CN104680142A - 一种基于特征点集分割和rst不变特征的四联指比对方法 - Google Patents

Abstract

一种基于特征点集分割和RST不变特征的四联指比对方法，包括如下步骤：1)对联指特征点集进行基于统计直方图的切割；2)每个手指特征点的进一步筛选，选出有效特征点；3)单指比对，采用基于RST不变特征的单指比对方法，首先构建12分圆最近邻特征结构，然后对特征点对进行初步校验，之后再进行三角形相似性验证；4)将步骤2)得到的四联指样本A的N个手指的特征点集和四联指样本B的M个手指的特征点集使用3)中的单指比对算法进行识别，得到A和B的相似度；5)根据4)得到的相似度，判别两个四联指样本A和B是否来自同一只手。本发明简化对比过程、实时性良好、精度较高。

Description

一种基于特征点集分割和RST不变特征的四联指比对方法

技术领域

本发明涉及图像处理、特征选择、指纹比对等技术领域，尤其是一种针对四联指特征点集的分割、筛选以及比对的方法，该方法可用于多指指纹采集仪得到的四联指，四指涂上印泥后按在A4纸上扫描得到的四联指，手机或照相机拍得的四联指。

背景技术

随着图像处理和模式识别技术的不断完善，指纹识别技术大量应用于人们的生产和生活中。目前，单个指纹识别技术已经相对成熟；但是，依据指纹识别过程中的匹配指数原理，在单个指纹识别过程中会不可避免地出现一些误识率和误拒率，对生活和生产造成影响，甚至损失。在无需增加采集设备成本和识别算法复杂度的前提下，多指融合识别技术可提高指纹识别算法的性能。此外在现场采集到的指纹也常以多指指纹的形式出现，因此，在单个指纹识别的基础上进行多指识别，以提高身份验证的准确率，成为指纹识别的新兴研究方向(刘惠，张佳兵，张彪，基于图像插值和椭圆拟合的联指图分割算法，电子技术应用，2012,(06)126-128+131；李焱淼，张永良，黄亚平等，基于频域分析的联指图前后背景分离算法，上海交通大学学报，2010,44(8):1089-1093；Yanmiao Li,Yongliang Zhang,Jiawei Lu,Chaofan Liu,et al,Robust Rotation Estimation of Slap Fingerprint Imagefor E-Commerce Authentication,2010 IEEE International Conference on InformationTheory and Information Security(ICITIS2010),66-69：李焱淼，张永良，陆佳炜，刘超凡，等，应用于电子商务认证的联指图旋转角度估计，ICITIS2010,66-69.；Yong-Liang Zhang,Gang Xiao,Yan-Miao Li,et al,Slap fingerprint segmentation forlive-scan devices and ten-print cards,20^th International Conference on PatternRecognition(ICPR2010),1180-1183：张永良，肖刚，李焱淼，等，应用于活体采集设备和十指采集卡的联指图切割算法，ICPR2010,1180-1183.；Zhang Yong-liang,Li Yan-miao,Wu Hong-tao,et al,Principal axis and crease detection for slap ingerprintsegmentation,2010 International Conference on Image Processing(ICIP2010),3081-3084：张永良，李焱淼，吴鸿韬，等，联指图主轴和指节线检测，ICIP2010,3081-3084；李鹏，张永良，李焱淼等，基于频域统计量的联指图噪声检测和去除，计算机应用，2011，31(Suppl.1):67-69转72)。

在对联指图进行分割时，普遍的方法都如论文(刘惠，张佳兵，张彪，基于图像插值和椭圆拟合的联指图分割算法，电子技术应用，2012,(06)126-128+131；宋占伟，王雪思，多指指纹自动分割算法，吉林大学学报(信息科学版)，2009,27(05):500-505)中描述的方法类似，是直接对联指图像进行切割，将联指图切割成单独的几枚手指，然后分别提取分割后的几枚手指的特征信息，接着将特征信息交给单指比对算法进行比对，最终给出一个判别结果。

发明内容

为了克服已有联指图对比时采用先分割单指再比对方式的算法复杂、实时性较差、精度较低的不足，本发明提供了一种简化对比过程、实时性良好、精度较高的基于特征点集分割和RST不变特征的四联指比对方法。

本发明解决其技术问题所采用的技术方案是：

一种基于特征点集分割和RST不变特征的四联指比对方法，所述对比方法包括如下步骤：

1)对联指特征点集进行基于统计直方图的切割，过程如下：

1.1)计算四联指特征点关于X坐标的统计直方图；

1.2)寻找统计直方图中纵坐标值小于或等于T_cut的位置，并将其记为切割点，其中，T_cut为在统计直方图中寻找切割点所用的阈值，在直方图最左边和最右边各增加一个切割点；之后根据切割点的坐标进行指纹特征点集的聚类处理，在两个切割点之间的特征点为一个手指的特征点；

2)每个手指特征点的进一步筛选，过程如下：

2.1)对于每个手指的特征点，按照从上到下，从左到右进行排序，排序规则如下：a)若两个特征点的Y坐标不相等，则Y坐标较小的特征点位置排在Y坐标较大的特征点前面；b)若两个特征点的Y坐标相等，则X坐标较小的特征点位置排在X坐标较大的特征点前面；

2.2)每个手指特征点数量的控制

对于2.1)中排序后的每个手指的特征点，若特征点数量超过Max_Num，则取前Max_Num个数量的特征点作为该手指的有效特征点，Max_Num是一个阈值，代表每个手指最大的有效特征点数目；

3)单指比对，采用基于RST不变特征的单指比对方法，过程如下：

3.1)构建12分圆最近邻特征结构：将一枚指纹的每一个特征点作为中心点，其角度作为X轴方向，逆时针旋转并且每隔30度进行划分，将整个区域分成12等份，在每个扇形区域内取距离中心最近的特征点；

3.2)计算两个12分圆最近邻特征结构的相似度；

3.3)比对上特征点对的初步筛选

记指纹I特征点序号集合为ID^I，指纹T特征点序号为ID^T，记由3.2)得到的12分圆相似度集合为Θ，元素为记初步筛选后的对应特征点信息集合为Θ'：

①令ID^I、ID^T、Θ'为空集

②将相似度集合Θ按照相似度从大到小进行排序

③根据相似度从大到小开始筛选，判断

如果ik在集合ID^I中或者jk在集合ID^T中，则跳过；

否则将ik加入集合ID^I中，将jk加入集合ID^T中，

将当前点对加入到Θ'中

3.4)使用三角形相似对所筛选出的特征点对进行校对；

4)将步骤2)得到的四联指样本A的N个手指的特征点集和四联指样本B的M个手指的特征点集分别使用3)中的单指比对算法进行识别；记A和B比对得到的相似度为sim；

5)根据4)得到的结果，判别两个四联指样本A、B是否来自同一个人，将sim和一个阈值T2进行比较，若sim<T2，则表明A和B来自不同的手；反之，则表明A和B来自相同的手。

进一步，所述步骤1)中，还包括以下步骤：1.3)切割后处理，当1.2)中的切割结果大于4个手指，那么就进行后处理，找到联指特征点集中X坐标的最小值minX和最大值maxX，然后计算出每个手指大约的宽度，记sX＝(maxX-minX)/4，之后再根据这一宽度对特征点集进行筛选和切割，以[minX,minX+sX)、[minX+sX,minX+2*sX)、[minX+2*sX,minX+3*sX)、[minX+3*sX,maxX]作为四个手指的对应区间，当特征点X坐标落在四个小区间时就将该特征点归入对应的指纹中。

再进一步，所述步骤3.2)中，计算两个12分圆最近邻特征结构的相似度；

引入一个RST不变属性d(θ_i,θ_j)，表示任意两个方向角θ_i和θ_j之间的角度差，定义如下：

再引入有向线段与X正半轴所形成的角度σ_ij，定义如下:

${\mathrm{\&sigma;}}_{\mathrm{ij}}=\frac{180}{\mathrm{\&pi;}}\&times;a\tan 2(y_i-y_j,x_j-x_i)$

其中，x_i、y_i是点M_i的横坐标和纵坐标，x_j、y_j是点M_j的横坐标和纵坐标，atan2为反正切三角函数；

记分别是两个需要比对的单指I、T的特征点集的第i个和第j个特征点，记和分别是和对应的12分圆最近邻特征点结构，记的第k个最近邻特征点为记的第k个最近邻特征点为从特征点对提取到如下信息：a)两个特征点方向的角度差b)有向线段所指方向与之间的角度差同理可得特征点对相应的两种信息：和

记和的12分圆最近邻结构的相似度为 和的12分圆最近邻结构第k个方向的相似度为则有

$S(M_i^I,M_j^T)=\underset{k=1}{\overset{12}{\mathrm{\&Sigma;}}}{S}_k(M_i^I,M_j^T)$

检查和的第k个最近邻特征点是否都存在：若有一个不存在，则若同时存在且满足以下两个条件：

${\mathrm{\&gamma;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&sigma;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&sigma;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

${\mathrm{\&eta;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&theta;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&theta;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

则 $S_k(M_i^I,M_j^T)=1-\frac{{\mathrm{\&gamma;}}_{\mathrm{ijk}}+{\mathrm{\&eta;}}_{\mathrm{ijk}}}{2*T_{\mathrm{\&theta;}}},$ 其中T_θ是一个阈值，如果大于给定的阈值T_S，则和为比对上的特征点对。

本发明的有益效果主要表现在：简化对比过程、实时性良好、精度较高。

附图说明

图1是本发明实现的流程图。

图2是四指采集仪得到的四指实例图。

图3是对图2的四指图提取特征，将特征点绘制出的实例图。

图4是对图3中四联指特征点关于X坐标的统计直方图。

图5是根据联指统计直方图4对指纹特征点集切割后的实例图。

图6是描述手指第一个指节线以上位置区域的实例图。

图7是对特征点筛选处理，保留下的有效特征点的实例图。

图8是12分圆最近邻特征结构的实例图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图8，一种基于特征点集分割和RST不变特征的四联指比对方法，包括如下步骤：

1)对联指特征点集进行基于统计直方图的切割；

1.1)计算四联指特征点关于X坐标的统计直方图。由于联指图相比较一般的指纹图像要大的多，如参考图2。特别是用高分辨率扫描仪或者高清摄像头拍照时，特征点的X坐标的数值比较大，可以达到2000以上，如参考图3。为了加快处理速度和方便计算，在统计X坐标的直方图时，对X坐标进行下采样10倍处理。四联指特征点关于X坐标的统计直方图的具体实例可参考图4；

1.2)在联指图的统计直方图中，可以看出相邻两个手指孔隙间的特征点数量较少或者是没有，可以依据这一特性将联指的特征点集进行划分，得到联指中每个手指对应的特征点。具体的，寻找统计直方图中纵坐标值小于或等于T_cut的位置，并将其记为切割点。其中，T_cut为在统计直方图中寻找切割点所用的阈值。额外的，在直方图最左边和最右边各增加一个切割点。之后根据切割点的坐标进行指纹特征点集的聚类处理，在两个切割点之间的特征点为一个手指的特征点。

1.3)切割后处理。当1.2)中的切割结果出现异常时，比如切出了5个手指，那么就进行后处理。找到联指特征点集中X坐标的最小值minX和最大值maxX，然后计算出每个手指大约的宽度，记sX＝(maxX-minX)/4，之后再根据这一宽度对特征点集进行筛选和切割。具体的，以[minX,minX+sX)、[minX+sX,minX+2*sX)、[minX+2*sX,minX+3*sX)、[minX+3*sX,maxX]作为四个手指的对应区间，当特征点X坐标落在四个小区间时就将该特征点归入对应的手指中。图5为根据联指图的统计直方图对指纹特征点集切割后的图像：指纹特征点落在一个小的矩形框中，就表明这些特征点属于矩形框框出对应的手指。

2)每个手指特征点的进一步筛选。由于联指图提取出的指纹特征点数量通常在255个以上，若只选用其中的255个特征点，则可能会引起指纹比对算法无法成功识别出对应指纹；若把所有提取到的特征点都用于比对，则会增加指纹比对算法的耗时。因此，为了控制特征点的数量和质量，需要将1)中得到的每个手指特征点做进一步的筛选。

2.1)由于用于比对的特征点一般只需选取每个手指从上到下的第一个指节线以上的部分，具体的效果如图6，即从黑色框中的指纹区域提取的指纹特征点。因此对于每个手指的特征点，按照从上到下，从左到右进行排序。具体的排序规则如下：a)若两个特征点的Y坐标不相等，则Y坐标较小的特征点位置排在Y坐标较大的特征点前面；b)若两个特征点的Y坐标相等，则X坐标较小的特征点位置排在X坐标较大的特征点前面。

2.2)每个手指特征点数量的控制。对于2.1)中排序后的每个手指的特征点，若特征点数量超过Max_Num，则取前Max_Num个数量的特征点作为该手指的有效特征点。Max_Num是一个阈值，代表每个手指最大的有效特征点数目，默认值为60，可以根据具体的应用进行调整。为了保证指纹识别时有效特征点的数量，Max_Num的值一般要保证特征点能取到第一个指节线，之后再往下取10～20个点。图7为对特征点处理后的结果，绘制出的特征点为筛选出的有效特征点。

3)单指比对。为了能够识别来自不同采集源的联指识别，特别是手机拍照得到的联指图像，由于拍照时手机距离纸张的距离长短不一，故两张联指图之间除了可能的旋转和平移外，往往还存在一定的缩放。为了解决这个问题，本发明提出基于RST(Rotataion:旋转,Scale:缩放，Translate:平移)不变特征的单指比对算法：

3.1)构建12分圆最近邻特征结构：将一枚指纹的每一个特征点作为中心点，其角度作为X轴方向，逆时针旋转并且每隔30度进行划分，将整个区域分成12等份，在每个扇形区域内取距离中心最近的特征点。12分圆最近邻特征结构的具体实例可参考图8。

3.2)计算两个12分圆最近邻特征结构的相似度。

为了便于描述，先引入一个RST不变属性d(θ_i,θ_j)，表示任意两个方向角θ_i和θ_j之间的角度差，定义如下：

再引入有向线段与X正半轴所形成的角度σ_ij，定义如下:

${\mathrm{\&sigma;}}_{\mathrm{ij}}=\frac{180}{\mathrm{\&pi;}}\&times;a\tan 2(y_i-y_j,x_j-x_i),$

其中，x_i、y_i是点M_i的横坐标和纵坐标，x_j、y_j是点M_j的横坐标和纵坐标，atan2为反正切三角函数。d(θ_i,θ_j)和σ_ij的具体实例可参考图8。

记分别是两个需要比对的单指I、T的特征点集的第i个和第j个特征点，记和分别是和对应的12分圆最近邻特征点结构，记的第k个最近邻特征点为记的第k个最近邻特征点为可以从特征点对提取到如下信息：a)两个特征点方向的角度差b)有向线段所指方向与之间的角度差同理可得特征点对相应的两种信息：和

记和的12分圆最近邻结构的相似度为 和的12分圆最近邻结构第k个方向的相似度为则有

$S(M_i^I,M_j^T)=\underset{k=1}{\overset{12}{\mathrm{\&Sigma;}}}{S}_k(M_i^I,M_j^T).$

检查和的第k个最近邻特征点是否都存在：若有一个不存在，则若同时存在且满足以下两个条件：

${\mathrm{\&gamma;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&sigma;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&sigma;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

${\mathrm{\&eta;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&theta;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&theta;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

则 $S_k(M_i^I,M_j^T)=1-\frac{{\mathrm{\&gamma;}}_{\mathrm{ijk}}+{\mathrm{\&eta;}}_{\mathrm{ijk}}}{2*T_{\mathrm{\&theta;}}},$ 其中T_θ是一个阈值。如果大于给定的阈值T_S，则和为比对上的特征点对。

3.3)比对上特征点对的初步筛选。一般的，一个在单指I内的特征点，在单指T中比对上的特征点至多为一个，即只有一个或者没有对应的特征点。而由3.2)得到的特征点对包含一对多的情况，因此需要对特征点对进行筛选。以下是筛选过程的描述：

记指纹I特征点序号集合为ID^I，指纹T特征点序号为ID^T，记由3.2)得到的12分圆相似度集合为Θ，元素为记初步筛选后的对应特征点信息集合为Θ'：

①令ID^I、ID^T、Θ'为空集

②将相似度集合Θ按照相似度从大到小进行排序

③根据相似度从大到小开始筛选，判断

如果ik在集合ID^I中或者jk在集合ID^T中，则跳过；

否则将ik加入集合ID^I中，将jk加入集合ID^T中，

将当前点对加入到Θ'中

3.4)使用三角形相似对所筛选出的特征点对进行校对。如果只实现了3.1)、3.2)和3.3)的部分，那么单指比对算法的误识率会比较高。将3.3)得到的特征点对集合记为(MI_k,MT_k),k∈N，其中MI_k为单指指纹I的特征点，MT_k为单指指纹T的特征点。对(MI_k,MT_k),k∈N做如下处理：取任意3个特征点对(MI_k1,MT_k1)、(MI_k2,MT_k2)、(MI_k3,MT_k3)构成的三角形，记(MI_k1,MI_k2,MI_k3)构成的三角形为TR_I，(MT_k1,MT_k2,MT_k3)构成的三角形为TR_T，分别记TR_I对应的三个内角为 所对应的边为同理可得TR_T对应的三个内角为及对应边根据三角形相似的性质，用对应角基本相等，对应边成比例这两点进行特征点对的后续验证，剔除误识别的特征点对。对应角条件①：TA_A为阈值。对应边条件②：找到中的最小值，记为D_MI，更新 $D_{{\mathrm{MI}}_{k1}}=D_{{\mathrm{MI}}_{k1}}/D_{\mathrm{MI}},$ $D_{M{I}_{k2}}=D_{M{I}_{k2}}/D_{\mathrm{MI}},D_{{\mathrm{MI}}_{k3}}=D_{{\mathrm{MI}}_{k3}}/D_{\mathrm{MI}}.$ 同理 $D_{{\mathrm{MT}}_{k1}}=D_{{\mathrm{MT}}_{k1}}/D_{\mathrm{MT}},D_{{\mathrm{MT}}_{k2}}=D_{{\mathrm{MT}}_{k2}}/D_{\mathrm{MT}},$ $D_{{\mathrm{MT}}_{k3}}=D_{M{T}_{k3}}/D_{\mathrm{MT}}.$ 那么对三角形TR_I和TR_T的对应边验证，只需要满足其中TA_D为阈值。只有当三角形TR_T、TR_I同时满足对应角条件①和对应边条件②时，才可认为这3组特征点对是正确的。经过三角形相似性验证，可以有效减少错误匹配上的特征点对的数量。

4)将2)得到的四联指样本A的N个手指的特征点集和四联指样本B的M个手指的特征点集分别使用3)中的单指比对算法进行识别。理想情况下，N和M都等于4，即同时切割出四个手指，那么逐一比对即可。而特殊情况，当N不等于M，即某些情况下采集联指时按不好，会少采集一个手指，那么只能将样本A的N个手指分别和样本B的M个手指进行比对。记联指比对的相似度为sim，初始值为0。具体实现方法的伪代码如下：

sim＝0

If N＝＝M and N＝＝4:

For i＝1 to N

样本A的第i个手指和样本B的第i个手指进行比对，记其比对分数为a，

若a>T1，则sim＝sim+a

Else

设置两个标记数组，FlagA[5]、FlagB[5]，分别用于标记样本A和B比对上的情况，并将其所包含的值都初始化为0。

For i＝1 to N

For j＝1 to M

If FlagA[i]＝＝0&&FlagB[j]＝＝0

样本A的第i个手指和样本B的第j个手指进行比对，记其比对分数为a，若a>T1，则sim＝sim+a，同时设置FlagA[i]＝1、FlagB[j]＝1

其中，T1为用于判断两个单指指纹相似程度的阈值，默认T1＝0.4：若相似度大于T1，则认为这两个单指是来自同一手指；若相似度小于或等于T1，则认为两个单指是来自不同手指。

5)根据4)得到的结果，判别两个四联指样本A、B是否来自同一只手。具体的，将sim和一个阈值T2进行比较，若sim<T2，则表明A和B来自不同的手；反之，则表明A和B来自相同的手。其中，T2为给定的阈值，可以根据具体的应用进行调节。

Claims (3)

1.一种基于特征点集分割和RST不变特征的四联指比对方法，其特征在于：所述对比方法包括如下步骤：

1)对联指特征点集进行基于统计直方图的切割，过程如下：

1.1)计算四联指特征点关于X坐标的统计直方图；

1.2)寻找统计直方图中纵坐标值小于或等于T_cut的位置，并将其记为切割点，其中，T_cut为在统计直方图中寻找切割点所用的阈值，在直方图最左边和最右边各增加一个切割点；之后根据切割点的坐标进行指纹特征点集的聚类处理，在两个切割点之间的特征点为一个手指的特征点；

2)每个手指特征点的进一步筛选，过程如下：

2.1)对于每个手指的特征点，按照从上到下，从左到右进行排序，排序规则如下：a)若两个特征点的Y坐标不相等，则Y坐标较小的特征点位置排在Y坐标较大的特征点前面；b)若两个特征点的Y坐标相等，则X坐标较小的特征点位置排在X坐标较大的特征点前面；

2.2)每个手指特征点数量的控制

对于2.1)中排序后的每个手指的特征点，若特征点数量超过Max_Num，则取前Max_Num个数量的特征点作为该手指的有效特征点，Max_Num是一个阈值，代表每个手指最大的有效特征点数目；

3)单指比对，采用基于RST不变特征的单指比对方法，过程如下：

3.1)构建12分圆最近邻特征结构：将一枚指纹的每一个特征点作为中心点，其角度作为X轴方向，逆时针旋转并且每隔30度进行划分，将整个区域分成12等份，在每个扇形区域内取距离中心最近的特征点；

3.2)计算两个12分圆最近邻特征结构的相似度；

3.3)比对上特征点对的初步筛选

记指纹I特征点序号集合为ID^I，指纹T特征点序号为ID^T，记由3.2)得到的12分圆相似度集合为Θ，元素为记初步筛选后的对应特征点信息集合为Θ'：

①令ID^I、ID^T、Θ'为空集

②将相似度集合Θ按照相似度从大到小进行排序

③根据相似度从大到小开始筛选，判断

如果ik在集合ID^I中或者jk在集合ID^T中，则跳过；

否则将ik加入集合ID^I中，将jk加入集合ID^T中，

将当前点对加入到Θ'中

3.4)使用三角形相似对所筛选出的特征点对进行校对；

4)将步骤2)得到的四联指样本A的N个手指的特征点集和四联指样本B的M个手指的特征点集分别使用3)中的单指比对算法进行识别；记A和B比对得到的相似度为sim；

5)根据4)得到的结果，判别两个四联指样本A、B是否来自同一只手，将sim和一个阈值T2进行比较，若sim<T2，则表明A和B来自不同的手；反之，则表明A和B来自相同的手。

2.如权利要求1所述的一种基于特征点集分割和RST不变特征的四联指比对方法，其特征在于：所述步骤1)中，还包括以下步骤：1.3)切割后处理，当1.2)中的切割结果大于4个手指，那么就进行后处理，找到联指特征点集中X坐标的最小值minX和最大值maxX，然后计算出每个手指大约的宽度，记sX＝(maxX-minX)/4，之后再根据这一宽度对特征点集进行筛选和切割，以[minX,minX+sX)、[minX+sX,minX+2*sX)、[minX+2*sX,minX+3*sX)、[minX+3*sX,maxX]作为四个手指的对应区间，当特征点X坐标落在四个小区间时就将该特征点归入对应的手指中。

3.如权利要求1或2所述的一种基于特征点集分割和RST不变特征的四联指比对方法，其特征在于：所述步骤3.2)中，计算两个12分圆最近邻特征结构的相似度；

引入一个RST不变属性d(θ_i,θ_j)，表示任意两个方向角θ_i和θ_j之间的角度差，定义如下：

再引入有向线段与X正半轴所形成的角度σ_ij，定义如下:

${\mathrm{\&sigma;}}_{\mathrm{ij}}=\frac{180}{\mathrm{\&pi;}}\&times;a\tan 2(y_i-y_j,x_j-x_i)$

其中，x_i、y_i是点M_i的横坐标和纵坐标，x_j、y_j是点M_j的横坐标和纵坐标，atan2为反正切函数；

记分别是两个需要比对的单指I、T的特征点集的第i个和第j个特征点，记和分别是和对应的12分圆最近邻特征点结构，记的第k个最近邻特征点为记的第k个最近邻特征点为从特征点对提取到如下信息：a)两个特征点方向的角度差b)有向线段所指方向与之间的角度差同理可得特征点对相应的两种信息：和

记和的12分圆最近邻结构的相似度为 和的12分圆最近邻结构第k个方向的相似度为则有

$S(M_i^I,M_j^T)=\underset{k=1}{\overset{12}{\mathrm{\&Sigma;}}}{S}_k(M_i^I,M_j^T)$

检查和的第k个最近邻特征点是否都存在：若有一个不存在，则若同时存在且满足以下两个条件：

${\mathrm{\&gamma;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&sigma;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&sigma;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

${\mathrm{\&eta;}}_{\mathrm{ijk}}=\left|d(d({\mathrm{\&theta;}}_i^I,{\mathrm{\&theta;}}_{\mathrm{ik}}^I),d({\mathrm{\&theta;}}_j^T,{\mathrm{\&sigma;}}_{\mathrm{jk}}^T))\right|<T_{\mathrm{\&theta;}},$

则其中T_θ是一个阈值，如果大于给定的阈值T_S，则和为比对上的特征点对。