CN1305001C - 一种智能卡内指纹特征匹配方法 - Google Patents

Abstract

本发明涉及利用指纹细节特征和方向场实现指纹的特征匹配的方法。一种智能卡内指纹特征匹配方法，适用于在智能卡内实现指纹图像特征匹配，包括：方向场估计步骤：计算出输入指纹图像每个像素的方向：方向场特征提取步骤：计算出输入指纹图像方向场特征；特征点提取步骤：提取出输入指纹图像的细节特征；指纹图像配准步骤：找到输入指纹图像与被比较指纹图像特征之间的对应关系；特征点匹配步骤：比较输入指纹图像与被比较指纹图像的特征点，计算出匹配数值并给出匹配结果。本发明的方法，可以更方便、准确的判断指纹图像匹配，较传统的匹配方法，有较大的优势。

Description

一种智能卡内指纹特征匹配方法

技术领域

本发明涉及模式识别和生物识别或鉴别领域，特别涉及利用指纹细节特征和方向场实现指纹的特征匹配的方法。

技术背景

随着计算机和信息处理技术的发展，人们在二十世纪六十年代开始使用计算机来处理指纹。在世界许多国家都开展了自动指纹识别系统的研究与应用，最初这些系统使用在司法鉴定上，经过不断的发展，现在指纹识别技术已经是比较成熟的技术。伴随着现代电子集成制造技术的飞速发展和快速可靠的方法的研究，指纹识别技术的应用已经不再局限于法律、公安领域，现在指纹识别系统被广泛的应用于通讯、保险、医疗卫生、计算机控制系统、门禁系统、考勤系统、网上交易和身份证件等各种领域。

指纹识别是典型的模式识别。首先将提取的指纹输入计算机，然后通过一系列复杂的指纹识别方法在短时间内完成身份认证。指纹识别主要是由指纹的特征提取和特征匹配两大部分组成的。

传统的指纹匹配方法是在利用指纹特征点来进行指纹匹配的，但是利用特征点进行匹配受指纹图像质量的影响比较大，经常会出现由于特征点少造成指纹无法配准的情况，这样就影响了识别率。

发明内容

本发明的目的是提供一种实用的指纹匹配方法，能够利用指纹的特征点和方向场特征精确地得出匹配结果。指纹的方向场配准指纹并利用特征点得出匹配结果。

为此，本发明采用如下技术方案：

一种智能卡内指纹特征匹配方法，适用于在智能卡内实现指纹图像特征匹配，其特征在于包括：

方向场估计步骤：计算出输入指纹图像每个像素的方向；

方向场特征提取步骤：计算出输入指纹图像方向场特征；

特征点提取步骤：提取出输入指纹图像的细节特征；

指纹图像配准步骤：找到输入指纹图像与模板指纹图像特征之间的最佳变换关系；

特征点匹配步骤：根据找到的最佳变换，分别计算匹配特征点之间的相似性等级以及输入指纹图像与模板指纹图像的方向场匹配值，并据此给出两幅指纹图像匹配与否的结果。

所述的特征点匹配步骤，是通过比较输入指纹图像与模板指纹图像的特征点以及方向场特征来完成的。

所述的方向场估计的步骤，进一步包括：

(1)将输入指纹图像分成大小为W×W的块，其中，W为整数；

(2)计算每个块中每个像素的梯度G_x和G_y；

(3)计算每一块的局部主方向：

$\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}2G_x(u,v)G_y(u,v)}{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}(G_x^2(u,v)-G_y^2(u,v))}\right)$

其中G_x和G_y分别是x和y方向上的梯度，W是用来估计方向场的块的宽度，θ(i，j)是点(i，j)所在块的主方向。

所述的方法，还包括将得到的局部主方向归一化的步骤：

把θ(i，j)归一化到-90°～+90°。

所述的方向场特征提取的步骤，进一步包括：

(1)将整个输入指纹图像分成大小为W_d×W_d的块；

(2)计算每一块内的各点方向的均值；

(3)所有块的平均方向作为方向特征。

所述的特征点提取步骤，进一步包括：

(1)使用图像处理的方法提取出输入指纹图像的末梢点和分叉点细节特征；

(2)将细节特征点的x和y坐标及方向保存。

所述的指纹图像配准步骤，进一步包括：

(1)将输入指纹图像的特征点变换到模板指纹图像的参数空间中，采用变换公式：

$\left(\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\Δ\θ}& -\sin \mathrm{\Δ\θ}\\ \sin \mathrm{\Δ\θ}& \cos \mathrm{\Δ\θ}\end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)+\left(\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δy}\end{array}\right)$

其中(Δx，Δy，Δθ)表示一个相似性变换的一组参数，Δθ为旋转角，Δx和Δy分别是x和y方向上的平移；

(2)使用一对特征点作为参考点，利用它们之间的坐标和方向关系来构造相似变换，将输入指纹图像特征点变换到模板指纹特征点的坐标空间中；

(3)在极坐标系下比较两个特征点集，利用下面的公式将模板指纹图像和输入指纹图像的所有特征点都相对于各自图像的参考点变换到极坐标系下：

其中(x_i ^*，y_i ^*，θ_i ^*)表示特征点的坐标，(x^r，y^r，θ^r)是参考点的坐标，(r_i，_i，θ_i)是特征点(x_i ^*，y_i ^*，θ_i ^*)的极坐标表示，r_i是半径，_i是极角，θ_i是特征点的方向；

(4)以模板指纹图像的每一个特征点为中心，沿着极角的方向构造弹性窗口；

(5)对于每一个模板指纹图像特征点，如果在它的弹性窗口内有输入指纹图像的特征点，并且它们之间满足下述关系，则判定它们是匹配了的特征点：

其中r_i和r_j，_i和_j，θ_i和θ_j分别是模板指纹特征点和输入指纹特征点的半径，极角和特征点方向，r_Max和_Max分别是对应于半径r_i最大允许的半径差和极角差，θ_Max是最大允许的特征点方向差；

(6)以每一对特征点为参考点，计算各自匹配了的特征点数，选取使匹配了的特征点数达到最大的变换作为指纹配准最佳变换。

所述的特征点匹配步骤，进一步包括：

(1)使用找到的最佳变换将输入指纹变换到模板指纹坐标空间上；

(2)将特征点变换到极坐标系下；

(3)对于每一对匹配了的特征点计算一个相似性等级：

其中，Δr，Δ，Δθ分别是模板和输入特征点半径、极角和特征点方向的差别，r，和θ分别是最大的半径差，极角差和特征点方向差，sl_i是每一对匹配特征点的相似性等级；

(4)对所有匹配特征点的相似性等级计算平均值sl。

所述的方向场匹配步骤，进一步包括：

(1)将输入指纹的方向场依据配准的参数变换到模板指纹坐标系中；

(2)将输入的指纹图像分块并求出块内的平均方向和方差；

(3)比较输入指纹图像和模板指纹图像对应块的方向场均值和方差，如果方向场间的均值和方差的差异小于一个阈值，就认为它们是匹配了的方向场，否则就是方向场不匹配。

所述的方法，计算方向场的匹配值采用如下公式：

$O_s=\frac{100N_o}{M_o},$

其中N_o是匹配了的方向场块数，M_o是重合的方向场块数，O_s是方向场的匹配值。

所述的计算匹配值，采用如下判定条件：

其中，M_n是两幅指纹中匹配的特征点数，T_m1和T_m2分别是匹配的特征点的最小和最大阈值，sl是匹配特征点的相似性等级，SL是相似性等级的阈值，O_s是方向场的匹配值，T_o是方向场匹配值的阈值，Res是两幅指纹的匹配结果：0是不匹配，1为匹配。

本发明的方法，可以更方便、准确的判断指纹图像匹配，较传统的匹配方法，有较大的优势。本发明中所述的方法，整个指纹特征匹配过程在智能卡内完成。该方法加入了反映指纹全局特征的方向场特征，使匹配方法结合了指纹的局部特征(特征点)和全局特征(方向场)。这样在一定程度上解决了当来自同一个手指的两幅指纹的匹配的特征点数和来自于不同手指的指纹的偶然匹配的特征点数相当时只采用局部特征无法分辨的问题，在增加少量运算和存储空间的情况下提高了识别率。

附图说明

图1是本发明使用滑动窗口的方法快速计算输入点的方向的示意图；

图2是本发明对模板指纹图像进行分块的示意图。

具体实施方式

下面结合说明书附图来说明本发明的具体实施方式。

这一方法的主要步骤分别是：方向场的估计，方向场特征的计算，特征点提取，指纹图像配准，指纹特征点匹配，指纹方向场特征匹配和计算匹配值。下面对其逐一介绍。

方向场的估计：

指纹图像具有很强的方向性。方向场图像是这样的一幅图像，图像上每一个点的方向就表示该点处局部脊线的方向。指纹的方向场描述了指纹的整体纹路形状，它是指纹图像最基本的一个全局特征。

由于指纹的方向性只有在适当大小的区域内才能观察出来，所以通常方向场都是通过对图像分块，然后再分别计算每一个块的主方向作为脊线的方向。指纹的方向场可以用如下的步骤进行估计：

(1)将输入的指纹图像分成大小为W×W的块(我们使用16×16的块)；

(2)计算每个块中每个像素的梯度G_x和G_y；

(3)利用下式计算每一块的局部主方向。

$\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}2G_x(u,v)G_y(u,v)}{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}(G_x^2(u,v)-G_y^2(u,v))}\right)$

其中G_x和G_y分别是x和y方向上的梯度，W是用来估计方向场的块的宽度，θ(i，j)是点(i，j)所在块的主方向。最后把θ(i，j)归一化到-90°～+90°。

为了计算出图像上每一个点的方向，并且加快处理速度，我们使用了滑动窗口的方法来快速计算每个点的方向，如图1。

方向场特征的提取：

为了节省存储空间，我们需要从指纹的方向场中提取特征以减少存储量。对于模板指纹图像，我们将图像分成大小为W_d×W_d的块，计算每个块内各点方向的均值和标准方差作为方向场特征，如图2。对于输入指纹图像，我们在匹配过程中使用上述方法计算出它的方向场。

特征点提取：

为了比较两幅指纹图像，我们需要提取出指纹的特征。提取出的指纹特征是与匹配方法相关的，为了使指纹特征的比较过程能够在智能卡内实现，在我们的方法中使用一种新的图像处理方法提取出指纹的末梢点和分叉点两种细节特征，并将细节特征点的x和y坐标及方向记录在指纹模板中。

该提取方法包括以下一些步骤：

1.指纹图像前景和背景的分割；

2.指纹图像二值化：将灰度图像转化为只有0，1两种取值的二值图像；

3.细化：将具有一定宽度的黑区域在保持形状特征的前提下变换成单像素宽的线条；

4.特征点提取：提取出特征点的x和y坐标以及方向；

5.后处理：验证真正的特征点，去除虚假的特征点。

指纹图像配准步骤：

对于待匹配的模板指纹和输入指纹，由于我们事先不知道这两幅指纹间的对应关系，首先要找到合适的变换将它们对应起来，这个过程就是指纹的配准。在我们的方法中，指纹配准是通过特征点来进行的。为了达到配准的目的，我们使用相似性变换来获得正确的变换参数和对应的参考点。无论两幅指纹是否来自于同一个手指，我们考虑下面的相似性变换：

$\left(\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\Δ\θ}& -\sin \mathrm{\Δ\θ}\\ \sin \mathrm{\Δ\θ}& \cos \mathrm{\Δ\θ}\end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)+\left(\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δy}\end{array}\right)$

其中(Δx，Δy，Δθ)表示一个相似性变换的一组参数，Δθ为旋转角，Δx和Δy分别是x和y方向上的平移。对于任意一组相似变换参数，都可以将输入指纹的特征点变换到模板指纹的参数空间中。

我们使用一对特征点(一个来自于模板指纹，一个来自于输入指纹)作为参考点，利用它们之间的坐标和方向关系来构造相似变换，将输入指纹特征点变换到模板指纹特征点的坐标空间中。然后，我们要在极坐标系下比较两个特征点集，利用下面的公式将模板指纹和输入指纹的所有特征点都相对于各自图像的参考点变换到极坐标系下：

其中(x_i ^*，y_i ^*，θ_i ^*)表示特征点的坐标，(x^r，y^r，θ^r)是参考点的坐标，(r_i，_i，θ_i)是特征点(x_i ^*，y_i ^*，θ_i ^*)的极坐标表示，r_i是半径，_i是极角，θ_i是特征点的方向。我们以模板指纹的每一个特征点为中心，沿着极角的方向构造弹性窗口。弹性窗口的大小是随着半径成比例变化的。特征点的半径越大，最大极角差越小，最大半径差越大；特征点的半径越小，最大极角差越大，最大半径差越小。对于每一个模板指纹特征点，如果在它的弹性窗口内有输入指纹的特征点，并且它们之间满足下述关系，称它们是匹配了的特征点：

其中r_i和r_j，_i和_j，θ_i和θ_j分别是模板指纹特征点和输入指纹特征点的半径，极角和特征点方向，r_Max和_Max分别是对应于半径r_i最大允许的半径差和极角差，θ_Max是最大允许的特征点方向差。

分别以每一对特征点(一个来自于模板指纹，一个来自于目标指纹)为参考点，计算各自匹配了的特征点数。使匹配了的特征点数达到最大的变换就是是指纹配准最好的变换。

特征点匹配：

我们使用找到的变换将输入指纹变换到模板指纹坐标空间上，然后按照上一步中的方法将特征点变换到极坐标系下。为了更好的反映特征点匹配的好坏程度，对于每一对匹配了的特征点我们还要计算一个相似性等级：

其中，Δr，Δ，Δθ分别是模板和输入特征点半径、极角和特征点方向的差别，r，和θ分别是最大的半径差，极角差和特征点方向差，sl_i是每一对匹配特征点的相似性等级。通常，方向的差别比半径的差别更显著，我们使用加权平均来强调方向间的差别。这样，每一对匹配了的特征点都赋予了一个从0到1表示匹配准确程度的相似性等级。

当找到所有匹配了的特征点，并且给他们赋予了相似性等级后，我们对所有匹配特征点的相似性等级计算平均值sl。

方向场特征匹配：

指纹图像前景和背景的比较输入指纹图像与模板指纹图像的特征点，计算出匹配数值；

在特征点匹配之后，为了进一步增加可靠性，我们还要考察方向场间的匹配程度，将输入指纹的方向场依据配准的参数变换到模板指纹坐标系中，然后按照和模板指纹录入时相同的方法分块并求出块内的平均方向和方差。然后比较输入指纹和模板指纹对应块的方向场均值和方差。如果方向场间的均值和方差的差异小于一个阈值，就认为它们是匹配了的方向场，否则就是方向场不匹配。为了表示两个指纹方向场的相似性，我们用下式来计算方向场的匹配值：

$O_s=\frac{100N_o}{M_o},$

其中N_o是匹配了的方向场块数，M_o是重合的方向场块数，O_s是方向场的匹配值。

计算匹配值：

我们用下面的公式给出匹配的结果：

其中，M_n是两幅指纹中匹配的特征点数，T_m1和T_m2分别是匹配的特征点的最小和最大阈值，sl是前面定义的匹配特征点的相似性等级，SL是相似性等级的阈值，O_s是方向场的匹配值，T_o是方向场匹配值的阈值，Res是两幅指纹的匹配结果：0是不匹配，1为匹配。

一般的指纹特征匹配方法是在智能卡外进行的。本发明中所述的方法，整个指纹特征匹配过程在智能卡内完成，而且我们在匹配过程中引入方向场特征，在增加少量运算和存储空间的情况下提高了识别率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1、一种智能卡内指纹特征匹配方法，适用于在智能卡内实现指纹图像特征匹配，其特征在于包括：

方向场估计步骤：计算出输入指纹图像每个像素的方向；

方向场特征提取步骤：计算出输入指纹图像方向场特征；

特征点提取步骤：提取出输入指纹图像的细节特征；

指纹图像配准步骤：找到输入指纹图像与模板指纹图像特征之间的最佳变换关系；

特征点匹配步骤：根据找到的最佳变换，分别计算匹配特征点之间的相似性等级以及输入指纹图像与模板指纹图像的方向场匹配值，并据此给出两幅指纹图像匹配与否的结果。

2、如权利要求1所述的方法，其特征在于所述的方向场估计的步骤，进一步包括：

(1)将输入指纹图像分成大小为W×W的块，其中，W为整数；

(2)计算每个块中每个像素的梯度G_x和G_y；

(3)计算每一块的局部主方向：

$\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}2G_x(u,v)G_y(u,v)}{\underset{u=i-W/2}{\overset{i+W/2}{\mathrm{\Σ}}}\underset{v=j-W/2}{\overset{j+W/2}{\mathrm{\Σ}}}(G_x^2(u,v)-G_y^2(u,v))}\right)$

其中G_x和G_y分别是x和y方向上的梯度，W是用来估计方向场的块的宽度，θ(i，j)是点(i，j)所在块的主方向。

3、如权利要求2所述的方法，其特征在于还包括将得到的局部主方向归一化的步骤：

把θ(i，j)归一化到-90°～+90°。

4、如权利要求1所述的方法，其特征在于所述的方向场特征提取的步骤，进一步包括：

(1)将整个指纹图像分成大小为W_d×W_d的块；

(2)计算每一块内的各点方向的均值；

(3)所有块的平均方向作为方向特征。

5、如权利要求1所述的方法，其特征在于所述的特征点提取步骤，进一步包括：

(1)使用图像处理的方法提取出输入指纹图像的末梢点和分叉点细节特征；

(2)将细节特征点的x和y坐标及方向保存。

6、如权利要求1所述的方法，其特征在于所述的指纹图像配准步骤，进一步包括：

(1)将输入指纹图像的特征点变换到模板指纹图像的参数空间中，采用变换公式：

$\left(\begin{array}{c}{x}^{\′}\\ y^{\′}\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\Δ\θ}& -\sin \mathrm{\Δ\θ}\\ \sin \mathrm{\Δ\θ}& \cos \mathrm{\Δ\θ}\end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)+\left(\begin{array}{c}\mathrm{\Δx}\\ \mathrm{\Δy}\end{array}\right)$

其中(Δx，Δy，Δθ)表示一个相似性变换的一组参数，Δθ为旋转角，Δx和Δy分别是x和y方向上的平移；

(2)使用一对特征点作为参考点，利用它们之间的坐标和方向关系来构造相似变换，将输入指纹图像特征点变换到模板指纹特征点的坐标空间中；

(3)在极坐标系下比较两个特征点集，利用下面的公式将模板指纹图像和输入指纹图像的所有特征点都相对于各自图像的参考点变换到极坐标系下：

其中(x_i ^*，y_i ^*，θ_i ^*)表示特征点的坐标，(x^r，y^r，θ^r)是参考点的坐标，(r_i，_i，θ_i)是特征点(x_i ^*，y_i ^*，θ_i ^*)的极坐标表示，r_i是半径，_i是极角，θ_i是特征点的方向；

(4)以模板指纹图像的每一个特征点为中心，沿着极角的方向构造弹性窗口；

(5)对于每一个模板指纹图像特征点，如果在它的弹性窗口内有输入指纹图像的特征点，并且它们之间满足下述关系，则判定它们是匹配了的特征点：

其中r_i和r_j，_i和_j，θ_i和θ_j分别是模板指纹特征点和输入指纹特征点的半径，极角和特征点方向，r_Max和_Max分别是对应于半径r_i最大允许的半径差和极角差，θ_Max是最大允许的特征点方向差；

(6)以每一对特征点为参考点，计算各自匹配了的特征点数，选取使匹配了的特征点数达到最大的变换作为指纹配准最佳变换。

7、如权利要求1所述的方法，其特征在于所述的特征点匹配步骤，进一步包括：

(1)使用找到的最佳变换将输入指纹变换到模板指纹坐标空间上；

(2)将特征点变换到极坐标系下；

(3)对于每一对匹配了的特征点计算一个相似性等级：

其中，Δr，Δ，Δθ分别是模板和输入特征点半径、极角和特征点方向的差别，r，和θ分别是最大的半径差，极角差和特征点方向差，sl_i是每一对匹配特征点的相似性等级；

(4)对所有匹配特征点的相似性等级计算平均值sl。

8、如权利要求7所述的方法，其特征在于所述的方向场匹配步骤，进一步包括：

(1)将输入指纹的方向场依据配准的参数变换到模板指纹坐标系中；

(2)将输入的指纹图像分块并求出块内的平均方向和方差；

(3)比较输入指纹图像和模板指纹图像对应块的方向场均值和方差，如果方向场间的均值和方差的差异小于一个阈值，就认为它们是匹配了的方向场，否则就是方向场不匹配。

9、如权利要求8所述的方法，其特征在于计算方向场的匹配值采用如下公式：

$O_s=\frac{{100N}_o}{M_o},$

其中N_o是匹配了的方向场块数，M_o是重合的方向场块数，O_s是方向场的匹配值。

10、如权利要求9所述的方法，其特征在于所述的匹配结果判断，采用如下判定条件：

$\mathrm{Res}=\left\{\begin{array}{cccc}0& \mathrm{if}& & M_n<T_{m1}\\ \left\{\begin{array}{ccc}& & T_{m1}<M_n<T_{m2}\\ 1& \mathrm{if}& \mathrm{sl}>\mathrm{SL}\\ & & O_s>T_o\\ 0& \mathrm{else}& \end{array}\right.& & & \\ 1& \mathrm{else}& \mathrm{if}& M_n>T_{m2}\end{array}\right.,$

其中，M_n是两幅指纹中匹配的特征点数，T_m1和T_m2分别是匹配的特征点的最小和最大阈值，sl是匹配特征点的相似性等级，SL是相似性等级的阈值，O_s是方向场的匹配值，T_o是方向场匹配值的阈值，Res是两幅指纹的匹配结果：0是不匹配，1为匹配。