CN114842516A - 一种非接触式3d指纹识别方法 - Google Patents
一种非接触式3d指纹识别方法 Download PDFInfo
- Publication number
- CN114842516A CN114842516A CN202210533258.2A CN202210533258A CN114842516A CN 114842516 A CN114842516 A CN 114842516A CN 202210533258 A CN202210533258 A CN 202210533258A CN 114842516 A CN114842516 A CN 114842516A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- minutiae
- fingerprint
- tetrahedron
- 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 49
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 238000002224 dissection Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Images
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
- G06V40/1353—Extracting features related to minutiae or pores
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V40/1371—Matching features related to minutiae or pores
-
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种非接触式3D指纹识别方法,属于指纹识别算法领域。为了使非接触式的三维空间形式的指纹采集和识别的算法的识别结果更加准确。提出种非接触式3D指纹识别方法,基于主成分分析技术改进的三维细节点的三维方位角估计;构造扩展的四面体剖分结构;基于扩展的四面体剖分结构的提取特征;根据提取的特征比对每个待匹配的四面体,符合匹配条件的四面体进行计数和计算匹配分数,依据匹配分数确定是否匹配。本发明方法的模型匹配更高效,通过具有的更高的计算效率,减少识别所需时间的60‑70%。
Description
技术领域
本发明涉及一种指纹识别方法,特别涉及一种非接触式3D指纹识别方法。
背景技术
基于密码、口令等传统的身份认证方式存在易遗忘、易丢失、易伪造的缺点,已不能满足人们对身份认证及信息安全性的要求。基于指纹特征的识别技术是一种更为便捷和可靠的认证方式。
传统接触式指纹认证方式,采用的是接触式采集方式。各类办事大厅、车站等公共场所内设置的采集设备,在进行指纹采集过程中,采集设备会被很多用户接触,用户使用时会担心之前在指纹采集表面细菌是否会传染,是否存在卫生问题。另外,每次手指的按压力度不同,手指变形程度不同,手指指纹图像清晰程度存在差异,会造成无法识别的结果。反而需要多次接触采集设备,重新进行识别。最后,现有的接触式采集识别方法依据的识别原理还存在识别运算速度慢的缺点。本发明为了弥补上述接触式采集识别方法的缺点,且在获得黑龙江省自然科学基金(No:LH2020F049)项目资助的基础上,进行了相关研究和设计,本发明建立了非接触式的三维空间形式的指纹采集和识别的算法。
发明内容
本发明的目的是为了解决现有的指纹识别方法存在的识别算法运算速度慢、以及按压形式进行采集时带产生的手指指纹图像变形、清晰度差而影响识别结果的问题,而提出一种非接触式3D指纹识别方法。
一种非接触式3D指纹识别方法,所述方法通过以下步骤实现:
基于主成分分析技术改进的三维细节点的三维方位角估计的步骤;
构造扩展的四面体剖分结构的步骤;
基于扩展的四面体剖分结构的提取特征的步骤;
其中,提取的特征包括:边、内角、二维方向角、三维方位角、四面体类型;
根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤。
优选地,所述的基于主成分分析技术改进的三维细节点的三维方位角估计的步骤具体为:
(1)获取二维指纹图像;
(2)对二维指纹图像进行预处理操作;其中,预处理操作包括:提取指纹前景区域、指纹脊线提取、指纹细节点;
(3)在预处理后的二维指纹图像上提取二维细节点信息,二维细节点的信息包括坐标x、坐标y和二维方向角θ;
(4)给二维细节点增加空间坐标z和三维方位角φ,使之映射成三维空间的三维细节点;
其中,空间坐标z的获取过程是:通过三维指纹模拟呈三维曲面,求取三维曲面,再通过二维细节点的xy获得位置属性z;
(5)估计上一步增加的三维细节点的三维方位角φ,具体为:
设点F表示三维细节点;
利用三维细节点F周围m邻域内的所有顶点vi∈R3以这些顶点vi作为基础,使用主成分分析法计算三维细节点F的法向方向;令其中,T表示转置;R3表示三维空间,表示中间值,t表示vi的个数;由构成的协方差矩阵其中,T表示转置;wi表示权重,
通过协方差矩阵C改进三维细节点F的法向方向的估计方法,其中F表示三维细节点,a表示权重参数,参数m表示邻域个数;
(6)设指纹细节点的个数为k个,之后,提取指纹细节点;则指纹细节点集合表示为Fk=(xk,yk,zk,θk,φk),其中,(xk,yk,zk)为三维细节点空间坐标,(θk,φk)为三维细节点的二维方向角和三维细节点的三维方位角;
优选地,所述的构造扩展的四面体剖分结构的步骤的过程为,
应用点云狄洛尼三角剖分重新构造扩展的Delaunay四面体剖分结构,具体过程如下:
(1)应用Delaunay三角化算法,在三维空间中采用Delaunay三角化算法得到四面体结构G={F,E},其中E是四面体结构的边集合,F={Fi|i=1...N}表示某一指纹的三维细节点集合;任意一个四面体的四个顶点表示为(F1,F2,F3,F4),每一个顶点表示为Fk=(xk,yk,zk),k=1,2,3,4;
(2)Fi是F集合中的一个细节点,Ni={Fj|(Fi,Fj)∈E}表示在Delaunay三角化结构G中且与Fi相连顶点构成的细节点集合;
(3)通过Delaunay三角化算法得到在Ni上的四面体集合Gi={Ni,Ei},其中Gi是得到的四面体集合,Ei是四面体结构的边集合,Ni表示顶点集合;
(4)四面体集合放在一起,构成扩充的四面体集合S,S=G∪G1∪…∪Gn,n为细节点个数。
优选地,所述的基于扩展的四面体剖分结构的提取特征的步骤,具体为:
其中,t为这个四面体类型编号,表示四面体中所有内角中最大的内角,lmax和lmin分别代表该四面体的最长的边和最短的边,表示最长边的两个顶点的方向角之差,表示最短边的两个顶点的方向角之差,表示最长边的两个顶点的方位角之差,表示最短边的两个顶点的方位角之差;
所述的四面体类型编号的方法是:
然后,该三角面中第二大内角的顶点标记为V2,该三角面中最小内角的顶点标记为V3,四面体剩余的一个顶点标记为V4;
最后,四个顶点的类型使用向量表示(t1,t2,t3,t4),ti是Vi的细节点类型,可以对应如下表格获得该四面体的类型编号Class。
优选地,所述的根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤;具体为:
(1)比对每个四面体,判断四面体是否匹配:
将要进行比对的两个指纹设为指纹A和指纹B,指纹A上任意一个四面体特征表示为指纹B上任意一个四面体特征表示为判别匹配的条件:ΔLmax=|Lmax-L'max|,Δθmax=|θ-θ'|,Δφmin=|φ-φ'|
如果t≠t',则认为进行比对的两个四面体是不匹配的,且不再进行其他特征的比较;
如果t=t',则继续判断是否满足ΔLmax<TL,ΔLmin<TL,Δθmax<Tθ,Δθmin<Tθ,Δφmax<Tφ,Δφmin<Tφ,若是,则认为这两个四面体是匹配的,并记录下来;其中,TL、Tθ、Tφ分别表示最大内角的阈值参数、四面体的边长度阈值参数、边的两个顶点的方向角阈值参数、边的两个顶点的方位角阈值参数,且值都为设定;
(2)统计匹配的细节点数目:
若四面体匹配,那么该四面体四个细节点标记为匹配,并统计匹配的细节点的数目r;
(3)统计匹配分数:
(4)识别结果:
将匹配分数S与设定的匹配分数阈值TS进行比较,当S>TS时,则指纹A和指纹B匹配,否则两个指纹不匹配;其中,TS表示需达到的匹配分数阈值,其值为设定。
本发明的有益效果为:
本发明是采用非接触式进行指纹采集的,避免各个使用者之间出现交叉感染。
本发明设计的指纹识别算法,是基于一种新颖的四面体类型编码方法,具体是给二维细节点增加空间坐标z和三维方位角φ,使之映射成三维空间的三维细节点,之后构造扩展的四面体剖分结构并提取特征,在此过程中设计独有的四面体类型编号的过程。在接下来的比对过程中,一旦四面体的编号不匹配则不再进行其他信息的比对,由此方法使得模型匹配更高效。因此本发明具有更高的计算效率,减少识别所需时间的60-70%。
附图说明
图1为本发明流程图;
图2为本发明涉及的扩展的四面体剖分结构示意图;
图3为本发明涉及的扩展的四面体剖分结构中的一个四面体示意图;
图4为本发明涉及的三维指纹匹配算法流程;
图5为本发明涉及的提取的特征步骤涉及的特征示例;
图6为本发明涉及的2D指纹图像的示例;
图7为本发明涉及的在二维指纹图像上提取二维细节点的图示。
具体实施方式
具体实施方式一:
本实施方式的一种非接触式3D指纹识别方法,如图1所示,所述方法通过以下步骤实现:
步骤一、由于三维指纹表面顶点的几何坐标容易受噪声扰动,顶点处法向方向会发生变化,导致三维细节点的三维方位角估计误差较大。所述本发明在此处提出:
基于主成分分析技术改进的三维细节点的三维方位角估计的步骤;用于提高三维方位角估计的精准度;
步骤二、构造扩展的四面体剖分结构的步骤;
步骤三、基于扩展的四面体剖分结构的提取特征的步骤;
其中,提取的特征包括:边、内角、二维方向角、三维方位角、四面体类型;
如图5所示,方向角为θ和方位角φ,方向角θ是X-Y平面上方向;方位角φ是空间上的方向;
步骤四、根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤;
本发明提出的一种新颖的四面体类型编码,使得模型匹配更高效,具有更高的计算效率。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的一种非接触式3D指纹识别方法,所述的基于主成分分析技术改进的三维细节点的三维方位角估计的步骤,具体为:
(1)获取二维指纹图像;二维指纹图像如图6所示;
(2)对二维指纹图像进行预处理操作;其中,预处理操作包括:提取指纹前景区域、指纹脊线提取、指纹细节点;
(3)在预处理后的二维指纹图像上提取二维细节点信息,二维细节点的信息包括坐标x、坐标y和二维方向角θ;其中二维细节点图示如图7所示;
(4)给二维细节点增加空间坐标z和三维方位角φ,使之映射成三维空间的三维细节点;
其中,空间坐标z的获取过程是:通过三维指纹模拟呈三维曲面,求取三维曲面,再通过二维细节点的xy获得位置属性z;
(5)估计上一步增加的三维细节点的三维方位角φ,具体为:
为提高三维细节点的三维方位角的估计精准度,设点F表示三维细节点;
利用三维细节点F周围m邻域内的所有顶点vi∈R3以这些顶点vi作为基础,使用主成分分析法计算三维细节点F的法向方向;令其中,T表示转置;R3表示三维空间,表示中间值,t表示vi的个数;由构成的协方差矩阵其中,T表示转置;wi表示权重,
通过协方差矩阵C改进三维细节点F的法向方向的估计方法,其中F表示三维细节点,a表示权重参数,参数m表示邻域个数;
(6)设指纹细节点的个数为k个,之后,通过现有提取指纹细节点方法提取指纹细节点;则指纹细节点集合表示为Fk=(xk,yk,zk,θk,φk),其中,(xk,yk,zk)为三维细节点空间坐标,(θk,φk)为三维细节点的二维方向角和三维细节点的三维方位角;
具体实施方式三:
与具体实施方式一不同的是,本实施方式的一种非接触式3D指纹识别方法,所述的构造扩展的四面体剖分结构的步骤,具体为,
细节点的匹配问题可以理解为集合P和集合Q中元素之间的最佳对应关系,从而得到匹配分数。现有匹配方法,往往需要对两个集合中元素进行对齐操作,而这种对齐操作计算复杂度较高,本发明引入点云狄洛尼三角剖分来得到三维指纹细节点的四面体,并在得到的三维指纹细节点的四面体上进行匹配。这样减少60-701%的计算量,但是当出现虚假细节点或者出现细节点丢失的情况时,会导致四面体结构错误,进而四面体匹配出现错误。为了克服这样问题,提出扩充的四面体集合,提高四面体匹配时的鲁棒性。
应用点云狄洛尼三角剖分重新构造扩展的Delaunay四面体剖分结构,具体过程如下:
(1)应用现有Delaunay三角化算法,在三维空间中采用Delaunay三角化算法得到四面体结构G={F,E},其中E是四面体结构的边集合,F={Fi|i=1...N}表示某一指纹的三维细节点集合;任意一个四面体的四个顶点表示为(F1,F2,F3,F4),每一个顶点表示为Fk=(xk,yk,zk),k=1,2,3,4;
(2)Fi是F集合中的一个细节点,Ni={Fj|(Fi,Fj)∈E}表示在Delaunay三角化结构G中且与Fi相连顶点构成的细节点集合;
(3)通过Delaunay三角化算法得到在Ni上的四面体集合Gi={Ni,Ei},其中Gi是得到的四面体集合,Ei是四面体结构的边集合,Ni表示顶点集合;
(4)将这些四面体集合放在一起,构成扩充的四面体集合S,S=G∪G1∪…∪Gn,n为细节点个数。
扩充的四面体集合S不仅包含原四面体结合G,还包含由顶点集合Ni生成的四面体集合;当出现细节点丢失时,也可以获得较高的匹配分数。
具体实施方式四:
与具体实施方式三不同的是,本实施方式的一种非接触式3D指纹识别方法,所述的基于扩展的四面体剖分结构的提取特征的步骤,具体为:
其中,t为这个四面体类型编号,表示四面体中所有内角中最大的内角,lmax和lmin分别代表该四面体的最长的边和最短的边,表示最长边的两个顶点的方向角之差,表示最短边的两个顶点的方向角之差,表示最长边的两个顶点的方位角之差,表示最短边的两个顶点的方位角之差;
所述的四面体类型编号t是一种新的类型表格,表示细节点的组合类型,每个细节点,可以分为两种类型端点或者分叉点;每个四面体,根据其四个顶点的细节点类型能够构造出16种类型编号;
所述的四面体类型编号的方法是:
然后,该三角面中第二大内角的顶点标记为V2,该三角面中最小内角的顶点标记为V3,四面体剩余的一个顶点标记为V4;
最后,四个顶点的类型使用向量表示(t1,t2,t3,t4),ti是Vi的细节点类型,可以对应如下表格获得该四面体的类型编号Class。例如,假设一个四面体四个顶点的类型表示为(e,e,e,b),e表示该点类型是端点,b表示该点类型是分叉点,则该四面体对应类型编号为2。
具体实施方式五:
与具体实施方式一、二或四不同的是,本实施方式的一种非接触式3D指纹识别方法,所述的根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤具体为:
(1)比对每个四面体,判断四面体是否匹配:
将要进行比对的两个指纹设为指纹A和指纹B,指纹A上任意一个四面体特征表示为指纹B上任意一个四面体特征表示为判别匹配的条件:ΔLmax=|Lmax-L'max|,Δθmax=|θ-θ'|,Δφmin=|φ-φ'|
如果t≠t',则认为进行比对的两个四面体是不匹配的,且不再进行其他特征的比较;
如果t=t',则继续判断是否满足ΔLmax<TL,ΔLmin<TL,Δθmax<Tθ,Δθmin<Tθ,Δφmax<Tφ,Δφmin<Tφ,若是,则认为这两个四面体是匹配的,并记录下来;其中,TL、Tθ、Tφ分别表示最大内角的阈值参数、四面体的边长度阈值参数、边的两个顶点的方向角阈值参数、边的两个顶点的方位角阈值参数,且值都为设定;
(2)统计匹配的细节点数目:
若四面体匹配,那么该四面体四个细节点标记为匹配,并统计匹配的细节点的数目r;
(3)统计匹配分数:
(4)识别结果:
将匹配分数S与设定的匹配分数阈值TS进行比较,如图4所示,图中的比较两个指纹的过程中,阈值都为设定。当S>TS时,则指纹A和指纹B匹配,否则两个指纹不匹配;其中,TS表示需达到的匹配分数阈值,其值为设定。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (5)
1.一种非接触式3D指纹识别方法,其特征在于:所述方法通过以下步骤实现:
基于主成分分析技术改进的三维细节点的三维方位角估计的步骤;
构造扩展的四面体剖分结构的步骤;
基于扩展的四面体剖分结构的提取特征的步骤;
其中,提取的特征包括:边、内角、二维方向角、三维方位角、四面体类型;
根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤。
2.根据权利要求1所述的一种非接触式3D指纹识别方法,其特征在于:所述的基于主成分分析技术改进的三维细节点的三维方位角估计的步骤具体为:
(1)获取二维指纹图像;
(2)对二维指纹图像进行预处理操作;其中,预处理操作包括:提取指纹前景区域、指纹脊线提取、指纹细节点;
(3)在预处理后的二维指纹图像上提取二维细节点信息,二维细节点的信息包括坐标x、坐标y和二维方向角θ;
(4)给二维细节点增加空间坐标z和三维方位角φ,使之映射成三维空间的三维细节点;
其中,空间坐标z的获取过程是:通过三维指纹模拟呈三维曲面,求取三维曲面,再通过二维细节点的xy获得位置属性z;
(5)估计上一步增加的三维细节点的三维方位角φ,具体为:
设点F表示三维细节点;
利用三维细节点F周围m邻域内的所有顶点vi∈R3以这些顶点vi作为基础,使用主成分分析法计算三维细节点F的法向方向;令其中,T表示转置;R3表示三维空间,表示中间值,t表示vi的个数;由构成的协方差矩阵其中,T表示转置;wi表示权重,
通过协方差矩阵C改进三维细节点F的法向方向的估计方法,其中F表示三维细节点,a表示权重参数,参数m表示邻域个数;
(6)设指纹细节点的个数为k个,之后,提取指纹细节点;则指纹细节点集合表示为Fk=(xk,yk,zk,θk,φk),其中,(xk,yk,zk)为三维细节点空间坐标,(θk,φk)为三维细节点的二维方向角和三维细节点的三维方位角;
3.根据权利要求2所述的一种非接触式3D指纹识别方法,其特征在于:所述的构造扩展的四面体剖分结构的步骤的过程为,
应用点云狄洛尼三角剖分重新构造扩展的Delaunay四面体剖分结构,具体过程如下:
(1)应用Delaunay三角化算法,在三维空间中采用Delaunay三角化算法得到四面体结构G={F,E},其中E是四面体结构的边集合,F={Fi|i=1...N}表示某一指纹的三维细节点集合;任意一个四面体的四个顶点表示为(F1,F2,F3,F4),每一个顶点表示为Fk=(xk,yk,zk),k=1,2,3,4;
(2)Fi是F集合中的一个细节点,Ni={Fj|(Fi,Fj)∈E}表示在Delaunay三角化结构G中且与Fi相连顶点构成的细节点集合;
(3)通过Delaunay三角化算法得到在Ni上的四面体集合Gi={Ni,Ei},其中Gi是得到的四面体集合,Ei是四面体结构的边集合,Ni表示顶点集合;
(4)四面体集合放在一起,构成扩充的四面体集合S,S=G∪G1∪…∪Gn,n为细节点个数。
4.根据权利要求3所述的一种非接触式3D指纹识别方法,其特征在于:所述的基于扩展的四面体剖分结构的提取特征的步骤,具体为:
其中,t为这个四面体类型编号,表示四面体中所有内角中最大的内角,lmax和lmin分别代表该四面体的最长的边和最短的边,表示最长边的两个顶点的方向角之差,表示最短边的两个顶点的方向角之差,表示最长边的两个顶点的方位角之差,表示最短边的两个顶点的方位角之差;
所述的四面体类型编号的方法是:
然后,该三角面中第二大内角的顶点标记为V2,该三角面中最小内角的顶点标记为V3,四面体剩余的一个顶点标记为V4;
最后,四个顶点的类型使用向量表示(t1,t2,t3,t4),ti是Vi的细节点类型,可以对应如下表格获得该四面体的类型编号Class。
5.根据权利要求4所述的一种非接触式3D指纹识别方法,其特征在于:所述的根据提取的特征比对每个待匹配的四面体,对于符合匹配条件的四面体进行计数,并利用计数结果统计匹配分数,依据匹配分数确定是否匹配的步骤,具体为:
(1)比对每个四面体,判断四面体是否匹配:
将要进行比对的两个指纹设为指纹A和指纹B,指纹A上任意一个四面体特征表示为指纹B上任意一个四面体特征表示为判别匹配的条件:ΔLmax=|Lmax-L'max|,Δθmax=|θ-θ'|,Δφmin=|φ-φ'|
如果t≠t',则认为进行比对的两个四面体是不匹配的,且不再进行其他特征的比较;
如果t=t',则继续判断是否满足ΔLmax<TL,ΔLmin<TL,Δθmax<Tθ,Δθmin<Tθ,Δφmax<Tφ,Δφmin<Tφ,若是,则认为这两个四面体是匹配的,并记录下来;其中,TL、Tθ、Tφ分别表示最大内角的阈值参数、四面体的边长度阈值参数、边的两个顶点的方向角阈值参数、边的两个顶点的方位角阈值参数,且值都为设定;
(2)统计匹配的细节点数目:
若四面体匹配,那么该四面体四个细节点标记为匹配,并统计匹配的细节点的数目r;
(3)统计匹配分数:
(4)识别结果:
将匹配分数S与设定的匹配分数阈值TS进行比较,当S>TS时,则指纹A和指纹B匹配,否则两个指纹不匹配;其中,TS表示需达到的匹配分数阈值,其值为设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533258.2A CN114842516B (zh) | 2022-05-12 | 2022-05-12 | 一种非接触式3d指纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533258.2A CN114842516B (zh) | 2022-05-12 | 2022-05-12 | 一种非接触式3d指纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842516A true CN114842516A (zh) | 2022-08-02 |
CN114842516B CN114842516B (zh) | 2023-04-21 |
Family
ID=82569057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533258.2A Active CN114842516B (zh) | 2022-05-12 | 2022-05-12 | 一种非接触式3d指纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842516B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080281839A1 (en) * | 2007-05-08 | 2008-11-13 | Laser-Scan, Inc. | Three-Dimensional Topology Building Method and System |
US20120173590A1 (en) * | 2011-01-05 | 2012-07-05 | Beijing Uniwtech Co., Ltd. | System, implementation, application, and query language for a tetrahedral data model for unstructured data |
WO2013106720A1 (en) * | 2012-01-12 | 2013-07-18 | Schlumberger Canada Limited | Method for constrained history matching coupled with optimization |
CN103927542A (zh) * | 2014-04-25 | 2014-07-16 | 陕西科技大学 | 一种三维指纹特征提取方法 |
CN107729619A (zh) * | 2017-09-19 | 2018-02-23 | 哈尔滨工业大学 | 一种基于comsol的单侧计轴传感器建模方法 |
CN107958208A (zh) * | 2017-11-15 | 2018-04-24 | 西安电子科技大学 | 一种基于传播算法的指纹交叉库匹配方法 |
CN108830902A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于点云处理的散乱工件识别与定位方法 |
CN110532915A (zh) * | 2019-08-20 | 2019-12-03 | 东南大学 | 基于法向量方位角局部熵的三维人脸遮挡判别方法 |
-
2022
- 2022-05-12 CN CN202210533258.2A patent/CN114842516B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080281839A1 (en) * | 2007-05-08 | 2008-11-13 | Laser-Scan, Inc. | Three-Dimensional Topology Building Method and System |
US20120173590A1 (en) * | 2011-01-05 | 2012-07-05 | Beijing Uniwtech Co., Ltd. | System, implementation, application, and query language for a tetrahedral data model for unstructured data |
WO2013106720A1 (en) * | 2012-01-12 | 2013-07-18 | Schlumberger Canada Limited | Method for constrained history matching coupled with optimization |
CN103927542A (zh) * | 2014-04-25 | 2014-07-16 | 陕西科技大学 | 一种三维指纹特征提取方法 |
CN107729619A (zh) * | 2017-09-19 | 2018-02-23 | 哈尔滨工业大学 | 一种基于comsol的单侧计轴传感器建模方法 |
CN107958208A (zh) * | 2017-11-15 | 2018-04-24 | 西安电子科技大学 | 一种基于传播算法的指纹交叉库匹配方法 |
CN108830902A (zh) * | 2018-04-19 | 2018-11-16 | 江南大学 | 一种基于点云处理的散乱工件识别与定位方法 |
CN110532915A (zh) * | 2019-08-20 | 2019-12-03 | 东南大学 | 基于法向量方位角局部熵的三维人脸遮挡判别方法 |
Non-Patent Citations (4)
Title |
---|
COURTNEY RICHARD PITCHER: ""Matching optical coherence tomography fingerprint scans using an iterative closest point pipeline"" * |
JAVAD KHODADOUST等: ""Fingerprint indexing based on expanded Delaunay triangulation"" * |
WENCHENG YANG等: ""Application of 3D Delaunay Triangulation in Fingerprint Authentication System"" * |
严剑锋等: ""基于PCA和Delaunay剖分点云配准算法研究"" * |
Also Published As
Publication number | Publication date |
---|---|
CN114842516B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abraham et al. | Fingerprint matching using a hybrid shape and orientation descriptor | |
WO2017219391A1 (zh) | 一种基于三维数据的人脸识别系统 | |
Tevs et al. | Isometric registration of ambiguous and partial data | |
Li et al. | Multiscale Features for Approximate Alignment of Point-based Surfaces. | |
CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN104091162A (zh) | 基于特征点的三维人脸识别方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
WO2008056777A1 (fr) | Système d'authentification et procédé d'authentification | |
CN110895683B (zh) | 一种基于Kinect的单视点手势姿势识别方法 | |
Veltkamp et al. | SHREC'11 Track: 3D Face Models Retrieval. | |
JP3914864B2 (ja) | パターン認識装置及びその方法 | |
Ouyang et al. | Fingerprint pose estimation based on faster R-CNN | |
Yu et al. | Sparse ICP with resampling and denoising for 3D face verification | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
Arvanitis et al. | Broad-to-narrow registration and identification of 3D objects in partially scanned and cluttered point clouds | |
Cui et al. | Dense registration and mosaicking of fingerprints by training an end-to-end network | |
CN114821685B (zh) | 一种基于PSO优化Delaunay三角化的非接触式3D指纹识别方法 | |
Tang et al. | 3D face recognition with asymptotic cones based principal curvatures | |
Castillo-Rosado et al. | Latent fingerprint matching using distinctive ridge points | |
Wang et al. | Sphere-spin-image: A viewpoint-invariant surface representation for 3D face recognition | |
CN114842516A (zh) | 一种非接触式3d指纹识别方法 | |
CN111127667A (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
CN106407902A (zh) | 一种基于几何差异的飞机目标识别方法 | |
You et al. | Multi-channel deep 3D face recognition | |
CN107229935B (zh) | 一种三角形特征的二进制描述方法 |
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 |