CN111914755A - 一种八方向求梯度指纹识别模型 - Google Patents

Abstract

本发明提供一种八方向求梯度指纹识别模型，涉及商业算法技术领域。该一种八方向求梯度指纹识别模型，包括有如下步骤：S1、图像预处理，使用多种去噪和提取指纹的手段得到较为清晰和重要的特征点；S2、均值方差法增强对比度，该算法基于背景区灰度方差小，而指纹区方差大的思想，将指纹图像分成块，计算每一块的方差。该一种八方向求梯度指纹识别模型，相较于传统的指纹识别方式，通过加入了多重过滤器去噪、更加准确的提取梯度信息、平滑边缘信息、和新的基于边界的特征过滤算法通过限制距离重心的位置来选择特征点，可以有效的减少特征点的数量。

Description

一种八方向求梯度指纹识别模型

技术领域

本发明涉及商业算法技术领域，特别的为一种八方向求梯度指纹识别模型。

背景技术

指纹识别学是一门古老的学科，它是基于人体指纹特征的相对稳定与唯一这一统计学结果发展起来的。随着计算机和网络的迅速发展，人们对身份认证的准确性、安全性与实用性提出了更高的要求。在众多的生物识别技术中，指纹识别技术是发展最早、应用最广泛的一种。指纹识别技术充分利用了指纹的普遍性、唯一性和永久性的生物特征，已逐步取代了传统的基于标志和数字的识别方式，目前在网络、银行、金融、医疗和安检等行业均得到了广泛应用。

随着现代社会经济的不断发展，越来越多的场合需要身份的确认手段。生物识别技术(Biometric Identification Technology)——是利用人体生物特征进行身份认证的一种技术。而指纹识别是生物识别技术中最成熟也是最可靠的识别技术之一，但是现有技术中，现有的指纹识别算法的主要的研究方向主要是于图像的识别算法和基于特征的识别算法，并且存在指纹识别过程中指纹识别精度不高、处理过程较慢、存取数据库的所需要的内存空间较大等问题。

发明内容

本发明提供的发明目的在于提供一种八方向求梯度指纹识别模型，可有效解决上述背景技术中的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种八方向求梯度指纹识别模型，包括有如下步骤：

S1、图像预处理，使用多种去噪和提取指纹的手段得到较为清晰和重要的特征点。

S2、均值方差法增强对比度，该算法基于背景区灰度方差小，而指纹区方差大的思想，将指纹图像分成块，计算每一块的方差。

S3、Gabor滤波增强，Gabor滤波器是带通滤波器，它以其在空域良好的方向选择性在频域有良好的频率选择性而在计算机视觉领域尤其纹理分析方面得到了广泛的应用，在指纹图像中对于灰度指纹图像，脊线和谷线在局部的小邻域可以认为是正弦波形状，具有一定的频率和方向。

S4、对指纹图像进行二值化处理，指纹图像二值化作为指纹预处理过程的一部分，是进行指纹图像细化处理的基础。

S5、指纹图像的细化，细化是在不改变图像像素拓扑连接关系的条件下，连续擦除图像的边缘像素，把纹线粗细不均匀的指纹图像转化成线宽仅为一个像素的条纹中心线图像的过程。

S6、指纹特征的提取，需要从指纹图像中提取出能表示指纹唯一性的特征。

S7、特征点的提取，特征提取一般是指提取指纹图像的局部特征，也就是细节点特征，在基于细节点的指纹自动识别系统中，特征提取是在细化后的指纹图像上进行的。

S8、假特征点的去除，采用沿脊线搜索特征点的方法去除伪特征对。

S9、匹配方法，就是对每一个特征点分别提取再相对于中心点取得的向量进行比对的过程，使两个点集有最大数量点对之间存在稳定的一一对应关系。

进一步的，S1之后，还包括以下步骤：

S10、感性区域的分割，计算出指纹图像的边界，进行感性区域(ROI Region ofInterest)的分割。

S11、灰度均衡化，用以消除或减轻同一图像不同区域之间或者不同图像之间对比度的差异。

S12、方向场的计算，计算出指纹图像的方向场，这个步骤是指纹的滤波和增强所不可缺少的一个环节。

S13、低通滤波，利用简单的低通滤波器去除图像中存在的椒盐，高斯等噪声。

进一步的，S2之后，还包括以下步骤：

S14、将低频图分成M×M大小的无重叠方块，方块的大小以一谷一脊为宜。

S15、计算出每一块的均值和方差，设指纹图像I的大小为H×L，I(i,j)为像素点(i,j)的灰度，AVE和VAR分别为原指纹图像的均值和方差，AVE和VAR 可以通过公式(3.1)和(3.2)计算得到。

进一步的，包括以下步骤：

脊线中不出现空白，二值化后的脊线基本保持原来指纹的特征，指纹的纹线不应有太多的间断和相连，指纹纹线间的间距应大致相同。

进一步的，S9之后，还包括以下步骤：

S16、分别读取两个特征点集合中的特征点。

S17、对特征点进行分类。定义取“1”时，属于特征点端点分类，取“2”时，属于特征点分叉点分类。

S18、分别计算他们相对于中心点的方向向量和距离向量。

S19、若两特征点的距离向量之差小于“2”且梁特征点的方向向量小于等于，则认为两特征点匹配。

S20、若不满足S20的条件则认为不匹配，并删除。

本发明提供了一种八方向求梯度指纹识别模型。具备以下有益效果：

该八方向求梯度指纹识别模型，相较于传统的指纹识别方式，通过加入了多重过滤器去噪、更加准确的提取梯度信息、平滑边缘信息、和新的基于边界的特征过滤算法通过限制距离重心的位置来选择特征点，可以有效的减少特征点的数量，并且可以加快程序的运行速度、减少程序运行时所需要的空间压力，从而在指纹识别精确度和识别速度以及存储方面有较大的提升。

附图说明

图1为本发明的指纹图像与处理的主要流程图；

图2为本发明的Gabor滤波器的形式图；

图3为本发明的滤波后的图像灰度值图；

图4为本发明的纹线特征图；

图5为本发明的某点的八个相邻点的情况图；

图6为本发明的细化处理后的指纹图像；

图7为本发明的细化后的图像；

图8为本发明的伪特征点图。

具体实施方式

实施例1：本发明提供一种技术方案：一种八方向求梯度指纹识别模型，包括以下具体实施步骤：

参照附图1-8所示：步骤1、纹图像预处理过程，图像增强尚没有统一的理论方法，常用的图像增强技术有直方图修改、图像平滑滤波、图像锐化等，图像增强技术主要分为两类：频域增强法和空域增强法，频域增强法就是在图像的某种变换域中(通常是频率域内)对图像的变换值进行某种运算处理，然后变换回空间域，空域增强法是直接针对图像中的像素，对图像的灰度进行处理，空域法属于直接增强的方法，它包括扩展对比度的灰度变换和直方图变换、消除噪声的平滑法和增强边缘的锐化法。

指纹图像与处理的主要流程如附图1所示。

指纹图像预处理的过程核心就是人们通常所说的图像的滤波，既在图像增强前使用一些简单的图像处理手段对图像进行初加工。通常使用的预处理方法包括：

(1)、感性区域的分割，计算出指纹图像的边界，进行感性区域(ROI Region ofInterest)的分割。

(2)、灰度均衡化：用以消除或减轻同一图像不同区域之间或者不同图像之间对比度的差异。

(3)、方向场的计算：计算出指纹图像的方向场，这个步骤是指纹的滤波和增强所不可缺少的一个环节。

(4)、低通滤波，利用简单的低通滤波器去除图像中存在的椒盐，高斯等噪声。

步骤2、指纹图像分割概述，在指纹识别系统中，指纹图像分割是图像预处理的一部分。指纹分割的最基本的依据是图像某些特征和特征集合，图像特征是指纹图像的固有属性,如灰度值,邻域关系,纹线的扭曲程度等，特征集合则是几种的结合，通过提取图像特征,可将原始图像映射到特征空间,使图像特征在特征空间中呈现一定的分布，因此根据以上的的灰度值领域关系，纹线的扭曲程度，指纹图像分割大致分为三类：基于像素的图像分割，基于块特征的图像分割以及基于全局的图像分割，基于全局的图像分割则是根据情况特别是某些特殊场合的利用，如残缺指纹，全局的图像分割可以是人工选定几个特定点后再根据全局的特点来处理，此法也可运用于匹配。基于全局的指纹识别仍处于实验室探索阶段,应用领域中尚不广泛。

步骤3、均值方差法增强对比度，在图像分割概述中，已经提到基于块特征的指纹图像分割，在这部分将重点介绍均值法差法的计算方法和在仿真中的运用，

该算法基于背景区灰度方差小，而指纹区方差大的思想，将指纹图像分成块，计算每一块的方差，如果该块的方差小于阈值为背景，否则为前景，具体步骤分以下三步：

(1)、将低频图分成M×M大小的无重叠方块，方块的大小以一谷一脊为宜。

(2)、计算出每一块的均值和方差。

设指纹图像I的大小为H×L，I(i,j)为像素点(i,j)的灰度，AVE和VAR分别为原指纹图像的均值和方差，AVE和VAR可以通过公式(3.1)和(3.2)计算得到。

(3)、如果计算得到的方差几乎接近于0就认为是背景，对于方差不为零的区域在进行阈值分割算法，这种算法主要是根据计算得到的方差来决定其是否为背景区。

在使用方差均值法之前还要使用归一法将图变为低频图，归一化的目的是把不同原图像的对比度和灰度调整到一个固定的级别上，为后续处理提供一个较为统一的图像规格。

步骤4、Gabor滤波增强，众所周知，Gabor滤波器是带通滤波器，它以其在空域良好的方向选择性在频域有良好的频率选择性而在计算机视觉领域尤其纹理分析方面得到了广泛的应用，在指纹图像中对于灰度指纹图像，脊线和谷线在局部的小邻域可以认为是正弦波形状，具有一定的频率和方向。

利用Gabor滤波器良好的对方向和频率的选择性方向滤波是图像增强的一个很好的方案，实验表明，以Gabor函数的偶分量实部为模板，脊线于谷线形成的近似正弦波的频率为滤波器的频率，以指纹的局部方向构建的滤波器，去噪效果非常好，滤波后的指纹图像的灰度直方图以呈现明显的双峰性质。

Gabor滤波器的形式如附图2所示。

滤波后的图像灰度值如附图3所示。

步骤5、由于分割后的图像质量仍然不是很好，所以需要对其进行滤波、消除毛刺、空洞处理和二值化处理，以使指纹图像清晰，消除不必要的噪声，以利于进一步的辨识。

指纹图像二值化作为指纹预处理过程的一部分，是进行指纹图像细化处理的基础，目前指纹细化方法都是基于二值指纹图像进行的，对指纹图像二值化的好处在于使得图像的几何性质只0和1的位置有关，不再涉及像素的灰度值，使处理变得简单，这给存储和处理带来了很大的方便，同时也提高了系统的经济实用，一个好的算法可以得到一个高质量的二值图像，反之，如果该阶段引入噪声，就会直接降低图像质量，影响识别精度。对指纹图像进行二值化，其基本要求就是二值化后的图像能真实地再现原指纹，具体要求为：

1.脊线中不出现空白；

2.二值化后的脊线基本保持原来指纹的特征；

3.指纹的纹线不应有太多的间断和相连；

4.指纹纹线间的间距应大致相同。

指纹图像首先要进行中值滤波处理，去除噪声。然后进行二值化过程，变成二值图像，由于原始指纹图像不同区域深浅不一，如对整幅图像用同一阈值进行二值分割，会造成大量有用信息的丢失。这里我们使用自适应阈值二值化的思想，对每块指纹图像，选取的阈值应尽量使该块图像内大于该阈值的像素点数等于小于该阈值的像素点数。

步骤6、指纹图像的细化，细化是在不改变图像像素拓扑连接关系的条件下，连续擦除图像的边缘像素，把纹线粗细不均匀的指纹图像转化成线宽仅为一个像素的条纹中心线图像的过程。细化可以去除不必要的纹线粗细信息，使得指纹图像的数据量及连接结构更加突出，便于从指纹图像中提取细节特征，如附图4所示，从而在指纹特征提取和匹配环节上提高图像的处理速度和效率。

指纹图像二值化后，纹线仍具有一定的宽度，而指纹识别只对纹线的走向感兴趣，不关心它的粗细。为了进一步压缩数据，得到更精确的细节特征，提高识别的准确性，对指纹图像进行细化处理是不可忽略的。

细化方法不同,细化结果就有差异。在指纹识别中要求在不改变原来指纹图像的拓朴连通性的同时,细化的结果应为严格的八邻域图像骨架；纹线中除去特征点以外,每个像素均只与相邻两个像素为八邻域,抹去任意一像素都将破坏纹线的连接性。概括起来说就是纹线细化处理要满足收敛性、连接性、拓朴性、保持性、细化性、中轴性、快速性的要求。

目前为止,关于细化方法的研究工作已有很多成果,所采用的方法从使用的观点来看,比较多的是采用模板匹配的方法(如迭代法、OPTA单连通法等)。这种方法是根据某个像素的局部邻域(如3×3,5×5等)的图像特征对其进行处理,此外也有采用边缘搜索编码、外轮廓计算以及神经网络等细化方法。从处理的过程来看,主要可以分为串行和并行两类,前者对图像中当前像素处理依据其邻域内像素的即时化结果,且不同的细化阶段采用不同的处理方法；后者对当前的像素处理该像素及其邻域内各像素的前一轮迭代处理的结果,自始至终采用相同的细化准则。

对于任意形状的区域，细化实质上是腐蚀操作的变体，细化过程中要根据每个像素点的八个相邻点的情况来判断该点是否可以剔除或保留。

如图附图5所示根据某点的八个相邻点的情况来判断该点是否能删除

如附图5所示给出了当前需要处理的像素点在不同的八邻域条件下的情况，可以看出：

(1)不能删，因为它是个内部点，我们要求的是骨架，如果连内部点也删了，骨架也会被掏空的；

(2)不能删，和(1)是同样的道理；

(3)可以删，这样的点不是骨架；

(4)不能删，因为删掉后，原来相连的部分断开了；

(5)可以删，这样的点不是骨架；

(6)不能删，因为它是直线的端点，如果这样的点删了，那么最后整个直线也被删了，剩不下什么；

(7)不能删，因为孤立点的骨架就是它自身。

总结上图，有如下的判据：

(1)内部点不能删除；

(2)孤立点不能删除；

(3)直线端点不能删除；

(4)如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。

我们可以根据上述的判据，事先做出一张表，从0到255共有256个元素，每个元素要么是0，要么是1。我们根据某点的八个相邻点的情况查表，若表中的元素是1，则表示该点可删，否则保留。查表的方法是，设白点为1，黑点为0；左上方点对应一个8位数的第一位(最低位)，正上方点对应第二位，右上方点对应的第三位，左邻点对应第四位，右邻点对应第五位，左下方点对应第六位，正下方点对应第七位，右下方点对应的第八位，按这样组成的8位数去查表即可。考虑当前像素点的各种八邻域的情况，我们可以得到一个细化操作查找表，该表在下面的细化算法中详细介绍。

为了避免分裂指纹图像，细化的过程分为两个步骤，第一步是正常的腐蚀操作，但是它是有条件的，也就是说那些被标记的可除去的像素点并不立即消去；在第二步中，只将那些消除后并不破坏连通性的点消除，否则的话保留这些边界点。以上的步骤是在一个3×3邻域内运算，可以通过查表实现细化的操作。算法的实现步骤如下：

(1)定义一个3×3模板和一个查找表，(2)对二值图像从上到下、从左到右进行扫描；该过程结束后再对图像进行从左到右，从上到下的扫描；如果图像中当前像素点的灰度值为"0"，且其左右(第一次扫描过程考虑左右像素点) 或上下(第二次扫描过程考虑上下两个像素点)两个像素点中有任意一个为 "255"则转至步骤(3)，否则回转到步骤(2)；

(3)该像素点为中心的3×3区域内的各个像素值和定义的模板中的权值进行卷积求和，得到查找索引值k；

(4)根据这个索引值k得到表里相应的数据，如果为"1"，那么该像素点的灰度值设为"255"，如果为"0"，则该像素点的灰度值为"0"。

(5)图像从头至尾扫描二遍后，如果该次扫描修改了图像中的点，则跳转至步骤二，开始新的一轮扫描。否则图像细化结束，如附图6所示。

如图是一幅经过细化处理后的指纹图像，和原图像比较可知，细化后的指纹图像脊线的宽度由5到8个像素被压缩到一个像素，以便于后续特征提取的处理过程能够对脊线的断点和分叉点进行精确定位。

步骤7、对于特征点提取的常用算法很多，如：

(1)基于二值化的特征提取方法：这种算法对于预处理和增强后得指纹图像进行二值化，然后再提取特征点。

(2)基于直接灰度的特征提取方法：这种方法直接从灰度图像出发，通过分析图像的纹理属性和拓扑结构提取特征点。

(3)基于细化图像的特征提取方法：这种方法是将指纹图像处理后得到细化图像，通过细化图像提取特征点。

为了比较两个指纹是否相同，需要从指纹图像中提取出能表示指纹唯一性的特征。Galton提出的指纹细节点是人工指纹匹配中最常用的特征。目前已定义的特征类型己达150多种，但是这些扩展的特征往往不易提取相互区分，并且它们都可以由端点和分叉点的组合进行描述，这使得端点和分叉点成为最常用的结构特征，也称为细节特征，它被认为是最稳定、最容易检查的，而且占全部特征点的80％以上。提取出的特征点还必须经过伪特征点的去除，尽可能地去除掉由于二值化、细化处理等过程引入的伪特征点。最后确定出特征点的类型、位置、方向。

根据端点和分叉点是最常用的结构特征，提取满足一定条件接近的点，再去除不是端点和分叉点的伪特征点，最终实现特征值的提取，有利于后面匹配的展开。

步骤8、特征点的提取，特征提取一般是指提取指纹图像的局部特征，也就是细节点特征。在基于细节点的指纹自动识别系统中，特征提取是在细化后的指纹图像上进行的。

特征提取的首要问题是确定细节点和它的位置，细节点的位置和细节点间的相对位置很重要，尽管每个指纹中包括将近80个细节，只要确定十几个细节点就己经足够用来识别了。

探测细节点的算法很简单，M是待检测的点，是它的八邻域，沿顺时针方向排列。是细化后图像在处的灰度。如果M是端点，则它的八邻域满足：

如果M是分叉点，则它的八邻域满足：

这样我们就可以在细化后的图像中找到细节点(端点和分叉点)，并记录它们在图中的相对位置，如附图7所示。

步骤9、假特征点的去除，这样得到的特征中存在由指纹质量、摄入噪声等原因造成的很多假特征，如下图所示(a)和(b)中产生了假的端点；(c)和(d)中形成了错误的断开和连接；(e)中显示的是一个由不平滑的脊引起的毛刺，出现了假端点和假分叉两种特征：(f)～(g)是几种错误连接的例子，分别称为桥形、三角形、梯形结构，如附图8所示。

造成伪特征的原因有很多，指纹提取、二值化及细化等过程均可能引入伪特征。伪特征的存在将影响指纹的比对，降低识别率.(1)伪特征的分析。对于取端点及叉点作为特征算法，伪特征主要指图中所示的几种种：毛刺；假桥；岛屿；断脊；短脊。对于这些伪特征的消除，文献10提出了基于纹线跟踪的后处理方法。

分析这几种种伪特征，它们带来的伪特征点总是成对在近距离内出现而且除断脊外均有短脊线相连接。毛刺、短脊及岛屿均为从一个特征点出发经过很小的步长到达另一个特征点，可以采用沿脊线搜索特征点的方法去除伪特征对。假桥、断脊则要考虑伪特征的角度关系。

伪特征的去除，由于提取的特征集合P(P1，P2...，P n)全为端点与叉点，端点的伪形态有毛刺端点、短脊端点与断脊端点；叉点的伪形态有毛刺叉点、假桥叉点与岛屿叉点。我们可以分别从端点与叉点出发搜索其邻域，判断其真伪，全部伪特征被分为伪端点与伪叉点予以去除。根据上面的分析，伪特征可按如下规则去除：

①去除孤立点与边界点，边界点定义为掩膜值为0的任何区域的距离小于阈值的特征点。

②对于各端点Pi，从该特征点出发沿脊线搜索，若经过很小的步长到达另一个特征点即搜索到一个脊线点满足Cn(P)！＝2或Sn(P)！＝2则分别当作短脊、毛刺所带来的伪特征点予以去除；若该端点不是毛刺、短脊引起的伪端点，则搜索其邻域是否有端点Pj满足Pi与Pj之间没有脊线，A与Ai或Aj的差小于30°即<30°或<30°，据此来判断该端点是否为断脊。

③对于各叉点Pi，从该特征点出发沿脊线搜索其中一个分支，若有两个分支经过很小的步长均到达同一个叉点则当作岛屿予以去除；若有一个分支经过很小的步长到达另一个叉点P且满足70°<110°或70°<<110°，则可当作假桥剔除；若有一个分支经过很小的步长到达另一个端点Pj则可当作毛刺剔除。

步骤10、指纹匹配是模式识别中的一个有名的难题，它是对于两个含有不同数量的点集和，如何找出它们之间的匹配关系，因此，一个好的指纹匹配算法应该能够有效地解决两个点集间的几何不变量问题，人们对一般的指纹匹配提出很多算法，比如松弛算法，其中有的文献只处理了点模式间因平移带来的偏差；也有文献处理了因平移和旋转带来的误差；另外有文献不仅考虑到位移和旋转误差，还处理了因伸缩尺度不同而带来的误差。

指纹图像匹配中的两个点集和，其中从第一幅图像抽取，有个特征点构成，从第二幅图像抽取，有个特征点构成，因为在实际应用中，点的相对位置存在误差，所以它们之间的匹配就是对每一个特征点分别提取再相对于中心点取得的向量进行比对的过程，使两个点集有最大数量点对之间存在稳定的一一对应关系。

对于点集中的特征点，这里用方向和方向的坐标来描述，指纹图像每一特征点是一个五维向量，其中分别是该点的坐标位置，是特征点相对于中心点的方向向量，为特征点的类型(即是分叉点还是端点)，为特征点相对于中心点的距离向量。

可以通过一些合适的算法，通过在一定范围搜索参数空间，计算其匹配支持数，也就是在该参数空间里，有多少指纹对匹配。当匹配支持数最大时，也就得到了所需要的结果。

算法步骤：

(1)分别读取两个特征点集合中的特征点；

(2)对特征点进行分类。定义取“1”时，属于特征点端点分类，取“2”时，属于特征点分叉点分类；

(3)分别计算他们相对于中心点的方向向量和距离向量；

(4)若两特征点的距离向量之差小于“2”且梁特征点的方向向量小于等于，则认为两特征点匹配；

(5)若不满足(4)的条件则认为不匹配，并删除。

一般能找到13个相同的特征就可以认为这两个指纹出自同一个手指，但从匹配来看，平均50个特征匹配点会有3～4个误配，于是将成功匹配点设置为>30个，认为是出自同一个手指。

匹配成功的特征点：端点用红色‘o’标注，分叉点用绿色标注‘o。

以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种八方向求梯度指纹识别模型，其特征在于，包括有如下步骤：

S1、图像预处理，使用多种去噪和提取指纹的手段得到较为清晰和重要的特征点；

S2、均值方差法增强对比度，该算法基于背景区灰度方差小，而指纹区方差大的思想，将指纹图像分成块，计算每一块的方差；

S3、Gabor滤波增强，Gabor滤波器是带通滤波器，它以其在空域良好的方向选择性在频域有良好的频率选择性而在计算机视觉领域尤其纹理分析方面得到了广泛的应用，在指纹图像中对于灰度指纹图像，脊线和谷线在局部的小邻域可以认为是正弦波形状，具有一定的频率和方向；

S4、对指纹图像进行二值化处理，指纹图像二值化作为指纹预处理过程的一部分，是进行指纹图像细化处理的基础；

S5、指纹图像的细化，细化是在不改变图像像素拓扑连接关系的条件下，连续擦除图像的边缘像素，把纹线粗细不均匀的指纹图像转化成线宽仅为一个像素的条纹中心线图像的过程；

S6、指纹特征的提取，需要从指纹图像中提取出能表示指纹唯一性的特征；

S7、特征点的提取，特征提取一般是指提取指纹图像的局部特征，也就是细节点特征，在基于细节点的指纹自动识别系统中，特征提取是在细化后的指纹图像上进行的；

S8、假特征点的去除，采用沿脊线搜索特征点的方法去除伪特征对；

S9、匹配方法，就是对每一个特征点分别提取再相对于中心点取得的向量进行比对的过程，使两个点集有最大数量点对之间存在稳定的一一对应关系。

2.根据权利要求1所述的一种八方向求梯度指纹识别模型，其特征在于，S1之后，还包括以下步骤：

S10、感性区域的分割，计算出指纹图像的边界，进行感性区域(ROI Region ofInterest)的分割；

S11、灰度均衡化，用以消除或减轻同一图像不同区域之间或者不同图像之间对比度的差异；

S12、方向场的计算，计算出指纹图像的方向场，这个步骤是指纹的滤波和增强所不可缺少的一个环节；

S13、低通滤波，利用简单的低通滤波器去除图像中存在的椒盐，高斯等噪声。

3.根据权利要求1所述的一种八方向求梯度指纹识别模型，其特征在于，S2之后，还包括以下步骤：

S14、将低频图分成M×M大小的无重叠方块，方块的大小以一谷一脊为宜；

S15、计算出每一块的均值和方差，设指纹图像I的大小为H×L，I(i,j)为像素点(i,j)的灰度，AVE和VAR分别为原指纹图像的均值和方差，AVE和VAR可以通过公式(3.1)和(3.2)计算得到。

4.根据权利要求1所述的一种八方向求梯度指纹识别模型，其特征在于，根据S4之后，脊线中不出现空白，二值化后的脊线基本保持原来指纹的特征，指纹的纹线不应有太多的间断和相连，指纹纹线间的间距应大致相同。

5.根据权利要求1所述的一种八方向求梯度指纹识别模型，其特征在于，S9之后，还包括以下步骤：

S16、分别读取两个特征点集合中的特征点；

S17、对特征点进行分类。定义取“1”时，属于特征点端点分类，取“2”时，属于特征点分叉点分类；

S18、分别计算他们相对于中心点的方向向量和距离向量；

S19、若两特征点的距离向量之差小于“2”且梁特征点的方向向量小于等于，则认为两特征点匹配；

S20、若不满足S20的条件则认为不匹配，并删除。

Images