CN1480898A - 指纹识别系统 - Google Patents

Abstract

一种指纹识别系统，适用于对人手指的指纹鉴别。本发明系统特别是包含由“最小均方误差”值的算法所构成的倾斜水平校正器，图像增强二值化去噪器，由逐层迭代算法构成的图像细化器和由模糊松弛法构成的配对概率计算器。因此，本发明系统能够在信息不完备的情况下，以最大限度地判决，实现对多目标的识别。能够对于原始数据特征抽取过程清晰可见。所选取的特征点具有不变性，保证有较高的准确性。整个系统联接紧密，识别过程简捷而准确。识别速度较快，据识率较低。

Description

指纹识别系统

技术领域

本发明涉及一种识别系统，特别是涉及一种指纹识别系统。适用于对人手指的指纹鉴别。

背景技术

指纹具有唯一性及终身不变性。因而身份验证与身份识别中占有极其重要的地位。所谓指纹识别是要决定两幅指纹图是否来自同一个人的同一个手指。在先技术中，对指纹识别做了很多研究。艾森诺(Isenor)等人提出了一种用图匹配来对两幅指纹图像进行匹配的系统。芮查克(Hrechak)等人用结构匹配来做指纹识别。但，目前最常用的方式是用美国联邦调查局(FBI)提出的细节点坐标模式来做细节匹配。它利用脊末梢与脊线分支点这两种关键点来鉴定指纹。通过将细节点表示为点模型，指纹识别问题也就转化为点模式匹配问题。在先技术中，比较有名的大型指纹识别系统有：美国联邦调查局的“指纹自动识别系统”(AFIS)。英国迪莱里因迹公司的“指纹识别系统”(FIS)。日本电气株式会社(NEC)的“指纹鉴定系统”。北美莫弗公司的“指纹鉴别系统”等。这些系统体积都比较大，而且价格昂贵。近年来随着最新信息处理技术的发展，算法理论的研究以及计算机硬件高集成和低成本化，指纹识别的可靠性不断提高，使用范围也进一步扩大。但，在指纹识别的应用中，还存在着不少问题。例如，由于匹配效果的局限性，对指纹采集的要求甚高：若对摄入图像所做的预处理不够，会造成识别系统的据识和误识；例如，在中国专利96119761.7中，提出的平面形点自动对比辨别系统中就存在着对于低分辨率以及偏移，旋转图像的据识和误识率较高的缺点。

发明内容

本发明为了克服在先技术中的缺陷，结合模糊判别技术和指纹细节无损伤处理技术，提供一种指纹识别系统。

本发明的指纹识别系统主要包含：按照先后进入工作状态的顺序相互联接的有：指纹图像数据采集器1，原始图片保存器2，倾斜水平校正器3，图像增强二值化去噪器4，与图像数据库10相联的图像细化器5，特征点提取器6，与样本数据库11相联的配对概率计算器7，相似度计算器8，与比较记录数据库12相联的比较器9。

所说的图像细化器5是由逐层迭代算法构成。所说的配对概率计算器7是由模糊松弛法构成。

如上述本发明指纹识别系统的结构，由指纹图像数据采集器1和原始数据保存器2采集到的原始图像，经过倾斜水平校正器3利用“最小均方误差”值，对欲对比的图形点做“旋转”、“平移”的处理，将该组图形点调整到最适合对比的状态；再通过图像增强二值化去噪器4和图像细化器5进行图像增强、二值化、去噪和细化的图像预处理；经过预处理的图像送入特征点提取器6内，并存入图像数据库10。特征点提取器6寻找出图像的特征点，初选出所有的细节特征后送入配对概率计算器7；配对概率计算器7将这一图形与另一图形进行粗对比后，再利用模糊松弛法计算出两个图形所有点的配对概率；再由相似度计算器8根据两图形间所有点间配对概率的高低，计算两图形的相似程度指标；再经过比较器9根据预设的域值，判断两图像是否近似，将其结果输出并送入比较记录数据库12中。

本发明指纹识别系统突出的优点是：

<1>由上述本发明系统中，采用了模糊识别技术，使得在信息不完备的情况下，能最大限度地判决，实现对多目标的识别。

<2>由于本发明对初始图像进行“旋转”、“平移”以及图像增强、二值化、去噪和细化的图像预处理，所以，原始数据特征抽取过程清晰可见。

<3>由于上述本发明系统所选取的特征点是具有不变性的特征，这就保证了有较高的准确性。

<4>上述本发明系统的各个环节联接紧密，识别过程简捷而准确，识别速度比较快，据识率比较低。

<5>上述本发明的系统是基于图像的特征层进行模糊化，而不是直接在灰度上进行判别。这就大大减少了数据量。所以具有较快的速度。本发明改进了在先技术中所提出的利用模糊松弛模式匹配来做细节匹配的方式。本发明有效地解决了在先技术中在图像质量很差时，不能有效地进行指纹匹配识别的问题。

附图说明

图1是本发明指纹识别系统的结构示意图。

图2是本发明指纹识别系统的流程图。

图3是指纹图像的节点特征即端点和分歧点的示意图。

图4是读入的两幅待对比的256灰度的原始图象。

图5是图4中的两幅原始图像经过边缘锐化和增强后的图像。

图6是对图5中的两幅图像进行二值化，填充，去毛刺以及膨胀处理后的图像。

图7是图6中的两幅图像被进一步采用细化处理后的图像。

图8是图7中的两幅图像经过特征点提取器6提取其特征节点后的图像。

具体实施方式

下面结合附图和具体实施例进一步说明本发明的系统。

图1是本发明系统的结构示意图。系统中各个部分是按照先后进入工作状态的顺序相互联接的。首先是指纹图像数据采集器1和原始图片保存器2。指纹图像数据采集器1可以是光学扫描仪(作为原始图像的录入设备)。接着顺序联接的是倾斜水平校正器3，图像增强二值化去噪器4，与图像数据库10相联的图像细化器5，特征点提取器6、与本样数据库11相联的配对概率计算器7，相似度计算器8和与比较记录数据库12相联的比较器9。

所说的倾斜水平校正器3是由采用求“最小均方误差”值的算法构成。它是使原始图像初始化，确定初始化平移量和旋转量。

为解决图像资料特征点旋转、平移或比率缩放等变形、扭曲所产生的问题。本发明系统采用“最小均方误差”值，对欲对比的图形点作“旋转”、“平移”处理，以将该组图形点调整到最适合对比的状态。

因此，要使两组图像特征点达到最佳匹配，即使G组配对中的p点经过旋转和平移变化后，与其对应点q之间的距离平方和达到最小的问题。 $E=(\mathrm{tx},\mathrm{ty},\mathrm{\&theta;})=\mathrm{MIN}\underset{l=1}{\overset{G}{\mathrm{\&Sigma;}}}{(x_q\left(i\right)-x_p\left(i\right))}^2+{(y_q\left(i\right)-y_p\left(i\right))}^2----\left(1\right)$ 等价与寻找一组最优(tx，ty，θ)值。其中：

X_q(i)＝tx+X_p(i)cosθ-Y_p(i)sinθ，Y_q(i)＝ty+X_p(i)sinθ-Y_p(i)cosθ-------(2)X_q，Y_q，X_p，Y_p分别对应于q图和p图上的欧几里的坐标。其中tx、ty分别对应水平、垂直方向上的偏移量，θ对应旋转角度。

所说的图像增强二值化去噪器4是由图像增强、二值化、去噪的程序构成。主要是对图像进行预处理。

预处理的目的就是去除图像中的噪音把它变成一幅清晰的点线图，便于提取正确的指纹特征以及后部的匹配识别。预处理是指纹自动识别系统中极为关键的一步，它的好坏将直接影响着指纹识别的效果。预处理工作一般包括如下几步：图像增强，二值化，去噪，细化，细化后的去噪。二值化采用局部阈值二值化处理。经二值化处理不可避免的在指纹边缘出现毛刺、在指纹线内出现气泡现象。这些噪声如不及时处理掉，当进行细化后，由于图中存在着大量的伪特征点将会造成最终的误识或拒识。

图像增强，使目标膨胀。所谓目标膨胀，是使每一灰度值为1的像素点的8邻域中各点灰度值也置为1，将此过程迭代多次，这样，指纹的纹线就变粗，指纹纹线有残损的地方就连通了，从而进一步提高指纹连通区域的整体效果及精确度。在模糊化图像进行二值化的过程中，分离出来的目标，不仅含有所需的指纹纹理区，也可能夹杂一些残余的背景区和一些非指纹信息，会影响一些指纹纹线的连通性。而且在指纹图像的某些地方很可能有断裂或残损。因此，通过目标膨胀，对细节进行连通，使指纹纹线断裂或残损的地方补上，形成大小不一的各区域，这样，根据连通区域的面积大小就可以进一步准确定位指纹图像区域。

二值化的目的就是把灰度指纹图像变成0，1取值的二值图像。对一幅图像进行二值化，首先必须选取阈值，把高于阈值灰度的像素点转换为1，低于阈值的像素点转换为0。系统中阈值取每块的灰度均值。去除二值图中的噪声，主要是边缘打磨和去掉空洞。边缘打磨为使细化图线不是扭曲的边缘线。去空洞为使线没有伪特征叉点。系统中去空洞采用5×5的模板，若中心是白色，而周围是黑色，则把整个5×5模板的像素变黑。

如上述，二值化指纹图像是将灰度图像变成0、1两个灰度级的图像，前景点(指纹脊线)取作1，背景点取作0，以把指纹脊线提取出来，便于后续处理。根据指纹图中脊线与谷线宽度大致相等的特点，即二值化后黑白像素的个数应大致相同，采用局部域值自适应算法。指纹图分成w×w(w为一个纹线周期)的子块，在每一子块内计算灰度均值： $\mathrm{AV}=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}f(i,j)*f(i,j)}{w*w}----\left(3\right)$

其中：f(i，j)为子块内(i，j)的灰度值。在该块内若某一点的灰度值f(i，j)＞AV，则f(i，j)＝1；若f(i，j)≤AV，则f(i，j)＝0。对每一块都进行这样的处理，可得到二值图像。

二值化后的去噪由于灰度去噪的不完全及二值化过程又可能引入噪音，所以对二值化后的指纹图像还需进行一次二值滤波去噪，目的是去除或减弱图像中的噪音，增强图像中有意义的部分。这一过程可以填补二值化后纹线上的孔洞或者删除模式上的“毛刺”和孤立的值为1的像素，即包括填充和删除两个算法。

1、填充填充算法把同时满足以下条件的象素p值取为1：

a)p为0象素；

b)p的四邻域中有三个以上的邻点为1象素。

2、删除删除算法把同时满足以下条件的象素p值取为0：

a)p为1象素；

b)(p₁+p₂+p₃)(p₅+p₆+p₇)+(p₃+p₄+p₅)(p₇+p₈+p₁)＝0；

c)p点不是端点。

经过去噪后，原二值图中的大部分孔洞和“毛刺”被有效地清除了。

所说的图像细化器5是由逐层迭代算法构成。将上述经预处理过的图像采用逐层失代算法进行细化处理。细化及细化后的去噪处理细化是图像分析、信息压缩、特征提取和模式识别常用的基本技术，它使图像的每条纹线都变为单象素宽的“点线”，且细化后的纹线近似处理于原图的“中轴”。在指纹的自动识别过程中，需要把二值指纹图进行细化，可以大大减少冗余的信息，突出指纹纹线的主要特征，从而便于后面的特征提取。细化过程中，在判断是否删除一个前景象素点时，需要考虑其3×3邻域中除其自身外的8个象素点中的连接成分数。如果此连接成分数为1，则说明删除当前象素点不会改变原图的连通性；若大于1，则改变了原图的连通性。令Nc为p的8邻域中的连接成分数，则其由序列p₁p₂p₃p₄p₅p₆p₇p₈p₁中0→1变化的次数可以得到。

本发明系统采用逐层迭代算法。逐层迭代算法是把一次迭代分作两次扫描，细化过程中由周边向中间逐层细化，使细化结果位于原图的“中轴”。令BN为3×3窗口目标象素的个数： $\mathrm{BN}=\underset{i}{\mathrm{\&Sigma;}}\mathrm{pi},$

两次扫描中需满足的条件为：

(1)2≤BN≤6(排除p为端点和内部像点的情况)；

(2)若已标记p₁视为1时，有Nc＝1(保证删除当前象素不会改变原图的连通性)；

(3)p值是1(保证p为前景点)；

(4)当p₃或p₅已标记时，若视p₃，p₅为0，依然有Nc＝1(保证宽度为2的线条只删除一层像点，避免其断开)。

本发明的细化操作重复执行如下两个步骤：

第一步：从左到右，从上到下顺序扫描图像，对同时满足以上条件的象素，如果p₁p₃p₇＝0，且p₁p₅p₇＝0，则将其和上标记；

第二步：从左到右，从上到下顺序扫描图像，对同时满足以上条件的像素，如果p₁p₃p₅＝0，且p₃p₅p₇＝0，则将其作上标记。当扫描完整幅图像后，去掉作了标记的象素。重复一、二步过程，直至得到单位宽度的线条为止。

所说的特征点提出器6是寻找和提取指纹的细节特征。指纹的细节是指纹脊线形成的一些有用特征。按照国际上的通用标准，指纹的细节分为端点、分歧点、交叉和不确定型等四类。本发明的指纹识别中为了简单起见，采用的是其中具备良好特征的端点和分歧点。如图3所示。根据实际经验，对于一幅完整的指纹图像而言，真正的细节特征(端点和分歧点)一般不会超过100个。

本发明系统中使用了一个3×3的小窗口在细化后的指纹点线图上确定细节特征点的位置。假定脊线上的点用“1”表示，背景用“0”表示，用待检测点的八邻域点循环比较，若“0”，“1”变化有六次，则待测点为分歧点，若只有两次，则为端点。用3×3的模板逐点对细化后的指纹图像的脊线进行检测，就可初选出所有的细节特征。

所说的配对概率计算器7是采用模糊松弛法构成。就是对上述经过细化和找出细节特征的两幅图像进行粗对比后，再采用模糊松弛法计算第一个待比图形中的所有点与另一个图形中的所有点的配比概率。

对于计算一图形中所包含的任一点与另一图形所包含的任一点形成配对时，所应满足的最低条件，以消除两图形中不可能配对的点，借以节省计算时间。

粗对比的条件包括：(1)特征点的方向条件；(2)特征点的X轴平移条件；(3)特征点的Y轴平移条件。当一个图形中任一点与另一图形中的一点的方向及坐标特性满足此三条件时，认为该两点为可能的配对；否则认为不可能配对，予以标记。

所说的模糊松弛法是依据“计算两图形中一组的一点与另一组的一点配对概率时，是在该二点构成配对的前提下，计算该组的其他点与另一组的其他点的配对，对该配对的支持率”。计算两组平面图形点中一组的一点与另一组所有点间的配对概率，并利用向前顺序选取法选取最佳的配对点。 $S^{\left(r\right)}(\mathrm{pi},\mathrm{qj})=\frac{\mathrm{\&Sigma;}\left\{\max \right[S^{(r-1)}(\mathrm{pi},\mathrm{qj})*C_{\mathrm{ij}}(h,k)\left]\right\}}{m-1}----\left(4\right)$

其中S^(r)(pi，qj)代表修正到第r次时，pi点qj点配对的支持率，pi代表待对比的测试图形(p)中的一点，qj代表待对比的参考图形(Q)中的一点， $C_{\mathrm{ij}}(h,k)=\frac{1}{1+\mathrm{\&Delta;}},\mathrm{\&Delta;}=\left|\frac{l_{\mathrm{ih}}-l_{\mathrm{jk}}}{l_{\mathrm{ih}}+l_{\mathrm{jk}}}\right|----\left(5\right),$

l代表两点在同一平面时的距离，h代表图形p中非pi的点，k代表图形Q非qj的点，m为P、Q两图形所含点数的最小值，s^(°)(pi，qj)为0或1。

所说的相似度计算器8首先选取配对点进行计算两图形间近似程度。根据上述配对概率计算器7计算出的两图形间所有点间的配对概率高低，选取两图形最可能配对的点，计算两图形的相似程度指标。

计算两图形相似程度指标时，其考虑因子包括配对数K″(两个图形间成功配对的点数)、“参考图形配对概率”(S1配对数/参考图形的点数)、“测试验图形配对概率”(S2配对数待测图形的点数)、“平均配对概率”(所有选中配对概率的平均值 $\mathrm{md}=\frac{1}{k\left(\mathrm{\&Sigma;sim}\left(i\right)\right)})$ 及“平均配对点间的接近度“(S3＝1/(1+diff))diff是调整后和调整前的平均配对点间距离和)五种因子的关系(Score＝C*k2*S12*S32*md)，指标分数越高，代表两图形越相似。

所说的比较器9是判断两图形是否近似，根据预设的阈值，决定上述两图像是否近似。

图2是本发明系统运作过程(流程图)；

系统开机，系统的语言是采用C语言(Visual C⁺⁺)。系统操作环境是Windows，XP，2000，显卡支持：32色，中央逻辑控制单元(CPU)为奔腾III800赫兹芯片(P₁₁₁800)→等待新的待测图像→写入原始图像，设置比较初始值：(a)设置倾斜角度，范围从0-90。如果两幅待比图像的倾斜角度在这个范围之内，系统会自动进行调整。(b)设置阈值，该值是用于判断两幅待比图像是否相似的依据。如果系统计算的相似度大于阈值，则结果被接受。否则就认为两幅图不相似。将特征信息写入内存，系统时钟开始启动→进行预处理→进行细化处理→去除噪声处理→(有噪声，再去噪处理)→标准化图像格式→寻找并提取特征点→进行粗对比→计算配比概率→计算两图形之间的近似度→比较判断，报告和存储匹配结果。

图4是用光学扫描仪作为指纹图像数据采集器1所写入的两幅待对比的原始图像。这两幅原始图像的灰度是256。

图5是对上面两幅原始图像经过边缘锐化和增强图像的强度后的图像。

图6所显示的是对上面图5中两幅图像经过二值化，填充，去毛刺和膨胀处理后的图像。

图7所显示的是图6的图像经过细化处理后的图像。

图8显示出的是在图7的图像上所提取的特征点。其中，带方向的圆圈处为指纹特征点，a处两小圆圈为放大后的带方向指纹特征节点。

Claims (3)

1、一种指纹识别系统，主要包含：按照先后进入工作状态的顺序相互联接的有指纹图像数据采集器(1)，原始图片保存器(2)，与图像数据库(10)相联的图像细化器(5)，特征点提取器(6)，与样本数据库(11)相联的配对概率计算器(7)，相似度计算器(8)和与比较记录数据库(12)相联的比较器(9)，其特征在于：在原始图片保存器(2)与图像细化器(5)之间联接有倾斜水平校正器(3)，在倾斜水平校正器(3)与图像细化器(5)之间联接有图像增强二值化去噪器(4)；所说的图像细化器(5)是由逐层迭代算法构成；所说的配对概率计算器(7)是由模糊松弛法构成。

2、根据权利要求1所述的指纹识别系统，其特征在于所说的倾斜水平校正器(3)是由“最小均方误差”值的算法构成。

3、根据权利要求1所述的指纹识别系统，其特征在于所说的本发明指纹识别系统所使用的语言是C语言(C⁺⁺)。

Images