CN1506903A - 基于模板学习的自动指纹识别系统和方法 - Google Patents

Abstract

一种基于模板学习的自动指纹识别方法，包括步骤：指纹图像注册，记录指纹模板和待匹配指纹图像的特征信息；指纹图像识别，判断输入指纹图像的特征信息是否和系统数据库中的某指纹模板信息相似；细节信息反馈，利用知识规则，反馈匹配上的指纹图像信息，来完善多枚模板对应的可靠细节点类。本发明将同指纹多个模板的细节点分类，记录了这些类的核和类间类内距离等信息，增加了粗匹配的环节，若粗匹配不成功，则不再进行一般匹配操作。本发明能够准确提取并修复多模板的特征信息，提高自动指纹识别系统的识别效果和性能，在生物识别技术中有着重要的应用价值。

Description

基于模板学习的自动指纹识别系统和方法

技术领域

本发明属于生物特征识别领域，特别涉及利用聚类分析和基于知识的方法来实现多模板指纹图像的匹配过程。

背景技术

二十世纪九十年代，指纹识别技术逐渐成为一种成熟的生物特征识别方法，它属于″模式识别″领域。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算法，就能在极短的时间内根据指纹完成任何人的身份识别认证。目前，自动指纹识别系统在需要身份鉴定的领域得到广泛的应用。自动指纹识别的应用不再仅局限于法律、公安领域，它可作为计算机确认用户的手段，可作为访问网络资源的信息安全技术，还可用于银行ATM卡和信用卡使用的确认、各类智能IC卡的双重确认、雇员证明和家用电子门锁等许多方面。随着自动指纹识别系统在门禁，考勤，社保等民用领域的广泛应用，人们对指纹识别的准确性也提出了越来越高的要求。

典型自动指纹识别系统的构成如图1所示。

典型自动指纹识别系统主要包括指纹采集、特征提取和匹配等几大模块(A.K.Jain and S.Pankanti，″Automated Fingerprint Identification andImaging Systems″，Advances in Fingerprint Technology，2nd Ed.(H.C.Leeand R.E.Gaensslen)，CRC Press，2001.)。从现代科学研究的角度来看，这类系统的识别方法主要涉及指纹图像采集、指纹图像增强、特征提取、保存数据、特征匹配等问题。其中特征提取和指纹匹配是指纹识别系统的两个核心问题，也是模式识别的两个基本问题和重要的研究课题。

根据美国FBI的标准，通常将指纹分为脊线和谷线，认为脊线的末稍点和分叉点具有终生不变性和唯一性，如图2。

因此，常用的指纹识别算法是将指纹图像的末稍点和分叉点作为特征信息提取出来，然后在指纹特征点集间进行旋转平移的校准之后，通过特征点计算相似性的过程。国际生物特征识别领域的权威学者A.K.Jain带领美国密歇根大学图像处理和模式识别课题组对此进行了深入的研究，并申请了多项美国发明专利，例如：U.S.Patent 6,185,318，Feb.6,2001.

他们所提出的这种方法对指纹的模板信息要求较高，它要求模板中所包含的指纹细节点数目不能太少，而且位置方向等信息必须准确。当采集的指纹模板有效面积较小时，指纹模板的细节点数较少(例如：Authentic公司的采集仪只能采集到128×128象素的图像，采集的指纹图像只能是实际指纹的一部分，这样的图像提取细节点少而难以匹配)；当指纹图像质量较差时，提取的细节点可能位置方向等有伪细节点存在。那么在以上两种情况下，他们所采用的方法易产生误识或者拒识的现象。因此，在自动指纹识别系统中，根据匹配上的指纹信息，去除伪细节点并补充更准确的指纹特征来修复指纹模板，是提高识别效果的一种有效途径，也是有待解决的问题。

发明内容

本发明的目的是提出并设计一种实用的自动指纹识别方法和系统。能够对同一指纹的多枚模板图像进行处理，将多枚模板的共同信息融合成整体的多模板细节类信息，然后将这种类信息应用于指纹的匹配算法；同时能够在使用过程中，反馈匹配上的指纹图像的信息，用于学习训练多模板细节类信息的参数。使模板信息丰富准确，降低模板个体差异而造成的拒识和误识现象。

为实现上述发明目的，按照本发明的一方面，基于模板学习的自动指纹识别方法包括步骤：

指纹图像注册，记录指纹模板和待匹配指纹图像的特征信息；

指纹图像识别，判断输入指纹图像的特征信息是否和系统数据库中的某指纹模板信息相似；

细节信息反馈，利用知识规则，反馈匹配上的指纹图像信息，来完善多枚模板对应的可靠细节点类。

按照本发明的另一方面，一种基于模板学习的自动指纹识别系统，包括：

指纹图像注册模块，记录指纹模板和待匹配指纹图像的特征信息；

指纹图像识别模块，判断输入指纹图像的特征信息是否和系统数据库中的某指纹模板信息相似；

细节信息反馈模块，利用知识规则，反馈匹配上的指纹图像信息，来完善多枚模板对应的可靠细节点类。

本发明将同指纹多个模板的细节点分类，记录了这些类的核和类间类内距离等信息，增加了粗匹配的环节，若粗匹配不成功，则不再进行一般匹配操作。本发明能够准确提取并修复多模板的特征信息，提高自动指纹识别系统的识别效果和性能，在生物识别技术中有着重要的应用价值。

附图说明

图1是典型自动指纹识别系统的构成；

图2是指纹特征；

图3是带反馈的自动指纹识别系统示意图

图4是同一手指多次采集的指纹图像；

图5是基于模板学习的自动指纹识别系统的构成；

图6是指纹图像的增强处理流程；

图7是M点的8连通邻域表示图；

图8是细节点模型；

图9是细节点类图和核特征；

图10是聚类过程中几种可能的结果，其中，图a是同一类中的相似点集；图b是角度不相似的点集；图c是孤立点；图d是相似点对但处于图像边缘或界外

图11是自行设计实现的指纹图像识别系统；

图12是同手指多模板的生成，其中，试验数据是指纹图像，分辨率为300×300×256。图a、图b和图c分别是同一手指三次采集的模板图像；图d是图a、图b和图c的校准图像；图e是图d多模板聚类的核集；

图13是识别过程举例；

图14是匹配结果统计ROC曲线图；

图15是FVC算法评估结果。

具体实施方式

我们的方法提出模板表示的新形式，可以将匹配成功的指纹信息用于修复改进指纹模板，即在传统自动指纹识别系统中增加反馈环节，如图3。同时，我们的指纹图像识别方法能够去除原始指纹图像因噪声影响而得到的伪细节点，尽可能准确地记录指纹的特征信息，对于质量差或细节点少的指纹图像都能够辩识处理。因此，我们的指纹图像识别方法适应了新型指纹采集仪趋于小型化发展的要求，保证了自动指纹识别系统的鲁棒性。

高效的自动指纹识别系统应该能够对大容量的指纹数据库进行实时的匹配和辩识操作。通常的方法是将输入指纹按斗型、左漩型、右漩型、拱型、尖拱型等类型先分类，然后在其所在类的指纹库进行一对一的匹配。对于这个问题，我们的方法解决策略是：根据特殊的模板表示方法，设计了粗匹配和细匹配两个步骤。模板库中只有粗匹配成功的模板与输入指纹的细节点集进行一对一的细匹配，只有细匹配成功的模板才参与参数学习和修复。这样的操作使得我们的方法具有高效性和准确性。

由于指纹采集仪和被采集人等各种原因，有时指纹传感器采集到的指纹区域比较小，这样的指纹不能为高识别率的自动指纹系统提供充分的信息，比如细节点。并且，有时用同一手指采集到的指纹图像也可能只有一小部分区域相互重叠，这样也会影响到指纹识别系统的匹配性能。因此，在注册过程中将同一手指连续采集的多种角度的指纹都存为模板，这是提高指纹的匹配率的一种措施。如图4，是同一手指多次采集的指纹图像。

然而，将每一幅注册的指纹均独立的作为模板，并没有考虑到这些模板之间的相关性和共同特征，这样的做法将造成模板数据库的冗余信息海量增长和资源的浪费。如何提取多枚指纹模板的公共信息，去除个别模板的伪信息是为了提高系统识别性能而需要解决的问题。我们的方法采用改进的Clique图等聚类分析的方法融合多个指纹模板的信息，用于指纹的识别，实施结果说明方法实用可靠。

本发明的核心思想是采取有效的聚类分析方法和基于知识的训练学习方法并用计算机来模拟人工做指纹图像识别的做法。由于指纹图像有它自身的特点，有可以用于进行识别匹配的两个主要的先验知识，一是指纹细节点位置的分布，二是指纹细节点附近的纹理。同一指纹的多个模板之间指纹细节点位置的分布和对应指纹细节点的附近纹理方向是相似的，而对于不同手指采集的图像，是完全不同的。我们可以归纳总结同一指纹的多个模板间这些视觉信息的共性，而且将指纹的细节点分布这样的结构信息在计算机中表示出来的，再后来的识别过程中，能够准确地辨别指纹的异同。把人对指纹结构的认识引入指纹图像匹配的过程中，用计算机来模拟人工做图像匹配的做法是必要的也是可能的。这种图像匹配算法正是以规则的形式基于人们对指纹结构的认识(即指纹图像的两个主要的先验知识)利用指纹图像的结构信息来引导图像匹配的过程。

下面详细描述基于模板学习的指纹图像匹配算法和识别系统的设计。作为具体的识别系统，主要模块有：指纹图像注册模块，指纹图像识别模块和反馈模块。对于其中具体的识别算法，主要步骤分别是：细节点提取，多模板细节信息聚类，指纹图像粗匹配，指纹图像细匹配，多模板细节信息修复。下面对其逐一介绍。

如图5所示，系统的模块主要分为指纹图像注册模块，指纹图像识别模块和反馈模块。

指纹图像注册是指在离线采集指纹的过程中，需要每一个指纹采集多幅质量较好的指纹图像作为模板(一般地，3≤N≤10)，提取并记录指纹的细节特征信息，存储在模板数据库中。

这个模块的主要处理过程有：图像采集、图像处理和细节点提取

步骤1：指纹图像的采集

采集方法有油墨按压和仪器采集两种。可选用某一光学传感器、CMOS指纹传感器，热敏传感器，超声波传感器等新型传感器作为指纹采集的设备。要求尽可能将指纹奇异点中心所在的区域水平放在采集芯片的中心，按压有一定的力度。

需要每一个指纹采集N幅质量较好的指纹图像作为模板，一般地，3≤N≤10。

步骤2：指纹图像的增强处理

指纹图像的增强处理指使用一些图像处理手段对指纹图像进行加工的过程。在我们的指纹算法中，这个步骤比较关键。处理流程如图6所示。

具体的处理操作有：1.灰度的均衡化，这可以消除不同图像之间对比度的差异。2.使用简单的低通滤波算法消除斑点噪声和高斯噪声。3.计算出图像的边界，进行图像的裁剪。这样可以减少下一步的计算工作量，提高系统的速度。4.方向场的估计，计算出指纹图像每个象素的方向。5.二值化，根据每个象素点的方向来对指纹图像处理为只有黑白二色的图像。6.细化，根据二值化的图像，把指纹的脊线宽度细化至只有一个象素，生成指纹细化图。7.细化后处理，清除细化图像中一些明显的断线，脊线间明显的桥、脊线上的毛刺、过短的脊线和单个斑点等不良脊线结构。

步骤3：细节提取

检测细节点我们用如下算法：如图7所示，

设点M表示细化图像上的灰度值，M＝0表示这点为黑点，M＝255表示为白点。

若M＝0，并且 $\underset{i=0}{\overset{7}{\mathrm{\Σ}}}|N_{(i+1)/8}-N_i|=2\×255,$ 则M为终结点；

若M＝0，并且 $\underset{i=0}{\overset{7}{\mathrm{\Σ}}}|N_{(i+1)/8}-N_i|=6\×255,$ 则M为分叉点。

由于细节点的记录信息是根据具体的匹配算法来确定的。图8为我们方法的细节点模型。我们根据我们自己的匹配算法来记录如下信息：

1)细节点的x，y坐标

2)细节点的方向θ，这个方向定义为该细节点所在的局部脊线的方向。

3)细节点的类型t，即脊线末梢或脊线分支。

这样就将一幅指纹图像转化成了一个有细节点组成的平面点集M＝{M_k，1≤k≤L｝。其中L是点集中细节点的个数。对于其中任意一个细节点，其特征矢量为M_k＝(x_k y_k _k t_k)^T。

指纹图像识别模块就是将输入待识别的指纹图像和系统数据库中的模板信息进行匹配，进而判断出输入指纹是否与模板库中的某枚指纹来自同一手指。这个模块可以分为离线和在线两个部分，其中：在离线部分，对同指纹N幅模板校准后，将特征数据进行聚类分析，计算特征点的核等数据；在在线部分，对输入指纹图像的细节点集校准后，与模板库的数据作匹配操作。下面分别说明这两部分的操作方法。

1.离线部分

步骤1：来自同一手指的N幅模板图像校准

由于指纹采集的时间环境等因素的影响，即使是同一指纹采集到的多幅指纹图像不会完全重合，而会发生旋转和平移。在做模板聚类和指纹匹配前必须把不同的指纹图像校准。分别将指纹库中每个手指的第2至N幅模板点集 $M_{i,j}^T(j=2,\·\·\·,n),$ 以对应的第1幅模板点集M_i，l ^T为基准进行旋转和平移变换。具体的，一个指纹图像的细节点集向另一个指纹图像的细节点集校准的方法如下：

设两幅指纹图像的细节点集为

其中点集P共M个点，点集Q共N个点。对于点集P的第i个点pⁱ(1≤i≤M)，(p_x ⁱ，p_y ⁱ)是细节点的x和y轴坐标，_p ⁱ为细节点的方向，t_p ⁱ为细节点的类型；对于点集Q的第j个点q^j(1≤j≤N)，(q_x ^j，q_y ^j)是细节点的x和y轴坐标，_j ^Q为细节点的方向，t_j ^Q为细节点的类型。

目的是寻找最佳变换F_{s，θ，Δx，Δy}：R²→R²，

使得F_{s，θ，Δx，Δy}(p)＝q。这里Δθ为旋转参数，(Δx，Δy)为平移参数，它们属于姿态校准参数；(x^r，y^r，^r)为参考细节点。

我们的方法是搜索两幅细节点集k(推荐值k＝5)个最相似的点对，然后分别将每一个点对最为参考点，按照A.K.Jain的方法估计的局部细节点集的旋转参数和平移参数。也就是将每一个参数离散为有限的集合：

Δθ∈{Δθ₁，Δθ₂，...Δθ_L｝，Δx∈{Δx₁，Δx₂，...Δx_L}，Δy∈{Δy₁，Δy₂，...Δy_L}

其中，两幅细节点集k个最相似点对的计算方法类似于Xudong Jiang(Xudong Jiang，Wei-Yun Yau.Fingerprint Minutiae Matching Based on theLocal and Global Structures.ICPR 2000：6038-6041)的方法，即计算出点对相似度函数sl(^*，^*)取极大值的前k对点。

分别将指纹库中每个手指的第2至N幅模板点集 $M_{i,j}^T(j=2,\·\·\·,n),$ 以对应的第1幅模板点集M_i，1 ^T为基准进行旋转和平移变换后，将得到的校准模板点集记为 $M_{i,j}^{A,T}(j=1,\·\·\·,N),$ 其中 $M_{i,1}^{A,T}=M_{i,1}^T(i=1,\·\·\·,L_1).$

步骤2：多模板细节信息聚类

通常认为指纹的细节特征具有唯一性和终生不变性，那么经过多次采集的模板经过处理后分别得到的细节点集之间必然存在着一些细节点相互对应的相似关系。一个模板点集的真细节点应该分别在其他模板点集中都找到相似的点对应；而该模板点集的伪细节点在其他模板点集中没有相对应的点。我们采用聚类分析的思想，使模板点集间相似的细节点包含在类内，不相似的细节点均在类外。即同类相似性最大，不同类相似性最小。然后我们定义类核特征向量描述类内相似细节点的共性。具体方法如下：

输入：校准模板点集记为 $M_{i,j}^{A,T}(j=1,\·\·\·,N)$

输出：细节点信息类C_i＝{C₁，…，C_l｝和类的核特征向量

$K_i^T=\{K_{i,1}^T,\·\·\·,K_{i,l}^T\}$

那么经过前面的校准之后，第2至N幅模板点集 $M_{i,j}^T(j=2,\·\·\·,n)$ 中与第1幅模板点集M_i，1 ^T某细节点q相对应的点p_j(j＝2，…，n)将落在点q的临近区域，如图9是细节点类图和核特征。

那么我们定义相似性函数如下：

若M_i，1(1≤i≤L1)是模板点集M₁的细节点，M_j，2(1≤j≤L₂)是模板点集M₂的细节点，我们定义M_i，1和M_j，2是相似的，如果满足条件

(1)|M_i，1-M_j，2|＜Thre且

(2)分别存在M′_i，1和M′_i，1是M_i，1在其模板点集M₁中的二近邻，分别存在M′_j，2和M″_j，2是在其模板点集M₂中的二近邻.满足

      |M′_i，1-M′_j，2|＜T且|M″_i，1-M″_j，2|＜T这里，Thre和T是阈值参数。如图10，分类规则如下：

1.若相似点数r∈[4，N]，将这些相似点记为可信类

2.若相似点数r∈[2，3]且位于图像边缘，将这些相似点记为候选类

3.其它孤立离散点不标记，也不记为类。

这样我们就将满足相似性条件的点归为一类。下面对于每一个类C，我们用一个特征向量描述类内相似点间的聚集程度和平均方向及其位置等局部结构特征。我们定义这个特征向量为该类的核特征向量K。

类的核特征向量计算方法如下：

设模板相似点的类为C_i＝{M_i，j，j＝1，…，L｝，这里

          M_i，j＝(x_i，j y_i，j _i，j t_i，j)^T，j＝1，…，L

向量

记为第i个类C_i的核向量，这里，

类内细节点平均坐标： $x_{c,i}=\left(\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{x}_{i,j}\right)/L,y_{c,i}=\left(\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{y}_{i,j}\right)/L$

类内细节点平均方向：

类的界限盒半径： $r_i=\mathrm{\λ}\·\underset{j,k\∈\mathrm{Landj}\≠k}{\max }\left(\mathrm{dis}(M_{i,j},M_{i,k})\right)$

(λ为大于1的参数)

2.在线部分

步骤1：指纹图像粗匹配。如果成功，记录可能匹配的模板编号，转到下面的步骤2；如果不成功，输出“无匹配指纹”的匹配结果。

具体粗匹配方法如下：

步骤(1)将输入的指纹图像经过前面所述的增强处理后，提取出细节点向量集M^I。

步骤(2)用模板库每个模板的核特征向量集K^T与其进行比较，判断输入图像细节点集落入模板聚类核的r半径区域的点数R，

步骤(3)数目R当大于给定的阈值，则认为粗匹配成功。说明该模板可能和输入的图像匹配。将这个可能匹配的模板标号添加到候选列表，转到细匹配操作(即步骤2)。否则，转到步骤(2)，查找下一个模板，直到库中所有模板遍历一次，退出，返回匹配失败。

步骤2：指纹图像细匹配。和可能的指纹模板一一匹配，如果有匹配的模板，输出“匹配成功”的匹配结果；如果不成功，输出“无匹配指纹”的匹配结果。

具体细匹配方法如下：

步骤(1)校准输入指纹的细节点向量集M^I和候选模板的细节点集M₁ ^T。

步骤(2)采用Xudong Jiang(Xudong Jiang，Wei-Yun Yau.FingerprintMinutiae Matching Based on the Local and Global Structures.ICPR 2000：6038-6041)的方法进行极坐标变换，并计算匹配分数

步骤(3)若匹配分数大于给定的阈值，则认为细匹配成功，返回M^I用于系统学习。否则，查找下一个候选模板，返回步骤(1)，直到所有候选模板遍历一次，退出，返回匹配失败。

反馈模块的目的是利用匹配上的输入指纹图像信息修复指纹的模板数据，经过对模板数据的反复训练和学习，使其更符合。它的流程图如图。设输入指纹图像的细节点集为M^I，经辩识它与数据库中某指纹匹配，该指纹的模板集M^T

具体主要有4个步骤。

步骤1：将M^I与M^T合并为一个新的细节点集合M。

步骤2：用聚类分析器计算新的细节点集合M的聚类结果C_i ^*

步骤3：计算聚类结果C_i ^*中同类细节点间的平均相似性H_ave ^*和类间的加权平均相似性S_ave ^*，同样，对于M^T的聚类结果C_i，计算H_ave和S_ave。方法如下：

$H_{\mathrm{ave}}=\frac{1}{N}\underset{i\∈N}{\mathrm{\Σ}}S(F\left(M_i\right),F\left(K\right))$

其中，F(M_i)和F(K)分别是细节点M_i和中心核K的特征矢量。N为类内细节点的个数。S(*，*)是特征矢量的相似性判断函数。

对于细节点集聚类操作后形成的类C1，...，Ct，

$S_{\mathrm{ave}}=\frac{1}{\underset{i\≠j}{\mathrm{\Σ}}\left|C_i\right|\left|C_j\right|}\underset{i\≠j}{\mathrm{\Σ}}\left|C_i\right|\left|C_j\right|S(F\left(C_i\right),F\left(C_j\right))$

步骤4：如果满足条件： $H_{\mathrm{ave}}^{*}>H_{\mathrm{ave}}$ 且 $S_{\mathrm{ave}}^{*}<S_{\mathrm{ave}},$ 修改对应指纹的模板信息，将C_i ^*代替C_i，重新计算细节点的类，和每个类的核及类半径。

经过试验表明，这种指纹图像识别算法能够对同一手指的多个模板的信息进行分类压缩，提取的共同细节特征点集准确，在系统中增加粗匹配和反馈两个环节后效果非常好。在指纹识别的过程中能够很好的应用。

实施例

如图1所示，我们自行设计实现的指纹图像识别系统。

指纹图像处理系统是基于Window98/95，采用面向对象的设计方法和软件工程规范，用C++语言实现的、面向指纹识别领域的图像处理与分析系统。本系统具有丰富的图形图像处理与分析功能，不仅具有完善的二维图像处理分析功能，而且可以动态加载各种指纹识别算法。系统提供了图像输入，图像存储，图像处理，算法加载，文件转换，FVC测试工具等一系列功能。

下面对基于模板学习的自动指纹识别方法的具体实施过程。试验数据是FVC2000的数据库，分辨率是300×300×256。

1)通过打开文件或打开按钮读入多幅指纹模板图像。

2)点击加载模块菜单加载指纹增强算法。

3)点击提取细节点，得到光滑的指纹细化图，包括末梢点和分叉点，如图12。

4)校准多幅指纹模板图像的特征点集，如图12(d)。

5)生成模板数据，如图12(e)。

6)通过打开文件或采集指纹按钮读入单幅输入指纹图像。

7)分别用指纹增强和提取细节操作处理待识别的指纹，如图13(b)。

8)选中待识别指纹与模板库中的文件。

方法采用国际指纹识别竞赛的识别算法标准评估方法和标准的指纹数据库FVC2000进行测试，实验结果如图14和图15所示，

上述结果与发明人对指纹图像匹配算法研究和系统设计的理论分析结论一致。具有高可靠性，可应用性和可采纳性。

Claims (10)

1.一种基于模板学习的自动指纹识别方法，包括步骤：

指纹图像注册，记录指纹模板和待匹配指纹图像的特征信息；

指纹图像识别，判断输入指纹图像的特征信息是否和系统数据库中的某指纹模板信息相似；

细节信息反馈，利用知识规则，反馈匹配上的指纹图像信息，来完善多枚模板对应的可靠细节点类。

2.按权利要求1所述的方法，其特征在于所述指纹图像注册包括步骤：

指纹图像的采集；

指纹图像的增强处理；

细节点提取。

3.按权利要求1所述的方法，其特征在于所述指纹图像识别包括步骤：

离线部分操作；

在线部分操作。

4.按权利要求3所述的方法，其特征在于所述离线部分操作包括步骤：

多幅模板图像校准；

多模板细节信息聚类，计算出多枚模板对应的可靠细节点的核和类内类间距离；

5.按权利要求4所述的方法，其特征在于所述多幅模板图像校准包括步骤：

计算模板点集间多个最相似的点对；

估计每对最相似点对的旋转参数和平移参数；

在最相似点对的局部区域校准细节点集。

6.按权利要求4所述的方法，其特征在于所述的多模板细节信息聚类包括步骤：

按定义的相似性函数判断相似点集；

按定义的分类规则划分类。

7.按权利要求4所述的方法，其特征在于所述的多模板细节信息聚类包括纪录步骤：

类内细节点平均坐标(x_c，y_c)；

类内细节点平均方向_c；

类的界限盒半径 $r_i=\mathrm{\&lambda;}\&CenterDot;\underset{j,k\&Element;\mathrm{Landj}\&NotEqual;k}{\max }\left(\mathrm{dis}(M_{i,j},M_{i,k})\right).$

8.按权利要求3所述的方法，其特征在于所述在线部分操作包括步骤：

指纹图像粗匹配，判断指纹图像的细节特征点集和多模板细节点类间的相似程度；

指纹图像细匹配，输出匹配结果。

9.按权利要求1所述的方法，其特征在于所述细节信息反馈包括步骤：

点集求并，输入指纹图像特征点集与对应模板特征点集合并；

聚类，用聚类分析器计算新的细节点集合的聚类结果；

计算类属性，类内的平均相似性和类间的平均相似性；

修改模板，重新计算类的核特征向量。

10.一种基于模板学习的自动指纹识别系统，包括：

指纹图像注册模块，记录指纹模板和待匹配指纹图像的特征信息；

指纹图像识别模块，判断输入指纹图像的特征信息是否和系统数据库中的某指纹模板信息相似；

细节信息反馈模块，利用知识规则，反馈匹配上的指纹图像信息，来完善多枚模板对应的可靠细节点类。

Images