CN1741043A - 基于二维条码的指纹信息隐藏及认证方法 - Google Patents

Abstract

本发明公开的基于二维条码的指纹信息隐藏和认证方法，首先采集指纹图像，对其进行特征提取、加密处理，并打印在二维条码上，将指纹信息隐藏于二维条码中；采集二维条码图像，对其进行图像分割、滤波、几何校正和分层预处理，经对条码图像进行识别和译码，得到所承载的加密信息，对该加密信息进行解密，得到二维条码中承载的指纹特征信息，将该信息与现场的指纹信息进行比对、检测，从而实现指纹的防伪认证。本发明利用二维条码具有信息容量大、不依赖于数据库支持及具有自动识读的优点，将指纹信息存储于其中，使得这种信息的认证方法既具有安全性高，又有成本低、存储信息量大的特点。

Description

基于二维条码的指纹信息隐藏及认证方法

技术领域

本发明属于信息安全、信息隐藏技术领域，涉及一种指纹信息的隐藏及自动识别认证方法，特别涉及基于二维条码的指纹信息隐藏及认证的方法。

背景技术

信息安全、信息隐藏是当前人们关注的热点问题，人们需要将一些关键信息隐藏，并在需要的时候能够方便的取出。目前的防伪认证方法主要有三种，一是基于所知的认证方法，比如口令、密码；二是基于所有的认证方法，比如各类证件、卡片等；三是基于人的生物特征的认证方法，比如指纹、掌纹、虹膜等。口令/密码认证方法易受到攻击，安全性低；证件认证方法制作成本低，但是认证强度不够，因为它受到鉴别人员的主观判断的影响；基于生物认证的方法具有很高的安全性，且不依赖于主观因素，但是一般情况下用于门禁系统等固定场所，识别设备昂贵，成本高，而且一般需要数据库的支持。

指纹能够唯一确定一个人的身份，实际中利用指纹的认证方法是将其存储在一些物品(如证件)上，以便在需要时验证物品的所属关系，达到防伪的目的，但是直接将指纹作为标识印在物品上的方法容易被伪造。

发明内容

为了解决现有认证方法安全性低、成本高的缺点，本发明的目的在于提供一种基于二维条码的指纹信息隐藏及认证的方法，该方法提高了信息隐藏和认证方法的安全性，增加了存贮的信息容量，同时降低了成本。

本发明的基本构思是：利用二维条码对指纹信息进行隐藏，将隐藏后的结果印制到物品上，需要时，再将隐藏的指纹信息提取出来进行比对认证。

实现本发明基本构思的技术方案是，基于二维条码的指纹信息隐藏及认证方法，包括指纹信息隐藏、指纹信息识别和认证过程，该方法按以下步骤进行，

第一步，首先采集指纹图像，

第二步，对指纹信息进行隐藏

(1)指纹特征提取

a.输入指纹图像，进行分割

首先采用边缘保持滤波器对采集到的指纹图像进行滤波，在像素(i，j)四周取5×5的邻域，计算此邻域中9个3×3子窗口所表示区域的像素灰度均值M和方差V，取方差最小区域的灰度均值为像素(i，j)的灰度值，然后将图像分为n×n，n为指纹图像中两条相邻纹线间的宽度，对500dpi的图片n取12～16的非重叠小块，计算每一块的均值M和方差V，若均值M在30＜M＜225范围内，且方差V大于设定阈值100，则此小块为指纹区，依此就将指纹图像分割为指纹区和非指纹区两大部分，保留指纹区，去除非指纹区；

b.求取指纹方向图

采用Jain改进的梯度算法计算得到指纹的点方向图和块方向图，其中点方向图为每一个像素点所在脊线的方向，块方向图为指纹图像每一个小区域m×m内的脊线的方向，m为区域的长和宽，其初始值设置为16；

c.指纹图像增强Gabor滤波和二值化

将指纹图像分为16×16的不重叠子块，统计该块区域的脊线频率，然后采用Gabor滤波器，把得到的指纹图像的每一个小块的块局部方向和块局部频率作为Gabor滤波器的参数，对指纹图像每一个子块进行卷积，增强指纹图像；

d.指纹图像细化

不改变指纹的拓扑连接关系，保证指纹的连接性、方向和特征不变，将指纹脊线采用并行OPTA细化算法进行细化，从图像的左下角像素开始，自左到右，自下到上对整个图像进行扫描，若当前点p的值为255，则将点p四周8个邻点的状况与预先定义的消除模板进行比较，若与模板之一相符，则将点p周围的像素与保留模板比较，符合则保留，反之将点p的值置0；若点p四周8个邻点与消除模板都不相符，则也保留点p；对图像反复扫描，直到没有像素发生变化时为止，获得细化结果，其中的消除模板为：

注：1表示前景点，0表示背景点，x表示0或1，

其中的保留模板为：

e.指纹特征提取

检测指纹的端点、分岔点的位置以及方向，将其作为指纹的特征信息提取出来；

(2)指纹特征加密

用Logistic混沌映射x_n+1＝μ·x_n(1-x_n)，其中x_n∈(0，1)，分岔控制参数μ∈(0，4)，当3.5699456＜μ≤4时，Logistic映射处于混沌状态，此时给定初始值x₀和参数μ作为密钥经过k次迭代后生成混沌序列X_k，将其作为流密钥对指纹特征信息进行加密，k取值等于指纹特征信息的长度，X_k是长度为k的Logistic混沌映射序列；

(3)生成二维条码

获得加密后的指纹特征后，采用国家标准生成PDF417条码，按照可容纳的条码图像的大小决定条码的尺寸，并打印在规定的位置上，就将指纹信息隐藏于二维条码中；

第三步，进行指纹信息的识别和认证

(1)用扫描仪采集二维条码图像；

(2)对采集的二维条码图像进行图像预处理；

a输入二维条码图像，采用Ostu最佳阈值分割算法对二维条码图像进行分割，

b对条码图像进行滤波、几何校正及分层处理

采用5×1模板对条码图像进行中值滤波，去除条码图像中因扫描存在的盐粒式噪音；

采用Hough变换

           ρ＝x cosθ+y sinθ

获得PDF417条码的起始符和终止符所在的直线的方程和倾斜角，根据PDF417条码的起始符和终止符来检测条码的左右边界，根据倾斜角θ对条码图像进行旋转，将条码图像旋转θ°校正到水平位置，旋转的过程中采用双线性插值对图像像素进行插值；

根据PDF417条码的多行结构特性取其中值对每一层条码图像进行滤波整形；首先将条码图像按层分开，获得条码图像的层数和每一层的高度，对每一层进行滤波处理，采用Sobel水平边缘检测算子，得到条码图像的水平边缘，然后进行水平方向的投影，水平方向投影的峰值就对应着条码图像的水平层边界，得到条码图像的层数和每一层的高度，对每一层进行滤波整形，采用取中值的方法对每一层的每一列进行滤波，对条码每一层中每一列像素的灰度值进行相加取平均值，和128相比，如果平均值大于128，则认为该列为空，像素灰度值赋值为255，否则认为该列为条，像素灰度值赋值为0；

(3)根据PDF417译码规则对条码图像进行识别和译码，得到所承载的加密信息；

检测每一个符号字符的条空个数，查表确定每一个符号字符代表的信息，就将二维条码图像中的符号字符变成码字信息，

将上述得到的码字信息根据制定的PDF417国家标准译码，得到条码中存储的原始信息；

(4)对得到的加密信息根据解密密钥初始值x₀和参数μ，用Logistic混沌映射经过k次迭代后生成混沌序列X_k，k取值等于待解密信息的长度，X_k是长度为k的Logistic混沌映射序列，将其作为流密钥对指纹特征信息进行混沌解密，得到二维条码中所承载的指纹特征信息；

(5)将从二维条码中得到的指纹信息与现场采集的指纹信息进行比对，检测二者是否吻合，从而实现指纹的防伪认证。

由于二维条码具有很大的信息容量，且不依赖于数据库支持，能够很好的实现指纹信息隐藏，便于安全存储和传输，具有较强的抗损能力，同时二维条码具有自动识读的功能，可以用机器实现防伪认证，不掺杂主观因素，因此，本发明利用这些优点，将指纹信息存储于其中，使得这种信息的认证方法既具有安全性高，又有成本低、存储信息量大的特点。

附图说明

图1是本发明的方法流程框图；

图2是本发明指纹特征提取的流程图；

图3是采集到的指纹图像；

图4是提取特征后的指纹图像；

图5是隐藏有指纹信息的二维条码；

图6是本发明指纹信息认证的流程图；

图7是本发明二维条码识别的流程图。

具体实施方式

以下结合附图和具体实施方式对本发明作进一步的详细描述。

本发明的基于二维条码的指纹信息隐藏及认证方法，包括指纹信息隐藏、指纹信息识别和认证两大部分，如图1所示，该方法按以下步骤进行：

第一步，首先采集指纹图像，图3是采集到的指纹图像。

第二步，对指纹信息进行隐藏，具体按以下步骤进行：

(1)指纹特征提取

对采集到的指纹图像进行处理提取指纹特征，如图2所示，具体步骤如下：

a.输入指纹图像，进行分割

首先采用边缘保持滤波器对采集到的指纹图像进行滤波，在像素(i，j)四周取5×5的邻域，计算此邻域中9个3×3子窗口所表示区域的像素灰度均值M和方差V，取方差较小区域的灰度均值为像素(i，j)的灰度值，然后将图像分为n×n(n取指纹图像中两条相邻纹线间的宽度，对500dpi的图片n取12～16)的非重叠小块，计算每一块的均值M和方差V，若均值M在一定范围内(30＜M＜225)且方差V大于某一设定阈值(V＞100)，则此小块为指纹区，依此就将指纹图像分为指纹区(前景区、模糊区)和非指纹区(白背景区、背景区)两大部分，保留指纹区，去除非指纹区。

对n×n大小的图像区域，其灰度均值M和灰度方差V计算如下：

$M=\frac{1}{n\×n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f(i,j)$

$V=\frac{1}{n\×n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[f(i,j)-M]}^2$

其中，f(i，j)为像素(i，j)的灰度值。

b.求取指纹的方向图

对分割后的指纹图像还需要进行进一步的滤波处理，由于指纹图像具有自身的特性，即指纹的纹线具有方向性，在进行指纹图像处理时要充分考虑指纹的方向性从而获得较好的滤波效果，因此先来求取指纹的方向图。指纹方向图分为点方向图和块方向图，将每一个像素点所在脊线的方向计算得到点方向图，将指纹图像每一个小区域(m×m，m是区域的长和宽)内的脊线的大致方向计算得到块方向图，区域的大小对分辨率为500dpi的指纹图像，初始值一般设置为16×16，可采用Jain改进的梯度算法计算指纹的方向，具体步骤如下：

①将指纹图像划分为以点(i，j)为中心的大小为m×m的块，一般设置为16×16。

②利用梯度算子计算指纹图像每一像素点的一阶偏导数，使用Sobel算子将指纹图像与这两个模板进行卷积，即可得一阶偏导x(u，v)、y(u，v)，其中(u，v)表示模板中的位置。

③按下式计算以(i，j)为中心的图像子块的方向信息：

$V_x(i,j)=\underset{u=i-m/2}{\overset{i+m/2}{\mathrm{\Σ}}}\underset{v=j-m/2}{\overset{j+m/2}{\mathrm{\Σ}}}2{\∂}_x(u,v){\∂}_y(u,v)$

$V_y(i,j)=\underset{u=i-m/2}{\overset{i+m/2}{\mathrm{\Σ}}}\underset{v=j-m/2}{\overset{j+m/2}{\mathrm{\Σ}}}({{\∂}_x}^2(u,v)-{{\∂}_y}^2(u,v))$

$\mathrm{\θ}(i,j)=\frac{1}{2}{\tan }^{-1}\frac{V_y(i,j)}{V_x(i,j)}$

其中θ(i，j)是以点(i，j)为中心的子块的局部脊线方向的最小平方估计；而反正切函数取VC++库中的atan2函数，其取值范围是(-π，π)。

④因为原始指纹图像中存在噪声，所以上式求得的方向图不很准确，考虑到大部分指纹脊线的方向在局部范围内变化缓慢，因此可以采用低通滤波器对其进行滤波，达到修正方向图的目的。

⑤计算滤波后以(i，j)为中心点的子块方向，并将它作为点(i，j)处的方向：

$\mathrm{\θ}(i,j)=\frac{1}{2}{\mathrm{tna}}^{-1}\frac{{{\mathrm{\Φ}}_y}^{\′}(i,j)}{{{\mathrm{\Φ}}_x}^{\′}(i,j)}$

若求块方向，在程序中设置i和j的变化步长为m：若求每个点的方向，则将i和j变化步长设为1。

c.指纹图像增强Gabor滤波和二值化

将指纹图像分为16×16的不重叠子块，统计该块区域的脊线频率，然后采用Gabor滤波器，把得到的指纹图像的每一个小块的块局部方向和块局部频率作为Gabor滤波器的参数，对指纹图像每一个子块进行卷积，能够突出指纹的固有结构，去除噪声，增强指纹图像。

d.指纹图像细化

不改变指纹的拓扑连接关系，保证指纹的连接性、方向和特征不变，将指纹脊线采用并行OPTA细化算法进行细化。OPTA细化算法采用了8个3×3的消除模板和2个1×4及4×1的保留模板，将像素与模板进行匹配操作，通过几次迭代，直到没有像素发生变化时为止，获得细化结果。

其中的消除模板如下所示：

注：1表示前景点，0表示背景点，x表示0或1都可。

其中的保留模板如下所示：

OPTA细化算法从图像的左下角像素开始，自左到右，自下到上对整个图像进行扫描，若当前点p的值为255，则将点p四周8个邻点的状况与预先定义的消除模板进行比较，若与模板之一相符，则将点p周围的像素与保留模板比较，符合则保留，反之将点p的值置0；若点p四周8个邻点与消除模板都不相符，则也保留点p；对图像反复扫描，直到没有像素发生变化时为止。

e.指纹特征提取

检测指纹的端点、分岔点的位置以及方向，将其作为指纹的特征信息提取出来，图4所示是提取特征后的指纹图像。

(2)指纹特征加密

采用混沌序列对指纹特征进行加密处理，提高信息的安全性，用Logistic混沌映射

              x_n+1＝μ·x_n(1-x_n)，

其中x_n∈(0，1)，分岔控制参数μ∈(0，4)。当3.5699456＜μ≤4时，Logistic映射处于混沌状态。此时给定初始值x₀和参数μ作为密钥经过k次迭代后生成混沌序列X_k，将其作为流密钥对指纹特征信息进行加密，其中k取值等于指纹特征信息的长度，X_k是长度为k的Logistic混沌映射序列；

(3)生成二维条码

获得加密后的指纹特征后，采用国家标准生成PDF417条码，按照可容纳的条码图像的大小决定条码的尺寸，并打印在规定的位置上，如图5所示。

第三步，进行指纹信息的识别和认证

如图6所示，具体实现步骤如下：

(1)用扫描仪采集二维条码图像；

(2)对采集的二维条码图像进行图像预处理，如图7所示，具体实现过程如下：

a.输入二维条码图像，采用Ostu最佳阈值分割算法对二维条码图像进行分割，

Ostu算法将图像分割为目标和背景两部分，则这两类灰度值的组内方差最小，而组间方差最大，通过搜索计算类间方差最大值来得到最优阈值。

图像中目标和背景的平均灰度分别为

$u_o=\frac{1}{w_o\left(T\right)}\underset{0<i<T}{\mathrm{\&Sigma;}}i\&times;p\left(i\right)$

$u_b=\frac{1}{w_b\left(T\right)}\underset{0<i<T}{\mathrm{\&Sigma;}}i\&times;p\left(i\right)$

图像的总均值为

           u＝w_o(T)u_o+w_b(T)u_b

图像目标和背景之间的类间方差为

           G(T)＝w_o(T)(u_o-u)²+w_b(T)(u_b-u)²

则图像的最佳阈值为

$g=\arg \underset{0\&le;T\&le;255}{\max }\left[G\left(T\right)\right]$

其中w_o(T)和w_b(T)表示目标和背景的像素个数，p(i)为像素值为i的像素个数。

b.对条码图像进行滤波、几何校正及分层处理

采用5×1模板对条码图像进行中值滤波，去除条码图像中因扫描存在的盐粒式噪音；

PDF417条码的起始符和终止符具有唯一性，而且是非重叠的，采用Hough变换

               ρ＝x cosθ+y sinθ

获得PDF417条码的起始符和终止符所在的直线的方程和倾斜角，根据PDF417条码的起始符和终止符来检测条码的左右边界，根据获得的倾斜角θ对条码图像进行旋转，将条码图像旋转θ°校正到水平位置，旋转的过程中采用双线性插值对图像像素进行插值；

根据PDF417条码的多行结构特性取其中值对每一层条码图像进行滤波整形，条码图像由多层构成，每一层各不相同且有一定的高度，因此首先将条码图像按层分开，获得条码图像的层数和每一层的高度，然后对每一层进行滤波处理。采用Sobel水平边缘检测算子，得到条码图像的水平边缘，然后进行水平方向的投影，水平方向投影的峰值就对应着条码图像的水平层边界，由此可以得到条码图像的层数和每一层的高度，对每一层进行滤波整形。采用取中值的方法对每一层的每一列进行滤波，即对条码每一层中每一列像素的灰度值进行相加取平均值，和128相比，如果平均值大于128，则认为该列为空，像素灰度值赋值为255；否则认为该列为条，像素灰度值赋值为0；

(3)根据PDF417译码规则对条码图像进行识别和译码，得到所承载的加密信息。

检测每一个符号字符的条空个数，然后查表确定每一个符号字符代表的信息，就将二维条码图像中的符号字符(条空组合)变成有意义的码字信息，

将上述得到的码字信息根据制定的PDF417国家标准译码，得到条码中存储的原始信息；

(4)对得到的加密信息根据解密密钥初始值x₀和参数μ，用Logistic混沌映射经过k次迭代后生成混沌序列Xk，k的取值等于得到的加密信息，即待解密信息的长度，X_k是长度为k的Logistic混沌映射序列，将其作为流密钥对指纹特征信息进行相应的混沌解密处理，得到二维条码中所承载的指纹特征信息；

(5)将从二维条码中得到的指纹信息与现场采集的指纹信息进行比对，检测二者是否吻合，从而实现指纹的防伪认证。

Claims (4)

1.基于二维条码的指纹信息隐藏及认证方法，包括指纹信息隐藏、指纹信息识别和认证过程，其特征在于，该方法按以下步骤进行，

第一步，首先采集指纹图像，

第二步，对指纹信息进行隐藏

(1)指纹特征提取

a输入指纹图像，进行分割

首先采用边缘保持滤波器对采集到的指纹图像进行滤波，在像素(i，j)四周取5×5的邻域，计算此邻域中9个3×3子窗口所表示区域的像素灰度均值M和方差V，取方差最小区域的灰度均值为像素(i，j)的灰度值，然后将图像分为n×n，n为指纹图像中两条相邻纹线间的宽度，对500dpi的图片n取12～16的非重叠小块，计算每一块的均值M和方差V，若均值M在30＜M＜225范围内，且方差V大于设定阈值100，则此小块为指纹区，依此就将指纹图像分割为指纹区和非指纹区两大部分，保留指纹区，去除非指纹区；

b求取指纹方向图

采用Jain改进的梯度算法计算得到指纹的点方向图和块方向图，其中点方向图为每一个像素点所在脊线的方向，块方向图为指纹图像每一个小区域m×m内的脊线的方向，m为区域的长和宽，其初始值设置为16；

c指纹图像增强Gabor滤波和二值化

将指纹图像分为16×16的不重叠子块，统计该块区域的脊线频率，然后采用Gabor滤波器，把得到的指纹图像的每一个小块的块局部方向和块局部频率作为Gabor滤波器的参数，对指纹图像每一个子块进行卷积，增强指纹图像；

d指纹图像细化

不改变指纹的拓扑连接关系，保证指纹的连接性、方向和特征不变，将指纹脊线采用并行OPTA细化算法进行细化，从图像的左下角像素开始，自左到右，自下到上对整个图像进行扫描，若当前点p的值为255，则将点p四周8个邻点的状况与预先定义的消除模板进行比较，若与模板之一相符，则将点p周围的像素与保留模板比较，符合则保留，反之将点p的值置0；若点p四周8个邻点与消除模板都不相符，则也保留点p；对图像反复扫描，直到没有像素发生变化时为止，获得细化结果，其中的消除模板为：

$\begin{array}{cccc}\underset{\left(a\right)}{\left[\begin{array}{ccc}0& 0& 0\\ x& p& x\\ 1& 1& 1\end{array}\right]}& \underset{\left(b\right)}{\left[\begin{array}{ccc}0& x& 1\\ 0& p& 1\\ 0& x& 1\end{array}\right]}& \underset{\left(c\right)}{\left[\begin{array}{ccc}1& 1& 1\\ x& p& x\\ 0& 0& 0\end{array}\right]}& \underset{\left(d\right)}{\left[\begin{array}{ccc}1& x& 0\\ 1& p& 0\\ 1& x& 0\end{array}\right]}\\ \underset{\left(e\right)}{\left[\begin{array}{ccc}x& 0& 0\\ 1& p& 0\\ x& 1& x\end{array}\right]}& \underset{\left(f\right)}{\left[\begin{array}{ccc}0& 0& x\\ 0& p& 1\\ x& 1& x\end{array}\right]}& \underset{\left(g\right)}{\left[\begin{array}{ccc}x& 1& x\\ 0& p& 1\\ 0& 0& x\end{array}\right]}& \underset{\left(h\right)}{\left[\begin{array}{ccc}x& 1& x\\ 1& p& 0\\ x& 0& 0\end{array}\right]}\end{array}$

注：1表示前景点，0表示背景点，x表示0或1，

其中的保留模板为：

$\begin{array}{cc}\left[\begin{array}{cccc}0& p& 1& 0\end{array}\right]& \left[\begin{array}{c}0\\ p\\ 1\\ 0\end{array}\right]\\ \left(i\right)& \left(j\right)\end{array};$

e指纹特征提取

检测指纹的端点、分岔点的位置以及方向，将其作为指纹的特征信息提取出来；

(2)指纹特征加密

用Logistic混沌映射x_n+1＝μ·x_n(1-x_n)，其中x_n∈(0，1)，分岔控制参数μ∈(0，4)，当3.5699456＜μ≤4时，Logistic映射处于混沌状态，此时给定初始值x₀和参数μ作为密钥经过k次迭代后生成混沌序列X_k，将其作为流密钥对指纹特征信息进行加密，k取值等于指纹特征信息的长度，X_k是长度为k的Logistic混沌映射序列；

(3)生成二维条码

获得加密后的指纹特征后，采用国家标准生成PDF417条码，按照可容纳的条码图像的大小决定条码的尺寸，并打印在规定的位置上，就将指纹信息隐藏于二维条码中；

第三步，进行指纹信息的识别和认证

(1)用扫描仪采集二维条码图像；

(2)对采集的二维条码图像进行图像预处理；

a输入二维条码图像，采用Ostu最佳阈值分割算法对二维条码图像进行分割，

b对条码图像进行滤波、几何校正及分层处理

采用5×1模板对条码图像进行中值滤波，去除条码图像中因扫描存在的盐粒式噪音；

采用Hough变换

ρ＝xcosθ+ysinθ

获得PDF417条码的起始符和终止符所在的直线的方程和倾斜角，根据PDF417条码的起始符和终止符来检测条码的左右边界，根据倾斜角θ对条码图像进行旋转，将条码图像旋转θ°校正到水平位置，旋转的过程中采用双线性插值对图像像素进行插值；

根据PDF417条码的多行结构特性取其中值对每一层条码图像进行滤波整形；首先将条码图像按层分开，获得条码图像的层数和每一层的高度，对每一层进行滤波处理，采用Sobel水平边缘检测算子，得到条码图像的水平边缘，然后进行水平方向的投影，水平方向投影的峰值就对应着条码图像的水平层边界，得到条码图像的层数和每一层的高度，对每一层进行滤波整形，采用取中值的方法对每一层的每一列进行滤波，对条码每一层中每一列像素的灰度值进行相加取平均值，和128相比，如果平均值大于128，则认为该列为空，像素灰度值赋值为255，否则认为该列为条，像素灰度值赋值为0；

(3)根据PDF417译码规则对条码图像进行识别和译码，得到所承载的加密信息；

检测每一个符号字符的条空个数，查表确定每一个符号字符代表的信息，就将二维条码图像中的符号字符变成码字信息，

将上述得到的码字信息根据制定的PDF417国家标准译码，得到条码中存储的原始信息；

(4)对得到的加密信息根据解密密钥初始值x₀和参数μ，用Logistic混沌映射经过k次迭代后生成混沌序列X_k，k取值等于待解密信息的长度，X_k是长度为k的Logistic混沌映射序列，将其作为流密钥对指纹特征信息进行混沌解密，得到二维条码中所承载的指纹特征信息；

(5)将从二维条码中得到的指纹信息与现场采集的指纹信息进行比对，检测二者是否吻合，从而实现指纹的防伪认证。

2.按照权利要求1所述的方法，其特征在于，所述指纹特征提取的输入指纹图像，进行分割步骤中，像素灰度均值M和方差V计算如下：

$\begin{array}{c}M=\frac{1}{n\&times;n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}f(i,j)\\ V=\frac{1}{n\&times;n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{[f(i,j)-M]}^2\end{array}$

其中，f(i，j)为像素(i，j)的灰度值。

3.按照权利要求1所述的方法，其特征在于，所述指纹特征提取的指纹方向图求取步骤中，Jain改进的梯度算法具体步骤如下：

(1)将指纹图像划分为以点(i，j)为中心的大小为m×m的块，设置为16×16，

(2)利用梯度算子计算指纹图像每一像素点的一阶偏导数，使用Sobel算子将指纹图像与这两个模板进行卷积，即得到一阶偏导_x(u，v)、_y(u，v)，其中(u，v)表示模板中的位置，

(3)按下式计算以(i，j)为中心的图像子块的方向信息：

$\begin{array}{c}{V}_x(i,j)=\underset{u=i-m/2}{\overset{i+m/2}{\mathrm{\&Sigma;}}}\underset{v=j-m/2}{\overset{j+m/2}{\mathrm{\&Sigma;}}}2{\&PartialD;}_x(u,v){\&PartialD;}_y(u,v)\\ V_y(i,j)=\underset{u=i-m/2}{\overset{i+m/2}{\mathrm{\&Sigma;}}}\underset{v=j-m/2}{\overset{j+m/2}{\mathrm{\&Sigma;}}}({{\&PartialD;}_x}^2(u,v)-{{\&PartialD;}_y}^2(u,v))\\ \mathrm{\&theta;}(i,j)=\frac{1}{2}{\tan }^{-1}\frac{V_y(i,j)}{V_x(i,j)}\end{array}$

其中θ(i，j)是以点(i，j)为中心的子块的局部脊线方向的最小平方估计，而反正切函数取VC++库中的atan2函数，其取值范围是(-π，π)，

(4)再采用低通滤波器对其进行滤波，达到修正方向图的目的，

(5)计算滤波后以(i，j)为中心点的子块方向，并将它作为点(i，j)处的方向：

$\mathrm{\&theta;}(i,j)=\frac{1}{2}{\tan }^{-1}\frac{{{\mathrm{\&Phi;}}_y}^{\&prime;}(i,j)}{{{\mathrm{\&Phi;}}_x}^{\&prime;}(i,j)}$

若求块方向，在程序中设置i和j的变化步长为m；若求每个点的方向，则将i和j变化步长设为1。

4.按照权利要求1所述的方法，其特征在于，所述采用Ostu最佳阈值分割算法对二维条码图像进行分割，具体步骤为，Ostu算法将图像分为目标和背景两部分，则这两类灰度值的组内方差最小，而组间方差最大，通过搜索计算类间方差最大值来得到最优阈值，图像中目标和背景的平均灰度分别为

$\begin{array}{c}{u}_0=\frac{1}{w_0\left(T\right)}\underset{0<i<T}{\mathrm{\&Sigma;}}i\&times;p\left(i\right)\\ u_b=\frac{1}{w_b\left(T\right)}\underset{0<i<T}{\mathrm{\&Sigma;}}i\&times;p\left(i\right)\end{array}$

图像的总均值为

u＝w_o(T)u_o+w_b(T)u_b

图像目标和背景之间的类间方差为

G(T)＝w_o(T)(u_o-u)²+w_b(T)(u_b-u)²

则图像的最佳阈值为

$g=\arg \underset{0\&le;T\&le;255}{\max }\left[G\left(T\right)\right]$

其中w_o(T)和w_b(T)表示目标和背景的像素个数，p(i)为像素值为i的像素个数。

Images