CN104156707A - 指纹识别方法及其指纹识别装置 - Google Patents

Abstract

本发明适用于生物识别技术领域，提供了一种指纹识别方法及其指纹识别装置，所述方法包括：利用统计学方法提取输入指纹图案的细节点；根据所述提取的细节点进行指纹匹配，得到指纹识别结果。本发明实施例提供的方法利用统计信息计算细节点的方向，为细节点增加具有统计意义的描述子，在匹配过程中，增加利用描述子进行细节点相似度计算以及利用重合区域的方向场与梯度场信息进行区域匹配，避免了传统算法中指纹特征表达的不稳定及特异性不强，提高了指纹识别的准确性。

Description

指纹识别方法及其指纹识别装置

技术领域

本发明属于生物识别技术领域，尤其涉及一种指纹识别方法及其指纹识别装置。

背景技术

随着科技以及互联网技术的飞速发展，我们越来越多的应用网络的一些资源，个人信息越来越多被输入到网络上，个人信息的泄露一直是一个待解决的问题，近年来生物识别技术越来越受到人们的重视，因为指纹具有唯一性和稳定性。传统的指纹识别方法如图1所示，包括指纹预处理、指纹细节点提取、指纹配准和匹配，其中在指纹细节点提取时，为了增加细节点的信息，除了记录细节点的位置与方向外还增加了3个参数，代表的是以细节点为中心外接圆半径为定值的正三角形上三个顶点的方向，所以传统细节点的表达结构为：[(x y) θ_a θ_b θ_c]，θ_a、θ_b、θ_c分别代表细节点周围3个顶点的方向。而指纹很容易发生变形，上述传统的细节点的表达的稳定性与特异性不够强，导致后续配准及匹配的不准确。

发明内容

本发明实施例的目的在于提供一种指纹识别方法及其指纹识别装置，旨在解决现有的指纹识别方法在指纹变形时无法准确表达细节点的问题。

本发明实施例是这样实现的，一种指纹识别方法，所述方法包括如下步骤：

利用统计学方法提取输入指纹图案的细节点；

根据所述提取的细节点进行指纹匹配，得到指纹识别结果。

进一步地，所述利用统计学方法提取输入指纹图案的细节点包括：

利用区域统计信息计算细节点的方向；

根据所述细节点的方向，为所述细节点增加具有统计意义的描述子；

提取所述细节点的三角顶点方向。

进一步地，所述利用区域统计信息计算细节点的方向包括：

选择某一细节点的统计区域；

计算所述统计区域内所有细节点的梯度方向，并加权；

根据所述统计区域内所有细节点的梯度方向及加权值，统计所述统计区域内所有细节点的梯度方向分布；

根据所述梯度方向分布做插值运算，得到方向分布函数；

对所述方向分布函数求最大值，得到该细节点的方向，返回步骤选择某一细节点的统计区域直到遍历输入指纹图像的所有细节点。

进一步地，所述为细节点增加具有统计意义的描述子包括：

选择某一细节点的描述子提取区域；

根据所述描述子提取区域以及该细节点的方向确定区域四象限；

计算所述区域四象限的所有细节点的梯度方向，并做插值运算；

统计插值运算后的区域四象限的梯度分布，形成该细节点的描述子，返回步骤选择某一细节点的描述子提取区域直到遍历输入指纹图像的所有细节点。

进一步地，所述根据提取的细节点进行指纹匹配包括：

计算细节点相似度；

所述细节点相似度满足预设的第一阈值时，调节指纹图案；

计算重叠区域的相似度；

所述重叠区域的相似度满足预设的第二阈值时，判定匹配成功。

本发明还提出一种指纹识别装置，其特征在于，所述装置包括：

提取模块，用于利用统计学方法提取输入指纹图案的细节点；

匹配模块，用于根据所述提取的细节点进行指纹匹配，得到指纹识别结果。

进一步地，所述提取模块包括：

第一计算单元，用于利用区域统计信息计算细节点的方向；

描述子单元，用于根据所述细节点的方向，为所述细节点增加具有统计意义的描述子；

提取顶点方向单元，用于提取所述细节点的三角顶点方向。

进一步地，所述第一计算单元包括：

第一选择子单元，用于选择某一细节点的统计区域；

计算方向子单元，用于计算所述统计区域内所有细节点的梯度方向，并加权；

统计子单元，用于根据所述统计区域内所有细节点的梯度方向及加权值，统计所述统计区域内所有细节点的梯度方向分布；

第一插值子单元，用于根据所述梯度方向分布做插值运算，得到方向分布函数；

第一循环子单元，用于对所述方向分布函数求最大值，得到该细节点的方向，返回步骤选择某一细节点的统计区域直到遍历输入指纹图像的所有细节点。

进一步地，所述描述子单元包括：

第二选择子单元，用于选择某一细节点的描述子提取区域；

确定子单元，用于根据所述描述子提取区域以及该细节点的方向确定区域四象限；

第二插值子单元，用于计算所述区域四象限的所有细节点的梯度方向，并做插值运算；

第二循环子单元，用于统计插值运算后的区域四象限的梯度分布，形成该细节点的描述子，返回步骤选择某一细节点的描述子提取区域直到遍历输入指纹图像的所有细节点。

进一步地，所述匹配模块包括：

第二计算单元，用于计算细节点相似度；

调节单元，用于所述细节点相似度满足预设的第一阈值时，调节指纹图案；

第三计算单元，用于计算重叠区域的相似度；

判定单元，用于所述重叠区域的相似度满足预设的第二阈值时，判定匹配成功。

本发明实施例一的方法利用统计信息计算细节点的方向，为细节点增加具有统计意义的描述子，在匹配过程中，增加利用描述子进行细节点相似度计算以及利用重合区域的方向场与梯度场信息进行区域匹配，避免了传统算法中指纹特征表达的不稳定及特异性不强，提高了指纹识别的准确性。

附图说明

图1是现有技术的指纹识别方法的流程图；

图2是本发明实施例一提供的指纹识别方法的流程图；

图3是本发明实施例一提供的指纹识别方法中指纹预处理的流程图；

图4是本发明实施例一提供的指纹识别方法中端点示意图；

图5是本发明实施例一提供的指纹识别方法中非端点的细节点示意图；

图6是本发明实施例一提供的指纹识别方法中叉点示意图；

图7本发明实施例一提供的指纹识别方法中指纹特征表达的流程图；

图8是本发明实施例一提供的指纹识别方法中计算细节点方向的流程图；

图9是本发明实施例一提供的指纹识别方法中增加描述子的流程图；

图10是本发明实施例一提供的指纹识别方法中象限划分示意图；

图11是本发明实施例一提供的指纹识别方法中划分区域四象限的示意图；

图12是本发明实施例一提供的指纹识别方法中匹配的流程图；

图13是本发明实施例一提供的指纹识别方法中图像内容相似度的流程图；

图14是本发明实施例二提供的指纹识别装置的结构图；

图15是本发明实施例二提供的指纹识别装置中提取模块的结构图；

图16是本发明实施例二提供的指纹识别装置中第一计算单元的结构图；

图17是本发明实施例二提供的指纹识别装置中描述子单元的结构图；

图18是本发明实施例二提供的指纹识别装置中匹配模块的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

本发明实施例一提出一种指纹识别方法。如图2所示，本发明实施例一的方法包括如下步骤：

S1、输入指纹图像。

S2、指纹预处理。即对输入的指纹图像在进行实际应用之前进行预备处理，将输入的指纹图像转化成我们想要的形式，如图3所示，包括步骤：

S21、指纹图像场的计算

为了识别输入图像的指纹部分，首先分析图像场。图像场包括强度场、梯度场和方向场等等。所谓强度场即反应指纹图像某点明暗强弱的信息；所谓梯度场就是函数增长速度最快的方向，梯度是一个向量，梯度的表达式可表示为：

$\▿f=\left(\begin{array}{cc}\frac{\∂f}{\∂x}& \frac{\∂f}{\∂y}\end{array}\right);$

在指纹图像中，梯度描述了指纹纹线最陡的方向，梯度的幅值可以描述最陡的程度，梯度的方向就是指纹纹线的方向，通过对指纹图像梯度场的计算可以得到整个指纹的纹线信息。方向场反应了指纹围绕一个中心旋转强度，在指纹图像中是一个非常重要的物理量。

S22、指纹图像的分割

指纹图像的分割即将指纹部分从指纹图像中提取出来，即将指纹的背景与前景分割，在步骤S21中我们已经计算了图像的强度场和梯度场，可以通过分析强度场和梯度场来区分指纹的前景和背景。

S23、指纹图像骨架的提取准备

所谓的指纹图像骨架的提取准备即将图片二值化，因为指纹图像的纹理和背景之间的像素差比较明显，所以我们可以选择一个阈值δ，对于指纹图像上的像素：

$B\left(\begin{array}{cc}i& j\end{array}\right)=\left\{\begin{array}{cc}255& f\left(\begin{array}{cc}i& j\end{array}\right)>=\mathrm{\&delta;}\\ 0& f\left(\begin{array}{cc}i& j\end{array}\right)<\mathrm{\&delta;}\end{array}\right.;$

S24、指纹图像骨架的细化

可采用细化算法差表法等通用的算法，此处不再赘述。

S3、利用统计学方法提取输入指纹图案的细节点。

经过步骤S2指纹预处理得到的指纹图像就是可以进行细节点提取的指纹形式，但是由于整幅图像包含了很多无用的信息，所以需要用特征提取的办法在指纹图像上提取一些具有典型特性的细节点，即特征点。细节点是一种非常典型的指纹特征点，细节点的分类有很多，比如分叉点、端点、奇异点等等。针对不同类型的细节点，提取的方法不同。以端点为例，对于端点的提取我们利用指纹图像的像素变化情况如图4，图4中黑色的像素点为指纹的纹线，白色的像素点为背景部分，从图4中可以看到，A点是一个端点，所以在A的邻域的8个像素点还有一个像素值是0，由于整幅图都是二值(0或255)图像，所以整个模板内相邻像素差值的绝对值为0或者255，所以根据上面的情况，可以看到整个模板内的相邻像素差值的绝对值之和为2*255，而如果不是端点，那么应该至少有3个像素为0的像素点如图5所示，所以通过统计指纹图像内每个像素点邻域内相邻像素差值之和就可以得到图像的端点。

对于叉点的提取可选择和端点相同的策略，通过分析可发现指纹图像的叉点邻域内的图像像素分布如图6所示，即在人的指纹中不存在一分为3或者更过的叉点，通过计算我们可以得到A的邻域内相邻像素差值的绝对值之和为6*255，所以通过遍历整幅图像就可以根据这个性质得到叉点。

指纹的奇异点包括两种：三角点和中心点，指纹奇异点并没有像端点和叉点那种局部像素分布属性，奇异点的提取是靠对其周围方向场的计算得到的，此方法已经很成熟，此处不再赘述。

如图7所示，本发明实施例一通过如下方式对指纹特征进行表达：

步骤S31、利用区域统计信息计算细节点的方向。为了后续的提取描述子以及拼接过程的旋转判断，每个细节点需要有一个稳定的方向，所谓稳定的方向就是能代表该点的方向，传统的算法利用细节点的梯度方向作为该细节点的方向，但是由于指纹图像存在变形，引起细节点的梯度变化会非常明显，所以传统方法细节点的方向并不稳定。本发明实施例一采用的方法是区域统计，即按照梯度场统计细节点周围一定区域内的梯度方向以代表该细节点的方向，如图8所示，具体如下：

步骤S311、选择统计区域。可选择圆形区域作为统计区域，比如划定以5个像素为半径，以细节点为圆心的圆形区域，也可根据需要选择其它非圆形范围的区域。

步骤S312、计算统计区域内所有细节点的梯度方向。为了得到细节点的梯度方向，本发明实施例一采用通过计算区域内的所有细节点的方向来得到细节点的方向即计算区域内所有细节点的梯度方向。

步骤S313、确定统计区域内权值。在得到了统计区域内所有细节点的梯度方向之后，根据统计理论，距离细节点越远的点对于细节点的影响应该越小，反之越大。所以根据这个原则对统计区域内的信息进行加权处理，如采用高斯加权即利用以细节点为中心，5像素为半径的高斯分布对统计区域内的细节点的梯度方向进行加权。

步骤S314、统计区域内的梯度方向分布。为了统计区域内的梯度方向分布，本发明实施例一将360°分成6组，即每组60°，然后根据统计区域内的每个细节点的梯度方向与加权值将所有细节点的梯度方向统计到这6个组中，这6组数据就代表了该区域内的方向的统计信息。

步骤S315、对梯度分布信息做插值运算。得到了统计信息之后，因为每组是60°，所以只能得到细节点方向的范围，为了得到准确的细节点方向，可采用插值算法将该方向数据组进行插值，得到一个连续的方向分布函数。

步骤S316、获得细节点方向。根据得到的方向分布函数求得最大值，该最大值即为该细节点的方向。

步骤S32、为细节点增加具有统计意义的描述子。本发明实施例一以四象限梯度法为例，如图9所示，具体步骤为：

步骤S321、选择某一细节点的描述子提取范围。这个提取范围仍然可采用圆形区域，但是值得注意的一点是这个圆形区域要比之前主梯度方向的区域面积要大一些。

步骤S322、根据步骤S31确定的细节点方向确定区域四象限。根据前面得到的细节点方向可以将圆形区域进行划分，将细节点的方向作为横轴正方向，细节点为原点，然后按照平面直角坐标系的分法将圆形区域分成4个象限，旋转方程为：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\begin{array}{}\end{array}\left[\begin{array}{cc}\cos \mathrm{\&theta;}& -\sin \mathrm{\&theta;}\\ \sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right];$

其中[x y]为原来的坐标，[x' y']是旋转后的坐标，θ为细节点的方向。象限划分示意图10所示。

步骤S323、计算区域四象限的所有细节点的梯度方向，并做插值运算。这里值得注意的是每个点的梯度方向应减去细节点的主梯度方向，这是为了保证相对性。将梯度方向做插值运算，以圆形区域半径为8个像素单元为例，首先将圆形区域进一步划分如图11所示。划分的标准是按照半径分别为1、2、3、4、5、6、7的同心圆划分，对于落在区域中间的点要插值到其临近的两个同心圆上的点。

步骤S324、统计每个象限内的梯度分布。对已经划分象限和插值完毕的区域进行统计梯度分布，统计的方法和前面统计细节点方向的方法相同。得到了每个象限的梯度分布之后，按照每个象限内的梯度方向分布情况，按照1、2、3、4的顺序记录所有象限内的梯度方向分布，然后得到的梯度整体分布形成细节点的描述子。

步骤S325、对描述子进行归一化。为了后面匹配方便可以对描述子进行归一化处理，从而得到最终的描述子。设归一化处理前的描述子为：

W＝(w₁ w₂ … w_n)；

归一化处理后的描述子为：

L＝(l₁ l₂ … l_n)；

其中： $l_i=w_i/\sqrt{\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{w_i}^2}.$

步骤S33、提取三角顶点方向。

S4、根据提取的细节点进行指纹匹配，得到指纹识别结果。对于两幅指纹图像的相似度可分成两种标准：细节点相似度和图像内容相似度，因此本发明实施例一可采用如图12所示步骤进行匹配：

S41、计算与指纹模板的细节点相似度。细节点的相似度采用多种判断标准的混合来综合判断，首先是描述子的相似度匹配，从面前的描述子形成过程可以看到描述子是通过向量的形式表达的，所以计算两个细节点描述子的相似度可以用欧几里得距离，即：

D(a b)＝||a-b||₂；

其中a和b代表的是两个不同细节点的描述子，由于得到的描述子已经作了归一化处理，所以欧几里得距离等价于内积运算：

$D\left(\begin{array}{cc}a& b\end{array}\right)={\left|\right|a-b\left|\right|}_2=a\&CenterDot;b=\underset{0}{\overset{N-1}{\mathrm{\&Sigma;}}}{a}_i{b}_i;$

即内积越小，两个细节点就越相似。因此对于任意一对细节点，都能计算出其特征描述子的相似分数，通过统计计算所有细节点对的相似分数之和即可确定一个分数。其次计算描述子坐标位置的相似，对于坐标位置的相似顾名思义就是对图像进行变换之后，如果两幅图像可以正确匹配，那么对应处应该有相同的细节点，也就是细节点的坐标应该小于某个值，因此可以根据对应细节点之间坐标的差值进行相似度计算，即计算相应细节点对的坐标差值，根据差值的大小判断分数，比如可以假设差值为10是0分，那么差值为9就是1分，以此类推。再次计算描述子周围顶点方向相似度，由于前面介绍的细节点方向的计算是通过统计一定区域内所有点的梯度方向得到的，具有很强的稳定性，相同的细节点的主方向应该是在很小的范围内浮动的(考虑指纹图像的变形)，所以可以通过计算对应细节点之间主梯度方向的差值来计算相似度，实现方法与前面相似。统计上述相似度的总分数，得到细节点相似度，当细节点相似度满足预设的第一阈值时，进入步骤S402。

S42、按照设定好的变换参数调节指纹。

S43、计算重叠区域的相似度。由于上述匹配算法都是基于细节点特征点即局部特征点，采用这种方法的最大弊端就是过于局部化，不能够通过全局信息进行匹配，会增加一些不可避免的误匹配，例如整体不相似的两幅图像，可以看到匹配成功局部两幅图像非常相似，因此发生认假。对于这种情况，可利用前面得到的梯度场和方向场作为图像的内容来进行相似度的计算。首先计算输入指纹图像与指纹模板的重合区域，然后计算重合区域的梯度场的差值和方向场的差值，由于输入图像与拼接大图之间的重合区域面积不能确定，所以用差值比上重合像素数得到均值差值作为图像内容相似度的标准。

具体实现如图13所示，包括步骤：

S431、首先根据配准结果变换输入指纹。配准的结果是得到一个刚体变换矩阵H，根据这个矩阵输入指纹进行变换：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ 1\end{array}\right]=H\begin{array}{}\end{array}\left[\begin{array}{c}x\\ y\\ 1\end{array}\right];$

其中[x y 1]^T是输入指纹原齐次坐标，[x' y' 1]^T是输入指纹变换得到的齐次坐标。

S432、计算输入指纹与模板指纹之间重复区域的梯度场场相似度。将变换的到的新指纹与模板对重梯度场的重合区域进行取差值运算：

$D\left(\begin{array}{cc}S& T\end{array}\right)=\left(\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}\right|s_i-t_i\left|\right)/n;$

其中s_i与t_i分别代表输入指纹与模板指纹的重复区域的梯度场值，n代表的是重合区域的像素数。

S433、判断梯度场相似度是否满足阈值。判断上一步得到的结果是够满足阈值，如果满足则继续下一步，如果不满足，则当前匹配失败。

S434、计算输入指纹与模板指纹之间重复区域的方向场相似度，与梯度场相似度计算相同。并判断方向场相似度是否满足阈值，满足则继续下一下，否则当前匹配失败。

S435、寻找最高相似分数。将梯度场和方向场的相似度分数相加得到最终的匹配相似度分数。由于前面的图像配准过程采用的是细节点的穷举配准即会尝试所有的匹配可能，所以得到每一种配准方案下的相似度分数，可以根据不同的配准方案最终得到最高的相似度分数作为输入指纹与模板指纹最终的分数，进而判断输入指纹与模板指纹能够正确的匹配，根据该结果得到指纹识别的结果。

本发明实施例一的方法利用统计信息计算细节点的方向，为细节点增加具有统计意义的描述子，在匹配过程中，增加利用描述子进行细节点相似度计算以及利用重合区域的方向场与梯度场信息进行区域匹配，避免了传统算法中指纹特征表达的不稳定及特异性不强，提高了指纹识别的准确性。

实施例二

本发明实施例二提出一种指纹识别装置。如图14所示，本发明实施例二的装置包括：

提取模块10，用于利用统计学方法提取输入指纹图案的细节点；

匹配模块20，用于根据提取的细节点进行指纹匹配，得到指纹识别结果。

输入指纹图像后，指纹识别的装置首先对指纹进行预处理。即对输入的指纹图像在进行实际应用之前进行预备处理，将输入的指纹图像转化成我们想要的形式。

具体包括：

指纹图像场的计算

为了识别输入图像的指纹部分，首先分析图像场。图像场包括强度场、梯度场和方向场等等。所谓强度场即反应指纹图像某点明暗强弱的信息；所谓梯度场就是函数增长速度最快的方向，梯度是一个向量，梯度的表达式可表示为：

$\&dtri;f=\left(\begin{array}{cc}\frac{\&PartialD;f}{\&PartialD;x}& \frac{\&PartialD;f}{\&PartialD;y}\end{array}\right);$

在指纹图像中，梯度描述了指纹纹线最陡的方向，梯度的幅值可以描述最陡的程度，梯度的方向就是指纹纹线的方向，通过对指纹图像梯度场的计算可以得到整个指纹的纹线信息。方向场反应了指纹围绕一个中心旋转强度，在指纹图像中是一个非常重要的物理量。

指纹图像的分割

指纹图像的分割即将指纹部分从指纹图像中提取出来，即将指纹的背景与前景分割，在步骤S21中我们已经计算了图像的强度场和梯度场，可以通过分析强度场和梯度场来区分指纹的前景和背景。

指纹图像骨架的提取准备

所谓的指纹图像骨架的提取准备即将图片二值化，因为指纹图像的纹理和背景之间的像素差比较明显，所以我们可以选择一个阈值δ，对于指纹图像上的像素：

$B\left(\begin{array}{cc}i& j\end{array}\right)=\left\{\begin{array}{cc}255& f\left(\begin{array}{cc}i& j\end{array}\right)>=\mathrm{\&delta;}\\ 0& f\left(\begin{array}{cc}i& j\end{array}\right)<\mathrm{\&delta;}\end{array}\right.;$

指纹图像骨架的细化。可采用细化算法差表法等通用的算法，此处不再赘述。

经过指纹预处理得到的指纹图像就是可以进行细节点提取的指纹形式，但是由于整幅图像包含了很多无用的信息，所以需要用特征提取的办法在指纹图像上提取一些具有典型特性的细节点，即特征点。细节点是一种非常典型的指纹特征点，细节点的分类有很多，比如分叉点、端点、奇异点等等。针对不同类型的细节点，提取的方法不同。以端点为例，对于端点的提取我们利用指纹图像的像素变化情况如图4，图4中黑色的像素点为指纹的纹线，白色的像素点为背景部分，从图4中可以看到，A点是一个端点，所以在A的邻域的8个像素点还有一个像素值是0，由于整幅图都是二值(0或255)图像，所以整个模板内相邻像素差值的绝对值为0或者255，所以根据上面的情况，可以看到整个模板内的相邻像素差值的绝对值之和为2*255，而如果不是端点，那么应该至少有3个像素为0的像素点如图5所示，所以通过统计指纹图像内每个像素点邻域内相邻像素差值之和就可以得到图像的端点。

对于叉点的提取可选择和端点相同的策略，通过分析可发现指纹图像的叉点邻域内的图像像素分布如图6所示，即在人的指纹中不存在一分为3或者更过的叉点，通过计算我们可以得到A的邻域内相邻像素差值的绝对值之和为6*255，所以通过遍历整幅图像就可以根据这个性质得到叉点。

指纹的奇异点包括两种：三角点和中心点，指纹奇异点并没有像端点和叉点那种局部像素分布属性，奇异点的提取是靠对其周围方向场的计算得到的，此处不再赘述。

提取模块10利用统计学方法提取输入指纹图案的细节点。如图15所示，提取模块10包括第一计算单元11，用于利用区域统计信息计算细节点的方向；描述子单元12，用于根据细节点的方向，为细节点增加具有统计意义的描述子；提取顶点方向单元13，用于提取细节点的三角顶点方向。如图16所示，第一计算单元11包括第一选择子单元111，用于选择某一细节点的统计区域；计算方向子单元112，用于计算统计区域内所有细节点的梯度方向，并加权；统计子单元113，用于根据统计区域内所有细节点的梯度方向及加权值，统计统计区域内所有细节点的梯度方向分布；第一插值子单元114，用于根据梯度方向分布做插值运算，得到方向分布函数；第一循环子单元115，用于对方向分布函数求最大值，得到该细节点的方向，返回步骤选择某一细节点的统计区域直到遍历输入指纹图像的所有细节点。如图17所示，描述子单元12包括第二选择子单元121，用于选择某一细节点的描述子提取区域；确定子单元122，用于根据描述子提取区域以及该细节点的方向确定区域四象限；第二插值子单元123，用于计算区域四象限的所有细节点的梯度方向，并做插值运算；第二循环子单元124，用于统计插值运算后的区域四象限的梯度分布，形成该细节点的描述子，返回步骤选择某一细节点的描述子提取区域直到遍历输入指纹图像的所有细节点。

为了后续的提取描述子以及拼接过程的旋转判断，每个细节点需要有一个稳定的方向，所谓稳定的方向就是能代表该点的方向，传统的算法利用细节点的梯度方向作为该细节点的方向，但是由于指纹图像存在变形，引起细节点的梯度变化会非常明显，所以传统方法细节点的方向并不稳定。本发明实施例二中，提取模块10采用的方法是区域统计，即按照梯度场统计细节点周围一定区域内的梯度方向以代表该细节点的方向，具体如下：

第一选择子单元111选择统计区域。可选择圆形区域作为统计区域，比如划定以5个像素为半径，以细节点为圆心的圆形区域，也可根据需要选择其它非圆形范围的区域。计算方向子单元112计算统计区域内所有细节点的梯度方向。为了得到细节点的梯度方向，本发明实施例二采用通过计算区域内的所有细节点的方向来得到细节点的方向即计算区域内所有细节点的梯度方向。统计子单元113确定统计区域内权值。在得到了统计区域内所有细节点的梯度方向之后，根据统计理论，距离细节点越远的点对于细节点的影响应该越小，反之越大。所以统计子单元113根据这个原则对统计区域内的信息进行加权处理，如采用高斯加权即利用以细节点为中心，5像素为半径的高斯分布对统计区域内的细节点的梯度方向进行加权。第一插值子单元114统计区域内的梯度方向分布。为了统计区域内的梯度方向分布，第一插值子单元114将360°分成6组，即每组60°，然后根据统计区域内的每个细节点的梯度方向与加权值将所有细节点的梯度方向统计到这6个组中，这6组数据就代表了该区域内的方向的统计信息。第一循环子单元115对梯度分布信息做插值运算。得到了统计信息之后，因为每组是60°，所以只能得到细节点方向的范围，为了得到准确的细节点方向，第一循环子单元115可采用插值算法将该方向数据组进行插值，得到一个连续的方向分布函数，再根据得到的方向分布函数求得最大值，该最大值即为该细节点的方向。

描述子单元12为细节点增加具有统计意义的描述子。本发明实施例二以四象限梯度法为例。具体包括：第二选择子单元121选择某一细节点的描述子提取范围。这个提取范围仍然可采用圆形区域，但是值得注意的一点是这个圆形区域要比之前主梯度方向的区域面积要大一些。确定子单元122根据第一计算单元11确定的细节点方向确定区域四象限。确定子单元122根据前面得到的细节点方向可以将圆形区域进行划分，将细节点的方向作为横轴正方向，细节点为原点，然后按照平面直角坐标系的分法将圆形区域分成4个象限，旋转方程为：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\begin{array}{}\end{array}\left[\begin{array}{cc}\cos \mathrm{\&theta;}& -\sin \mathrm{\&theta;}\\ \sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right];$

其中[x y]为原来的坐标，[x' y']是旋转后的坐标，θ为细节点的方向。象限划分示意图10所示。

第二插值子单元123计算区域四象限的所有细节点的梯度方向，并做插值运算。这里值得注意的是每个点的梯度方向应减去细节点的主梯度方向，这是为了保证相对性。将梯度方向做插值运算，以圆形区域半径为8个像素单元为例，首先将圆形区域进一步划分如图11所示。划分的标准是按照半径分别为1、2、3、4、5、6、7的同心圆划分，对于落在区域中间的点要插值到其临近的两个同心圆上的点。第二循环子单元124对已经划分象限和插值完毕的区域进行统计梯度分布，统计的方法和前面统计细节点方向的方法相同。得到了每个象限的梯度分布之后，按照每个象限内的梯度方向分布情况，按照1、2、3、4的顺序记录所有象限内的梯度方向分布，然后得到的梯度整体分布形成细节点的描述子。第二循环子单元124可对描述子进行归一化。为了后面匹配方便可以对描述子进行归一化处理，从而得到最终的描述子。设归一化处理前的描述子为：

W＝(w₁ w₂ … w_n)；

归一化处理后的描述子为：

L＝(l₁ l₂ … l_n)；

其中： $l_i=w_i/\sqrt{\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{w_i}^2}.$

提取顶点方向单元13提取三角顶点方向。

匹配模块20根据提取的细节点进行指纹匹配，得到指纹识别结果。如图18所示，匹配模块20包括第二计算单元21，用于计算细节点相似度；调节单元22，用于细节点相似度满足预设的第一阈值时，调节指纹图案；第三计算单元23，用于计算重叠区域的相似度；判定单元24，用于重叠区域的相似度满足预设的第二阈值时，判定匹配成功。

对于两幅指纹图像的相似度可分成两种标准：细节点相似度和图像内容相似度，因此匹配模块20可采用如下方式进行匹配：

第二计算单元21计算与指纹模板的细节点相似度。细节点的相似度采用多种判断标准的混合来综合判断，首先是描述子的相似度匹配，从面前的描述子形成过程可以看到描述子是通过向量的形式表达的，所以计算两个细节点描述子的相似度可以用欧几里得距离，即：

D(a b)＝||a-b||₂；

其中a和b代表的是两个不同细节点的描述子，由于得到的描述子已经作了归一化处理，所以欧几里得距离等价于内积运算：

$D\left(\begin{array}{cc}a& b\end{array}\right)={\left|\right|a-b\left|\right|}_2=a\&CenterDot;b=\underset{0}{\overset{N-1}{\mathrm{\&Sigma;}}}{a}_i{b}_i;$

即内积越小，两个细节点就越相似。因此对于任意一对细节点，都能计算出其特征描述子的相似分数，通过统计计算所有细节点对的相似分数之和即可确定一个分数。其次计算描述子坐标位置的相似，对于坐标位置的相似顾名思义就是对图像进行变换之后，如果两幅图像可以正确匹配，那么对应处应该有相同的细节点，也就是细节点的坐标应该小于某个值，因此可以根据对应细节点之间坐标的差值进行相似度计算，即计算相应细节点对的坐标差值，根据差值的大小判断分数，比如可以假设差值为10是0分，那么差值为9就是1分，以此类推。再次计算描述子周围顶点方向相似度，由于前面介绍的细节点方向的计算是通过统计一定区域内所有点的梯度方向得到的，具有很强的稳定性，相同的细节点的主方向应该是在很小的范围内浮动的(考虑指纹图像的变形)，所以可以通过计算对应细节点之间主梯度方向的差值来计算相似度，实现方法与前面相似。统计上述相似度的总分数，得到细节点相似度，当细节点相似度满足预设的第一阈值时，调节单元22按照设定好的变换参数调节指纹。第三计算单元23再计算重叠区域的相似度。由于上述匹配算法都是基于细节点特征点即局部特征点，采用这种方法的最大弊端就是过于局部化，不能够通过全局信息进行匹配，会增加一些不可避免的误匹配，例如整体不相似的两幅图像，可以看到匹配成功局部两幅图像非常相似，因此发生认假。对于这种情况，可利用前面得到的梯度场和方向场作为图像的内容来进行相似度的计算。首先计算输入指纹图像与指纹模板的重合区域，然后计算重合区域的梯度场的差值和方向场的差值，由于输入图像与拼接大图之间的重合区域面积不能确定，所以用差值比上重合像素数得到均值差值作为图像内容相似度的标准。

第三计算单元23讲话上重叠区域相似度的具体实现包括：

先根据配准结果变换输入指纹。配准的结果是得到一个刚体变换矩阵H，根据这个矩阵输入指纹进行变换：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ 1\end{array}\right]=H\begin{array}{}\end{array}\left[\begin{array}{c}x\\ y\\ 1\end{array}\right];$

其中[x y 1]^T是输入指纹原齐次坐标，[x' y' 1]^T是输入指纹变换得到的齐次坐标。

计算输入指纹与模板指纹之间重复区域的梯度场场相似度。将变换的到的新指纹与模板对重梯度场的重合区域进行取差值运算：

$D\left(\begin{array}{cc}S& T\end{array}\right)=\left(\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}\right|s_i-t_i\left|\right)/n;$

其中s_i与t_i分别代表输入指纹与模板指纹的重复区域的梯度场值，n代表的是重合区域的像素数。

判断梯度场相似度是否满足阈值，如果不满足，则当前匹配失败。如果满足则计算输入指纹与模板指纹之间重复区域的方向场相似度，与梯度场相似度计算相同。并判断方向场相似度是否满足阈值，不满足则当前匹配失败。如满足则将梯度场和方向场的相似度分数相加得到最终的匹配相似度分数。由于前面的图像配准过程采用的是细节点的穷举配准即会尝试所有的匹配可能，所以得到每一种配准方案下的相似度分数，可以根据不同的配准方案最终得到最高的相似度分数作为输入指纹与模板指纹最终的分数，进而判断输入指纹与模板指纹能够正确的匹配，根据该结果得到指纹识别的结果。

本发明实施例二的装置利用统计信息计算细节点的方向，为细节点增加具有统计意义的描述子，在匹配过程中，增加利用描述子进行细节点相似度计算以及利用重合区域的方向场与梯度场信息进行区域匹配，避免了传统算法中指纹特征表达的不稳定及特异性不强，提高了指纹识别的准确性。

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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种指纹识别方法，其特征在于，所述方法包括如下步骤：

利用统计学方法提取输入指纹图案的细节点；

根据所述提取的细节点进行指纹匹配，得到指纹识别结果。

2.如权利要求1所述的方法，其特征在于，所述利用统计学方法提取输入指纹图案的细节点包括：

利用区域统计信息计算细节点的方向；

根据所述细节点的方向，为所述细节点增加具有统计意义的描述子；

提取所述细节点的三角顶点方向。

3.如权利要求2所述的方法，其特征在于，所述利用区域统计信息计算细节点的方向包括：

选择某一细节点的统计区域；

计算所述统计区域内所有细节点的梯度方向，并加权；

根据所述统计区域内所有细节点的梯度方向及加权值，统计所述统计区域内所有细节点的梯度方向分布；

根据所述梯度方向分布做插值运算，得到方向分布函数；

对所述方向分布函数求最大值，得到该细节点的方向，返回步骤选择某一细节点的统计区域直到遍历输入指纹图像的所有细节点。

4.如权利要求1至3中任一项所述的方法，其特征在于，所述为细节点增加具有统计意义的描述子包括：

选择某一细节点的描述子提取区域；

根据所述描述子提取区域以及该细节点的方向确定区域四象限；

计算所述区域四象限的所有细节点的梯度方向，并做插值运算；

统计插值运算后的区域四象限的梯度分布，形成该细节点的描述子，返回步骤选择某一细节点的描述子提取区域直到遍历输入指纹图像的所有细节点。

5.如权利要求1至3中任一项所述的方法，其特征在于，所述根据提取的细节点进行指纹匹配包括：

计算细节点相似度；

所述细节点相似度满足预设的第一阈值时，调节指纹图案；

计算重叠区域的相似度；

所述重叠区域的相似度满足预设的第二阈值时，判定匹配成功。

6.一种指纹识别装置，其特征在于，所述装置包括：

提取模块，用于利用统计学方法提取输入指纹图案的细节点；

匹配模块，用于根据所述提取的细节点进行指纹匹配，得到指纹识别结果。

7.如权利要求6所述的装置，其特征在于，所述提取模块包括：

第一计算单元，用于利用区域统计信息计算细节点的方向；

描述子单元，用于根据所述细节点的方向，为所述细节点增加具有统计意义的描述子；

提取顶点方向单元，用于提取所述细节点的三角顶点方向。

8.如权利要求7所述的装置，其特征在于，所述第一计算单元包括：

第一选择子单元，用于选择某一细节点的统计区域；

计算方向子单元，用于计算所述统计区域内所有细节点的梯度方向，并加权；

统计子单元，用于根据所述统计区域内所有细节点的梯度方向及加权值，统计所述统计区域内所有细节点的梯度方向分布；

第一插值子单元，用于根据所述梯度方向分布做插值运算，得到方向分布函数；

第一循环子单元，用于对所述方向分布函数求最大值，得到该细节点的方向，返回步骤选择某一细节点的统计区域直到遍历输入指纹图像的所有细节点。

9.如权利要求6至8中任一项所述的装置，其特征在于，所述描述子单元包括：

第二选择子单元，用于选择某一细节点的描述子提取区域；

确定子单元，用于根据所述描述子提取区域以及该细节点的方向确定区域四象限；

第二插值子单元，用于计算所述区域四象限的所有细节点的梯度方向，并做插值运算；

第二循环子单元，用于统计插值运算后的区域四象限的梯度分布，形成该细节点的描述子，返回步骤选择某一细节点的描述子提取区域直到遍历输入指纹图像的所有细节点。

10.如权利要求6至8中任一项所述的装置，其特征在于，所述匹配模块包括：

第二计算单元，用于计算细节点相似度；

调节单元，用于所述细节点相似度满足预设的第一阈值时，调节指纹图案；

第三计算单元，用于计算重叠区域的相似度；

判定单元，用于所述重叠区域的相似度满足预设的第二阈值时，判定匹配成功。