CN107392847A - 一种基于细节点和距离图像的指纹图像拼接方法 - Google Patents
一种基于细节点和距离图像的指纹图像拼接方法 Download PDFInfo
- Publication number
- CN107392847A CN107392847A CN201710422187.8A CN201710422187A CN107392847A CN 107392847 A CN107392847 A CN 107392847A CN 201710422187 A CN201710422187 A CN 201710422187A CN 107392847 A CN107392847 A CN 107392847A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- fingerprint
- pixel
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 239000000686 essence Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
- G06V40/1376—Matching features related to ridge properties or fingerprint texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明属于数字图像处理技术领域,公开了一种基于细节点和距离图像的指纹图像拼接方法,根据基于细节点的指纹图像匹配算法获得两幅指纹图像中匹配分数最高的细节点对作为粗匹配的参考点对,求取粗匹配对应的旋转平移参数;在粗匹配旋转平移参数的附近,根据第一幅图像的细化图像与第二幅图像的距离图像之间重叠区域的脊线匹配错误来判断精匹配旋转平移参数是否为最优旋转平移参数。本发明降低了错误匹配概率,减少了由于错误匹配细节点对产生的拼接误差;避免了由于重叠区域较小,匹配细节点对较少产生的问题。并且使用指纹图像重叠区域间的脊线匹配错误来求取最优旋转平移参数,进一步减少了指纹拼接的误差。
Description
技术领域
本发明属于数字图像处理技术领域,尤其涉及一种基于细节点和距离图像的指纹图像拼接方法。
背景技术
在自动指纹识别系统中,指纹模板的形成是指纹注册阶段的目的,只有在注册阶段形成较好的指纹模板,才能在认证阶段准确的判断出输入的指纹图像是否为该用户的指纹图像。但是随着小面积指纹采集仪器在各种设备上的广泛应用,采集到的指纹图像也相对较小,指纹图像所含有的用于指纹图像配准的信息较少。现有的指纹拼接算法大部分都选取指纹图像的细节点作为参考点进行指纹拼接,其中又分为两种情况:选取多组匹配细节点对求取平均值作为参考点对和直接以两幅图像中的核心点作为参考点对。现有技术的不足之处有以下几点:由于使用基于细节点匹配算法得到的匹配细节点对不一定正确,因此选取的匹配细节点对中可能存在错误匹配细节点对,根据这些细节点对作为参考点求取的两幅指纹图像之间的旋转平移参数会有很大的误差,从而导致形成的指纹拼接图像中误差较大,无法作为指纹模板与后续的指纹图像进行匹配;由于尖拱型指纹图像本身不存在核心点,而且采集到指纹图像也可能不包含核心点,所以使用核心点作为参考点不适用于所有指纹图像,因此这些情况下无法形成指纹拼接图像。此外,现有的指纹拼接算法根据两个细节点集合之间的欧式距离平方和是否最小来判断指纹图像是否准确拼接,但是在判断是否为最小值时会陷入局部最小,而不是全局最小,这样得到的指纹拼接图像存在一定误差。
综上所述,现有技术存在的问题是:现有指纹图像拼接方法的参考点选取可能使两幅指纹图像形成的拼接图像之间误差较大或无法形成拼接图像;现有指纹图像拼接算法的判断指纹图像是否准确拼接的标准可靠性较低,使形成的拼接图像存在一定误差。
发明内容
针对现有技术存在的问题,本发明提供了一种基于细节点和距离图像的指纹图像拼接方法。
本发明是这样实现的,一种基于细节点和距离图像的指纹图像拼接方法,所述基于细节点和距离图像的指纹图像拼接方法根据基于细节点的指纹图像匹配算法获得两幅指纹图像中匹配分数最高的细节点对作为粗匹配的参考点对,求取粗匹配对应的旋转平移参数;在粗匹配旋转平移参数的附近,根据第一幅图像的细化图像与第二幅图像的距离图像之间重叠区域的脊线匹配错误来判断精匹配旋转平移参数是否为最优旋转平移参数。
进一步,所述基于细节点和距离图像的指纹图像拼接方法包括以下步骤:
步骤一、输入用于指纹拼接的指纹图像P(x,y)和Q(x,y),并获得P(x,y)和Q(x,y)中相似度最高的细节点对(p0,q0);
步骤二、求取指纹图像P(x,y)和Q(x,y)的细化图像PT(x,y),QT(x,y),并从细化图像QT(x,y)得到距离图像QD(x,y);
步骤三、求取粗匹配旋转平移参数并得到粗匹配的指纹拼接图像:
步骤四、求取精匹配的旋转平移参数(i,j,θ),并得到经过精匹配后的指纹拼接图像。
进一步,所述步骤一中采用基于细节点的方向场描述子匹配方法实现步骤如下:
(1)以细节点为中心,以半径rl作圆,每一个圆弧上均包含Kl个采样点pk,l,其中l与k分别满足1≤l≤L与1≤k≤Kl,得到细节点对应的Tico描述子其中θk,l表示采样点pk,l的方向角度,λ(α,β)为方向角α相对于β的角度,为β所在的直线沿逆时针旋转到与α所在直线平行的最小角度,L=4,半径的取值分别为R=[r1,r2,r3,r4]=[27,45,63,81],每个圆弧上的采样点的取值为num=[K1,K2,K3,K4]=[10,16,22,28];
(2)求取a、b两个细节点对应的描述子f(a)={αk,l}与f(b)={βk,l}之间的相似度,公式如下:
s(x)=exp(-16x);
xk,l=Λ(αk,l,βk,l)=(2/π)min(λ(αk,l,βk,l),λ(βk,l,αk,l));
K的取值为76。
进一步,所述步骤二具体包括:
(1)获得指纹图像P(x,y)和Q(x,y)的二值图像PB(x,y),QB(x,y),求取二值图像的公式如下:
其中thp为将图像转变为二值图像的阈值,thp,thq的值分别为180和175;
(2)获得二值图像PB(x,y),QB(x,y)对应的细化图像PT(x,y),QT(x,y);
(3)根据(2)中获得的细化图像QT(x,y)计算距离图像QD(x,y)。
进一步,所述(2)具体包括:
1)遍历二值图像中的所有前景像素点,并获得该像素点的八邻域像素点的值其对应编号:其中p1为当前像素点,p2,p3,p4,p5,p6,p7,p8,p9分别为p1像素点的八领域像素点,如果八领域像素点同时满足一下四个条件:
2≤N(p1)≤6;
S(p1)=1;
P2×P4×P6=0或P2×P4×P8=0;
P4×P6×P8=0或P2×P6×P8=0;
则删除该前景像素点,其中N(p1)表示与p1相邻的八个像素点中为前景像素点的个数,S(p1)表示从p2顺时针到达p9的过程中像素点值从0跳变至1的次数;
2)循环遍历二值图像中的前景像素点,直至所有前景像素点都不再满足上述条件为止,即可得到细化图像;
所述(3)具体包括:
1)在细化图像QT(x,y)中遍历所有像素点,记录灰度值不为0的像素点的坐标,即得到细化图像QT(x,y)中脊线像素点集合其中Nq是脊线像素点的数目;
2)遍历脊线像素点集合RQ,对求取与在以为中心,边长为16像素的正方形内且属于集合RQ的脊线像素点之间的最小距离,其公式如下:
其中x∈[xn-8,xn+8],y∈[yn-8,yn+8]。则距离图像QD(x,y)在的灰度值即为QD(xn,yn)。
进一步,所述步骤(3)具体包括:
(1)根据细节点对(p0,q0),求取粗匹配的旋转平移参数(dx0,dy0,dθ0):为指纹图像在x轴方向的平移量;为指纹图像在y轴方向的平移量;为旋转角度;
(2)以指纹图像的中心点作为旋转中心,对指纹细化图像QT(x,y)进行旋转;
(3)对指纹细化图像QT(x,y)进行平移,得到旋转变换后的指纹图像Q'T(x,y);
(4)将指纹细化图像PT(x,y)和Q'T(x,y)在同一坐标系下显示,得到只经过粗匹配的指纹拼接图像C0(x,y)。
进一步,所述步骤(4)具体包括:
(1)求取指纹细化图像PT(x,y)中与距离图像QD(x,y)重叠区域的脊线点集合其中Npq表示重叠区域中脊线像素点的个数,表示第m个脊线像素点,
(2)使i,j为[-h,h]中的整数,θ为中间隔为的值,h=5,遍历在此范围内的所有可能的i,j,θ的组合;
(3)求脊线匹配错误最小值所对应的i,j,θ;
(4)根据(3)中求取的旋转平移参数i,j,θ,可以得到最优的旋转平移参数Topt,Topt=(dx0,dy0,dθ0)+(i,j,θ);
(5)根据(4)中求得的旋转平移参数,对细化图像QT(x,y)中的每个像素点进行旋转平移,求取每个像素点在细化图像PT(x,y)所在坐标系下的坐标值。即可得到经过精匹配后的指纹拼接图像C(x,y)。
进一步,所述(1)包括:
1)将细化图像PT(x,y)前景区域中的所有像素点的灰度值均设为1,得到矩阵P′T(x,y),将距离图像QD(x,y)中灰度值不为255的像素点的灰度值设为1,得到矩阵Q'D(x,y);
2)将细化PT'(x,y)和距离图像Q'D(x,y)中相同位置的值求和,得到新矩阵,在该新矩阵中灰度值为2的点即为重叠区域中脊线像素点,记录其坐标位置,即可得到Rpq。
进一步,所述(2)包括:
1)遍历脊线点集合Rpq,对每个在脊线点集合Rpq内的每个脊线点求取其在距离图像QD(x,y)中对应的坐标位置(Xnew(i,j,θ),Ynew(i,j,θ)),其计算公式如下:
其中为求取的相似度最高的细节点对中p0的坐标;
2)根据1)中求取的每个脊线点在距离图像QD(x,y)中的位置,得到细化图像PT(x,y)和距离图像QD(x,y)的脊线匹配错误RME,计算公式如下:
其中Npq表示细化图像PT(x,y)中与距离图像QD(x,y)重叠区域脊线像素点的个数;
本发明的另一目的在于提供一种应用所述基于细节点和距离图像的指纹图像拼接方法的自动指纹识别系统。
本发明的优点及积极效果为:本发明使用匹配细节点对中匹配分数最高的细节点对作为粗匹配的参考点,降低错误匹配概率,减少了由于错误匹配细节点对产生的拼接误差。本发明使用指纹图像的距离图像引入了指纹图像的脊线信息,避免了由于重叠区域较小,匹配细节点对较少产生的问题。并且使用指纹图像重叠区域间的脊线匹配错误来求取最优旋转平移参数,进一步减少了指纹拼接的误差。图6和图7的对比表明本发明的方法能够提高指纹拼接图像的准确性,减少由于错误细节点对所产生的拼接误差,同时通过距离图像引入指纹图像的脊线信息,可以有效的弥补由重叠区域较小所导致的可用信息较少的问题。
附图说明
图1是本发明实施例提供的基于细节点和距离图像的指纹图像拼接方法流程图。
图2是本发明实施例提供的基于细节点和距离图像的指纹图像拼接方法实现流程图。
图3是本发明实施例提供的使用的两幅指纹图像示意图。
图4是本发明实施例提供的对应图3的两幅指纹细化图像示意图。
图5是本发明实施例提供的根据图4(b)得到的指纹距离图像示意图。
图6是本发明实施例提供的经过粗匹配得到的指纹拼接图像示意图。
图7是本发明实施例提供的经过精匹配得到的指纹拼接图像示意图。
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。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于细节点和距离图像的指纹图像拼接方法包括以下步骤:
S101:输入用于指纹拼接的两幅指纹图像并计算得到这两个图像的细化图像和第二幅图像的距离图像;
S102:根据细节点匹配算法对这两幅指纹图像进行匹配并得到两幅指纹图像中匹配分数最高的细节点对,将其作为粗匹配的参考点,求出粗匹配的旋转平移参数;
S103:在粗匹配的基础上,添加新的旋转平移参数,在一定取值范围内,计算每个取值情况下第一幅图像的细化图像与第二幅图像的距离图之间重叠区域的脊线匹配错误;
S104:脊线匹配错误最小的那组旋转平移参数即为最优旋转平移参数;
S105:根据最优旋转平移参数,计算第二幅图像中每个像素点在第一幅图像中的位置即可得到由这两幅图像拼接而来的指纹拼接图像。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示,本发明实施例提供的基于细节点和距离图像的指纹图像拼接方法具体包括以下步骤:
步骤1、输入用于指纹拼接的指纹图像P(x,y)和Q(x,y),并获得P(x,y)和Q(x,y)中相似度最高的细节点对(p0,q0);采用基于细节点的方向场描述子匹配方法实现步骤如下:
(1a)以细节点为中心,以半径rl作圆,每一个圆弧上均包含Kl个采样点pk,l,其中l与k分别满足1≤l≤L与1≤k≤Kl,得到细节点对应的Tico描述子其中θk,l表示采样点pk,l的方向角度,λ(α,β)为方向角α相对于β的角度,为β所在的直线沿逆时针旋转到与α所在直线平行的最小角度。本实例中,L=4,半径的取值分别为R=[r1,r2,r3,r4]=[27,45,63,81],每个圆弧上的采样点的取值为num=[K1,K2,K3,K4]=[10,16,22,28];
(1b)求取a、b两个细节点对应的描述子f(a)={αk,l}与f(b)={βk,l}之间的相似度,公式如下:
s(x)=exp(-16x);
xk,l=Λ(αk,l,βk,l)=(2/π)min(λ(αk,l,βk,l),λ(βk,l,αk,l));
K的取值为76。
步骤2、求取步骤1中指纹图像P(x,y)和Q(x,y)的细化图像PT(x,y),QT(x,y),并从细化图像QT(x,y)得到距离图像QD(x,y),具体包括:
(2a)获得指纹图像P(x,y)和Q(x,y)的二值图像PB(x,y),QB(x,y)。求取二值图像的公式如下:
其中thp为将图像转变为二值图像的阈值,thp,thq的值分别为180和175;
(2b)获得二值图像PB(x,y),QB(x,y)对应的细化图像PT(x,y),QT(x,y);
(2b1)遍历二值图像中的所有前景像素点,并获得该像素点的八邻域像素点的值其对应编号如下:
p9 | p2 | p3 |
p8 | p1 | p4 |
p7 | p6 | p5 |
其中p1为当前像素点,p2,p3,p4,p5,p6,p7,p8,p9分别为p1像素点的八领域像素点,如果八领域像素点同时满足一下四个条件:
2≤N(p1)≤6;
S(p1)=1;
P2×P4×P6=0或P2×P4×P8=0;
P4×P6×P8=0或P2×P6×P8=0;
则删除该前景像素点,其中N(p1)表示与p1相邻的八个像素点中为前景像素点的个数,S(p1)表示从p2顺时针到达p9的过程中像素点值从0跳变至1的次数;
(2b2)循环遍历二值图像中的前景像素点,直至所有前景像素点都不再满足上述条件为止,即可得到细化图像;
(2c)根据(2b)中获得的细化图像QT(x,y)计算距离图像QD(x,y);
(2c1)在细化图像QT(x,y)中遍历所有像素点,记录灰度值不为0的像素点的坐标,即得到细化图像QT(x,y)中脊线像素点集合其中Nq是脊线像素点的数目;
(2c2)遍历脊线像素点集合RQ,对求取与在以为中心,边长为16像素的正方形内且属于集合RQ的脊线像素点之间的最小距离,其公式如下:
其中x∈[xn-8,xn+8],y∈[yn-8,yn+8]。则距离图像QD(x,y)在的灰度值即为QD(xn,yn)。
步骤3、求取粗匹配旋转平移参数并得到粗匹配的指纹拼接图像:
(3a)根据步骤(1)中的细节点对(p0,q0),求取粗匹配的旋转平移参数(dx0,dy0,dθ0):为指纹图像在x轴方向的平移量;为指纹图像在y轴方向的平移量;为旋转角度;
(3b)以指纹图像的中心点作为旋转中心,对指纹细化图像QT(x,y)进行旋转,当dθ0>0时,表明指纹细化图像QT(x,y)需要逆时针旋转,角度为当dθ0<0时,表明指纹细化图像QT(x,y)需要顺时针旋转,角度为当dθ0=0时,表明指纹细化图像QT(x,y)不需要进行旋转;
(3c)对指纹细化图像QT(x,y)进行平移,当dx0>0时,表明指纹细化图像QT(x,y)需要沿x值增加的方向平移,平移量为dx0;当dx0<0时,表明指纹细化图像QT(x,y)需要沿x值减少的方向平移,平移量为-dx0;当dx0=0时,表明指纹细化图像QT(x,y)不需要沿x轴进行平移。当dy0>0时,表明指纹细化图像QT(x,y)需要沿y值增加的方向平移,平移量为dy0;当dy0<0时,表明指纹细化图像QT(x,y)需要沿y值减少的方向平移,平移量为-dy0;当dy0=0时,表明指纹细化图像QT(x,y)不需要沿y轴进行平移,得到旋转变换后的指纹图像Q'T(x,y);
(3d)将指纹细化图像PT(x,y)和Q'T(x,y)在同一坐标系下显示,得到只经过粗匹配的指纹拼接图像C0(x,y)。
步骤4、求取精匹配的旋转平移参数(i,j,θ),并得到经过精匹配后的指纹拼接图像:
(4a)求取指纹细化图像PT(x,y)中与距离图像QD(x,y)重叠区域的脊线点集合其中Npq表示重叠区域中脊线像素点的个数,表示第m个脊线像素点,
(4a1)将细化图像PT(x,y)前景区域中的所有像素点的灰度值均设为1,得到矩阵P′T(x,y),将距离图像QD(x,y)中灰度值不为255的像素点的灰度值设为1,得到矩阵Q'D(x,y);
(4a2)将细化PT'(x,y)和距离图像Q'D(x,y)中相同位置的值求和,得到新矩阵,在该新矩阵中灰度值为2的点即为重叠区域中脊线像素点,记录其坐标位置,即可得到Rpq;
(4b)使i,j为[-h,h]中的整数,θ为中间隔为的值,h=5,遍历在此范围内的所有可能的i,j,θ的组合,对每一个组合进行以下步骤:
(4b1)遍历脊线点集合Rpq,对每个在脊线点集合Rpq内的每个脊线点求取其在距离图像QD(x,y)中对应的坐标位置(Xnew(i,j,θ),Ynew(i,j,θ)),其计算公式如下:
其中为步骤1中求取的相似度最高的细节点对中p0的坐标;
(4b2)根据步骤(4b1)中求取的每个脊线点在距离图像QD(x,y)中的位置,得到细化图像PT(x,y)和距离图像QD(x,y)的脊线匹配错误RME(Ridge Matching Error),计算公式如下:
其中Npq表示细化图像PT(x,y)中与距离图像QD(x,y)重叠区域脊线像素点的个数;
(4c)求脊线匹配错误最小值所对应的i,j,θ;
(4d)根据步骤(4c)中求取的旋转平移参数i,j,θ,可以得到最优的旋转平移参数Topt,Topt=(dx0,dy0,dθ0)+(i,j,θ);
(4e)根据(4b)中求得的旋转平移参数,对细化图像QT(x,y)中的每个像素点进行旋转平移,根据步骤(4b1)中的公式求取每个像素点在细化图像PT(x,y)所在坐标系下的坐标值。即可得到经过精匹配后的指纹拼接图像C(x,y)。
下面结合仿真对本发明的应用效果作详细的描述。
1、仿真条件
仿真环境为:PC机的MATLAB.R2012a,PC机配置Core I7处理器,主频为3.4-GHz。仿真指纹图像来自于西安电子科技大学生物特征识别小组的指纹数据库中的8_1_0.bmp和8_1_3.bmp,指纹图像大小为256像素×288像素,其中有效指纹面积为192像素×192像素。
2、仿真内容与结果分析
采用本发明的方法对图3中的指纹图像进行指纹拼接,实验结果如图7所示。
图6和图7的对比表明本发明的方法能够提高指纹拼接图像的准确性,减少由于错误细节点对所产生的拼接误差,同时通过距离图像引入指纹图像的脊线信息,可以有效的弥补由重叠区域较小所导致的可用信息较少的问题。
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)
1.一种基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述基于细节点和距离图像的指纹图像拼接方法根据基于细节点的指纹图像匹配算法获得两幅指纹图像中匹配分数最高的细节点对作为粗匹配的参考点对,求取粗匹配对应的旋转平移参数;在粗匹配旋转平移参数的附近,根据第一幅图像的细化图像与第二幅图像的距离图像之间重叠区域的脊线匹配错误来判断精匹配旋转平移参数是否为最优旋转平移参数。
2.如权利要求1所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述基于细节点和距离图像的指纹图像拼接方法包括以下步骤:
步骤一、输入用于指纹拼接的指纹图像P(x,y)和Q(x,y),并获得P(x,y)和Q(x,y)中相似度最高的细节点对(p0,q0);
步骤二、求取指纹图像P(x,y)和Q(x,y)的细化图像PT(x,y),QT(x,y),并从细化图像QT(x,y)得到距离图像QD(x,y);
步骤三、求取粗匹配旋转平移参数并得到粗匹配的指纹拼接图像:
步骤四、求取精匹配的旋转平移参数(i,j,θ),并得到经过精匹配后的指纹拼接图像。
3.如权利要求2所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述步骤一中采用基于细节点的方向场描述子匹配方法实现步骤如下:
(1)以细节点为中心,以半径rl作圆,每一个圆弧上均包含Kl个采样点pk,l,其中l与k分别满足1≤l≤L与1≤k≤Kl,得到细节点对应的Tico描述子其中θk,l表示采样点pk,l的方向角度,λ(α,β)为方向角α相对于β的角度,为β所在的直线沿逆时针旋转到与α所在直线平行的最小角度,L=4,半径的取值分别为R=[r1,r2,r3,r4]=[27,45,63,81],每个圆弧上的采样点的取值为num=[K1,K2,K3,K4]=[10,16,22,28];
(2)求取a、b两个细节点对应的描述子f(a)={αk,l}与f(b)={βk,l}之间的相似度,公式如下:
s(x)=exp(-16x);
xk,l=Λ(αk,l,βk,l)=(2/π)min(λ(αk,l,βk,l),λ(βk,l,αk,l));
K的取值为76。
4.如权利要求2所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述步骤二具体包括:
(1)获得指纹图像P(x,y)和Q(x,y)的二值图像PB(x,y),QB(x,y),求取二值图像的公式如下:
其中thp为将图像转变为二值图像的阈值,thp,thq的值分别为180和175;
(2)获得二值图像PB(x,y),QB(x,y)对应的细化图像PT(x,y),QT(x,y);
(3)根据(2)中获得的细化图像QT(x,y)计算距离图像QD(x,y)。
5.如权利要求4所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述(2)具体包括:
1)遍历二值图像中的所有前景像素点,并获得该像素点的八邻域像素点的值其对应编号:其中p1为当前像素点,p2,p3,p4,p5,p6,p7,p8,p9分别为p1像素点的八领域像素点,如果八领域像素点同时满足一下四个条件:
2≤N(p1)≤6;
S(p1)=1;
P2×P4×P6=0或P2×P4×P8=0;
P4×P6×P8=0或P2×P6×P8=0;
则删除该前景像素点,其中N(p1)表示与p1相邻的八个像素点中为前景像素点的个数,S(p1)表示从p2顺时针到达p9的过程中像素点值从0跳变至1的次数;
2)循环遍历二值图像中的前景像素点,直至所有前景像素点都不再满足上述条件为止,即可得到细化图像;
所述(3)具体包括:
1)在细化图像QT(x,y)中遍历所有像素点,记录灰度值不为0的像素点的坐标,即得到细化图像QT(x,y)中脊线像素点集合其中Nq是脊线像素点的数目;
2)遍历脊线像素点集合RQ,对求取与在以为中心,边长为16像素的正方形内且属于集合RQ的脊线像素点之间的最小距离,其公式如下:
其中x∈[xn-8,xn+8],y∈[yn-8,yn+8]。则距离图像QD(x,y)在的灰度值即为QD(xn,yn)。
6.如权利要求2所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述步骤(3)具体包括:
(1)根据细节点对(p0,q0),求取粗匹配的旋转平移参数(dx0,dy0,dθ0):为指纹图像在x轴方向的平移量;为指纹图像在y轴方向的平移量;为旋转角度;
(2)以指纹图像的中心点作为旋转中心,对指纹细化图像QT(x,y)进行旋转;
(3)对指纹细化图像QT(x,y)进行平移,得到旋转变换后的指纹图像Q'T(x,y);
(4)将指纹细化图像PT(x,y)和Q'T(x,y)在同一坐标系下显示,得到只经过粗匹配的指纹拼接图像C0(x,y)。
7.如权利要求2所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述步骤(4)具体包括:
(1)求取指纹细化图像PT(x,y)中与距离图像QD(x,y)重叠区域的脊线点集合其中Npq表示重叠区域中脊线像素点的个数,表示第m个脊线像素点,
(2)使i,j为[-h,h]中的整数,θ为中间隔为的值,h=5,遍历在此范围内的所有可能的i,j,θ的组合;
(3)求脊线匹配错误最小值所对应的i,j,θ;
(4)根据(3)中求取的旋转平移参数i,j,θ,可以得到最优的旋转平移参数Topt,Topt=(dx0,dy0,dθ0)+(i,j,θ);
(5)根据(4)中求得的旋转平移参数,对细化图像QT(x,y)中的每个像素点进行旋转平移,求取每个像素点在细化图像PT(x,y)所在坐标系下的坐标值;即可得到经过精匹配后的指纹拼接图像C(x,y)。
8.如权利要求7所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述(1)包括:
1)将细化图像PT(x,y)前景区域中的所有像素点的灰度值均设为1,得到矩阵PT'(x,y),将距离图像QD(x,y)中灰度值不为255的像素点的灰度值设为1,得到矩阵Q'D(x,y);
2)将细化PT'(x,y)和距离图像Q'D(x,y)中相同位置的值求和,得到新矩阵,在该新矩阵中灰度值为2的点即为重叠区域中脊线像素点,记录其坐标位置,即可得到Rpq。
9.如权利要求7所述的基于细节点和距离图像的指纹图像拼接方法,其特征在于,所述(2)包括:
1)遍历脊线点集合Rpq,对每个在脊线点集合Rpq内的每个脊线点求取其在距离图像QD(x,y)中对应的坐标位置(Xnew(i,j,θ),Ynew(i,j,θ)),其计算公式如下:
其中为求取的相似度最高的细节点对中p0的坐标;
2)根据1)中求取的每个脊线点在距离图像QD(x,y)中的位置,得到细化图像PT(x,y)和距离图像QD(x,y)的脊线匹配错误RME,计算公式如下:
。
其中Npq表示细化图像PT(x,y)中与距离图像QD(x,y)重叠区域脊线像素点的个数;
10.一种应用权利要求1~9任意一项所述基于细节点和距离图像的指纹图像拼接方法的自动指纹识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422187.8A CN107392847B (zh) | 2017-06-07 | 2017-06-07 | 一种基于细节点和距离图像的指纹图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422187.8A CN107392847B (zh) | 2017-06-07 | 2017-06-07 | 一种基于细节点和距离图像的指纹图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392847A true CN107392847A (zh) | 2017-11-24 |
CN107392847B CN107392847B (zh) | 2021-01-22 |
Family
ID=60332072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710422187.8A Active CN107392847B (zh) | 2017-06-07 | 2017-06-07 | 一种基于细节点和距离图像的指纹图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392847B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958443A (zh) * | 2017-12-28 | 2018-04-24 | 西安电子科技大学 | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 |
CN108416342A (zh) * | 2018-05-28 | 2018-08-17 | 杭州电子科技大学 | 一种结合细节点和细线结构的指纹识别方法 |
CN108664940A (zh) * | 2018-05-16 | 2018-10-16 | 山东大学 | 一种部分指纹匹配方法及系统 |
CN108710849A (zh) * | 2018-05-16 | 2018-10-26 | 山东大学 | 一种指纹块拼接方法及系统 |
CN111429359A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像拼接方法、装置、设备及存储介质 |
CN112837222A (zh) * | 2021-01-25 | 2021-05-25 | 深圳市奔凯安全技术股份有限公司 | 指纹图像拼接方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1506903A (zh) * | 2002-12-06 | 2004-06-23 | 中国科学院自动化研究所 | 基于模板学习的自动指纹识别系统和方法 |
CN1564186A (zh) * | 2004-04-18 | 2005-01-12 | 杭州中正生物认证技术有限公司 | 基于全局脊线的指纹识别方法 |
CN101419665A (zh) * | 2008-11-21 | 2009-04-29 | 电子科技大学 | 一种声光指纹匹配系统及其控制方法 |
CN101276411B (zh) * | 2008-05-12 | 2010-06-02 | 北京理工大学 | 指纹识别方法 |
KR20110022923A (ko) * | 2009-08-28 | 2011-03-08 | 연세대학교 산학협력단 | 다시점 지문영상의 결합방법 |
CN101777128B (zh) * | 2009-11-25 | 2012-05-30 | 中国科学院自动化研究所 | 一种融入全局信息的指纹细节点匹配方法及系统 |
CN104156707A (zh) * | 2014-08-14 | 2014-11-19 | 深圳市汇顶科技股份有限公司 | 指纹识别方法及其指纹识别装置 |
CN105447437A (zh) * | 2015-02-13 | 2016-03-30 | 比亚迪股份有限公司 | 指纹识别方法和装置 |
-
2017
- 2017-06-07 CN CN201710422187.8A patent/CN107392847B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1506903A (zh) * | 2002-12-06 | 2004-06-23 | 中国科学院自动化研究所 | 基于模板学习的自动指纹识别系统和方法 |
CN1564186A (zh) * | 2004-04-18 | 2005-01-12 | 杭州中正生物认证技术有限公司 | 基于全局脊线的指纹识别方法 |
CN101276411B (zh) * | 2008-05-12 | 2010-06-02 | 北京理工大学 | 指纹识别方法 |
CN101419665A (zh) * | 2008-11-21 | 2009-04-29 | 电子科技大学 | 一种声光指纹匹配系统及其控制方法 |
KR20110022923A (ko) * | 2009-08-28 | 2011-03-08 | 연세대학교 산학협력단 | 다시점 지문영상의 결합방법 |
CN101777128B (zh) * | 2009-11-25 | 2012-05-30 | 中国科学院自动化研究所 | 一种融入全局信息的指纹细节点匹配方法及系统 |
CN104156707A (zh) * | 2014-08-14 | 2014-11-19 | 深圳市汇顶科技股份有限公司 | 指纹识别方法及其指纹识别装置 |
CN105447437A (zh) * | 2015-02-13 | 2016-03-30 | 比亚迪股份有限公司 | 指纹识别方法和装置 |
Non-Patent Citations (5)
Title |
---|
KYOUNGTAEK CHOI等: ""Fingerprint Image Mosaicking by Recursive Ridge Mapping"", 《IEEE》 * |
S.SHAH 等: ""Fingerprint Mosaicing Using Thin Plate Splines"", 《RESEARCHGATE》 * |
Y.S.MOON等: ""TEMPLATE SYNTHESIS AND IMAGE MOSAICKING FOR FINGERPRINT REGISTRATION:AN EXPERIMENTAL STUDY"", 《IEEE》 * |
李敏敏: ""一种改进的基于细节点的脊线追踪算法"", 《电子设计工程》 * |
魏鸿磊 等: ""一种采用脊线特征的指纹模糊匹配方法"", 《智能系统学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958443A (zh) * | 2017-12-28 | 2018-04-24 | 西安电子科技大学 | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 |
CN107958443B (zh) * | 2017-12-28 | 2021-12-28 | 西安电子科技大学 | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 |
CN108664940A (zh) * | 2018-05-16 | 2018-10-16 | 山东大学 | 一种部分指纹匹配方法及系统 |
CN108710849A (zh) * | 2018-05-16 | 2018-10-26 | 山东大学 | 一种指纹块拼接方法及系统 |
CN108664940B (zh) * | 2018-05-16 | 2020-02-18 | 山东大学 | 一种部分指纹匹配方法及系统 |
CN108710849B (zh) * | 2018-05-16 | 2022-04-01 | 山东大学 | 一种指纹块拼接方法及系统 |
CN108416342A (zh) * | 2018-05-28 | 2018-08-17 | 杭州电子科技大学 | 一种结合细节点和细线结构的指纹识别方法 |
CN108416342B (zh) * | 2018-05-28 | 2022-02-18 | 杭州电子科技大学 | 一种结合细节点和细线结构的指纹识别方法 |
CN111429359A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像拼接方法、装置、设备及存储介质 |
CN112837222A (zh) * | 2021-01-25 | 2021-05-25 | 深圳市奔凯安全技术股份有限公司 | 指纹图像拼接方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107392847B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392847A (zh) | 一种基于细节点和距离图像的指纹图像拼接方法 | |
Bloesch et al. | Iterated extended Kalman filter based visual-inertial odometry using direct photometric feedback | |
CN107677274B (zh) | 基于双目视觉的无人机自主着陆导航信息实时解算方法 | |
CN107958443B (zh) | 一种基于脊线特征和tps形变模型的指纹图像拼接方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN109059895A (zh) | 一种基于手机摄像头和传感器的多模态室内测距及定位方法 | |
WO2020051114A1 (en) | Information detection method, apparatus and device | |
CN104199842B (zh) | 一种基于局部特征邻域信息的相似图片检索方法 | |
KR20160003387A (ko) | Ocr를 기반으로 지도 이미지를 인식하는 시스템과 방법, 그리고 기록 매체 및 파일 배포 시스템 | |
Liu et al. | Target localization in local dense mapping using RGBD SLAM and object detection | |
CN103644904A (zh) | 一种基于sift算法的视觉导航方法 | |
CN104864849B (zh) | 视觉导航方法和装置以及机器人 | |
CN113190120B (zh) | 位姿获取方法、装置、电子设备及存储介质 | |
CN110906924A (zh) | 一种定位初始化方法和装置、定位方法和装置及移动装置 | |
CN112484746A (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
Armagan et al. | Accurate Camera Registration in Urban Environments Using High-Level Feature Matching. | |
JP2022130588A (ja) | 自動運転車両の位置合わせ方法、装置、電子機器及び車両 | |
Cheng et al. | Positioning and navigation of mobile robot with asynchronous fusion of binocular vision system and inertial navigation system | |
Lim et al. | Quatro++: Robust global registration exploiting ground segmentation for loop closing in LiDAR SLAM | |
JPH0935062A (ja) | 画像処理方法 | |
EP2921994A2 (en) | Alignment apparatus, alignment method, and alignment computer program | |
KR20160051713A (ko) | Ocr를 기반으로 지도 이미지를 인식하는 시스템과 방법, 그리고 기록 매체 및 파일 배포 시스템 | |
CN115239902A (zh) | 移动设备的周边地图建立方法、装置、设备及存储介质 | |
CN114613361A (zh) | 一种语音反馈和交互系统及方法 | |
Lee et al. | Grid map merging with insufficient overlapping areas for efficient multi-robot systems with unknown initial correspondences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |