CN108664940A - 一种部分指纹匹配方法及系统 - Google Patents
一种部分指纹匹配方法及系统 Download PDFInfo
- Publication number
- CN108664940A CN108664940A CN201810468555.7A CN201810468555A CN108664940A CN 108664940 A CN108664940 A CN 108664940A CN 201810468555 A CN201810468555 A CN 201810468555A CN 108664940 A CN108664940 A CN 108664940A
- Authority
- CN
- China
- Prior art keywords
- ridge
- point
- structures
- similarity
- mfpcc
- 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
Classifications
-
- 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
- G06V40/1347—Preprocessing; Feature extraction
- G06V40/1359—Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
-
- 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)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种部分指纹匹配方法及系统,包括:对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码;计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度;根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。基于改进MCC结构的部分指纹匹配方法匹配性能更加精确,指纹模板更加安全,匹配速度更加高效。
Description
技术领域
本申请涉及指纹识别技术领域,尤其涉及一种部分指纹匹配方法及系统。
背景技术
由于指纹的独特性,易获取性和方便识别性,自动指纹识别系统(Automaticfingerprint identificat ion system,AFIS)已经被广泛应用于各个领域。随着传感 器技术的发展,便宜又轻便的集成固态指纹传感器已经被广泛应用于各种需要进行身份 认证的设备上。为了便于嵌入设备和降低成本,传感器感知区域做得很小,特别是移动 终端上的传感器面积甚至可以达到6.35×6.35mm2。由于这种小的固态传感器与手指的 接触面积非常有限,通过这种传感器所获得的指纹只是整个指纹的一部分,导致从这种 部分指纹中能够提取出来的信息非常有限,这就对指纹匹配造成了一定的难度。
传统部分指纹匹配通常会通过使用更多种类的特征来弥补传感器面积较小导致的特 征缺失问题,但同时计算复杂度也会升高。再加之近年来,指纹匹配与用户信息、财产之间的联系越来越紧密,其匹配安全性与模板隐私性越来越受到人们的重视。
发明内容
本申请提供了一种部分指纹匹配方法及系统,以解决传统的部分指纹匹配方法误差 大,速度慢,安全性低的问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种部分指纹匹配方法,所述方法包括:对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;基于改进细节点柱状编码(Minutia Cylinder-Code,MCC)结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码;计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度;根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。
优选地,所述对获取的部分指纹图像特征进行提取,包括:对所述部分指纹图像进行预处理;根据细节点分布规律提取细节点特征,其中所述细节点包括所述脊线的端点 和三叉点;从所述细节点开始对细节点的连接脊进行等距离采样,获得连接脊上的脊采 样点,其中端点有1条连接脊,三叉点有3条连接脊;过所述细节点做一条与所述细节 点方向垂直的线段,与上所述线段相交的最近的两条脊记为所述细节点的邻近脊,交点 记为该细节点的邻近脊点;从所述邻近脊点出发沿着脊线进行等距离采样,获得邻近脊 上的脊采样点;记录所述邻近脊上的脊采样点与所述连接脊上的脊采样点的坐标和所在 位置方向场的角度,放入相关脊采样点集合存储。
优选地,所述基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并 面向二进制编码,包括:根据所述MCC结构获得一特征点柱状编码(Modified FeaturePoint Cylinder Code,MFPCC)结构,所述MFPCC结构为所述MCC结构改进结构;根据所 述MFPCC结构建立所述细节点对应的改进的细节点柱状编码(Modified Feature PointCylinder Code-Minutia,MFPCC-M)结构并面向二进制编码;根据所述MFPCC结构建立所 述脊采样点对应的改进的脊采样点柱状编码(Modified Feature Point Cylinder Code-Ridge Point,MFPCC-RP)结构并面向二进制编码。
优选地,计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第 二结构相似度,包括:根据所述MFPCC-M结构二进制编码得到的特征向量获得任意两个所述MFPCC-M结构的相似度,所述MFPCC-M结构为第一结构;根据所述MFPCC-RP结构二 进制编码得到的特征向量获得任意两个所述MFPCC-RP结构的相似度,所述MFPCC-RP结 构为第二结构。
优选地,所述根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点 和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配,包括:根据所述第一结构相似度获得第一全局匹配分数;根据所述第二结构相似度获得第二全局匹配分数;根据所述第一全局匹配分数和所述第二全局匹配分数获得最终匹配分数; 判断所述最终匹配分数是否大于预设匹配分数值,如果大于,则确定所述部分指纹图像 与所述模板指纹来自同一手指,反之,则确定所述部分指纹图像与所述模板指纹来自不 同手指。
一种部分指纹匹配系统,所述系统包括:提取模块,用于对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;结 构建立模块,用于基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并 面向二进制编码;局部相似度模块,用于计算任意两个所述细节点的第一结构相似度和 任意两个所述脊采样点的第二结构相似度;判断处理模块,用于根据所述第一结构相似 度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述 部分指纹图像是否与模板指纹相匹配。
优选地,所述提取模块包括:第一处理单元,用于对所述部分指纹图像进行预处理; 第一获取单元,用于根据细节点分布规律提取细节点特征,其中所述细节点包括所述脊 线的端点和三叉点;第一采样单元,用于从所述细节点开始对细节点的连接脊进行等距离采样,获得连接脊上的脊采样点,其中端点有1条连接脊,三叉点有3条连接脊;第 二处理单元,用于过所述细节点做一条与所述细节点方向垂直的线段,与上所述线段相 交的最近的两条脊记为所述细节点的邻近脊,交点记为该细节点的邻近脊点;第二采样 单元,用于从所述邻近脊点出发沿着脊线进行等距离采样,获得邻近脊上的脊采样点; 第一集合单元,用于记录所述邻近脊上的脊采样点与所述连接脊上的脊采样点的坐标和 所在位置方向场的角度,放入相关脊采样点集合存储。
优选地,所述结构建立模块包括:第二获取单元,用于根据所述MCC结构获得一MFPCC 结构,所述MFPCC结构为所述MCC结构改进结构;第一结构建立单元,用于根据所述MFPCC 结构建立所述细节点对应的MFPCC-M结构并面向二进制编码;第二结构建立单元,用于 根据所述MFPCC结构建立所述脊采样点对应的MFPCC-RP结构并面向二进制编码。
优选地,所述局部相似度模块包括:第三获取单元,用于根据所述MFPCC-M结构二进制编码得到的特征向量获得任意两个所述MFPCC-M结构的相似度,所述MFPCC-M结构 为第一结构;第四获取单元,用于根据所述MFPCC-RP结构二进制编码得到的特征向量获 得任意两个所述MFPCC-RP结构的相似度,所述MFPCC-RP结构为第二结构。
优选地,所述判断处理模块包括:第五获取单元,用于根据所述第一结构相似度获得第一全局匹配分数;第六获取单元,用于根据所述第二结构相似度获得第二全局匹配 分数;第七获取单元,用于根据所述第一全局匹配分数和所述第二全局匹配分数获得最 终匹配分数;第一判断单元,用于判断所述最终匹配分数是否大于预设匹配分数值,如 果大于,则确定所述部分指纹图像与所述模板指纹来自同一手指,反之,则确定所述部 分指纹图像与所述模板指纹来自不同手指。
由上述技术方案可知,本申请实施例提供的一种部分指纹匹配方法及系统,包括:对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结 构并面向二进制编码;计算任意两个所述细节点的第一结构相似度和任意两个所述脊采 样点的第二结构相似度;根据所述第一结构相似度和所述第二结构相似度分别计算所述 细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。 基于改进MCC结构的部分指纹匹配方法匹配性能更加精确,指纹模板更加安全,匹配速 度更加高效。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介 绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以 根据这些附图获得其他的附图。
图1为本申请实施例提供的一种部分指纹匹配方法的流程示意图;
图2为本申请实施例提供的一种部分指纹匹配系统的示意图。
具体实施方式
下面结合附图对本申请进行详细说明。
如图1所示,为本申请提供的一种部分指纹匹配方法的流程示意图。参见图1,所述方法包括:
S101,对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分 指纹图像中的细节点和脊采样点。
提取特征之前需要对部分指纹图像进行预处理。指纹图像由于皮肤的特性、输入设 备和环境等原因,会存在畸变、不清晰、潮湿、噪声等对特征提取不利的因素。因此在 特征提取之前,要对图像进行预处理以消除影响。指纹图像预处理过程一般包括指纹分 割、图像规格化、Gabor滤波器增强、图像二值化和图像细化五个部分。
基于预处理得到的指纹细化图提取细节点和脊采样点。本申请中脊采样点的具体采 样步骤如下:
根据周围像素分布不同,细节点分为两种:端点和三叉点;
对每个灰度值为0的像素计算cn(p)值,公式如下:
其中p=p8,p0,p1,…p7是像素p的八邻域点,val表示求此位置灰度值。故:当 cn(p)=2时,此像素位于脊线上;当cn(p)=1时,此像素为端点;当cn(p)=3时,此像 素为三叉点;当cn(p)>3时,可能为噪音点或者交叉线;
提取的细节点按照(x,y,θ,type)方式存储,其中x和y表示细节点坐标,θ表示细节点 所在位置的方向。端点方向定义为与细节点所在位置方向场的角度相同并且方向由端点 指向脊内,三叉点方向定义为与细节点所在位置方向场的角度相同并且方向由端点指向 距离较近的两条脊的中间位置。type为细节点类型,端点记录为1,三叉点记录为3。
本申请中脊采样点的具体采样步骤如下:找到每个细节点的连接脊,其中端点有一 条连接脊,三叉点有三条连接脊;从细节点开始对连接脊进行等距离采样(间隔45像素), 记录采样点坐标x,y和所在位置方向场的角度θ;绘制一条过细节点且方向与细节点方向 垂线的直线,与其相交的最近的左右两条脊为此细节点的邻近脊,相交点为邻近脊点。 从邻近脊点开始,向脊的两边进行等距采样,记录采样点坐标x,y和所在位置方向场的角 度θ;相关脊指连接脊和邻近脊,端点最多有三条相关脊,三叉点最多有五条连接脊;细节点相关脊上的采样点为此细节点的相关脊采样点,每个采样点由三元素(xrp,yrp,θrp)组成,放在列表rpm中;所有细节点的相关脊采样点叫做指纹脊采样点,所有采样点放在列 表RP中。
S102,基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二 进制编码。
S1021,根据所述MCC结构获得一MFPCC结构,所述MFPCC结构为所述MCC结构改进结构。
令T={m1,m2,…,mn}为细节点模板:每个细节点m由三元素m={xm,ym,θm}组成, 其中xm和ym表示细节点的位置,θm表示细节点的方向。对每个细节点m建立以细节点为 中心、R为半径、高为[-π,π]的圆柱形数据结构。此圆柱体内嵌于一个底面和中心细节点 m方向一致的大长方体中,大长方体被分割为NS×NS×ND个等大小的小长方体。每个小 长方体底面大小为ΔS×ΔS,高为ΔD,其中
每个小长方体通过三维索引坐标(i,j,k)来确定其在大长方体内的位置。其中 1≤i,j≤NS,1≤k≤ND。
令,
上式表示索引坐标为k,即位于第k层的小长方体的角度。
令,
表示索引坐标为i,j的小长方体的中心投影在指纹模板上的坐标。通过上式可以将索 引与真实指纹坐标相关联。
每个小长方体都有一个Cm(i,j,k)值,通过累加以小长方体中心pi,j为圆心,3σS为半径 的邻域内所有细节点的贡献度得到。
通过上式可以得到每个小长方体的邻近细节点mt。其中dS为欧氏距离计算公式。每个小长方体的Cm(i,j,k)值计算公式如下:
其中:
小长方体有效性根据其中心是否在圆柱体内和是否在指纹有效区域内来判断,具体 算法参考原始MCC论文,此处不再赘述。分别计算小长方体邻域内细节点mt对小长方体在空间和角度上的贡献度。函数Ψ将Cm转化为二进制,以提高 后续计算速度:
计算邻近细节点mt对小长方体在空间上的贡献度时公式如下:
其中:
GS为高斯函数:
从公式中可以看出,当邻近细节点mt与小长方体中心pi,j距离越小时,值 越大,mt对此小长方体在空间上的贡献度越大。并且当i,j不变时,的值是相同 的。
计算邻近细节点mt对小长方体在角度上的贡献度时公式如下:
其中:
GD为高斯积分函数:
dθ计算两个细节点之间的角度差,范围为[-π,π],dφ计算两个角度之间的角度差。
从公式中可以看出,当邻近细节点mt的相对角度(相对于中心细节点m的角度)越接近 也就是k层所在角度时,值就越大,mt对此小长方体在角度上的贡献度 越大。
从Cm(i,j,k)的计算公式中可以看出,影响小长方体贡献度大小的其实是两个变量:(1) 小长方体中心邻域内所有细节点与小长方体中心的距离;(2)小长方体中心邻域内所有 细节点相对角度与小长方体所在层角度的角度差。在邻近细节点角度不变时,邻近细节 点越接近小长方体中心,贡献度值越大;在邻近细节点位置不变时,邻近细节点相对中心细节点的角度越接近小长方体的所在层角度,贡献度值越大。因此,每个小长方体的 Cm(i,j,k)值,其实代表了此块小长方体周围出现细节点并且细节点相对角度接近小长方体所在层角度的可能性。对每个细节点建立MCC结构,其本质就是计算圆柱体内所有小长 方体的Cm(i,j,k)值,即一个NS×NS×ND维的数据。而这个数据记录的就是中心细节点的 邻近细节点的分布方式。
对MCC结构来说,这种多层的表示方式将邻近细节点依据其方向不同分布在不同层 上,又依据其坐标不同分布在不同的位置上,非常详细的记录了邻近细节点方向以及位置在中心细节点周围的分布情况。但层之间的相互对称性使得结构的冗余度非常大。故 本申请通过更改小长方体角度上的贡献度的计算方式,将圆柱体高度降低一半,在保证 匹配性能的同时,大幅度减小了计算复杂度,解决了原始MCC结构冗余和构建时间较长 的问题。更改后的结构由于速度的提高有了更广阔应用的可能。
对每个center=(xcenter,ycenter,θcenter)点(可为细节点或者指纹脊采样点)建立底面半 径为R,高为的圆柱形数据结构。此圆柱体内嵌于一个底面和center点方向θcenter一 致的大长方体中,大长方体被分割为NS×NS×(ND/2)个等大小的小长方体。每个小长方 体的贡献度CMFPCC(i,j,k)通过累加小长方体中心pi,j邻域内所有pointt点的贡献度得到:
其中,point可以为细节点或者中心细节点的相关脊采样点。
是pointt点对小长方体(i,j,k)在空间上的贡献度。其定义为pointt与 pi,j之间欧氏距离的函数:
是pointt对小长方体(i,j,k)角度上的贡献度。其定义为(1)(2)角度之差: (1)(2)pi,j位置的方向场角度oripi,j与θcenter的角度差:
其中,为小长方体中心位置方向场角度大小,范围为do为计算角度与 方向场之间夹角的函数,结果范围为从公式中可以看出,当与θcenter的夹角越接近也就是k层所在角度时,值越大,即方向场对此小长方体在角度上的贡献度越大。
本申请提出的改进的MCC结构,改变了原始MCC中小长方体角度贡献度的计算方式。从累加小长方体邻域内所有细节点对小长方体的角度贡献度,变为仅计算小长方体 中心位置方向场对小长方体的角度贡献度。新的角度贡献度计算方式与邻域内特征 点无关,故不再需要像原始MCC一样对邻域内所以特征点的角度贡献度进行累加。同时, 由于方向场的角度不像细节点的角度一样具有方向性,故柱状体高度从[-π,π]变为 计算层数从ND变为ND/2。
本申请将改进后的MCC结构命名为MFPCC结构。MFPCC结构大大减少了计算每 个小长方体贡献度所需时间,并且由于柱状体高度降低了一半,小长方体贡献度的计算 次数也缩小了一半,结构构建速度大大提高。MFPCC结构有效的提高了MCC结构的构 建速度,并且匹配性能保持不变。
S1022,根据所述MFPCC结构建立所述细节点对应的MFPCC-M结构并面向二进制编码。
从公式(13)中可以看出,新提出的MFPCC结构具有很灵活参数选择方式,不同的center(中心点)和point(邻域点)的选择将会形成不同的结构。本申请将会对细节点和脊采 样点分别建立MFPCC结构。当MFPCC结构基于细节点建立时,衍生为MFPCC-M结构; 当MFPCC结构基于脊采样点建立时,衍生为MFPCC-RP结构。
令T={m1,m2,…,mn},对每个细节点m={xm,ym,θm}建立底面半径为R,高为的圆柱形数据结构。此圆柱体内嵌于一个底面和θm方向一致的大长方体中,大长方体被 分割为NS×NS×(ND/2)个等大小的小长方体。根据公式(13)对每个小长方体计算 和两个值,分别表示邻近细节点对小长方体的贡献度和邻近相关脊采 样点对小长方体的贡献度。
在计算时,令公式(13)中的center和point参数为细节点,每个细节点计算 得到一个NS×NS×(ND/2)大小的二进制三维数据在计算时,令公式(13)中 的center参数为细节点,point为相关脊采样点,每个细节点计算得到一个NS×NS×(ND/2)大小的二进制三维数据
为了便于后续相似度计算,将得到的两个三维数据通过线性函数转化为一个 NS×NS×ND维的向量:
lin(i,j,k)=(k-1)·(NS)2+(j-1)·NS+i (16)
转化后的二进制向量为cm,对应的小长方形有效性存储在向量中。
S1023,根据所述MFPCC结构建立所述脊采样点对应的MFPCC-RP结构并面向二进制编码。
为了增加匹配特征数量,本申请为每个指纹脊采样点建立MFPCC-RP结构,存储中心脊采样点邻近细节点的位置分布。
令RP={rp1,rp2,…,rpn}为指纹脊采样点的集合。对每个脊采样点rp={xrp,yrp,θrp} 建立底面半径为R,高为的圆柱体数据结构。此圆柱体内嵌于一个底面和θrp角度一致 的大长方体中,大长方体被分割为NS×NS×(ND/2)个等大小的小长方体。根据公式(13) 对每个小长方体计算值,表示邻近细节点对小长方体的贡献度。
在计算时,令公式(13)中的center参数为指纹脊采样点,point参数为细节 点,每个指纹脊采样点计算得到一个NS×NS×(ND/2)大小的二进制三维数据
为了便于后续相似度计算,将得到的三维数据通过线性函数转化为一个NS×NS×(ND/2)维的向量:
转化后的二进制向量为crp,对应的小长方形有效性存储在向量中。
MFPCC-M结构和MFPCC-RP结构是MFPCC结构的延伸。MFPCC结构准确的来说 应该叫做MFPCC模板,其本身不具备具体意义,只有在规定下来center和point参数的 选取后,MFPCC才变成了具有具体意义MFPCC-M结构或者MFPCC-RP结构。
S103,所述计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的 第二结构相似度。
由于局部结构已经转化为定长的二进制特征向量,因此可以通过简单快速的二进制 向量相关性计算获得局部结构相似度。在计算相似度时,遵循细节点与细节点匹配、脊采样点与脊采样点匹配的原则,对MFPCC-M结构MFPCC-RP结构分别进行匹配。
分别对第一细节点a和第二细节点b建立MFPCC-M结构,所述MFPCC-M结构为 第一结构。每个MFPCC-M结构通过线性函数转化为两个二进制向量,组成一个向量小 长方形,获取所述第一细节点和所述第二细节点对应的MFPCC-M结构对所述向量小长 方形的贡献度向量和有效性向量。
a与b为任意两个细节点,其MFPCC-M结构对应的二进制向量为和
细节点a与b的第一结构相似度LSM计算方式为:
c与d为任意两个脊采样点,其MFPCC-RP结构对应的二进制向量为和
细节点c与d的第二结构相似度LSRP计算方式为:
其中AND为二进制与运算;XOR为二进制异或运算;‖·‖为向量中值为1元素个数的平方根。
S104,根据所述第一结构相似度和所述第二结构相似度分别对所述细节点和所述脊 采样点进行全局相似度计算,判断所述部分指纹图像是否与模板指纹相匹配。
本申请通过Local Similarity Assignment with Relaxation(LSA-R)算法来计算全局匹配 分数。其基本思想是基于特征点对之间的兼容性对局部相似度进行迭代更新,经过多次 迭代,真匹配对的效率会较高,假匹配对的效率会较低。最后,效率较高的特征点对的 局部相似度均值为最终匹配分数。本章节以细节点为例对LSA-R算法进行介绍,脊采样 点全局相似度的计算与之类似。
S1041,根据所述第一结构相似度获得第一全局匹配分数。
现有两个细节点模板,为部分指纹细节点模板, 为完整指纹细节点模板,令:
sm(a,b)=LSM(a,b),为细节点a∈mA,b∈mB的第一结构相似度,其中sm:mA× mB→[0,1];
为包含所有细节点对相似度的矩阵,其中Sm[r,c]=sm(ar,bc);
根据匈牙利算法找到Sm矩阵中相似度之和最大的nR对不重复匹配的细节点对作为候 选匹配对,,其相似度将会放入LSA-R算法进行迭代更新。其中P为候选匹配对的索引:
P={(rt,ct)},t=1,…,nR,1≤rt≤nA,1≤ct≤nB (27)
nR=min{nA,nB} (28)
令为第t对候选匹配对的初始局部相似度,LSA-R算法根据下式对候选 匹配对的相似度依次进行迭代更新:
其中:
wR为权重;
ρ(t,k)函数度量了与细节点对之间的兼容度,其中属于mA模板,属于mB模板。d1表示两对细节点对在空间距离上的相似度,d2表示角 度上的相似度,d3表示径向角的相似度。径向角定义为连接两个细节点之间的直线与第 一个细节点方向之间的夹角,计算方式如下:
nrel次迭代后,候选匹配对的相似度得到了更新,计算每对细节点的效率:
直观的来说,如果一对细节点与其他细节点对之间兼容度非常高,那么它的相似度 将会在迭代过程中被增强,最终效率也会很高;反之,如果一对细节点与其他细节点对之间兼容度非常低,即使它的初始相似度很高也会在迭代过程中受到惩罚,最终的效率 也会较低。最后,前nP对效率最高的候选对的局部相似度均值GSm为最终匹配分数。
其中,为常量参数,四舍五入操作。
S1042,根据所述第二结构相似度获得第二全局匹配分数。
第二全局匹配分数计算与第一全局匹配分数计算类似,得到第二全局匹配分数为GSrp。
S1043,根据所述第一全局匹配分数和所述第二全局匹配分数获得最终匹配分数。
最终匹配分数GS为第一全局匹配分数与第二全局匹配分数之积:
GS=GSm*GSrp (38)
S1044,判断所述最终匹配分数是否大于预设匹配分数值,如果大于,则确定所述部 分指纹图像与所述模板指纹来自同一手指,反之,则确定所述部分指纹图像与所述模板指纹来自不同手指。
移动终端上的部分指纹匹配算法依据最终匹配分数GS判断部分指纹与模板指纹是否 来自同一手指。若GS大于阈值,则属于同一手指,即接受用户的操作;反之,则不属于同一手指,即拒绝用户的操作。
方法中的一些实验参数如表1所示:
表1
由上述实施例可知,本实施例提供的一种部分指纹匹配方法包括:对获取的部分指 纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采 样点;基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码;计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度;根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。基于改进MCC结构的 部分指纹匹配方法匹配性能更加精确,指纹模板更加安全,匹配速度更加高效。
与上述实施例提供的一种部分指纹匹配方法的实施例相对应,本申请还提供了一种 部分指纹匹配系统的实施例,如图2所示,系统包括:提取模块201、结构建立模块202、局部相似度模块203和判断处理模块204。
所述提取模块201,用于对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中脊线的细节点和脊采样点。所述结构建立模块202,用于 基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码。 所述局部相似度模块203,用于计算任意两个所述细节点的第一结构相似度和任意两个 所述脊采样点的第二结构相似度。所述判断处理模块204,用于根据所述第一结构相似 度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述 部分指纹图像是否与模板指纹相匹配。
所述提取模块201包括:第一处理单元、第一获取单元、第一采样单元、第二处理单元、第二采样单元和第一集合单元。
所述第一处理单元,用于对所述部分指纹图像进行预处理;所述第一获取单元,用于根据细节点分布规律提取细节点特征,其中所述细节点包括所述脊线的端点和三叉点;所述第一采样单元,用于从所述细节点开始对细节点的连接脊进行等距离采样,获得连 接脊上的脊采样点,其中端点有1条连接脊,三叉点有3条连接脊;所述第二处理单元, 用于过所述细节点做一条与所述细节点方向垂直的线段,与上所述线段相交的最近的两 条脊记为所述细节点的邻近脊,交点记为该细节点的邻近脊点;所述第二采样单元,用 于从所述邻近脊点出发沿着脊线进行等距离采样,获得邻近脊上的脊采样点;所述第一 集合单元,用于记录所述邻近脊上的脊采样点与所述连接脊上的脊采样点的坐标和所在 位置方向场的角度,放入相关脊采样点集合存储。
所述结构建立模块202包括:第二获取单元、第一结构建立单元和第二结构建立单元。
所述第二获取单元,用于根据所述MCC结构获得一MFPCC结构,所述MFPCC结构为所述MCC结构改进结构;所述第一结构建立单元,用于根据所述MFPCC结构建立所述细 节点对应的MFPCC-M结构并面向二进制编码;所述第二结构建立单元,用于根据所述 MFPCC结构建立所述脊采样点对应的MFPCC-RP结构并面向二进制编码。
所述局部相似度模块203包括:第三获取单元和第四获取单元。
所述第三获取单元,用于根据所述MFPCC-M结构二进制编码得到的特征向量获得任 意两个所述MFPCC-M结构的相似度,所述MFPCC-M结构为第一结构;所述第四获取单元,用于根据所述MFPCC-RP结构二进制编码得到的特征向量获得任意两个所述MFPCC-RP结 构的相似度,所述MFPCC-RP结构为第二结构;
所述判断处理模块204包括:第五获取单元、第六获取单元、第七获取单元和判断单元。
所述第五获取单元,用于根据所述第一结构相似度获得第一全局匹配分数;所述第 六获取单元,用于根据所述第二结构相似度获得第二全局匹配分数;所述第七获取单元, 用于根据所述第一全局匹配分数和所述第二全局匹配分数获得最终匹配分数;所述第一 判断单元,用于判断所述最终匹配分数是否大于预设匹配分数值,如果大于,则确定所述部分指纹图像与所述模板指纹来自同一手指,反之,则确定所述部分指纹图像与所述 模板指纹来自不同手指。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模 块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境 中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序 模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操 作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其 他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设 备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、 方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……” 限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相 同要素。
本申请说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于系统实施例 而言,由于其中的方法基本相似于方法的实施例,所以描述的比较简单,相关之处参见方法 实施例中的说明即可。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (10)
1.一种部分指纹匹配方法,其特征在于,所述方法包括:
对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;
基于改进细节点柱状编码MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码;
计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度;
根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。
2.根据权利要求1所述的部分指纹匹配方法,其特征在于,所述对获取的部分指纹图像特征进行提取,包括:
对所述部分指纹图像进行预处理;
根据细节点分布规律提取细节点特征,其中所述细节点包括脊线的端点和三叉点;
从所述细节点开始对细节点的连接脊进行等距离采样,获得连接脊上的脊采样点,其中端点有1条连接脊,三叉点有3条连接脊;
过所述细节点做一条与所述细节点方向垂直的线段,与上所述线段相交的最近的两条脊记为所述细节点的邻近脊,交点记为该细节点的邻近脊点;
从所述邻近脊点出发沿着脊线进行等距离采样,获得邻近脊上的脊采样点;
记录所述邻近脊上的脊采样点与所述连接脊上的脊采样点的坐标和所在位置方向场的角度,放入相关脊采样点集合存储。
3.根据权利要求2所述的部分指纹匹配方法,其特征在于,所述基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码,包括:
根据所述MCC结构获得一特征点柱状编码结构MFPCC结构,所述MFPCC结构为所述MCC结构改进结构;
根据所述MFPCC结构建立所述细节点对应的改进的细节点柱状编码MFPCC-M结构并面向二进制编码;
根据所述MFPCC结构建立所述脊采样点对应的改进的脊采样点柱状编码MFPCC-RP结构并面向二进制编码。
4.根据权利要求3所述的部分指纹匹配方法,其特征在于,计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度,包括:
根据所述MFPCC-M结构二进制编码得到的特征向量获得任意两个所述MFPCC-M结构的相似度,所述MFPCC-M结构为第一结构;
根据所述MFPCC-RP结构二进制编码得到的特征向量获得任意两个所述MFPCC-RP结构的相似度,所述MFPCC-RP结构为第二结构。
5.根据权利要求4所述的部分指纹匹配方法,其特征在于,所述根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配,包括:
根据所述第一结构相似度获得第一全局匹配分数;
根据所述第二结构相似度获得第二全局匹配分数;
根据所述第一全局匹配分数和所述第二全局匹配分数获得最终匹配分数;
判断所述最终匹配分数是否大于预设匹配分数值,如果大于,则确定所述部分指纹图像与所述模板指纹来自同一手指,反之,则确定所述部分指纹图像与所述模板指纹来自不同手指。
6.一种部分指纹匹配系统,其特征在于,所述系统包括:
提取模块,用于对获取的部分指纹图像特征进行提取,所述部分指纹图像特征包括所述部分指纹图像中的细节点和脊采样点;
结构建立模块,用于基于改进MCC结构对所述细节点和所述脊采样点建立局部特征结构并面向二进制编码;
局部相似度模块,用于计算任意两个所述细节点的第一结构相似度和任意两个所述脊采样点的第二结构相似度;
判断处理模块,用于根据所述第一结构相似度和所述第二结构相似度分别计算所述细节点和所述脊采样点的全局相似度,判断所述部分指纹图像是否与模板指纹相匹配。
7.根据权利要求6所述的部分指纹匹配系统,其特征在于,所述提取模块包括:
第一处理单元,用于对所述部分指纹图像进行预处理;
第一获取单元,用于根据细节点分布规律提取细节点特征,其中所述细节点包括脊线的端点和三叉点;
第一采样单元,用于从所述细节点开始对细节点的连接脊进行等距离采样,获得连接脊上的脊采样点,其中端点有1条连接脊,三叉点有3条连接脊;
第二处理单元,用于过所述细节点做一条与所述细节点方向垂直的线段,与上所述线段相交的最近的两条脊记为所述细节点的邻近脊,交点记为该细节点的邻近脊点;
第二采样单元,用于从所述邻近脊点出发沿着脊线进行等距离采样,获得邻近脊上的脊采样点;
第一集合单元,用于记录所述邻近脊上的脊采样点与所述连接脊上的脊采样点的坐标和所在位置方向场的角度,放入相关脊采样点集合存储。
8.根据权利要求7所述的部分指纹匹配系统,其特征在于,所述结构建立模块包括:
第二获取单元,用于根据所述MCC结构获得一MFPCC结构,所述MFPCC结构为所述MCC结构改进结构;
第一结构建立单元,用于根据所述MFPCC结构建立所述细节点对应的MFPCC-M结构并面向二进制编码;
第二结构建立单元,用于根据所述MFPCC结构建立所述脊采样点对应的MFPCC-RP结构并面向二进制编码。
9.根据权利要求8所述的部分指纹匹配系统,其特征在于,所述局部相似度模块包括:
第三获取单元,用于根据所述MFPCC-M结构二进制编码得到的特征向量获得任意两个所述MFPCC-M结构的相似度,所述MFPCC-M结构为第一结构;
第四获取单元,用于根据所述MFPCC-RP结构二进制编码得到的特征向量获得任意两个所述MFPCC-RP结构的相似度,所述MFPCC-RP结构为第二结构。
10.根据权利要求9所述的部分指纹匹配系统,其特征在于,所述判断处理模块包括:
第五获取单元,用于根据所述第一结构相似度获得第一全局匹配分数;
第六获取单元,用于根据所述第二结构相似度获得第二全局匹配分数;
第七获取单元,用于根据所述第一全局匹配分数和所述第二全局匹配分数获得最终匹配分数;
第一判断单元,用于判断所述最终匹配分数是否大于预设匹配分数值,如果大于,则确定所述部分指纹图像与所述模板指纹来自同一手指,反之,则确定所述部分指纹图像与所述模板指纹来自不同手指。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468555.7A CN108664940B (zh) | 2018-05-16 | 2018-05-16 | 一种部分指纹匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468555.7A CN108664940B (zh) | 2018-05-16 | 2018-05-16 | 一种部分指纹匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664940A true CN108664940A (zh) | 2018-10-16 |
CN108664940B CN108664940B (zh) | 2020-02-18 |
Family
ID=63779800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810468555.7A Active CN108664940B (zh) | 2018-05-16 | 2018-05-16 | 一种部分指纹匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664940B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309738A (zh) * | 2019-06-17 | 2019-10-08 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110598666A (zh) * | 2019-09-19 | 2019-12-20 | 哈尔滨工业大学(深圳) | 一种高分辨率指纹汗孔匹配的方法、装置、系统及存储介质 |
CN111428064A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像快速索引方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751555A (zh) * | 2009-09-25 | 2010-06-23 | 中国科学院自动化研究所 | 一种形变指纹识别方法及系统 |
CN107392847A (zh) * | 2017-06-07 | 2017-11-24 | 西安电子科技大学 | 一种基于细节点和距离图像的指纹图像拼接方法 |
-
2018
- 2018-05-16 CN CN201810468555.7A patent/CN108664940B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751555A (zh) * | 2009-09-25 | 2010-06-23 | 中国科学院自动化研究所 | 一种形变指纹识别方法及系统 |
CN107392847A (zh) * | 2017-06-07 | 2017-11-24 | 西安电子科技大学 | 一种基于细节点和距离图像的指纹图像拼接方法 |
Non-Patent Citations (3)
Title |
---|
RAFFAELE CAPPELLI ETC.: ""Minutia Cylinder-Code:A New Representation and Matching Technique for Fingerprint Recognition"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
WONJUNE LEE ETC.: ""Partial fingerprint matching using munutiae and ridge shape features for small fingerprint scanners"", 《EXPERT SYSTEMS WITH APPLICATION》 * |
臧亚丽: ""大形变指纹匹配算法研究"", 《中科院机构知识库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309738A (zh) * | 2019-06-17 | 2019-10-08 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110309738B (zh) * | 2019-06-17 | 2022-09-30 | 深圳大学 | 一种对oct指纹图像进行标注的方法 |
CN110598666A (zh) * | 2019-09-19 | 2019-12-20 | 哈尔滨工业大学(深圳) | 一种高分辨率指纹汗孔匹配的方法、装置、系统及存储介质 |
CN110598666B (zh) * | 2019-09-19 | 2022-05-10 | 哈尔滨工业大学(深圳) | 一种高分辨率指纹汗孔匹配的方法、装置、系统及存储介质 |
CN111428064A (zh) * | 2020-06-11 | 2020-07-17 | 深圳市诺赛特系统有限公司 | 小面积指纹图像快速索引方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108664940B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203242A (zh) | 一种相似图像识别方法及设备 | |
Hemalatha | A systematic review on Fingerprint based Biometric Authentication System | |
CN108664940A (zh) | 一种部分指纹匹配方法及系统 | |
CN110942076B (zh) | 一种陶瓷产品防伪标识生成方法及系统 | |
US10127681B2 (en) | Systems and methods for point-based image alignment | |
CN108596126A (zh) | 一种基于改进的lgs加权编码的手指静脉图像识别方法 | |
CN113515988B (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN112487867B (zh) | 基于增强三角剖分的视觉约束指纹识别方法 | |
Krish et al. | Pre‐registration of latent fingerprints based on orientation field | |
CN110738204B (zh) | 一种证件区域定位的方法及装置 | |
US10740590B2 (en) | Skin information processing method, skin information processing device, and non-transitory computer-readable medium | |
Bahaa-Eldin | A medium resolution fingerprint matching system | |
Sghaier et al. | Efficient machine-learning based 3d face identification system under large pose variation | |
Maybank | A probabilistic definition of salient regions for image matching | |
CN111126436A (zh) | 视觉匹配方法及装置 | |
Nurhaida et al. | Determining the Number of Batik Motif Object based on Hierarchical Symmetry Detection Approach | |
Anand et al. | Enhanced signature verification and recognition using matlab | |
CN108710849B (zh) | 一种指纹块拼接方法及系统 | |
CN110390268B (zh) | 一种基于几何特性和方向特征的三维掌纹识别方法 | |
CN112508064A (zh) | 指静脉身份识别方法、装置、计算机设备和存储介质 | |
Mehrotra et al. | An efficient dual stage approach for iris feature extraction using interest point pairing | |
Guo et al. | 2.5 D SIFT Descriptor for Facial Feature Extraction | |
de Macedo Rodrigues et al. | Fingerprint verification using characteristic vectors based on planar graphics | |
CN106650742B (zh) | 一种基于环形核的图像特征提取方法及装置 | |
de O Gonzaga | A method for fingerprint image identification based on Gabor filter and power spectrum |
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 |