CN112949361B - 指纹识别方法及装置 - Google Patents
指纹识别方法及装置 Download PDFInfo
- Publication number
- CN112949361B CN112949361B CN201911263880.0A CN201911263880A CN112949361B CN 112949361 B CN112949361 B CN 112949361B CN 201911263880 A CN201911263880 A CN 201911263880A CN 112949361 B CN112949361 B CN 112949361B
- Authority
- CN
- China
- Prior art keywords
- fingerprint image
- characteristic
- triangle
- maximum curvature
- ridge
- 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.)
- Active
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
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例提出指纹识别方法及装置。方法包括:在待识别的第一指纹图像中搜索所有纹线;在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形;在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。本发明实施例提高了指纹识别准确度。
Description
技术领域
本发明涉及生物特征识别技术领域,尤其涉及指纹识别方法及装置、计算机可读存储介质和电子设备。
背景技术
随着AI(Artificial Intelligence,人工智能)时代的到来,越来越多的智能产品进入到每个家庭,方便了人们的生活。目前指纹锁产品在生产和生活中得到了广泛应用,在性能足够的情况下,成本低将是巨大的优势,各大厂商都开始使用小的模组来缩减开支,面对模组的面积越来越小,指纹识别算法将面临巨大的挑战,尤其是指纹细节点的减少,不能有效地采集指纹的中心点,导致传统依靠单纯细节点进行识别的算法变得不可靠。
现有的基于多种特征点的指纹图像识别方法如下:
1、对指纹图像进行预处理,预处理包括:图像增强、二值化、细化等。
2、从指纹图像中提取指纹特征点,其中,指纹特征点为指纹脊线细节特征点,其中,指纹特征点包括第一类特征点和第二类特征点;
第一类特征点包括:指纹中心点、指纹分叉点、指纹端点;
第二类特征点包括:指纹分叉点附近的脊线点,指纹分叉点附近的脊线点是指,在同一脊线上,距离指纹分叉点小于设定阈值的脊线点。
上述方法存在如下问题:
第二类特征点的数量不能保证,从而不能保证最终的指纹识别效果。其中,若局部区域分叉点较少,则会导致第二类特征点较少;另外,第二类特征点在分叉点所在脊线上,距离分叉点小于特定阈值的脊线点,如若分叉点靠近图像边缘,不能保证能够在分叉点周围找到满足预设数目的第二类特征点。
发明内容
本发明实施例提出指纹识别方法及装置、计算机可读存储介质和电子设备,以提高指纹识别准确度。
本发明实施例的技术方案是这样实现的:
一种指纹识别方法,该方法包括:
在待识别的第一指纹图像中搜索所有纹线;
在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;
为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;
将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形;
在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;
若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
所述在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点包括:
对于每条纹线,以预设像素点数为分段长度,将所述每条纹线上的所有像素点划分为一个或多个分段,对每个分段分别进行贝塞尔曲线模拟,根据模拟出的贝塞尔曲线计算每个分段的曲率,将每条纹线中曲率最大的分段中处于预设位置的一个像素点分别作为一个纹线最大曲率点。
所述细节点为:纹线的两端点和纹线中的各个分叉点。
所述在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对包括:
A、对于每个特征三角形,将所述每个特征三角形的具有旋转无关特性的参数分别作为其对应的特征参数;
B、对于第一指纹图像中的每个特征三角形,将所述每个特征三角形分别与第二指纹图像中的每个特征三角形进行配对,计算每一特征三角形对的各相同特征参数对的差值的加权和;
C、当对第一指纹图像中的所有特征三角形都执行完步骤B时,在计算出的所有加权和中寻找小于预设第二阈值的加权和,将小于预设第二阈值的加权和对应的特征三角形对作为第一指纹图像和第二指纹图像中的相似特征三角形对。
所述特征参数包括:
特征三角形的每条边的边长、每个角的角度、以及每个顶点的方向角与该顶点所在角的角度之差。
所述若相似特征三角形对的数目大于预设第一阈值之后、所述则确定第一指纹图像和第二指纹图像匹配之前进一步包括:
对于第一指纹图像和第二指纹图像中最相似的特征三角形对,以第一指纹图像中的特征三角形的一条边为参考边,对第二指纹图像中的特征三角形进行旋转,直至第二指纹图像中的特征三角形的对应边与所述参考边重合,计算该两特征三角形的重合面积;
判断所述重合面积是否满足预设条件,若是,确认第一指纹图像和第二指纹图像匹配。
所述预设条件为:
重合面积大于预设第二阈值,或者,重合面积与第一指纹图像中的特征三角形和第二指纹图像中的特征三角形的面积和的比值大于预设第三阈值。
所述确定第一指纹图像和第二指纹图像匹配之后进一步包括:
计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度,将计算出的所有相似度之和作为第一指纹图像和第二指纹图像的相似度。
所述计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度包括:
对于每一相似特征三角形对,计算所述每一相似特征三角形对中的两特征三角形的细节点之间的距离d;
计算该两特征三角形的细节点的方向角之间的差值γ;
根据为d和γ预设的权值,计算d和γ的加权和z,1/z即为该相似特征三角形对之间的相似度。
一种指纹识别装置,该装置包括:
特征搜索模块,用于在待识别的第一指纹图像中搜索所有纹线;在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形;
指纹匹配模块,用于在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
本发明实施例中,将纹线细节点和距离其最近的两个纹线最大曲率点作为指纹识别特征点,并根据该三个点构成的三角形进行特征匹配,使得特征点的数量能够得到保证,提高了指纹识别准确度。
附图说明
图1为本发明一实施例提供的指纹识别方法流程图;
图2为本发明另一实施例提供的指纹识别方法流程图;
图3为本发明实施例提供的指纹识别装置的结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细的说明。
图1为本发明一实施例提供的指纹识别方法流程图,其具体步骤如下:
步骤101:在待识别的第一指纹图像中搜索所有纹线。
步骤102:在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点。
步骤103:为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点。
步骤104:将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形。
步骤105:在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对。
步骤106:若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
一较佳实施例中,步骤102中,在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点包括:
对于每条纹线,以预设像素点数为分段长度,将每条纹线上的所有像素点划分为一个或多个分段,对每个分段分别进行贝塞尔曲线模拟,根据模拟出的贝塞尔曲线计算每个分段的曲率,将每条纹线中曲率最大的分段中处于预设位置的一个像素点分别作为一个纹线最大曲率点。
例如:一个分段有m个像素点,预先设定这m个像素点中的第p(1≤p≤m)个像素点为纹线最大曲率点候选点,则对于每条纹线,将每条纹线中曲率最大的分段中的第p个像素点作为纹线最大曲率点。
一较佳实施例中,细节点为:纹线的两端点和纹线中的各个分叉点。
一较佳实施例中,步骤105具体包括:
A、对于每个特征三角形,将每个特征三角形的具有旋转无关特性的参数分别作为其对应的特征参数:
B、对于第一指纹图像中的每个特征三角形,将每个特征三角形分别与第二指纹图像中的每个特征三角形进行配对,计算每一特征三角形对的各相同特征参数对的差值的加权和;
这里,计算每一特征三角形对的各相同特征参数对的差值的加权和,即对于特征三角形对中的两个特征三角形的同一特征参数,计算该两特征参数的差值,当计算出所有特征参数对的差值后,根据为每一特征参数预设的权值,计算所有差值的加权和。
C、当对第一指纹图像中的所有特征三角形都执行完步骤B时,在计算出的所有加权和中寻找小于预设第二阈值的加权和,将小于预设第二阈值的加权和对应的特征三角形对作为第一指纹图像和第二指纹图像中的相似特征三角形对。
一较佳实施例中,特征参数包括:特征三角形的每条边的边长、每个角的角度、以及每个顶点的方向角与该顶点所在角的角度之差。
一较佳实施例中,步骤106中,若相似特征三角形对的数目大于预设第一阈值之后、确定第一指纹图像和第二指纹图像匹配之前进一步包括:
对于第一指纹图像和第二指纹图像中最相似的特征三角形对,设为第一特征三角形和第二特征三角形,以第一特征三角形的一条边为参考边,对第二特征三角形进行旋转,直至第二特征三角形的对应边与所述参考边重合,计算该两特征三角形的重合面积;判断所述重合面积是否满足预设条件,若是,确认第一指纹图像和第二指纹图像匹配。
一较佳实施例中,预设条件为:重合面积大于预设第二阈值,或者,先计算第一特征三角形和第二特征三角形的面积和,重合面积与该面积和的比值大于预设第三阈值。
一较佳实施例中,步骤106之后进一步包括:
计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度,将计算出的所有相似度之和作为第一指纹图像和第二指纹图像的相似度。
一较佳实施例中,计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度包括:
对于每一相似特征三角形对,计算每一相似特征三角形对中的两特征三角形的细节点之间的距离d;计算该两特征三角形的细节点的方向角之间的差值γ;根据为d和γ预设的权值,计算d和γ的加权和z,1/z即为该相似特征三角形对之间的相似度。
图2为本发明另一实施例提供的指纹识别方法流程图,其具体步骤如下:
步骤201:对待识别指纹图像(设为指纹图像A)进行预处理。
预处理包括:分割、增强、二值化、细化等。
分割,即去除指纹图像A中的背景;
增强的目的是为了增加指纹图像A的清晰度;
二值化,即将指纹图像A中属于指纹的像素点的灰度都用255表示,属于背景的像素点的灰度则用0表示;
细化,即对指纹图像A的指纹进行细化处理。
分割、增强、二值化、细化等处理属于成熟技术,本发明对此不再赘述。
步骤202:在预处理后的指纹图像A中搜索纹线,记录每条纹线所经过的像素点的坐标。
步骤203:对于每一条纹线,以预设像素点数为分段长度,将该纹线划分为一个或多个分段,对每个分段进行贝塞尔曲线模拟,根据模拟出的贝塞尔曲线计算每个分段的曲率,当计算出该纹线上所有分段的曲率时,在最大曲率对应的分段中查找预设位置的像素点,该像素点称为纹线最大曲率点,记录该纹线最大曲率点的坐标以及方向角。
分段时采用的预设的像素点数可根据指纹图像A中搜索到的各条纹线的长度等确定。
预设位置的像素点可以是分段中的任意一个像素点,只要预先设定好就可以。
每条纹线具有一个纹线最大曲率点。
纹线最大曲率点的方向角,即该点的贝塞尔曲线的切线与预设的0°参考线之间的夹角。
步骤204:将指纹图像A中的每条纹线的两个端点和每条纹线中的各个分叉点作为细节点,对于每个细节点,搜索距离该细节点最近的两个纹线最大曲率点,该细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形,计算并记录该特征三角形的每条边的边长(共3个边长)、每个角的角度(共3个角度)、以及每个顶点的方向角与该顶点所在角的角度之差(共3个角度差),将该9个参数作为该特征三角形的特征参数。
对于每个细节点,分别计算该细节点与各个纹线最大曲率点之间的距离,则最小的两个距离值对应的纹线最大曲率点即为距离该细节点最近的两个纹线最大曲率点。
步骤205:对于指纹图像库中的每帧指纹图像同样分别执行上述步骤201-204。
步骤206:从指纹图像库中依次获取一帧指纹图像,将获取的指纹图像设为指纹图像B。
步骤207:对于指纹图像A中的每一特征三角形,将该特征三角形分别与指纹图像B中的每个特征三角形进行配对,计算每个特征三角形对的各相同特征参数对的差值的加权和。
计算每个特征三角形对的各相同特征参数对的差值的加权和的计算过程如下:
对于每个特征三角形,将该三角形的三条边的边长作为一组参数,三个角的角度作为一组参数,每个顶点的方向角与该顶点所在角的角度之差作为一组参数,同一组的参数具有相同的预设权值。
例如:三条边的边长的权值都为x1,三个角的角度的权值都为x2,每个顶点的方向角与该顶点所在的两条边的夹角的权值都为x3;
设,指纹图像A的一个特征三角形(设为特征三角形a)的三条边的边长分别为l1a、l2a、l3a,三个角的角度分别为α1a、α2a、α3a,每个顶点的方向角θ1a、θ2a、θ3a与该顶点所在角的角度之差分别为β1a=θ1a-α1a、β2a=θ2a-α2a、β3a=θ3a-α3a;
指纹图像B的一个特征三角形(设为特征三角形b)的三条边的边长分别为l1b、l2b、l3b,三个角的角度分别为α1b、α2b、α3b,每个顶点的方向角θ1b、θ2b、θ3b与该顶点所在角的角度之差分别为β1b=θ1b-α1b、β2b=θ2b-α2b、β3b=θ3b-α3b;
则指纹图像A中的特征三角形a和指纹图像B中的特征三角形b的各相同特征参数对的差值的加权和为:Sab=x1×((l1a-l1b)+(l2a-l2b)+(l3a-l3b))+x2×((α1a-α1b)+(α2a-α2b)+(α3a-α3b))+x3×((β1a-β1b)+(β2a-β2b)+(β3a-β3b))
步骤208:当对指纹图像A中的所有特征三角形都执行完步骤207时,在计算得到的所有加权和中寻找小于预设第二阈值的加权和,判断搜索到的小于预设第二阈值的加权和的数目是否大于预设第一阈值,若是,执行步骤209;否则,执行步骤211。
步骤209:对指纹图像A和B中的最相似的特征三角形对,设为特征三角形a、b,以特征三角形a的一条边为参考边,对特征三角形b进行旋转,直至特征三角形b的对应边与特征三角形a的参考边重合,计算该特征三角形a、b的重合面积。
特征三角形b的对应边即,与特征三角形a的参考边对应的边。
步骤210:判断特征三角形a、b的重合面积是否满足预设条件,若是,确定指纹图像A、B匹配,本流程结束;否则,执行步骤211。
预设条件为:重合面积大于预设第二阈值,或者,重合面积与特征三角形a、b的面积之和的比值大于预设第三阈值。
在确定指纹图像A、B匹配后,还可进一步计算指纹图像A、B的相似度。
指纹图像A、B的相似度可通过如下过程计算:
步骤01、将步骤208中寻找到的小于预设第二阈值的各加权和对应的特征三角形对作为指纹图像A、B的相似特征三角形对。
步骤02:对于每一特征三角形对,计算该两特征三角形的细节点之间的距离d,计算该两特征三角形的细节点的方向角之间的差值γ,根据为d和γ预设的权值,计算d和γ的加权和z,1/z即为该特征三角形对之间的相似度。
步骤03:当计算完所有相似特征三角形对之间的相似度时,所有相似度之和即为指纹图像A、B之间的相似度。
步骤211:判断当前指纹图像B是否为指纹图像库中的最后一帧指纹图像,若是,确定指纹图像A无法识别,本流程结束,否则,返回步骤206。
图3为本发明实施例提供的指纹识别装置的结构示意图,该装置主要包括:特征搜索模块31和指纹匹配模块32,其中:
特征搜索模块31,用于在待识别的第一指纹图像中搜索所有纹线;在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形。
指纹匹配模块32,用于根据特征搜索模块31构成的特征三角形,在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
一较佳实施例中,特征搜索模块31在搜索到的每条纹线中寻找最大曲率点为:
对于每条纹线,以预设像素点数为分段长度,将每条纹线上的所有像素点划分为一个或多个分段,对每个分段分别进行贝塞尔曲线模拟,根据模拟出的贝塞尔曲线计算每个分段的曲率,将每条纹线中曲率最大的分段中处于预设位置的一个像素点分别作为一个纹线最大曲率点。
一较佳实施例中,特征搜索模块31中的细节点为:纹线的两端点和纹线中的各个分叉点。
一较佳实施例中,指纹匹配模块32在第一指纹图像和待匹配的第二指纹图像中搜索最相似的特征三角形对包括:
A、对于每个特征三角形,将每个特征三角形的具有旋转无关特性的参数分别作为其对应的特征参数;
B、对于第一指纹图像中的每个特征三角形,将每个特征三角形分别与第二指纹图像中的每个特征三角形进行配对,计算每一特征三角形对的各相同特征参数对的差值的加权和;
C、当对第一指纹图像中的所有特征三角形都执行完步骤B时,在计算出的所有加权和中寻找小于预设第二阈值的加权和,将小于预设第二阈值的加权和对应的特征三角形对作为第一指纹图像和第二指纹图像中的相似特征三角形对。
一较佳实施例中,指纹匹配模块32中的特征参数包括:
特征三角形的每条边的边长、每个角的角度、以及每个顶点的方向角与该顶点所在角的角度之差。
一较佳实施例中,指纹匹配模块32判定相似特征三角形对的数目大于预设第一阈值之后、确定第一指纹图像和第二指纹图像匹配之前进一步包括:
对于第一指纹图像和第二指纹图像中最相似的特征三角形对,以第一指纹图像中的特征三角形的一条边为参考边,对第二指纹图像中的特征三角形进行旋转,直至第二指纹图像中的特征三角形的对应边与所述参考边重合,计算该两特征三角形的重合面积;判断所述重合面积是否满足预设条件,若是,确认第一指纹图像和第二指纹图像匹配。
一较佳实施例中,指纹匹配模块32采用的预设条件为:
重合面积大于预设第二阈值,或者,重合面积与第一指纹图像中的特征三角形和第二指纹图像中的特征三角形的面积和的比值大于预设第三阈值。
一较佳实施例中,指纹匹配模块32确定第一指纹图像和第二指纹图像匹配之后进一步包括:
计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度,将计算出的所有相似度之和作为第一指纹图像和第二指纹图像的相似度。
一较佳实施例中,指纹匹配模块32计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度包括包括:
对于每一相似特征三角形对,计算每一相似特征三角形对中的两特征三角形的细节点之间的距离d;计算该两特征三角形的细节点的方向角之间的差值γ;根据为d和γ预设的权值,计算d和γ的加权和z,1/z即为该相似特征三角形对之间的相似度。
本发明另一实施例提供一种指纹识别装置,该装置包括处理器,用于执行如步骤101-106,或者如步骤201-211所述的指纹识别方法的步骤。
本发明实施例还提供一种非瞬时计算机可读存储介质,非瞬时计算机可读存储介质存储指令,该指令在由处理器执行时使得处理器执行如步骤101-106,或者如步骤201-211所述的指纹识别方法的步骤。
本发明实施例还提供一种电子设备,包括如上所述的非瞬时计算机可读存储介质、以及可访问非瞬时计算机可读存储介质的上述处理器。
本发明实施例的有益技术效果如下:
一、将纹线细节点和距离其最近的两个纹线最大曲率点作为指纹识别特征点,并根据该三个点构成的三角形进行特征匹配,纹线细节点包括:纹线的两个端点以及纹线中的所有交叉点,从而扩大了特征点的类型,并使得特征点的数量不受其所在位置的影响,从而使得特征点的数量能够得到保证,提高了指纹识别准确度。
二、在初步找到匹配指纹图像后,进一步通过相似特征三角形对的旋转矫正来确认指纹图像是否匹配,降低了指纹误识别的概率。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种指纹识别方法,其特征在于,该方法包括:
在待识别的第一指纹图像中搜索所有纹线;
在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;
为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;
将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形;
在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;
若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
2.根据权利要求1所述的方法,其特征在于,所述在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点包括:
对于每条纹线,以预设像素点数为分段长度,将所述每条纹线上的所有像素点划分为一个或多个分段,对每个分段分别进行贝塞尔曲线模拟,根据模拟出的贝塞尔曲线计算每个分段的曲率,将每条纹线中曲率最大的分段中处于预设位置的一个像素点分别作为一个纹线最大曲率点。
3.根据权利要求1所述的方法,其特征在于,所述细节点为:纹线的两端点和纹线中的各个分叉点。
4.根据权利要求1所述的方法,其特征在于,所述在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对包括:
A、对于每个特征三角形,将所述每个特征三角形的具有旋转无关特性的参数分别作为其对应的特征参数;
B、对于第一指纹图像中的每个特征三角形,将所述每个特征三角形分别与第二指纹图像中的每个特征三角形进行配对,计算每一特征三角形对的各相同特征参数对的差值的加权和;
C、当对第一指纹图像中的所有特征三角形都执行完步骤B时,在计算出的所有加权和中寻找小于预设第二阈值的加权和,将小于预设第二阈值的加权和对应的特征三角形对作为第一指纹图像和第二指纹图像中的相似特征三角形对。
5.根据权利要求4所述的方法,其特征在于,所述特征参数包括:
特征三角形的每条边的边长、每个角的角度、以及每个顶点的方向角与该顶点所在角的角度之差。
6.根据权利要求1至5任一所述的方法,其特征在于,所述若相似特征三角形对的数目大于预设第一阈值之后、所述则确定第一指纹图像和第二指纹图像匹配之前进一步包括:
对于第一指纹图像和第二指纹图像中最相似的特征三角形对,以第一指纹图像中的特征三角形的一条边为参考边,对第二指纹图像中的特征三角形进行旋转,直至第二指纹图像中的特征三角形的对应边与所述参考边重合,计算该两特征三角形的重合面积;
判断所述重合面积是否满足预设条件,若是,确认第一指纹图像和第二指纹图像匹配。
7.根据权利要求6所述的方法,其特征在于,所述预设条件为:
重合面积大于预设第二阈值,或者,重合面积与第一指纹图像中的特征三角形和第二指纹图像中的特征三角形的面积和的比值大于预设第三阈值。
8.根据权利要求1所述的方法,其特征在于,所述确定第一指纹图像和第二指纹图像匹配之后进一步包括:
计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度,将计算出的所有相似度之和作为第一指纹图像和第二指纹图像的相似度。
9.根据权利要求8所述的方法,其特征在于,所述计算第一指纹图像和第二指纹图像中每一相似特征三角形对的相似度包括:
对于每一相似特征三角形对,计算所述每一相似特征三角形对中的两特征三角形的细节点之间的距离d;
计算该两特征三角形的细节点的方向角之间的差值γ;
根据为d和γ预设的权值,计算d和γ的加权和z,1/z即为该相似特征三角形对之间的相似度。
10.一种指纹识别装置,其特征在于,该装置包括:
特征搜索模块,用于在待识别的第一指纹图像中搜索所有纹线;在搜索到的每条纹线中寻找最大曲率点,将每条纹线的最大曲率点分别作为一个纹线最大曲率点;为每条纹线的每一细节点搜索距离该细节点最近的两个纹线最大曲率点;将每一细节点与距离该细节点最近的两个纹线最大曲率点构成一个特征三角形;
指纹匹配模块,用于在第一指纹图像和待匹配的第二指纹图像中搜索相似特征三角形对;若相似特征三角形对的数目大于预设第一阈值,则确定第一指纹图像和第二指纹图像匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911263880.0A CN112949361B (zh) | 2019-12-11 | 2019-12-11 | 指纹识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911263880.0A CN112949361B (zh) | 2019-12-11 | 2019-12-11 | 指纹识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949361A CN112949361A (zh) | 2021-06-11 |
CN112949361B true CN112949361B (zh) | 2023-07-25 |
Family
ID=76226232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911263880.0A Active CN112949361B (zh) | 2019-12-11 | 2019-12-11 | 指纹识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949361B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569715B (zh) * | 2021-07-23 | 2024-04-16 | 北京眼神智能科技有限公司 | 一种指纹图像增强方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002190031A (ja) * | 2000-10-11 | 2002-07-05 | Hiroaki Kunieda | 曲線識別システム |
CN104992154A (zh) * | 2015-06-30 | 2015-10-21 | 广东欧珀移动通信有限公司 | 一种指纹识别方法及终端设备 |
WO2018023549A1 (zh) * | 2016-08-04 | 2018-02-08 | 华为技术有限公司 | 终端中指纹处理方法及终端 |
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 |
CN109522777A (zh) * | 2017-09-20 | 2019-03-26 | 比亚迪股份有限公司 | 指纹比对方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10027657B4 (de) * | 2000-06-03 | 2004-09-30 | Robert Bosch Gmbh | Verfahren zur Ermittlung von Referenzpunkten in einem Fingerabdruckbild |
-
2019
- 2019-12-11 CN CN201911263880.0A patent/CN112949361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002190031A (ja) * | 2000-10-11 | 2002-07-05 | Hiroaki Kunieda | 曲線識別システム |
CN104992154A (zh) * | 2015-06-30 | 2015-10-21 | 广东欧珀移动通信有限公司 | 一种指纹识别方法及终端设备 |
WO2018023549A1 (zh) * | 2016-08-04 | 2018-02-08 | 华为技术有限公司 | 终端中指纹处理方法及终端 |
CN109522777A (zh) * | 2017-09-20 | 2019-03-26 | 比亚迪股份有限公司 | 指纹比对方法和装置 |
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 |
Non-Patent Citations (2)
Title |
---|
一种利用曲线结构和三角法进行指纹快速点模式匹配的算法研究与实现;刘元宁等;高技术通讯(10);全文 * |
基于高曲率特征点匹配的红外可见光图像配准;刘畅等;指挥信息系统与技术(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949361A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10319096B2 (en) | Automated tattoo recognition techniques | |
CN107748877B (zh) | 一种基于细节点和纹理特征的指纹图像识别方法 | |
CN111339990B (zh) | 一种基于人脸特征动态更新的人脸识别系统和方法 | |
US7359532B2 (en) | Fingerprint minutiae matching using scoring techniques | |
CN111368683B (zh) | 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法 | |
US8064653B2 (en) | Method and system of person identification by facial image | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
CN110008909B (zh) | 一种基于ai的实名制业务实时稽核系统 | |
CN111126240A (zh) | 一种三通道特征融合人脸识别方法 | |
CN112949361B (zh) | 指纹识别方法及装置 | |
CN108845998B (zh) | 一种商标图像检索匹配方法 | |
Piekarczyk et al. | Hierarchical Graph-Grammar Model for Secure and Efficient Handwritten Signatures Classification. | |
CN114299299B (zh) | 一种树叶特征提取方法、装置、计算机设备和存储介质 | |
CN106650719B (zh) | 识别图片文字的方法及装置 | |
CN112380966B (zh) | 基于特征点重投影的单眼虹膜匹配方法 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN114119569A (zh) | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 | |
CN114677552A (zh) | 用于深度学习的指纹细节数据库标注方法和系统 | |
Liao et al. | Fingerprint recognition with ridge features and minutiae on distortion | |
CN113516123A (zh) | 一种针对轮胎压印字符的检测识别方法 | |
US7333640B2 (en) | Extraction of minutiae from a fingerprint image | |
Fathee et al. | A Robust Iris Segmentation Algorithm Based on Pupil Region for Visible Wavelength Environments | |
Kuban et al. | A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING. | |
Gavrilescu | Shape Variance-Based Feature Extraction for Biometric Fingerprint Analysis | |
CN111950315B (zh) | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
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 |