一般为噪声)的非指纹图像，提高了指纹识别系统的精度和效率。

2、本发明突破了传统指纹检测只考察单幅静态图像，而不关注动态按指过程的技术局限，根据手指按捺形成指纹图像的过程，提出动态检测指纹的技术方案，采用“相关度突变时刻”作为刻画其动态特征的量化指标，对于不符合指纹成像过程动态特征的行为提示、以及残留指纹的甄别方面，取得了较为明显的技术效果。

附图说明

附图1是现有指纹检测技术无法区分其中A、B两幅图像的示意图；

附图2是本发明一个较佳实施例对于指纹传感器前景区和背景区的设置示意图；

附图3是本发明一个较佳实施例中采样窗口的设计和采样区域的布置示意图；

附图4是本发明在一个具体的采样区域周围，确定邻域采样的示意图。

附图5是本发明在一个较佳实施例中所采用的邻域跨度示意图；

附图6是本发明另一个较佳实施例对于某个主采样区域Sn应用上、下、左、右4个邻域采样窗口W1、W2、W3、W4进行邻域采样后的邻域跨度示意图；

附图7是指纹图像产生的动态变化过程示意图；

附图8是本发明一个较佳实施例中的计算机软件实现流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。

为了有效考察指纹图像在不同区域的具体特性，本发明定义了前景和背景的概念，并对采样区域的分配和布置、采样窗口的大小、数量进行了专门的设计。图2是本发明一个较佳实施例对于指纹传感器前景区和背景区的设置示意图。在本实施例中，前景区A_f为图像中心点周围的一块矩形区域。该区域宽度是整幅图像宽度的四分之一，高度为整幅图像高度的四分之一；背景区A_b为图像周边的一块环形状区域。该区域纵向边框宽度是整幅图像宽度的四分之一，水平边框宽度为整幅图像高度的四分之一。

图3是本发明一个较佳实施例中采样窗口的设计和采样区域的布置。采样窗口是分布在前景区域和背景区域的多个图像矩阵，要求是能够均匀分布在前景区域和背景区域中。本实施例采用8个16×16象素的主采样区域S_n(n＝1，2，3，8)，其中S₁～S₄个采样区域的左上、左下、右上、右下角分别与前景区的左上、左下、右上、右下角重叠；其余4个采样区域的分布是：S₅采样区域右下角与背景区内框左上角重叠。S₆采样区域右上角与背景区内框左下角重叠。S₇采样区域左下角与背景区内框右上角重叠。S₈采样区域左上角与背景区内框右下角重叠。

本发明采用邻域相关性分析的方法对指纹图像局部区域进行分析。指纹图像在局部区域各个方向上邻域互相关性有很大差别，在同指纹纹路走向一致的方向上的邻域互相关性很大，而在其他方向上的邻域互相关性却相对较小。如附图4所示，在一幅指纹图像上选取采样窗口W1，并在同纹路方向一致的A方向上相邻位置选取同样大小的采样窗口W2，分析W1同W2的邻域相关性；同时在指纹纹路方向垂直的B方向上选择另外的采样窗口W3，分析W1同W3的邻域相关性。显然，A向相关性远大于B向相关性。这是因为W2窗口是沿着指纹纹路的方向移动而得到的，其对应位置象素的变化不明显；而W3是沿着垂直于指纹纹路的方向平移而得到的，其对应位置象素的变化较大，因此邻域相关性较小。如果以W1为主窗口，向各个方向平移得到多个方向的邻域子窗口，并考察他们同母窗口W1的一组邻域相关性。不难发现，基于清晰指纹图像得到的这组邻域相关性其相互差异较大(沿指纹纹路方向移动得到的邻域相关性最大，而垂直的方向最小)；而基于空白图像、噪声图像得到的一组邻域相关性差异较小(方向性不明显，各个方向的邻域相关因数趋于一致)。

图5是本发明在一个较佳实施例中确定邻域跨度示意图。邻域采样是指采样窗口W在主采样区域Sn附近的若干方向上，选定若干同样面积的邻域采样窗口Wnu。邻域跨度d是邻域窗口Wn同主采样区域Sn的距离。图中主采样窗口标识为W1，邻域采样窗口标识为W2、W3。跨度d的大小跟指纹脊线宽度D有关。一般应取0.5～1.5个指纹脊线宽度，此时邻域相关因数最能体现邻域窗口同采样窗口的差异性。本实施例采用d＝1个脊线宽度。

为了度量邻域相关性，本发明首先计算相关因数CorreW_nv。具体方法是：以每一个主采样区域S_n采集的数据为基准，逐一计算出该采集数据与从各邻域采样W_nv采得数据之间的相关因数CorreW_nv。假设采样窗口W为宽度为M、高度为M的二维象素阵列，从主采样区域采得的数据是PixW₁(i，j)，从其邻域采样采集的数据是PixW₁₁(i，j)，那么，PixW₁(i，j)和PixW₁₁(i，j)两组数据之间的邻域相关因数定义为相同坐标象素差的平方和，即CorreW₁₁＝∑[PixW₁(i，j)-PixW₁₁(i，j)]²。分析可知，邻域相关因数CorreW1_1体现了两个采样窗口的相似程度，其值越大，则两个采样窗口的相似度越小。

相关因数CorreW_nv只反映了主采样和每一个邻域采样之间的相关特征。需要对相关因数CorreW_nv进行综合，用一个数字量来表示每一个主采样与它所有邻域采样之间的相关特征。本发明采用邻域相关度这个指标加以衡量。附图6表示在本发明一个实施例中，采样窗口W选择了上下左右4个邻域采样，采样窗口的跨度d为1个指纹脊线宽度，分别用W1、W2、W3、W4表示。邻域相关度计算步骤如下：

1)从第1主采样区域S1开始，取出上下左右4个邻域采样对于主采样的的全部相关因数CorreW₁₁、CorreW₁₂、CorreW₁₃、CorreW₁₄；

2)找出邻域采样中相对于第1主采样来说，最大相关因数值MaxCorreW₁和最小相关因数值MinCorreW₁；

3)上述极值之差即为第1采样区的邻域相关度DeCorre₁，即DeCorre₁＝MaxCorreW₁-MinCorreW₁；

4)如此从主采样区域1遍历至主采样区域Sn，直至计算出所有主采样区域Sn对其邻域W_nu的相关度DeCorre_n。

5)邻域相关度体现了采样窗口所在区域的纹理特点。如果该区域有清晰的指纹图像，即该区域的图像具有明显的方向性，那么各个方向上的邻域相关因数差异必然很大，邻域相关度DeCorre_n值也会很大；相反，如果该区域没有指纹纹路，或者是方向行性不明显的噪声图像，DeCorre_n值会相对较小。

在取得所有主采样区域Sn的邻域相关度DeCorre_n以后，还须分别对前、背景的邻域相关度进行统计，算出平均邻域相关度才能对该图像作出判断。具体步骤如下：

1)计算平均邻域相关度：

1_在全部邻域相关度DeCorre_n中，选取属于前景区A_f所有邻域相关度DeCorre_f算出均值 ${\mathrm{AvrCorre}}_f=\mathrm{\Σ}\frac{{\mathrm{DeCorre}}_f}{n},$ 即为前景平均相关度AvrCorre_f；

2_在全部邻域相关度DeCorre_n中，选取属于背景区A_b所有邻域相关度DeCorre_b算出均值 ${\mathrm{AvrCorre}}_b=\mathrm{\Σ}\frac{{\mathrm{DeCorre}}_b}{n},$ 即为背景平均相关度AvrCorre_b。

2)根据前、背景的平均邻域相关度对该幅图像是否符合指纹特征作出判断：

1_如果指纹前景平均相关度AvrCorre_f大于设定阀值ForeDiffHold，而且背景平均相关度AvrCore_b大于设定阀值BackDiffHold，

1/则可以判定该图像是一副清晰的指纹图像而非空白图像或者噪声图像。

2_否则

1/判断为不合格的指纹图像。

由于手指是一个具有弹性的弧面，在按捺指纹过程中，手指中心附近的突出部位首先接触传感器采集表面，最先在前景区域A_f形成指纹图像，手指边缘部分随后相继接触采集面，最后延及背景区域A_b直至形成一幅完整的指纹图像。附图7是指纹图像产生过程的动态变化。为了有效监测这一动态过程，本发明采用前景相关度变化率Dif_f(t)和背景相关度变化率Dif_b(t)这两个关键性动态指标。在监测按指过程中的多幅图像时，能发现一个共同的规律：在按指的过程中，指纹图像是逐渐出现并趋于稳定的。当图像中指纹纹理开始出现的时候，相关度变化率会急剧增加而达到峰值；当指纹纹理出现后并趋于稳定的过程中，相关度变化率又会逐渐减小。前、背景区域中都会出现相关度变化率的突变，也就是分别出现最大值MaxDif_f(t)、MaxDif_b(t’)，但是前景和背景的相关度变化率的突变时刻是不同的。残留在传感器表面的残留指纹其成像过程没有类似按指形成指纹的动态过程，其前景和背景的相关度突变时刻是相同的。如果在整个采集过程中前景和背景的相关度突变时刻非常接近，以至于小于特定的阀值BreakHold，则认为是残留指痕。

根据上述原理，本发明采用下列技术手段，达到动态监测指纹采集，实现甄别出以成像过程静止不变为特点的指纹残留图像这一技术效果：

1)从手指弧面接触传感器平面之前的某个瞬间起，到手指按捺完毕的时段内连续采样，以相等的时间间隔，连续计算该时刻t的前景平均相关度AvrCorre_f(t)、背景平均相关度AvrCorre_b(t)；

2)分别计算前、背景平均相关度自身对于前一时刻的变化率Dif_f(t)、Dif_b(t)；

1_Dif_f(t)＝AvrCorre_f(t)-AvrCorre_f(t-1)，Df(t+1)＝AvrCorre_f(t+1)-AvrCorre_f(t)，……；

2_Dif_b(t)＝AvrCorre_b(t)-AvrCorre_b(t-1)，Db(t+1)＝AvrCorre_b(t+1)-AvrCorre_b(t)，……。

3)分别搜索并记录前、背景平均相关度变化率最大MaxDif_f(t)、MaxDif_b(t’)的发生时刻Tmax_f、Tmax_b；

4)计算前一步骤两种突变时刻的延时Tdelay＝Tmax_f-Tmax_b，并判断：

1_如果Tdelay大于一个设定的时间阈值BreakHold，

1/符合指纹动态采样特征，判为即时录入的真实指纹图像；

2_否则

1/判为以成像过程静止不变为特点的指纹残留图像。

附图8是本发明一个较佳实施例中的计算机软件实现流程图。如下步骤目的是在连续采集N次图像的过程中，判断采集的图像是否含有指纹纹理，并甄别是否为残留指纹。

1)步骤1：采集一副图像(图像序号为n＝0)；

2)步骤2：计算前景平均相关度ForeAvrDiffCoree(0)及背景平均相关度BackAvrDiffCoree(0)；

3)步骤3：初始化前景最大相关度变化率MaxForeDeltaAvrDiffCoree，使其初值为0；

1_初始化背景最大相关度变化率MaxBackDeltaAvrDiffCoree，使其初值为0；

2_初始化前景突变时刻ForeBreakNum，使其初值为0；

3_初始化背景突变时刻BackBreakNum，使其初值为0；

4)步骤4：如果当前图像序号n满足条件n＜N，则继续步骤5；否则认为在N次判断中，均无按指，退出流程。

5)步骤5：采集图像(图像序号n递增)

6)步骤6：计算前景平均相关度ForeAvrDiffCoree(n)及背景平均相关度BackAvrDiffCoree(n)；

7)步骤7：计算前景相关度变化率ΔForeAvrDiffCoree(n)；

1_计算背景相关度变化率ΔBackAvrDiffCoree(n)；

8)步骤8：比较ΔForeAvrDiffCoree(n)同MaxForeDeltaAvrDiffCoree。如果满足条件：

1_ΔForeAvrDiffCoree(n)＞MaxForeDeltaAvrDiffCoree，则用ΔForeAvrDiffCoree(n)更新原来的MaxForeDeltaAvrDiffCoree，并更新前景突变时刻ForeBreakNum＝n；否则继续步骤9。

9)步骤9：比较ΔBackAvrDiffCoree(n)同MaxBackDeltaAvrDiffCoree。如果满足条件：

1_ΔBackAvrDiffCoree(n)＞MaxBackDeltaAvrDiffCoree，则用ΔBackAvrDiffCore(n)更新原来的MaxBackDeltaAvrDiffCoree，并更新背景突变时刻BackBreakNum＝n；否则继续步骤10。

10)步骤10：判断前景及背景邻域相关度，如果前景邻域相关度满足条件ForeAvrDiffCoree＞ForeDiffHold并且背景邻域相关度满足条件BackAvrDiffCoree＞BackDiffHold，则继续步骤11，否则返回到步骤4。

11)步骤11：如果前景突变时刻同背景突变时刻满足条件BackBreakNum-ForeBreakNum＞BreakHold，则判定当前图像是非残留有效指纹图像，结束流程；否则认为是残留指纹图像，返回到步骤4。

Claims (4)

1.一种面状指纹传感器图像采集过程中的指纹监测方法，其特征在于，包括如下步骤：

1)在面状指纹传感器有效感测区域设置前景区A_f和背景区A_b，前景区A_f为一孤立的区域，位于有效感测区域中心，背景区A_b为中空的闭合区域，位于前景区A_f四周，将其包围其中；

2)确定若干图像主采样区域S_n，n=1，2，3，……，使之均匀、等量地分布在前景区A_f和背景区A_b之中；

3)以每一个主采样区域S_n为基准，采用相等的邻域跨度d，即对于基准点的绝对偏移量，选取若干同样面积的邻域采样W_nu，u=1，2，3，……，使之均匀分布在S_n周边；

4)以每一个主采样区域S_n采集的数据为基准，逐一计算出该采集数据与从各邻域采样W_nv采得数据之间的相关因数CorreW_nv；

i.设W为p×q个二维象素矩形采样窗口，它在主采样区域S_n采集到n组像素数据为PixW_n(i,j)，0≤i≤p，0≤j≤q，n=1，2，3，……；

ii.设各主采样区域S_n在其邻域采集到n×u组像素数据为PixW_nu(i,j)，0≤i≤p；0≤j≤q；n=1，2，3，……；u=1，2，3，……；

iii.计算PixW_n(i,j)对其邻域PixW_nu(i,j)的相关因数CorreW_nu，即同坐标象素值差的平方和：Corre_nu=∑[PixW_n(i,j)-PixW_nu(i,j)]²，0≤i≤p；0≤j≤q；n=1，2，3，……；u=1，2，3，……；

5)逐一计算每一个主采样区域Sn所采集数据PixW_n(i,j)对于邻域所采集数据PixW_nu(i,j)的邻域相关度DeCorre_n；

i.取出第1主采样区域S₁邻域W_1u的全部相关因数CorreW_1u；

ii.从中找出最大值MaxCorreW₁和最小值MinCorreW₁；

iii.上述极值之差即为第1采样区的邻域相关度DeCorre₁，即DeCorre1＝MaxCorreW₁-MinCorreW₁；

iv.如此遍历各主采样区域S_n，直至计算出所有主采样区域S_n对其邻域W_nu的相关度DeCorre_n；

6)分别计算前景平均相关度和背景平均相关度；

i.在全部邻域相关度DeCorre_n中，选取属于前景区A_f所有邻域相关度DeCorre_f，算出均值 $\mathrm{AvrCorr}{e}_f=\mathrm{\Σ}\frac{\mathrm{DeCorr}{e}_f}{n},$ 即为前景平均相关度AvrCorre_f；

ii.在全部邻域相关度DeCorre_n中，选取属于背景区A_b所有邻域相关度DeCorre_b，算出均值 $\mathrm{AvrCorr}{e}_b=\mathrm{\Σ}\frac{\mathrm{DeCorr}{e}_b}{n},$ 即为背景平均相关度AvrCorre_b；

7)指纹图像合格性判断；

i.如果前景平均相关度AvrCorre_f大于设定的相关性阈值ForeDiffHold，而且背景平均相关度且AvrCorre_b也大于另一个设定的相关性阈值BackDiffHold，

1/判断为合格的指纹图像；

ii.否则

1/判断为不合格的指纹图像；

8)从手指弧面接触传感器平面之前的某个瞬间起，到手指按捺完毕的时段内连续采样，以相等的时间间隔，连续计算采样时刻t的前景平均相关度AvrCorre_f(t)、背景平均相关度AvrCorre_b(t)；

9)分别计算前、背景平均相关度自身对于前一时刻的变化率Dif_f(t)、Dif_b(t)；

i.Dif_f(t）＝AvrCorre_f(t）-AvrCorre_f(t-1)，Df(t+1）＝AvrCorre_f(t+1）-AvrCorre_f(t)，……；

ii.Dif_b(t）＝AvrCorre_b(t）-AvrCorre_b(t-1)，Db(t+1）＝AvrCorre_b(t+1）-AvrCorre_b(t)，……；

10)分别搜索并记录前、背景平均相关度变化率最大MaxDif_f(t)、MaxDif_b(t’）的发生时刻Tmax_f、Tmax_b；

11)计算前一步骤两种突变时刻的延时Tdelay＝Tmax_f-Tmax_b，并判断：

i.如果Tdelay大于一个设定的时间阈值BreakHold，

符合指纹动态采样特征，判为即时录入的真实指纹图像；

ii.否则

判为以成像过程静止不变为特点的指纹残留图像。

2.根据权利要求1所述面状指纹传感器图像采集过程中的指纹监测方法，其特征在于，所述前景区A_f是位于传感器中心的一块矩形区域，宽度是矩形传感器感测阵列宽度的四分之一，高度为传感器感测阵列宽高度的四分之一；所述背景区A_b是围绕前景区A_f四周的一块框形区域，外框与传感器有效感测阵列的外沿叠合，纵向边框宽度是传感器感测阵列宽度的四分之一，水平边框宽度为传感器感测阵列高度的四分之一。

3.根据权利要求1所述面状指纹传感器图像采集过程中的指纹监测方法，其特征在于，所述主采样区域S_n采用8个16×16象素的主采样区域，其中S₁～S₄采样区域的左上、左下、右上、右下角分别与前景区的左上、左下、右上、右下角重叠；其余4个采样区域的分布是：S₅采样区域右下角与背景区内框左上角重叠；S₆采样区域右上角与背景区内框左下角重叠；S₇采样区域左下角与背景区内框右上角重叠；S₈采样区域左上角与背景区内框右下角重叠。

4.根据权利要求1所述面状指纹传感器图像采集过程中的指纹监测方法，其特征在于，所述邻域采样，是在S_n上、下、左、右位置均匀分布4个邻域采样；所述邻域跨度d在0.5～1.5个指纹脊线宽度之间。

Images