CN101957913B - 一种基于信息融合技术的指纹识别方法及装置 - Google Patents

Abstract

本发明提供了一种基于信息融合技术的指纹识别方法，包括如下步骤：A、对于同一现场指纹图像，提取出N类互不相同的指纹特征，N为大于或等于2的自然数；B、采用N种指纹特征匹配算法，分别基于这N类指纹特征对现场指纹图像和库指纹图像进行匹配，得到N个匹配分数序列；C、采用改进型D_S证据理论对所述N个匹配分数序列进行信息融合，得到指纹识别结果。本发明还提供了一种基于信息融合技术的指纹识别装置。本发明可以相对于现有技术进一步提高指纹识别的准确性和可靠性。

Description

一种基于信息融合技术的指纹识别方法及装置

技术领域

本发明涉及模式识别和信息处理技术领域，特别涉及指纹识别技术，尤其涉及一种基于信息融合技术的指纹识别方法及装置。

背景技术

随着计算机图像处理和模式识别技术的发展，生物识别技术正得到越来越多的关注和应用。由于指纹、虹膜、掌纹、人脸、声纹等生物特征具有唯一性和稳定性、便于采样及可靠性高的优点，已经成为个人身份认证的最有效的手段之一，其中的指纹识别技术更是生物识别技术的热点，具有很高的实用性和可行性，其识别结果，具有法律效力。

图1所示为指纹识别过程包含的基本步骤，主要涉及步骤101指纹图像采集、步骤102指纹图像处理、步骤103指纹特征提取、步骤104指纹特征匹配，最后得到识别结果(匹配或不匹配)。其中，步骤104指纹特征匹配就是用指纹匹配算法对指纹特征参数进行匹配运算，运算结果就是识别结果。

现有技术已经发展出多种指纹匹配算法，不同的指纹匹配算法基于指纹图像的不同特征的，例如基于点模式的指纹匹配算法、基于局部纹理的指纹匹配算法、基于混合特征的指纹匹配算法和基于图的指纹匹配算法等。

图2为现有技术的指纹识别方法在指纹特征匹配阶段的示意图。在特征提取阶段提取的某一类指纹特征由单一的匹配算法进行匹配运算得到识别结果。图2所示的指纹识别方法的可靠性只由单一指纹匹配算法决定。由于不同的指纹匹配算法是基于指纹图像的不同特征，故不同的指纹匹配算法都具有自己的特点，适用于不同尺寸、质量和形变的指纹图像，并在可靠性、速度和抗干扰性方面有不同的优势和劣势。

单一指纹匹配算法所涵盖的信息显然不如多个指纹匹配算法所涵盖的信息全面、丰富、准确；另外，单一指纹匹配结果的误报风险大、可靠性和容错性低的缺陷，也使前者无法和后者相提并论。

如果能通过信息融合技术将多种指纹特征匹配算法结合起来，发展出一种可靠的融合多种指纹特征匹配算法特点的指纹识别方法，能够合理地结合不同的指纹特征指纹匹配算法的特点，突出和保留算法的优势，减少和去除算法的劣势，将各种指纹匹配算法的效能发挥到最大，这将对指纹识别技术的发展起到较大的推动作用。

所谓信息融合技术，是综合协调各子源信息，提高和改善信息处理系统性能的新兴技术。它通过多方位、多角度、多时空、多频段、多机理的技术处理，减少各子源信息的矛盾成份，强化共性因素，克服单源性能的局限性，利用子源信息间的竞争性、冗余性和互补性，有效地整合和管理信息，为决策者的认知过程提供真实、清晰、完整的素材，从而得出高度准确、可靠的决策信息。

D-S证据理论是一种重要的信息融合算法。该理论是由Dempster于1967年最初提出，后经他的学生Shafer在1976年进一步发展、完善形成的一种不确定性推理的人工智能方法。由于D-S证据理论为不确定性信息的表达和合成提供了自然而强有力的方法，具有独特的优势，这使得它在信息融合、智能决策系统以及专家系统等多个领域中应用的效果比较显著。D-S证据理论能较好地考虑和处理各子源本身性能对融合中心的影响和特点，可以合理地模仿人脑对各种信息加工整合的过程，较好地发挥注意过程和自组织过程各自的作用，有利于提高最终决策的准确性和可靠性。且其无需知道先验概率，根据数据本身提供的信息，就能进行证据组合。

但D-S证据理论也存在着不少问题，主要体现在如下三个方面：

(1)、证据组合条件严格，要求证据彼此间独立，且要求识别框架能够识别证据的相互作用；

(2)、容易引起焦元数目急剧增加，计算量呈指数增长，这是D-S证据理论实际应用的难题之一；

(3)、组合规则无法处理冲突，并无法分辨证据所在子集的大小以实现按不同的权重聚焦。

对于第一个方面的问题，已有不少专家和研究者进行了探讨，如提出相关证据的概念，对D-S证据理论组合进行了适当地修改。

第二个方面的问题，是妨碍D-S证据理论在信息融合领域更加广泛运用的最主要原因。目前大多数的研究工作试图通过减少焦元个数，采用近似计算的方法来解决此问题。如：用一致性近似的方法、“修剪D-S算法”等。但都存在一定的缺点，如一致性近似方法虽利于证据的表达，但计算误差大；“修剪”D-S算法虽减少了计算量，提高了算法的自适应性，但证据合成的次序对运算结果有影响等。

对于第三个方面的问题，国内外专家、学者提出了诸多改进的方法，如：采用非归一化的摒弃冲突法、Yager的冲突信息归入全集法、Toshiyuki的折中法、平均法、证据加权组合法、吸收法等。这些改进方法也存在一定的缺点：

摒弃冲突法，虽然避免了冲突，但得到的结果却是不全面、有损失的，因为它丢弃冲突部分的信度；

冲突信息归入全集法，在避免了冲突的同时，又没有放弃冲突，但此法却增强了组合后的不确定性，加大了最终决策的难度；

折中法虽然克服了D-S证据理论和冲突信息归入全集法的缺陷，包容了二者的优点，但如何得到最佳的折中值，是一个比较困难的问题，选择的过程也较麻烦，这是该方法存在的明显不足；

平均法没有区分冲突和不冲突信息，对所有证据都进行平均处理，没有起到压缩和减少错误信息及加强有用、正确信息的作用；

证据加权组合法起到了组合结果不确定性减少，信息量增加的作用，但对冲突信息的处理仍然没有解决好，另外，最佳权值的确定也是个难点；

吸收法是将冲突指派分配给基本概率分配函数(BPAF，Basic ProbabilityAssignment Function)最大的焦元，不常考虑冲突对其他焦元的影响。

综上所述，依靠现有的这些改进型D-S证据理论进行基于信息融合技术的指纹识别，仍然在准确性和可靠性方面存在各种各样的问题，必须针对指纹识别的具体应用情况，对其进行改进。

发明内容

本发明提供了一种基于信息融合技术的指纹识别方法及装置，可以相对于现有技术进一步提高指纹识别的准确性和可靠性。

本发明实施例提出一种基于信息融合技术的指纹识别方法，包括如下步骤：

A、对于同一现场指纹图像，提取出N类互不相同的指纹特征，N为大于或等于2的自然数；

B、采用N种指纹特征匹配算法，分别基于这N类指纹特征对现场指纹图像和库指纹图像进行匹配，得到N个匹配分数序列；

C、采用改进型D_S证据理论对所述N个匹配分数序列进行信息融合，得到指纹识别结果。

较佳地，所述步骤B之后且在步骤C之前，进一步包括：对所述N个匹配分数序列进行决策层融合前的基于数据配准的信息筛选，得到筛选后的匹配分数序列。

较佳地，所述N等于2，步骤B所述N种指纹特征匹配算法为算法A和算法B；

所述采用N种指纹特征匹配算法分别对这N类指纹特征进行处理，得到N个匹配分数序列包括：

用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SA₁，SA₂，…SA_n，用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SB₁，SB₂，…SB_n，其中1，2，…n是n幅库指纹图像对应的标号。

较佳地，所述对所述N个匹配分数序列进行决策层融合前的基于数据配准的信息筛选，得到筛选后的匹配分数序列包括：

对算法A和算法B得到的匹配分数序列进行数据配准，即计算用算法A和算法B对现场指纹图像和同一幅库指纹图像进行匹配后得到的匹配分数序列的平均值

按降序对匹配分数序列的平均值Sa_i进行排序，保留前u(u＜n)个匹配分数的平均值Sa_i所对应的匹配分数SA_j和匹配分数SB_j，并将匹配分数SA_j和匹配分数SB_j按照对应的匹配分数平均值Sa_i的降序顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u；

创建一个长度为u的数组Num[]，数组中的任意元素Num[i]表示的是筛选后的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

较佳地，所述步骤C包括：

C1、由算法A和算法B分别得到证据E₁，E₂，证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况，命题S_i表示现场指纹图像与第i幅库指纹图像匹配，将u个命题组成集合Ω＝{S₁，S₂，…，S_u}作为用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架；

且m{S_i}≠0，称命题S_i为m的一个焦元；m为辨识框架Ω上的基本概率分配函数BPAF；

C2、利用公式

计算证据E₁下每个命题的基本可信度；以及利用公式

计算证据E₂下每个命题的基本可信度；重新分配焦元集的辨识框架Ω上的基本概率分配函数BPAF，使重新分配的

满足映射：2^Ω→[0，1]，并且同时满足如下条件：

$m_j^{\′}\left\{S_i\right\}\≥0,i=\mathrm{1,2},\·\·\·,u;j=\mathrm{1,2};$ $\underset{0\≤i\≤u}{\mathrm{\Σ}}{m}_j^{\′}\left\{S_i\right\}\≤1;$

$m_j^{\′}\left\{S_i\right\}=0,(S_i\⋐\mathrm{\Ω})\mathrm{AND}\left(\right|\left|S_i\right||>1\mathrm{OR}|\left|S_i\right||=0);$

C3、对于算法A和算法B分别得出的证据E₁，E₂，在同一识别框架Ω下的

进行去相关处理，得到新的

C4、在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按大数附加法原理分配给无冲突焦元，获得的新的BPAF序列m°(C_k)，k＝1，2，…u；

C5、将所述新的BPAF序列m°(C_k)，k＝1，2，…u按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。

较佳地，所述步骤C1包括：

将两种证据E₁和E₂对现场指纹图像与第i幅库指纹图像的匹配结果的基本可信度，分别表示为m₁(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω，其中m为辨识框架Ω上的BPAF；并且是满足下述两个条件的映射：

较佳地，所述步骤C3包括：

C3-1、利用公式

计算使用单独使用算法A以及单独使用算法B得出的单独证据E_i的能量信息容量e(E_i)：S_i≠φ，i＝1，2，式中，‖S_i‖是焦元集S_i的基数，g(S_i)是焦元集的个数；

C3-2、计算使用算法A和算法B分别得出的证据E₁、E₂中相关焦元所含的能量信息容量

式中，R_ij是相关焦元集，表示由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关；‖R_ij‖是R_ij的基数，g(R_ij)是R_ij的个数；

C3-3、计算出证据E₁对E₂的相关影响系数

证据E₂对E₁的相关影响系数

C3-4、对于算法A和算法B分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，所述相关影响系数将其进行重新改写，得到新的BPAF为：

${\hat{m}}_1\left(A_i\right)=\left\{\begin{array}{cc}{m}_1^{\′}\left(A_i\right)(1-R_{12}),& A_i\≠\mathrm{\Ω}\\ m_1^{\′}\left(A_i\right)(1-R_{12})+R_{12},& A_i=\mathrm{\Ω}\end{array}\right.$

${\hat{m}}_2\left(B_i\right)=\left\{\begin{array}{cc}{m}_2^{\′}\left(B_i\right)(1-R_{12}),& B_i\≠\mathrm{\Ω}\\ m_2^{\′}\left(B_i\right)(1-R_{12})+R_{12},& B_i=\mathrm{\Ω}\end{array}\right..$

较佳地，步骤C4包括：

将步骤C3得到的

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

上式中，

τ是衡量冲突的门限，0＜τ＜1，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。

本发明实施例还提出一种基于信息融合技术的指纹识别的装置，包括：

特征提取模块，用于对于同一现场指纹图像，提取出N类互不相同的指纹特征，N为大于或等于2的自然数；

匹配模块，用于采用N种指纹特征匹配算法，分别基于这N类指纹特征对现场指纹图像和库指纹图像进行匹配，得到N个匹配分数序列；

信息融合模块，用于采用改进型D_S证据理论对所述N个匹配分数序列进行信息融合，得到指纹识别结果。

较佳地，该装置进一步包括：

筛选模块，用于对所述匹配模块得到的N个匹配分数序列进行基于数据配准的信息筛选，并将筛选后的N个匹配分数序列输出至信息融合模块。

较佳地，所述N等于2，匹配模块采用的N种指纹特征匹配算法为算法A和算法B；

所述匹配模块包括：

第一匹配单元，用于用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SA₁，SA₂，…SA_n；

第二匹配单元，用于用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SB₁，SB₂，…SB_n；

其中1，2，…n是n幅库指纹图像对应的标号。

较佳地，所述筛选模块进一步包括：

数据配准单元，用于对算法A和算法B得到的匹配分数序列进行数据配准，即计算用算法A和算法B对现场指纹图像和同一幅库指纹图像进行匹配后得到的匹配分数序列的平均值

排序单元，用于按降序对匹配分数序列的平均值Sa_i进行排序，保留前u(u＜n)个匹配分数的平均值Sa_i所对应的匹配分数SA_j和匹配分数SB_j，并将匹配分数SA_j和匹配分数SB_j按照对应的匹配分数平均值Sa_i的降序顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u；

标号记录单元，用于创建一个长度为u的数组Num[]，数组中的任意元素Num[i]的值为筛选后的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

较佳地，所述信息融合模块包括：

第一处理单元，用于由算法A和算法B分别得到证据E₁，E₂，证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况，命题S_i表示现场指纹图像与第i幅库指纹图像匹配，将u个命题组成集合Ω＝{S₁，S₂，…，S_u}作为用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架；且m{S_i}≠0，称命题S_i为m的一个焦元；m为辨识框架Ω上的基本概率分配函数BPAF；

第二处理单元，用于利用公式

计算证据E₁下每个命题的基本可信度；以及利用公式

计算证据E₂下每个命题的基本可信度；重新分配焦元集的辨识框架Ω上的基本概率分配函数BPAF，使重新分配的满足映射：2^Ω→[0，1]，并且同时满足如下条件：

$m_j^{\′}\left\{S_i\right\}\≥0,i=\mathrm{1,2},\·\·\·,u;j=\mathrm{1,2};$ $\underset{0\≤i\≤u}{\mathrm{\Σ}}{m}_j^{\′}\left\{S_i\right\}\≤1;$

$m_j^{\′}\left\{S_i\right\}=0,(S_i\⋐\mathrm{\Ω})\mathrm{AND}\left(\right|\left|S_i\right||>1\mathrm{OR}|\left|S_i\right||=0);$

第三处理单元，用于对于算法A和算法B分别得出的证据E₁，E₂，在同一识别框架Ω下的

进行去相关处理，得到新的

第四处理单元，用于在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按大数附加法原理分配给无冲突焦元，获得的新的BPAF序列m°(C_k)，k＝1，2，…u；

第五处理单元，用于将所述新的BPAF序列m°(C_k)，k＝1，2，…u按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。

较佳地，所述第一处理单元进一步用于将两种证据E₁和E₂对现场指纹图像与第i幅库指纹图像的匹配结果的基本可信度，分别表示为m₁(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω，其中m为辨识框架Ω上的BPAF；并且是满足下述两个条件的映射：

较佳地，所述第三处理单元进一步包括：

单独信息容量子单元，用于利用公式

计算使用单独使用算法A以及单独使用算法B得出的单独证据E_i的能量信息容量e(E_i)：S_i≠φ，i＝1，2，式中，‖S_i‖是焦元集S_i的基数，g(S_i)是焦元集的个数；

联合信息容量子单元，用于计算使用算法A和算法B分别得出的证据E₁、E₂中相关焦元所含的能量信息容量

式中，R_ij是相关焦元集，表示由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关；‖R_ij‖是R_ij的基数，g(R_ij)是R_ij的个数；

相关影响系数子单元，用于根据单独信息容量子单元和联合信息容量子单元的计算结果，计算出证据E₁对E₂的相关影响系数

证据E₂对E₁的相关影响系数

BPAF更新子单元，用于对于算法A和算法B分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为

焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，根据所述相关影响系数子单元得到的相关影响系数将其进行重新改写，得到新的BPAF为：

${\hat{m}}_1\left(A_i\right)=\left\{\begin{array}{cc}{m}_1^{\′}\left(A_i\right)(1-R_{12}),& A_i\≠\mathrm{\Ω}\\ m_1^{\′}\left(A_i\right)(1-R_{12})+R_{12},& A_i=\mathrm{\Ω}\end{array}\right.$

${\hat{m}}_2\left(B_i\right)=\left\{\begin{array}{cc}{m}_2^{\′}\left(B_i\right)(1-R_{12}),& B_i\≠\mathrm{\Ω}\\ m_2^{\′}\left(B_i\right)(1-R_{12})+R_{12},& B_i=\mathrm{\Ω}\end{array}\right..$

较佳地，所述第四处理单元用于将第三处理单元得到的

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

上式中，

τ是衡量冲突的门限，0＜τ＜1，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。

本发明技术方案结合指纹识别的实际特点，针对D-S证据理论存在的问题，从三个方面对其进行改进，分别是：(1)消除证据之间的相关性；(2)解决焦元组合数目过多的问题；(3)去除证据间的高冲突性。在此基础上，本发明又根据单一指纹匹配算法得出的单子源判别适应性和可靠性不强的特点，增加了多子源判决准则，利用改进后的D-S证据理论作为一种决策层融合准则，对不同的指纹匹配算法得到的多个指纹匹配结果(各子源子判决)，在进行过基于数据配准的信息筛选后，在决策层上进行融合(见图3)，利用信息间的竞争性、互补性、冗余性，加强相同信息，协调矛盾信息，得到更加客观、真实、全面、准确的联合判决结果，最终提高指纹识别率。

附图说明

图1为指纹识别过程包含的基本步骤示意图；

图2为现有技术的指纹识别方法在指纹特征匹配阶段的示意图；

图3为本发明实施例的指纹识别方法在指纹特征匹配阶段的示意图；

图4为本发明实施例的处理流程图；

图5为实验得到的上述实施例方案与现有技术的基于单一指纹特征匹配算法所得指纹匹配结果的准确率对照曲线示意图。

具体实施方式

本发明实施例提出的一种基于信息融合技术，用两种不同的指纹匹配算法进行指纹识别，其指纹识别阶段的示意图如图3所示：在特征提取阶段提取出两类指纹特征，分别称为第一类指纹特征和第二类指纹特征；在指纹特征匹配阶段，指纹特征匹配算法A 301处理第一类指纹特征，指纹特征匹配算法B 302处理第二类指纹特征，两者的处理结果在决策层融合阶段由信息筛选模块303进行信息筛选，挑选出有用的信息，然后再由本发明提出的改进型D_S证据理论304进行处理，最终得到识别结果306。

该实施例的处理流程如图4所示，包括如下步骤：

步骤401：将输入的现场指纹图像和指纹库中的n幅库指纹图像分别进行指纹图像预处理、指纹特征提取。

步骤402：用两种不同的指纹匹配算法(分别称为算法A和算法B)对现场指纹图像和每一幅库指纹图像分别进行匹配。

设用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数为SA₁，SA₂，…SA_n，用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数为SB₁，SB₂，…SB_n。其中，1，2，…n是n幅库指纹图像对应的标号。

步骤403：对所述两组匹配分数分别进行信息筛选，得到筛选后的两个匹配分数序列，分别为SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u，其中u＜n。同时，生成一个对应标号表，用来记录筛选后的匹配分数序列(SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u)所对应的库指纹图像标号。

信息筛选可以选用一种较为简单的方法(下述子步骤403a-403b)，根据公式(7)从大量的库指纹图像(n幅)中选出和现场指纹图像相似度较高的小部分库指纹图像(u幅)，目的是为了减小之后使用决策层融合方法的计算量和计算复杂度。该信息筛选方法是为了使本领域技术人员了解本发明方案而举的示例，并不用于限制本发明。

步骤404：确定用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架：Ω＝{S₁，S₂，…，S_u}。

其中，S₁表示现场指纹图像与第i幅库指纹图像匹配(即概率论中的一个命题)，S₂表示现场指纹图像与第i幅库指纹图像匹配(概率论中的另一个命题)，依此类推。由两种指纹匹配算法分别得到证据E₁，E₂(证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况)，根据证据E₁，E₂建立一个可信度的初始分配表，两种证据E₁和E₂对每一个命题的基本可信度，可分别表示为m₁(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω。其中，m为辨识框架Ω上的基本概率分配函数(BPAF，Basic Probability Assignment Function)，反映证据支持命题的程度，并且是满足下述两个条件的映射：2^Ω→[0，1]

$\left\{\begin{array}{c}\underset{\∀S_i\⊆\mathrm{\Ω}}{\mathrm{\Σ}}m\left(S_i\right)=1\\ m\left(\mathrm{\φ}\right)=0\end{array}\right.---\left(1\right)$

若

且m{S_i}≠0，称命题S_i为m的一个焦元，由S_i组成的集合称为焦元集。‖S_i‖称为焦元集的基数，即构成命题S_i的子集的个数。

步骤405：重新分配焦元集的BPAF，来解决D-S证据理论组合规则容易引起焦元数量过多的问题(D-S证据理论的改进点(2))。

针对指纹识别这一特定领域的大量试验统计发现：在命题集合中，基数大于1且不是全集的焦元集的BPAF之和近似等于零(即

AND(‖S_i‖＞1))；基数等于1与全集的焦元集的BPAF之和近似等于1(即(S_i＝Ω)OR(‖S_i‖＝1))。前、后两者相差很大，前者基本上可以忽略不计。且当库容量越大时，前者越接近零，后者越接近1，两者差值越大。两者的关系如表1所示；

表1 识别框架中BPAF的分配关系

基于以上认识，对焦元集的BPAFm₁，m₂进行重新分配的准则为：使重新分配的

满足映射：2^Ω→[0，1]，并且应该同时满足以下条件：

$m_j^{\′}\left\{S_i\right\}\≥0,i=\mathrm{1,2},\·\·\·,u;j=\mathrm{1,2}---\left(2\right)$

$\underset{0\≤i\≤u}{\mathrm{\Σ}}{m}_j^{\′}\left\{S_i\right\}\≤1---\left(3\right)$

$m_j^{\′}\left\{S_i\right\}=0,(S_i\⋐\mathrm{\Ω})\mathrm{AND}\left(\right|\left|S_i\right||>1\mathrm{OR}|\left|S_i\right||=0)---\left(4\right)$

其中

表示对m_j{S_i}进行过上述公式(2)、(3)、(4)重新分配后的基本概率分配函数，反映证据支持命题的程度。其中S_i表示现场指纹图像与第i幅库指纹图像匹配，j表示来自于第j种指纹匹配算法，本实施例中，j＝1，2。

根据概率论的基础知识，概率函数应满足非负性(即公式(2))和规范性(即公式(3))。

根据指纹的统计特点对焦元集进行的上述改进，可以减少指纹处理时的信息量，解决D-S证据理论组合规则所引起的焦元数量过多的问题。

步骤406：利用证据相关焦元所含的信息正交化原理，消除两个指纹匹配算法各自得出的证据间的相关性，以满足D-S证据理论要求证据间彼此独立的条件(D-S证据理论的改进点(1))。对两个指纹匹配算法分别得出的证据E₁，E₂在同一识别框架Ω下的

进行去相关处理，得到新的

步骤407：在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按“大数附加法”原理分配给无冲突焦元，从而去除因归一化带来的高冲突性，解决了当高度冲突时D-S证据理论无法使用的问题(D-S证据理论的改进点(3))。通过公式(6)描述的融合准则，将步骤406得到的

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

式(5)中

$\left\{\begin{array}{cc}\mathrm{\δ}\left(C_k\right)=\underset{A_i\∩B_j=\mathrm{\φ}}{\mathrm{\Σ}}{\hat{m}}_1\left(A_i\right){\hat{m}}_2\left(B_j\right),& |{\hat{m}}_1\left(A_i\right)-{\hat{m}}_2\left(B_j\right)|>\mathrm{\τ}\\ \mathrm{\δ}\left(C_k\right)=\underset{C_k\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\frac{{\left[{\hat{m}}_1\left(C_k\right)\right]}^2{\hat{m}}_2\left(B_j\right)}{{\hat{m}}_1\left(C_k\right)+{\hat{m}}_2\left(B_j\right)},& |{\hat{m}}_1\left(A_i\right)-{\hat{m}}_2\left(B_j\right)|\≤\mathrm{\τ}\end{array}\right.---\left(6\right)$

式(6)中，τ是衡量冲突的门限，0＜τ＜1。τ的选择视限制证据间冲突的程度而定，通常τ越大，组合后结果突变的程度越小。其中，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。

步骤408：经过上述步骤获得的新的BPAF序列m°(C_k)，k＝1，2，…u，按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。在步骤403得出的对应标号表中，查出数值最大的m°(C_k)中k所对应的数据配准前的匹配分数序列所属的库指纹标号l。此结果说明现场指纹图像和第l幅库指纹图像的相似度最高，通过此结果即可判定现场指纹图像和第l幅库指纹图像是同一个人的同一个手指指纹。

其中步骤403所述的对匹配分数进行数据配准的方法包括如下子步骤：

子步骤403a)对匹配分数进行数据配准，即利用公式(7)，计算用两种指纹匹配算法对现场指纹图像和一幅库指纹图像进行匹配后得到的匹配分数的平均值Sa_i：

${\mathrm{Sa}}_i=\frac{{\mathrm{SA}}_i+{\mathrm{SB}}_i}{2},i=\mathrm{1,2},\·\·\·n---\left(7\right)$

子步骤403b)按降序对Sa_i进行排序，保留前u(u＜n)个Sa_i值在公式(7)中所对应的SA_j和SB_j，并将它们按照对应的Sa_i的降序的顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u。创建一个长度为u的数组Num[]，来记录筛选后的匹配分数序列所属的库指纹标号所对应的筛选前的匹配分数序列所属的库指纹标号。数组中的任意元素Num[i]表示的是新的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

其中，步骤405所述的基于对焦元集的BPAF进行重新分配的准则计算的过程包括如下子步骤：

子步骤405a)：利用公式(8)，计算证据E₁下每个命题的基本可信度为：

$m_1\left(A_i\right)=\frac{{\mathrm{SA}}_i}{\underset{i=1}{\overset{u}{\mathrm{\Σ}}}{\mathrm{SA}}_i},\∀A_i\⊆\mathrm{\Ω}---\left(8\right)$

子步骤405b)：利用公式(9)，计算证据E₂下每个命题的基本可信度为：

$m_2\left(B_i\right)=\frac{{\mathrm{SB}}_i}{\underset{i=1}{\overset{u}{\mathrm{\Σ}}}{\mathrm{SB}}_i},\∀B_i\⊆\mathrm{\Ω}---\left(9\right)$

子步骤405c)：将步骤4a)和4b)计算出的证据下每个命题的基本可信度按照公式(2)、(3)、(4)对焦元集的BPAF(m₁(A_i)、m₂(B_i))进行重新分配。重新分配后的每个命题的基本可信度用其中，A_i表示现场指纹图像与第i幅库指纹图像匹配，B_i表示现场指纹图像与第i幅库指纹图像匹配。

其中，步骤406所述的消除证据间的相关性的方法包括如下子步骤：

子步骤406a)：计算使用单独指纹匹配算法得出的单独证据E_i的能量信息容量e(E_i)：

$e\left(E_i\right)=\underset{i=1}{\overset{g\left(s_i\right)}{\mathrm{\Σ}}}\frac{m\left(S_i\right)}{\left|\right|S_i\left|\right|},S_i\≠\mathrm{\φ},i=\mathrm{1,2}---\left(10\right)$

式中，‖S_i‖是焦元集S_i的基数，g(S_i)是焦元集的个数。

子步骤406b)计算使用两种指纹匹配算法分别得出的证据E₁、E₂中相关焦元所含的能量信息容量e(E₁，E₂)：

$e(E_1,E_2)=\frac{1}{2}\underset{d=1}{\overset{g\left(R_{\mathrm{ij}}\right)}{\mathrm{\Σ}}}\frac{m_1\left({\left(R_{\mathrm{ij}}\right)}_d\right)+m_2\left({\left(R_{\mathrm{ij}}\right)}_d\right)}{\left|\right|{\left(R_{\mathrm{ij}}\right)}_d\left|\right|}---\left(11\right)$

式中，R_ij是相关焦元集，表示的是因证据E₁，E₂相关而造成的由证据支持的某些焦元也是相关的，即由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关。‖R_ij‖是R_ij的基数，g(R_ij)是R_ij的个数。

子步骤406c)利用上述结果，计算出证据E₁对E₂的相关影响系数R₁₂：

$R_{12}=\frac{e(E_1,E_2)}{e\left(E_1\right)+e\left(E_2\right)}\·\frac{e\left(E_1\right)}{e\left(E_2\right)}---\left(12\right)$

证据E₂对E₁的相关影响系数R₂₁：

$R_{21}=\frac{e(E_1,E_2)}{e\left(E_1\right)+e\left(E_2\right)}\·\frac{e\left(E_2\right)}{e\left(E_1\right)}---\left(13\right)$

子步骤406d)对于两个指纹匹配算法分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为

焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，利用子步骤406c)得到的相关影响系数将其进行重新改写，得到新的BPAF为：

${\hat{m}}_1\left(A_i\right)=\left\{\begin{array}{cc}{m}_1^{\′}\left(A_i\right)(1-R_{12}),& A_i\≠\mathrm{\Ω}\\ m_1^{\′}\left(A_i\right)(1-R_{12})+R_{12},& A_i=\mathrm{\Ω}\end{array}\right.---\left(14\right)$

${\hat{m}}_2\left(B_i\right)=\left\{\begin{array}{cc}{m}_2^{\′}\left(B_i\right)(1-R_{12}),& B_i\≠\mathrm{\Ω}\\ m_2^{\′}\left(B_i\right)(1-R_{12})+R_{12},& B_i=\mathrm{\Ω}\end{array}\right.---\left(15\right)$

本发明实施例还提出一种基于信息融合技术的指纹识别的装置，包括：

特征提取模块，用于对于同一现场指纹图像，提取出N类互不相同的指纹特征，N为大于或等于2的自然数；

匹配模块，用于采用N种指纹特征匹配算法，分别基于这N类指纹特征对现场指纹图像和库指纹图像进行匹配，得到N个匹配分数序列；

信息融合模块，用于采用改进型D_S证据理论对所述N个匹配分数序列进行信息融合，得到指纹识别结果。

较佳地，该装置进一步包括：

筛选模块，用于对所述匹配模块得到的N个匹配分数序列进行基于数据配准的信息筛选，并将筛选后的N个匹配分数序列输出至信息融合模块。

较佳地，所述N等于2，匹配模块采用的N种指纹特征匹配算法为算法A和算法B；

所述匹配模块包括：

第一匹配单元，用于用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SA₁，SA₂，…SA_n；

第二匹配单元，用于用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SB₁，SB₂，…SB_n；

其中1，2，…n是n幅库指纹图像对应的标号。

较佳地，所述筛选模块进一步包括：

数据配准单元，用于对算法A和算法B得到的匹配分数序列进行数据配准，即计算用算法A和算法B对现场指纹图像和同一幅库指纹图像进行匹配后得到的匹配分数序列的平均值

排序单元，用于按降序对匹配分数序列的平均值Sa_i进行排序，保留前u(u＜n)个匹配分数的平均值Sa_i所对应的匹配分数SA_j和匹配分数SB_j，并将匹配分数SA_j和匹配分数SB_j按照对应的匹配分数平均值Sa_i的降序顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u；

标号记录单元，用于创建一个长度为u的数组Num[]，数组中的任意元素Num[i]的值为筛选后的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

较佳地，所述信息融合模块包括：

第一处理单元，用于由算法A和算法B分别得到证据E₁，E₂，证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况，命题S_i表示现场指纹图像与第i幅库指纹图像匹配，将u个命题组成集合Ω＝{S₁，S₂，…，S_u}作为用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架；

且m{S_i}≠0，称命题S_i为m的一个焦元；m为辨识框架Ω上的基本概率分配函数BPAF；

第二处理单元，用于利用公式

计算证据E₁下每个命题的基本可信度；以及利用公式

计算证据E₂下每个命题的基本可信度；重新分配焦元集的辨识框架Ω上的基本概率分配函数BPAF，使重新分配的

满足映射：2^Ω→[0，1]，并且同时满足如下条件：

$m_j^{\′}\left\{S_i\right\}\≥0,i=\mathrm{1,2},\·\·\·,u;j=\mathrm{1,2};$ $\underset{0\≤i\≤u}{\mathrm{\Σ}}{m}_j^{\′}\left\{S_i\right\}\≤1;$

$m_j^{\′}\left\{S_i\right\}=0,(S_i\⋐\mathrm{\Ω})\mathrm{AND}\left(\right|\left|S_i\right||>1\mathrm{OR}|\left|S_i\right||=0);$

第三处理单元，用于对于算法A和算法B分别得出的证据E₁，E₂，在同一识别框架Ω下的

进行去相关处理，得到新的

第四处理单元，用于在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按大数附加法原理分配给无冲突焦元，获得的新的BPAF序列m°(C_k)，k＝1，2，…u；

第五处理单元，用于将所述新的BPAF序列m°(C_k)，k＝1，2，…u按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。

较佳地，所述第一处理单元进一步用于将两种证据E₁和E₂对现场指纹图像与第i幅库指纹图像的匹配结果的基本可信度，分别表示为m₁(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω，其中m为辨识框架Ω上的BPAF；并且是满足下述两个条件的映射：

较佳地，所述第三处理单元进一步包括：

单独信息容量子单元，用于利用公式计算使用单独使用算法A以及单独使用算法B得出的单独证据E_i的能量信息容量e(E_i)：S_i≠φ，i＝1，2，式中，‖S_i‖是焦元集S_i的基数，g(S_i)是焦元集的个数；

联合信息容量子单元，用于计算使用算法A和算法B分别得出的证据E₁、E₂中相关焦元所含的能量信息容量

式中，R_ij是相关焦元集，表示由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关；‖R_ij‖是R_ij的基数，g(R_ij)是R_ij的个数；

相关影响系数子单元，用于根据单独信息容量子单元和联合信息容量子单元的计算结果，计算出证据E₁对E₂的相关影响系数

证据E₂对E₁的相关影响系数

BPAF更新子单元，用于对于算法A和算法B分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为

焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，根据所述相关影响系数子单元得到的相关影响系数将其进行重新改写，得到新的BPAF为：

${\hat{m}}_1\left(A_i\right)=\left\{\begin{array}{cc}{m}_1^{\′}\left(A_i\right)(1-R_{12}),& A_i\≠\mathrm{\Ω}\\ m_1^{\′}\left(A_i\right)(1-R_{12})+R_{12},& A_i=\mathrm{\Ω}\end{array}\right.$

${\hat{m}}_2\left(B_i\right)=\left\{\begin{array}{cc}{m}_2^{\′}\left(B_i\right)(1-R_{12}),& B_i\≠\mathrm{\Ω}\\ m_2^{\′}\left(B_i\right)(1-R_{12})+R_{12},& B_i=\mathrm{\Ω}\end{array}\right..$

较佳地，所述第四处理单元用于将第三处理单元得到的

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

上式中，

τ是衡量冲突的门限，0＜τ＜1，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。

发明人对本发明的方法进行了实施实验。实验预先采集的一个指纹数据库上进行，库中包括1万幅指纹图像，图像尺寸为96*96像素，分辨率约为250dpi。这些指纹图像都属于不同人的相同手指或不同手指，即不包括表征同一指纹的指纹图像。数据库强调形变、干湿手指。由于低分辨率及采集面积较小，指纹脊线较破碎且重叠面积较小。在本实验中，发明人选取的第一类指纹特征为指纹脊线的特征点；第二类指纹特征为指纹细节点。发明人分别采用基于第一类指纹特征和第二类指纹特征的单一指纹特征匹配算法得到匹配结果，并采用本发明实施例提出的方法，对这两种特征匹配算法进行决策层融合得到了匹配结果。

图5所示为实验得到的上述实施例方案与现有技术的基于单一指纹特征匹配算法所得指纹匹配结果的准确率对照曲线。图中纵轴表示全局错误概率Pe，横轴表示信噪比SNR。可以看出，本发明实施例提出的基于改进型D-S证据理论的决策层融合指纹识别方法性能较未经融合判决的单种指纹匹配识别方法性能有显著提高，提高的效果对于SNR较低的低质量和不完整的指纹尤为明显。

以上实施例方案中仅采用了两种不同的指纹特征识别算法。基于本发明思想，可以对更多数目的不同指纹特征识别算法进行决策层融合，以得到更为准确的指纹匹配结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种基于信息融合技术的指纹识别方法，其特征在于，包括如下步骤：

A、对于同一现场指纹图像，提取出2类互不相同的指纹特征；

B、采用2种指纹特征匹配算法，分别基于这2类指纹特征对现场指纹图像和库指纹图像进行匹配，得到2个匹配分数序列；这2种指纹特征匹配算法称为算法A和算法B；其中，用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SA₁，SA₂，…SA_n，用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SB₁，SB₂，…SB_n，其中1，2，…n是n幅库指纹图像对应的标号；

C、采用改进型D_S证据理论对所述2个匹配分数序列进行信息融合，得到指纹识别结果，具体包括：

C1、由算法A和算法B分别得到证据E₁，E₂，证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况，命题S_i表示现场指纹图像与第i幅库指纹图像匹配，将u个命题组成集合Ω＝{S₁，S₂，…，S_u}作为用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架； 

且m{S_i}≠0，称命题S_i为m的一个焦元；m为辨识框架Ω上的基本概率分配函数BPAF；

C2、利用公式 

计算证据E₁下每个命题的基本可信度；以及利用公式 

计算证据E₂下每个命题的基本可信度；重新分配焦元集的辨识框架Ω上的基本概率分配函数BPAF，使重新分配的BPAFm′₁，m′₂满足映射：2^Ω→[0，1]，并且同时满足如下条件：

m′_j{S_i}≥0，i＝1，2，…，u；j＝1，2；

C3、对于算法A和算法B分别得出的证据E₁，E₂，在同一识别框架Ω下的BPAFm′₁，m′₂进行去相关处理，得到新的 

C4、在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按大数附加法原理分配给无冲突焦元，获得的新的BPAF序列m°(C_k)，k＝1，2，…u；

C5、将所述新的BPAF序列m°(C_k)，k＝1，2，…u按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤B之后且在步骤C之前，进一步包括：

对算法A和算法B得到的匹配分数序列进行数据配准，即计算用算法A和算法B对现场指纹图像和同一幅库指纹图像进行匹配后得到的匹配分数序列的平均值

按降序对匹配分数序列的平均值Sa_i进行排序，保留前u(u＜n)个匹配分数的平均值Sa_i所对应的匹配分数SA_j和匹配分数SB_j，并将匹配分数SA_j和匹配分数SB_j按照对应的匹配分数平均值Sa_i的降序顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u；

创建一个长度为u的数组Num[]，数组中的任意元素Num[i]表示的是筛选后的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

3.根据权利要求1所述的方法，其特征在于，所述步骤C1包括：

将两种证据E₁和E₂对现场指纹图像与第i幅库指纹图像的匹配结果的基本可信度，分别表示为m1(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω，其中m为辨识框架Ω上的BPAF；并且是满足下述两个条件的映射：2^Ω→[0，1]，

4.根据权利要求1所述的方法，其特征在于，所述步骤C3包括： 

C3-1、利用公式 计算使用单独使用算法A以及单独使用算法B得出的单独证据E_i的能量信息容量e(E_i)：S_i≠φ，i＝1，2，式中，||S_i||是焦元集S_i的基数，g(S_i)是焦元集的个数；

C3-2、计算使用算法A和算法B分别得出的证据E₁、E₂中相关焦元所含的能量信息容量

式中，R_ij是相关焦元集，表示由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关；||R_ij||是R_ij的基数，g(R_ij)是R_ij的个数；

C3-3、计算出证据E₁对E₂的相关影响系数

证据E₂对E₁的相关影响系数

C3-4、对于算法A和算法B分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为m′₁，m′₂，焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，所述相关影响系数将其进行重新改写，得到新的BPAF为：

5.根据权利要求1所述的方法，其特征在于，步骤C4包括：

将步骤C3得到的 

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

上式中，

τ是衡量冲突的门限，0＜τ＜1，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。

6.一种基于信息融合技术的指纹识别的装置，其特征在于，包括：

特征提取模块，用于对于同一现场指纹图像，提取出2类互不相同的指纹特征；

匹配模块，用于采用2种指纹特征匹配算法，分别基于这2类指纹特征对现场指纹图像和库指纹图像进行匹配，得到2个匹配分数序列；所述匹配模块包括：第一匹配单元，用于用算法A对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SA₁，SA₂，…SA_n；第二匹配单元，用于用算法B对现场指纹图像和n幅库指纹图像分别进行匹配后得到的匹配分数序列为SB₁，SB₂，…SB_n；其中1，2，…n是n幅库指纹图像对应的标号；

信息融合模块，用于采用改进型D_S证据理论对所述2个匹配分数序列进行信息融合，得到指纹识别结果；所述信息融合模块包括：

第一处理单元，用于由算法A和算法B分别得到证据E₁，E₂，证据E₁表示用算法A对现场指纹图像和库指纹图像的匹配程度进行判断的情况，证据E₂表示用算法B对现场指纹图像和库指纹图像的匹配程度进行判断的情况，命题S_i表示现场指纹图像与第i幅库指纹图像匹配，将u个命题组成集合Ω＝{S₁，S₂，…，S_u}作 为用于表示现场指纹图像与库指纹图像的匹配情况的辨识框架； 

且m{S_i}≠0，称命题S_i为m的一个焦元；m为辨识框架Ω上的基本概率分配函数BPAF；

第二处理单元，用于利用公式 

计算证据E₁下每个命题的基本可信度；以及利用公式 

计算证据E₂下每个命题的基本可信度；重新分配焦元集的辨识框架Ω上的基本概率分配函数BPAF，使重新分配的BPAFm′₁，m′₂满足映射：2^Ω→[0，1]，并且同时满足如下条件：

m′_j{S_i}≥0，i＝1，2，…，u；j＝1，2；

第三处理单元，用于对于算法A和算法B分别得出的证据E₁，E₂，在同一识别框架Ω下的BPAFm′₁，m′₂进行去相关处理，得到新的 

第四处理单元，用于在组合准则中，直接取消归一化算子，削减、去除矛盾焦元，将其自适应地按大数附加法原理分配给无冲突焦元，获得的新的BPAF序列m°(C_k)，k＝1，2，…u；

第五处理单元，用于将所述新的BPAF序列m°(C_k)，k＝1，2，…u按数值大小排序，选择数值最大的BPAFm°(C_k)作为指纹识别结果。

7.根据权利要求6所述的装置，其特征在于，该装置进一步包括：

筛选模块，用于对所述匹配模块得到的2个匹配分数序列进行基于数据配准的信息筛选，并将筛选后的2个匹配分数序列输出至信息融合模块；

所述筛选模块包括：

数据配准单元，用于对算法A和算法B得到的匹配分数序列进行数据配准，即计算用算法A和算法B对现场指纹图像和同一幅库指纹图像进行匹配后得到的匹配分数序列的平均值

排序单元，用于按降序对匹配分数序列的平均值Sa_i进行排序，保留前u(u＜n)个匹配分数的平均值Sa_i所对应的匹配分数SA_j和匹配分数SB_j，并将匹配分数SA_j和匹配分数SB_j按照对应的匹配分数平均值Sa_i的降序顺序排列，得到筛选后的匹配分数序列：SA₁，SA₂，…SA_u和SB₁，SB₂，…SB_u；

标号记录单元，用于创建一个长度为u的数组Num[]，数组中的任意元素Num[i]的值为筛选后的匹配分数序列中的第i个匹配分数在信息筛选之前的标号，i＝1，2，…u。

8.根据权利要求6所述的装置，其特征在于，所述第一处理单元进一步用于将两种证据E₁和E₂对现场指纹图像与第i幅库指纹图像的匹配结果的基本可信度，分别表示为m₁(S_i)，i＝1，2，…2^Ω和m₂(S_i)，i＝1，2，…2^Ω，其中m为辨识框架Ω上的BPAF；并且是满足下述两个条件的映射：2^Ω→[0，1]，

9.根据权利要求6所述的装置，其特征在于，所述第三处理单元进一步包括：

单独信息容量子单元，用于利用公式 

计算使用单独使用算法A以及单独使用算法B得出的单独证据E_i的能量信息容量e(E_i)：S_i≠φ，i＝1，2，式中，||S_i||是焦元集S_i的基数，g(S_i)是焦元集的个数；

联合信息容量子单元，用于计算使用算法A和算法B分别得出的证据E₁、E₂中相关焦元所含的能量信息容量式中，R_ij是相关焦元集，表示由证据E₁支持的焦元S_i和由证据E₂支持的焦元S_j相关；||R_ij||是R_ij的基数，g(R_ij)是R_ij的个数；

相关影响系数子单元，用于根据单独信息容量子单元和联合信息容量子单元 的计算结果，计算出证据E₁对E₂的相关影响系数

证据E₂对E₁的相关影响系数

BPAF更新子单元，用于对于算法A和算法B分别对应的证据E₁、E₂在同一识别框架Ω下的BPAF分别为m′₁，m′₂，焦元集分别为{A_i，i＝1，2，…，u}，{B_i，i＝1，2，…，u}，根据所述相关影响系数子单元得到的相关影响系数将其进行重新改写，得到新的BPAF为：

10.根据权利要求8所述的装置，其特征在于，所述第四处理单元用于将第三处理单元得到的 

融合后得到新的BPAF为m°，焦元集为{C_k，k＝1，2，…，u}：

上式中，

τ是衡量冲突的门限，0＜τ＜1，A_i表示现场指纹图像与第i幅库指纹图像采用算法A进行匹配，B_j表示现场指纹图像与第j幅库指纹图像采用算法B进行匹配。 

Images