CN105160303A - 基于混合匹配的指纹识别方法 - Google Patents

Abstract

本发明揭示了一种基于混合匹配的指纹识别方法，包括如下步骤：输入指纹图像的采集与质量评估；对输入指纹图像进行样本类别划分；对输入指纹图像进行2DPCA的预处理；提取输入图像的2DPCA特征向量集；采用2DPCA匹配算法在指纹图像的对应数据库中进行初匹配，若不满足匹配要求，则系统最终匹配失败；满足时，通过相应阈值的设定得到m幅候选指纹及其匹配得分权重，并同时按照索引得到其点模式特征点集；对输入指纹图像进行点模式预处理；对预处理后的输入指纹图像进行点模式特征集中，采用点模式匹配算法进行二次匹配；若满足匹配要求，则系统最终匹配成功；若不满足，则失败。本发明在识别发生偏移、形变、断纹等低质量的指纹图像时能提高识别精度及效率。

Description

基于混合匹配的指纹识别方法

技术领域

本发明属于指纹识别技术领域，涉及一种指纹识别方法，尤其涉及一种基于混合匹配的指纹识别方法。

背景技术

指纹识别技术是一种非常重要的生物特征识别技术，应用十分广泛。指纹识别一般包括指纹图像采集、指纹图像增强、特征提取和匹配几个部分，其中特征匹配在整个系统中占有重要地位。

指纹识别系统中的匹配算法主要分为基于细节信息和基于全局信息两种模式。目前，大部分的指纹识别系统都是采用基于细节特征的匹配方法，即提取细化后的指纹图像的端点和分叉点信息，采用一定的算法实现匹配。此类算法虽然取得了较好的识别效果，但是对发生偏移、形变、断纹等低质量的指纹图像效果不佳，并由于该类方法在提取特征之前要对指纹图像做一系列的预处理，耗时较长。

有鉴于此，如今迫切需要设计一种新的指纹识别方法，以便克服现有指纹识别方法的上述缺陷。

发明内容

本发明所要解决的技术问题是：提供一种基于混合匹配的指纹识别方法，在识别发生偏移、形变、断纹等低质量的指纹图像时能提高识别精度及效率。

为解决上述技术问题，本发明采用如下技术方案：

一种基于混合匹配的指纹识别方法，设共采集到N幅指纹图像，样本共分为K类，其中第k类包含M幅图像，k∈[1,K]；所述方法包括如下步骤：

步骤S1、输入指纹图像的采集与质量评估；

步骤S2、对输入指纹图像进行样本类别划分,设该输入属于第k类；

步骤S3、对输入指纹图像进行2DPCA的预处理；

步骤S4、提取输入图像的2DPCA特征向量集；

步骤S5、采用2DPCA匹配算法在指纹图像的第k类数据库中进行初匹配，若不满足匹配要求，则系统最终匹配失败；满足时，通过相应阈值的设定得到m幅候选指纹和它们的匹配得分权重，并同时按照索引得到它们的点模式特征点集；其中，m<<M；

步骤S6、对输入指纹图像进行点模式预处理；

步骤S7、对预处理后的输入指纹图像进行点模式特征集中，采用点模式匹配算法进行二次匹配，并加入对应的2DPCA匹配的得分权重；若满足匹配要求，则系统最终匹配成功；若不满足，则失败。

作为本发明的一种优选方案，步骤S4包括：将训练样本进行有效区域提取，得到四类新的样本集；然后对每一类训练样本进行处理，分别得到其投影后的特征向量。

作为本发明的一种优选方案，所述步骤S5中，对于在线输入的测试样本，同样要得到它在空间U的投影向量；假设T是一幅待识别的测试样本图像，经过样本类别判断后确定T属于第l类，即T∈P_l，用式(10)先去均值:

T′＝T-u′(10)

将其投影到特征空间，由式(11)得到输入样本的投影向量:

Y_l＝T′U′＝(T-u′)U′(11)

将投影向量Y_t与其所属类别的P_l幅训练样本的投影向量Y′_i进行距离匹配，按照式(12)计算其欧氏距离:

$d=(Y_t,Y_t^{\&prime;})\underset{i=1}{\overset{p_t}{\&Sigma;}}\left|\right|Y_t-Y_t^{\&prime;}|{|}^2---\left(12\right)$

最后采用最近邻法则，当诸如样本T与其同类的某一幅训练样本P_lj(P_lj∈P_l)拥有最小欧氏距离且该距离满足一定的阈值的时候，即可判定输入样本T与训练样本为同一幅图像，即完成整个识别。

作为本发明的一种优选方案，所述步骤S5中，根据样本类别信息的差异性，利用样本的类内协方差矩阵作为特征向量的产生矩阵，利用类聚值向量和类间协方差矩阵来提取训练样本的特征；

假设训练样本为m×n的图像矩阵，总数量为P，训练样本的类别数为L，设第l类的训练样本数量为P_l，则满足:

$P=\underset{l=1}{\overset{L}{\&Sigma;}}{P}_l---\left(4\right)$

对于第l类某一幅训练样本X′，其投影空间为U′，将X′投影到U′将产生一个投影矩阵Y′＝X′U′。用投影Y′的总离散度作为准则函数J(U′)来衡量投影空间U′的优劣，其准则函数满足：

J(U′)＝tr(S′_u)(5)

其中，Su′是投影矩阵Y′＝X′U′的协方差矩阵，tr(Su′)为Su′的迹。对于数量为P_l的第l类样本图像x′_i(i＝1,2,...,P_l)，可以得到样本类的平均图像满足:

$U^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{x}_i,i=1,2,...,P_l---\left(6\right)$

采用式(7)将该样本类中的所有图像去均值:

X′_i＝x′_i-u′,i＝1,2,...P_l(7)

得到其协方差矩阵满足:

$G^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{(x_i^{\&prime;}-u^{\&prime;})}^T(x_i^{\&prime;}-u^{\&prime;})---\left(8\right)$

在得到样本类内的协方差矩阵G′后，计算其特征值矩阵和特征向量矩阵。则该类样本的特征值就是特征值矩阵的对角元素，同时得到对应的特征向量。对于每一类样本，取其前k个特征值所对应的特征向量作为投影空间U′:

U′＝(U′₁,U′₂,...,U′_k)＝argmax[J(U′)]

$U_i^{\&prime;T}{U}_j^{\&prime;}=0;i\&NotEqual;j;i,j=1,2,...,k$

这样，就得出第l类样本图像X′_i(i＝1,2,...,P_l)在空间U′中的投影满足:

Y′_i＝X′_iU′＝(x′_i-u′)U′,i＝1,2,...,P_l(9)

则即为该类别原始图像降维后的特征向量，作为此类别图像的投影向量矩阵，用来对该样本类的图像进行识别；同理，将L类共P幅训练样本按样本类别分别训练，得到L个投影向量矩阵。

作为本发明的一种优选方案，步骤S7中，基于点模式的匹配算法是一种在极坐标下基于中心点的指纹匹配算法，该算法的具体实现步骤如下：

步骤S71、构造指纹图像特征点的集合，在预处理阶段计算出指纹图像的特征点及其特征点信息，包括特征点的坐标FeatureX与FeatureY特征点的方向Direction和特征点的类型Type，特征点的类型包括端点和分叉点；通过上述信息，设系统数据库中已存在的指纹图像为P其特征点的数量为m在线录入的指纹图像为Q其特征点的数量为n则它们对应的两个点集为:

P＝{p₁,p₂,...,p_m}，Q＝{q₁,q₂,...,q_n}；

其中， $p_i=(Feature\_X_i^p,Feature\_Y_i^p,{\mathrm{Diretion}}_i^p,{\mathrm{Type}}_i^p),i\&Element;\&lsqb;1,m\&rsqb;;$

$q_j=(Feature\_X_j^Q,Feature\_Y_j^Q,{\mathrm{Diretion}}_j^Q,{\mathrm{Type}}_j^Q),j\&Element;\&lsqb;1,n\&rsqb;;$

步骤S72、获取中心点CorePoint_X、Corepoint_Y及中心点的方向CorePoint_Dir；

步骤S73、以各自图像的中心点为极点，按照公式将所有的特征点都转换到极坐标下：

${\mathrm{Radius}}_i=\sqrt{{(Feature\_X_i-CorePoint\_X)}^2-{(Feature\_Y_i-CorePoint\_Y)}^2}---\left(1\right)$

$\mathrm{\&theta;}={\tan }^{-1}\left(\frac{Feature\_Y_i-CorePoint\_Y}{Feature\_X_i-CorePoint\_X}\right)---\left(2\right)$

Dir_i＝Direction_i-CorePoint_Dir(3)

通过上述公式转换后，指纹图像中的任一特征点可以表示为一个四维向量(Radius，θ，Dir，Type)；其中，Radius表示该特征点在极坐标下的极径，θ表示极角，Dir表示该特征点在极坐标下的方向；Type表示该特征点的类型；

步骤S74、分别将模板指纹P和输入Q特征点按照极角递增的方向排序，形成两个新的特征点集：

$\begin{array}{cc}{P}_i=({\mathrm{Radius}}_i^p,{\mathrm{\&theta;}}_i^p,{\mathrm{Dir}}_i^p,{\mathrm{Type}}_i^p)& i\&Element;\&lsqb;1,m\&rsqb;\end{array};$

$\begin{array}{cc}{q}_j=({\mathrm{Radius}}_j^Q,{\mathrm{\&theta;}}_j^Q,{\mathrm{Dir}}_j^Q,{\mathrm{Type}}_j^Q)& j\&Element;\&lsqb;1,n\&rsqb;\end{array};$

步骤S75、匹配误差值的设定；

为了克服指纹出现非线性形变带来的误差，引入可变界限盒的概念，其中，R_w为两个特征点间的极径允许的误差范围，θ_w为极角间的允许误差范围；

距离中心点远的特征点有可能发生的位移或形变的幅度较大，而距离中心点近的特征点往往发生的位移或形变较小，为减少误判，将和设为两个动态的值，其具体值由不同的极径决定；同时也在特征点方向匹配时设置方向误差范围由于采用的是离散的8个方向，故范围为，其中当Dir＝1时，Dir-1＝8；当Dir＝8时，Dir+1＝1；

步骤S76、排序后，将输入点集Q的特征点和模板点集P中的特征点进行逐一匹配。当输入图像和模板图像中超过13对特征点满足条件时，则认为这两幅指纹来自同一手指，匹配成功；反之，失败。

作为本发明的一种优选方案，步骤S3中，对图像预处理主要是对系统获取的原图像基本特征的信息进行相应的、有针对性的处理，以滤去干扰、噪声，作几何校正、色彩校正，以便于计算机的分析计算，包括滤波、图像增强、图像二值化、形态学运算、边缘检测；

所述预处理过程包括：

S31、图像灰度化步骤；将彩色图像转换成灰度图，本文采用加权平均值法将图像灰度化；

S32、中值滤波步骤；有效去除图像中的噪声点，同时保护图像边缘的细节；中值滤波是通过在图像上移动一个滑动窗口，窗口中心位置的象素值用窗口内部所有象素灰度的中值来代替；因此关键在于滑动窗口的选取，本文采用3x3方形窗口进行滤波，消除图像中孤立噪声点的干扰，还能有效的保护边界信息；

S33、直方图均衡化步骤；直方图是用来表达一幅图像灰度等级分布情况的统计表。通过对图像中像素个数多的灰度值及对画面起主要作用的灰度值进行展宽，而对像素个数少的灰度值及对画面不起主要作用的灰度值进行归并，从而达到清晰图像的目的；

S34、图像二值化步骤；二值化是识别图像的一个关键步骤，其目的是得到鲜明区分目标和背景的二值图；二值化就是用计算出来的阈值把原始图像分为对象物和背景两部分。

本发明的有益效果在于：本发明提出的基于混合匹配的指纹识别方法，在识别发生偏移、形变、断纹等低质量的指纹图像时能提高识别精度及效率。

附图说明

图1为可变界限盒示意图。

图2为本发明基于混合匹配的指纹识别方法的流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

请参阅图2，本发明揭示了一种基于混合匹配的指纹识别方法，设共采集到N幅指纹图像，样本共分为K类，其中第k类包含M幅图像，k∈[1,K]；所述方法包括如下步骤：

【步骤S1】输入指纹图像的采集与质量评估。

【步骤S2】对输入指纹图像进行样本类别划分,设该输入属于第k类。

【步骤S3】对输入指纹图像进行2DPCA的预处理。

其中，对图像预处理主要是对系统获取的原图像基本特征的信息进行相应的、有针对性的处理，以滤去干扰、噪声，作几何校正、色彩校正，以便于计算机的分析计算，包括滤波、图像增强、图像二值化、形态学运算、边缘检测；

所述预处理过程包括：

S31、图像灰度化步骤；将彩色图像转换成灰度图，本文采用加权平均值法将图像灰度化；

S32、中值滤波步骤；有效去除图像中的噪声点，同时保护图像边缘的细节；中值滤波是通过在图像上移动一个滑动窗口，窗口中心位置的象素值用窗口内部所有象素灰度的中值来代替；因此关键在于滑动窗口的选取，本文采用3x3方形窗口进行滤波，消除图像中孤立噪声点的干扰，还能有效的保护边界信息；

S33、直方图均衡化步骤；直方图是用来表达一幅图像灰度等级分布情况的统计表。通过对图像中像素个数多的灰度值及对画面起主要作用的灰度值进行展宽，而对像素个数少的灰度值及对画面不起主要作用的灰度值进行归并，从而达到清晰图像的目的；

S34、图像二值化步骤；二值化是识别图像的一个关键步骤，其目的是得到鲜明区分目标和背景的二值图；二值化就是用计算出来的阈值把原始图像分为对象物和背景两部分。

【步骤S4】提取输入图像的2DPCA特征向量集。步骤S4包括：将训练样本进行有效区域提取，得到四类新的样本集；然后对每一类训练样本进行处理，分别得到其投影后的特征向量。

【步骤S5】采用2DPCA匹配算法在指纹图像的第k类数据库中进行初匹配，若不满足匹配要求，则系统最终匹配失败；满足时，通过相应阈值的设定得到m幅候选指纹和它们的匹配得分权重，并同时按照索引得到它们的点模式特征点集；其中，m<<M。

所述步骤S5中，根据样本类别信息的差异性，利用样本的类内协方差矩阵作为特征向量的产生矩阵，利用类聚值向量和类间协方差矩阵来提取训练样本的特征；

假设训练样本为m×n的图像矩阵，总数量为P，训练样本的类别数为L，设第l类的训练样本数量为P_l，则满足:

$P=\underset{l=1}{\overset{L}{\&Sigma;}}{P}_l---\left(4\right)$

对于第l类某一幅训练样本X′，其投影空间为U′，将X′投影到U′将产生一个投影矩阵Y′＝X′U′。用投影Y′的总离散度作为准则函数J(U′)来衡量投影空间U′的优劣，其准则函数满足：

J(U′)＝tr(S′_u)(5)

其中，Su′是投影矩阵Y′＝X′U′的协方差矩阵，tr(Su′)为Su′的迹。对于数量为P_l的第l类样本图像x′_i(i＝1,2,...,P_l)，可以得到样本类的平均图像满足:

$U^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{x}_i,i=1,2,...,P_l---\left(6\right)$

采用式(7)将该样本类中的所有图像去均值:

X′_i＝x′_i-u′,i＝1,2,...P_l(7)

得到其协方差矩阵满足:

$G^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{(x_i^{\&prime;}-u^{\&prime;})}^T(x_i^{\&prime;}-u^{\&prime;})---\left(8\right)$

在得到样本类内的协方差矩阵G′后，计算其特征值矩阵和特征向量矩阵。则该类样本的特征值就是特征值矩阵的对角元素，同时得到对应的特征向量。对于每一类样本，取其前k个特征值所对应的特征向量作为投影空间U′:

U′＝(U′₁,U′₂,...,U′_k)＝argmax[J(U′)]

$U_i^{\&prime;T}{U}_j^{\&prime;}=0;i\&NotEqual;j;i,j=1,2,...,k$

这样，就得出第l类样本图像X′_i(i＝1,2,...,P_l)在空间U′中的投影满足:

Y′_i＝X′_iU′＝(x′_i-u′)U′,i＝1,2,...,P_l(9)

则即为该类别原始图像降维后的特征向量，作为此类别图像的投影向量矩阵，用来对该样本类的图像进行识别；同理，将L类共P幅训练样本按样本类别分别训练，得到L个投影向量矩阵。

具体地，所述步骤S5中，对于在线输入的测试样本，同样要得到它在空间U的投影向量；假设T是一幅待识别的测试样本图像，经过样本类别判断后确定T属于第l类，即T∈P_l，用式(10)先去均值:

T′＝T-u′(10)

将其投影到特征空间，由式(11)得到输入样本的投影向量:

Y_l＝T′U′＝(T-u′)U′(11)

将投影向量Y_t与其所属类别的P_l幅训练样本的投影向量Y′_i进行距离匹配，按照式(12)计算其欧氏距离:

$d=(Y_t,Y_t^{\&prime;})\underset{i=1}{\overset{p_t}{\&Sigma;}}\left|\right|Y_t-Y_t^{\&prime;}|{|}^2---\left(12\right)$

最后采用最近邻法则，当诸如样本T与其同类的某一幅训练样本P_lj(P_lj∈P_l)拥有最小欧氏距离且该距离满足一定的阈值的时候，即可判定输入样本T与训练样本为同一幅图像，即完成整个识别。

【步骤S6】对输入指纹图像进行点模式预处理。

【步骤S7】对预处理后的输入指纹图像进行点模式特征集中，采用点模式匹配算法进行二次匹配，并加入对应的2DPCA匹配的得分权重；若满足匹配要求，则系统最终匹配成功；若不满足，则失败。

具体地，步骤S7中，基于点模式的匹配算法是一种在极坐标下基于中心点的指纹匹配算法，该算法的实现步骤如下：

步骤S71、构造指纹图像特征点的集合，在预处理阶段计算出指纹图像的特征点及其特征点信息，包括特征点的坐标FeatureX与FeatureY特征点的方向Direction和特征点的类型Type，特征点的类型包括端点和分叉点；通过上述信息，设系统数据库中已存在的指纹图像为P其特征点的数量为m在线录入的指纹图像为Q其特征点的数量为n则它们对应的两个点集为:

P＝{p₁,p₂,...,p_m}，Q＝{q₁,q₂,...,q_n}；

其中， $p_i=(Feature\_X_i^p,Feature\_Y_i^p,{\mathrm{Diretion}}_i^p,{\mathrm{Type}}_i^p),i\&Element;\&lsqb;1,m\&rsqb;;$

$q_j=(Feature\_X_j^Q,Feature\_Y_j^Q,{\mathrm{Diretion}}_j^Q,{\mathrm{Type}}_j^Q),j\&Element;\&lsqb;1,n\&rsqb;;$

步骤S72、获取中心点CorePoint_X、Corepoint_Y及中心点的方向CorePoint_Dir；

步骤S73、以各自图像的中心点为极点，按照公式将所有的特征点都转换到极坐标下：

${\mathrm{Radius}}_i=\sqrt{{(Feature\_X_i-CorePoint\_X)}^2-{(Feature\_Y_i-CorePoint\_Y)}^2}---\left(1\right)$

$\mathrm{\&theta;}={\tan }^{-1}\left(\frac{Feature\_Y_i-CorePoint\_Y}{Feature\_X_i-CorePoint\_X}\right)---\left(2\right)$

Dir_i＝Direction_i-CorePoint_Dir(3)

通过上述公式转换后，指纹图像中的任一特征点可以表示为一个四维向量(Radius，θ，Dir，Type)；其中，Radius表示该特征点在极坐标下的极径，θ表示极角，Dir表示该特征点在极坐标下的方向；Type表示该特征点的类型；

步骤S74、分别将模板指纹P和输入Q特征点按照极角递增的方向排序，形成两个新的特征点集：

$\begin{array}{cc}{P}_i=({\mathrm{Radius}}_i^p,{\mathrm{\&theta;}}_i^p,{\mathrm{Dir}}_i^p,{\mathrm{Type}}_i^p)& i\&Element;\&lsqb;1,m\&rsqb;\end{array};$

$\begin{array}{cc}{q}_j=({\mathrm{Radius}}_j^Q,{\mathrm{\&theta;}}_j^Q,{\mathrm{Dir}}_j^Q,{\mathrm{Type}}_j^Q)& j\&Element;\&lsqb;1,n\&rsqb;\end{array};$

步骤S75、匹配误差值的设定；

为了克服指纹出现非线性形变带来的误差，引入可变界限盒的概念，如图1所示，其中，R_w为两个特征点间的极径允许的误差范围，θ_w为极角间的允许误差范围；

距离中心点远的特征点有可能发生的位移或形变的幅度较大，而距离中心点近的特征点往往发生的位移或形变较小，为减少误判，将和设为两个动态的值，其具体值由不同的极径决定；同时也在特征点方向匹配时设置方向误差范围由于采用的是离散的8个方向，故范围为，其中当Dir＝1时，Dir-1＝8；当Dir＝8时，Dir+1＝1；

步骤S76、排序后，将输入点集Q的特征点和模板点集P中的特征点进行逐一匹配。当输入图像和模板图像中超过13对特征点满足条件时，则认为这两幅指纹来自同一手指，匹配成功；反之，失败。

综上所述，本发明提出的基于混合匹配的指纹识别方法，在识别发生偏移、形变、断纹等低质量的指纹图像时能提高识别精度及效率。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (6)

1.一种基于混合匹配的指纹识别方法，其特征在于，设共采集到N幅指纹图像，样本共分为K类，其中第k类包含M幅图像，k∈[1,K]；所述方法包括如下步骤：

步骤S1、输入指纹图像的采集与质量评估；

步骤S2、对输入指纹图像进行样本类别划分,设该输入属于第k类；

步骤S3、对输入指纹图像进行2DPCA的预处理；

步骤S4、提取输入图像的2DPCA特征向量集；

步骤S5、采用2DPCA匹配算法在指纹图像的第k类数据库中进行初匹配，若不满足匹配要求，则系统最终匹配失败；满足时，通过相应阈值的设定得到m幅候选指纹和它们的匹配得分权重，并同时按照索引得到它们的点模式特征点集；其中，m<<M；

步骤S6、对输入指纹图像进行点模式预处理；

步骤S7、对预处理后的输入指纹图像进行点模式特征集中，采用点模式匹配算法进行二次匹配，并加入对应的2DPCA匹配的得分权重；若满足匹配要求，则系统最终匹配成功；若不满足，则失败。

2.根据权利要求1所述的基于混合匹配的指纹识别方法，其特征在于：

步骤S4包括：将训练样本进行有效区域提取，得到四类新的样本集；然后对每一类训练样本进行处理，分别得到其投影后的特征向量。

3.根据权利要求1所述的基于混合匹配的指纹识别方法，其特征在于：

所述步骤S5中，对于在线输入的测试样本，同样要得到它在空间U的投影向量；假设T是一幅待识别的测试样本图像，经过样本类别判断后确定T属于第l类，即T∈P_l，用式(10)先去均值:

T′＝T-u′(10)

将其投影到特征空间，由式(11)得到输入样本的投影向量:

Y_l＝T′U′＝(T-u′)U′(11)

将投影向量Y_t与其所属类别的P_l幅训练样本的投影向量Y_i′进行距离匹配，按照式(12)计算其欧氏距离:

$d=(Y_t,Y_t^{\&prime;})=\underset{i=1}{\overset{p_t}{\&Sigma;}}\left|\right|Y_t-Y_t^{\&prime;}|{|}^2---\left(12\right)$

最后采用最近邻法则，当诸如样本T与其同类的某一幅训练样本P_lj(P_lj∈P_l)拥有最小欧氏距离且该距离满足一定的阈值的时候，即可判定输入样本T与训练样本为同一幅图像，即完成整个识别。

4.根据权利要求1所述的基于混合匹配的指纹识别方法，其特征在于：

所述步骤S5中，根据样本类别信息的差异性，利用样本的类内协方差矩阵作为特征向量的产生矩阵，利用类聚值向量和类间协方差矩阵来提取训练样本的特征；

假设训练样本为m×n的图像矩阵，总数量为P，训练样本的类别数为L，设第l类的训练样本数量为P_l，则满足:

$P=\underset{l=1}{\overset{L}{\&Sigma;}}{P}_l---\left(4\right)$

对于第l类某一幅训练样本X′，其投影空间为U′，将X′投影到U′将产生一个投影矩阵Y′＝X′U′。用投影Y′的总离散度作为准则函数J(U′)来衡量投影空间U′的优劣，其准则函数满足：

J(U′)＝tr(S_u′)(5)

其中，Su′是投影矩阵Y′＝X′U′的协方差矩阵，tr(Su′)为Su′的迹。对于数量为P_l的第l类样本图像x′_i(i＝1,2,...,P_l)，可以得到样本类的平均图像满足:

$U^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{x}_i,i=1,2,...,P_l---\left(6\right)$

采用式(7)将该样本类中的所有图像去均值:

X′_i＝x′_i-u′,i＝1,2,...P_l(7)

得到其协方差矩阵满足:

$G^{\&prime;}=\frac{1}{P_l}\underset{i=1}{\overset{P_l}{\&Sigma;}}{(x_i^{\&prime;}-u^{\&prime;})}^T(x_i^{\&prime;}-u^{\&prime;})---\left(8\right)$

在得到样本类内的协方差矩阵G′后，计算其特征值矩阵和特征向量矩阵。则该类样本的特征值就是特征值矩阵的对角元素，同时得到对应的特征向量。对于每一类样本，取其前k个特征值所对应的特征向量作为投影空间U′:

U′＝(U′₁,U′₂,...,U′_k)＝argmax[J(U′)]

$U_i^{\&prime;T}{U}_j^{\&prime;}=0;i\&NotEqual;j;i,j=1,2,...,k$

这样，就得出第l类样本图像X′_i(i＝1,2,...,P_l)在空间U′中的投影满足:

Y′_i＝X′_iU′＝(x′_i-u′)U′,i＝1,2,...,P_l(9)

则即为该类别原始图像降维后的特征向量，作为此类别图像的投影向量矩阵，用来对该样本类的图像进行识别；同理，将L类共P幅训练样本按样本类别分别训练，得到L个投影向量矩阵。

5.根据权利要求3或4所述的基于混合匹配的指纹识别方法，其特征在于：

步骤S7中，基于点模式的匹配算法是一种在极坐标下基于中心点的指纹匹配算法，该算法的具体实现步骤如下：

步骤S71、构造指纹图像特征点的集合，在预处理阶段计算出指纹图像的特征点及其特征点信息，包括特征点的坐标FeatureX与FeatureY特征点的方向Direction和特征点的类型Type，特征点的类型包括端点和分叉点；通过上述信息，设系统数据库中已存在的指纹图像为P其特征点的数量为m在线录入的指纹图像为Q其特征点的数量为n则它们对应的两个点集为:

P＝{p₁,p₂,...,p_m}，Q＝{q₁,q₂,...,q_n}；

其中， $p_i=(Feature\_X_i^p,Feature\_Y_i^p,{\mathrm{Diretion}}_i^p,{\mathrm{Type}}_i^p),i\&Element;\&lsqb;1,m\&rsqb;;$

$q_j=(Feature\_X_j^Q,Feature\_Y_j^Q,{\mathrm{Direction}}_j^Q,{\mathrm{Type}}_j^Q),j\&Element;\&lsqb;1,n\&rsqb;;$

步骤S72、获取中心点CorePoint_X、Corepoint_Y及中心点的方向CorePoint_Dir；

步骤S73、以各自图像的中心点为极点，按照公式将所有的特征点都转换到极坐标下：

${\mathrm{Radius}}_i=\sqrt{{(Feature\_X_i-CorePoint\_X)}^2-{(Feature\_Y_i-CorePoint\_Y)}^2}---\left(1\right)$

$\mathrm{\&theta;}={\tan }^{-1}\left(\frac{Feature\_Y_i-CorePoint\_Y}{Feature\_X_i-CorePoint\_X}\right)---\left(2\right)$

Dir_i＝Direction_i-CorePoint_Dir(3)

通过上述公式转换后，指纹图像中的任一特征点可以表示为一个四维向量(Radius，θ，Dir，Type)；其中，Radius表示该特征点在极坐标下的极径，θ表示极角，Dir表示该特征点在极坐标下的方向；Type表示该特征点的类型；

步骤S74、分别将模板指纹P和输入Q特征点按照极角递增的方向排序，形成两个新的特征点集：

$\begin{array}{cc}{P}_i=({\mathrm{Radius}}_i^p,{\mathrm{\&theta;}}_i^p,{\mathrm{Dir}}_i^p,{\mathrm{Type}}_i^p)& i\&Element;\&lsqb;1,m\&rsqb;\end{array};$

$\begin{array}{cc}{q}_j=({\mathrm{Radius}}_j^Q,{\mathrm{\&theta;}}_j^Q,{\mathrm{Dir}}_j^Q,{\mathrm{Type}}_j^Q)& j\&Element;\&lsqb;1,n\&rsqb;\end{array};$

步骤S75、匹配误差值的设定；

为了克服指纹出现非线性形变带来的误差，引入可变界限盒的概念，其中，R_w为两个特征点间的极径允许的误差范围，θ_w为极角间的允许误差范围；

距离中心点远的特征点有可能发生的位移或形变的幅度较大，而距离中心点近的特征点往往发生的位移或形变较小，为减少误判，将和设为两个动态的值，其具体值由不同的极径决定；同时也在特征点方向匹配时设置方向误差范围由于采用的是离散的8个方向，故范围为，其中当Dir＝1时，Dir-1＝8；当Dir＝8时，Dir+1＝1；

步骤S76、排序后，将输入点集Q的特征点和模板点集P中的特征点进行逐一匹配。当输入图像和模板图像中超过13对特征点满足条件时，则认为这两幅指纹来自同一手指，匹配成功；反之，失败。

6.根据权利要求1所述的基于混合匹配的指纹识别方法，其特征在于：

步骤S3中，对图像预处理主要是对系统获取的原图像基本特征的信息进行相应的、有针对性的处理，以滤去干扰、噪声，作几何校正、色彩校正，以便于计算机的分析计算，包括滤波、图像增强、图像二值化、形态学运算、边缘检测；

所述预处理过程包括：

S31、图像灰度化步骤；将彩色图像转换成灰度图，本文采用加权平均值法将图像灰度化；

S32、中值滤波步骤；有效去除图像中的噪声点，同时保护图像边缘的细节；中值滤波是通过在图像上移动一个滑动窗口，窗口中心位置的象素值用窗口内部所有象素灰度的中值来代替；因此关键在于滑动窗口的选取，本文采用3x3方形窗口进行滤波，消除图像中孤立噪声点的干扰，还能有效的保护边界信息；

S33、直方图均衡化步骤；直方图是用来表达一幅图像灰度等级分布情况的统计表。通过对图像中像素个数多的灰度值及对画面起主要作用的灰度值进行展宽，而对像素个数少的灰度值及对画面不起主要作用的灰度值进行归并，从而达到清晰图像的目的；

S34、图像二值化步骤；二值化是识别图像的一个关键步骤，其目的是得到鲜明区分目标和背景的二值图；二值化就是用计算出来的阈值把原始图像分为对象物和背景两部分。