《硕士论文-自动指纹识别算法研究.doc》由会员分享,可在线阅读,更多相关《硕士论文-自动指纹识别算法研究.doc(82页珍藏版)》请在三一文库上搜索。
1、学号: 20071101001 分类号: TP391 硕 士 学 位 论 文自动指纹识别算法研究研究生姓名: 指 导 教 师: 学 科 门 类:工科专 业 名 称:计算机软件与理论论文提交日期:烟台大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明: 所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本声明的法律结果由本人承担。论文作者签名: 日期: 年 月 日学位论文使用授权说明本人完全了解烟台大学关于收集、保存、使
2、用学位论文的规定,即:按照学校要求提交学位论文的印刷本和电子版本;学校有权保存学位论文的印刷本和电子版,并提供目录检索与阅览服务;学校可以采用影印、缩印、数字化或其它复制手段保存论文;在不以赢利为目的的前提下,学校可以公布论文的部分或全部内容。(保密论文在解密后遵守此规定)论文作者签名: 导师签名: 日期: 年 月 日摘 要指纹具有唯一性和终生不变性,它作为一种身份认证手段被广泛应用在警用和民用领域。尤其是在民用领域,随着社会发展对自动身份认证技术需求的增加,以指纹为代表的生物特征识别已经成为一个重要的产业,市场份额以逐年扩大的趋势迅速发展。指纹算法研发是一项长期、复杂的高难度课题,很多难题至
3、今还没有解决。因此,仍然有必要对指纹识别算法进行深入研究。本文在系统研究自动指纹识别算法各环节的基础上,提出了一套实用的指纹识别算法,并取得了以下研究成果。首先,本文提出了一种改进的基于梯度的点方向场计算方法。传统的方向场计算方法存在抗噪声能力不强、分块过大不能充分描述奇异点附近方向剧烈变化等缺点。改进算法使用高斯滤波器提取其原始图像低频信息并对其缩小,在缩小图像的基础上计算点方向场,在保证速度的同时极大的提高了方向场的准确性,为后续处理垫定了良好的基础。其次,本文提出了一种基于一维滤波器的快速高效的指纹增强方法,极大地提高了算法速度,解决了Gabor滤波器计算量大的问题。纵观各种增强方法的原
4、理,其作用无非表现在两个方面,沿着纹线方向的低通平滑和垂直于纹线方向的带通锐化。根据这个原理本文设计了十字形一维滤波器对指纹图像进行增强并取得了很好的效果。最后,在特征匹配阶段,本文提出了快速模式和精准模式相结合两阶段算法,进一步提高了算法性能。判定两枚指纹是否是同源指纹,一般要结合匹配成功的细节点数和整体相似度两个指标来进行判断。传统方法一般采用刚性标准,即两个指标中有一个不能达到阈值,则判为失败。本文通过对失败且指标在阈值一定范围之内的指纹进行二次精准匹配,根据精准匹配的结果判断两枚指纹是否为同源。这种两阶段的方法在很大程度上提高了算法的识别率。关键字:指纹识别;指纹分割;方向场;指纹增强
5、;特征提取;特征匹配Abstract目 录摘 要IAbstractII目 录III1 绪论11.1 生物特征识别技术简介11.1.1 指纹识别21.1.2 人脸识别31.1.3 虹膜识别841.1.4 视网膜识别51.1.5 掌形识别51.1.6 语音识别61.1.7 签名识别61.1.8 多模态识别71.1.9 生物特征识别的市场调查和发展前景71.1.10 生物特征识别技术的横向比较91.2 指纹识别技术简介111.2.1 指纹识别的历史111.2.2 指纹识别与其他生物特征识别技术的比较121.2.3 自动指纹识别技术的应用领域131.2.4 自动指纹识别所面临的问题131.3 论文的任
6、务及创新点141.4 论文的组织结构152 自动指纹识别技术基础162.1 指纹识别中的基本概念162.2 指纹识别方法综述202.3 自动指纹识别系统组成202.4 自动指纹识别系统的性能评价指标232.5 本章小结243 指纹图像预处理263.1 指纹图像预处理概述263.2 指纹图像的规格化273.2 指纹图像的分割283.3 指纹图像方向场计算和校正313.3.1 概述313.3.2 方向场计算方法323.3.3 方向场校正353.3.4 方向场计算与校正的难点分析383.3.5 本文提出的快速有效的方向场计算方法393.4 频率场的计算与校正403.5 指纹图像的增强413.5.1
7、指纹图像增强方法概述413.5.2 指纹图像增强的难点433.5.3 本文提出的改进的增强方法433.6 实验结果及效果分析443.5 指纹图像的二值化和细化464 指纹特征提取及分类474.1 指纹细节点的提取471 边缘点482 断脊483 纹线叉连484 孔洞495 毛刺496 短线494.2 指纹奇异点的提取504.3 指纹分类技术概述524.4 小结555 指纹特征匹配算法研究565.1 指纹特征匹配算法概述565.2 基于点模式的指纹匹配算法概述565.2.1 基于Hough变换的匹配算法575.2.2 基于串距离的匹配算法585.2.3 基于N近邻的匹配算法585.2.4 点模式
8、匹配算法的性能分析585.3 结合快速模式和精准模式的两阶段算法595.3.1 简单实用的基准点选择方法595.3.2 结合快速模式和精准模式的两阶段匹配算法615.4 本章小结686 总结与展望696.1 本文的主要工作和贡献696.2 后续的研究工作69参考文献71IV烟 台 大 学 硕 士 学 位 论 文1 绪论1.1 生物特征识别技术简介由信息技术推动的新产业革命正在兴起,它将给人们的生活和工作方式带来革命性的深刻影响。人们在社会生活中将有更多的机会需要进行身份认证。传统的身份识别与认证方法是基于身份标识物品(如证件、磁卡等)和身份标识知识(如用户名和密码)的。这些传统方法最致命的缺点
9、是:标识物品容易丢失或伪造,标识知识容易记错或遗忘。生物特征识别技术是一门利用人生理上的特征来识别人的身份的科学。与传统方法的不同之处在于,生物特征识别技术依据的是人的生理特征,是人的个体特性。生物特征分为身体特征和行为特性两类。常见的身体特征包括指纹、虹膜、面孔、掌形、掌纹、皮肤毛孔、手腕/手的血管纹理和DNA等见图1.对插入的图要做说明。;行为特点包括签名、语音、步态等。生物特征必须满足以下要求才能用于身份识别1:(1) 普遍性:每个人都拥有这种特性,(2) 特殊性:任何两个人的这种特性应该是完全不同的,(3) 永久性:该特性应当是终生不变的,(4) 可采集性:该特性应当比较容易被采集。一
10、个实用的生物特征识别系统中,还有很多其他问题需要考虑,包括1:(1) 准确性:决定识别系统的可信赖程度;(2) 可接受性:指人们在日常生活中愿意接受使用这种生物特征的程度;(3) 反欺诈性:用欺诈的方法使系统被欺骗的难易程度。Bill Gates曾经做出这样的断言:“生物特征识别技术,利用人的生理特征来识别人的身份,将成为今后几年IT产业的一项重要革新。”Gates的这段言论是因为有越来越多的消费者、公司和政府机关都承认,现有的基于智能卡、身份证或密码的身份识别系统是远远不够的。生物特征识别技术为此提供了一种解决方案。生物特征识别技术是目前最为方便与安全的识别系统,你不需要记住身份证号码和密码
11、,也不需要随身携带像智能卡之类的东西。图1.1 常用用于身份识别的生物特征下面简要介绍指纹识别、人脸识别、虹膜识别、视网膜识别、掌形识别、语音识别、签名识别等几种比较成熟且应用广泛的生物特征识别技术。1.1.1 指纹识别指纹是手指末端正面皮肤上凸凹不平的纹路。尽管指纹只是人体皮肤的一小部分,却蕴含着大量的信息。这些纹路在走向、断点和交叉点上是各不相同的,在信息处理中将他们称为特征,如图1.2所示。每一枚指纹上的特征都是不同的。这叫做指纹特征的唯一性。依靠特征的唯一性,可以把一个人与他的指纹对应起来,通过比较他的指纹特征和预先保存的指纹特征是否一致,就可以验证其真实身份。图1.2 常见的指纹特征
12、类型自动指纹识别技术主要包括指纹图像采集、指纹图像处理、特征提取、特征比对与匹配等过程。首先通过指纹采集设备读取到指纹图像,并对原始图像进行增强处理,使之更清晰。然后,指纹识别算法通过提取特征建立指纹的数字表示特征模板。这是一种单方向的转换,可以从指纹图像转换成特征模板,但不能从特征模板转换成指纹图像,而且两枚不同的指纹不会产生相同的特征模板。特征模板存储从指纹图像中找到的被称为“细节点(Minutiae)”的数据点,最常用的是分叉点和端点。特征模板的大小通常是1KB左右。最后,通过模糊比较的方法,把两个指纹模板进行比较,计算它们的相似程度,最终得到两个指纹的匹配结果。1.1.2 人脸识别人的
13、面部图像是最直观的,也是最常用的身份认证手段。人脸识别是当前模式识别领域最热门的研究课题之一。人脸识别就是通过与计算机相连的摄像头动态采集人的面部图像,同时把捕捉到的人脸与预先录入的人脸库中的人脸进行比较识别。因为人们对这种技术没有任何的排斥心理,所以从理论上讲,人脸识别可以成为一种最友好的生物特征身份认证技术。在过去近30年中人们对人脸识别做了深入的研究。人脸识别的方法很多,主要的人脸识别方法有:(1)几何特征的人脸识别方法。(2)基于特征脸(PCA)的人脸识别方法。 (3)神经网络的人脸识别方法。 (4)弹性图匹配的人脸识别方法。 (5)线段Hausdorff 距离(LHD) 的人脸识别方
14、法。 (6)支持向量机(SVM) 的人脸识别方法。人脸识别的优点是:直观,易于接受。其他生物特征识别方法都需要一些配合行为,而人脸识别不需要被动配合,可以用在某些隐蔽场合。可以远距离采集人脸。充分利用已有的人脸数据库资源,更直观、更方便的核查该人的身份,因此可以降低成本。人脸识别的缺点是:人脸的差异性并不明显,可能误识率较高。人脸的持久性差,如长胖、变瘦、长出胡须等。人脸的表情是丰富多彩的。人脸识别受周围环境影响较大。由于这些困难,人脸识别准确率不如其他技术。1.1.3 虹膜识别8虹膜是瞳孔与巩膜之间的环形可视部分,具有终生不变性和差异性。人眼中的虹膜由随瞳孔直径变换而拉伸的复杂纤维状组织构成
15、。通过红外光对虹膜上的纹络进行识别发现,有60%左右的纹络是每个人都相同的,有40%左右的纹络因人而异。据推算,两个人虹膜相同的概率是1/1078,因此虹膜作为身份认证手段的效果非常可靠和稳定。与其他生物特征相比,虹膜是一种更稳定、更可靠的生理特征。而且,由于虹膜是眼睛的外在组成部分,因此基于虹膜的身份鉴别系统对使用者来说可以是非接触的。唯一性、稳定性和非侵犯性,使得虹膜识别技术具有广泛的应用前景。虹膜识别技术的优点是:精确度高。建库和识别速度快。无需人工干预。使用者无需与设备接触。虹膜识别技术的缺点是:对盲人和眼疾患者无能为力。系统成本过高。需要比较好的光源。对黑眼睛的识别比较困难。1.1.
16、4 视网膜识别视网膜是一些位于眼球后部十分细小的神经(1/50英寸),它是人眼感受光线并将信息通过视神经传给大脑的重要器官。用于生物特征识别的血管分布在神经视网膜周围,即视网膜四层细胞的最远处。视网膜识别技术含量较高。早在20实际30年代,就已经通过研究得出了人类眼球后部血管分布唯一性的理论。目前在很多需要极其严格安全保障的场合都安装了视网膜识别系统。视网膜识别技术的优点是:有相当高的可靠性。建库和识别速度快。无需人工干预。使用者无需与设备接触。视网膜识别技术的缺点是:采集设备成本较高,采集过程比较繁琐。视网膜静脉图像的不变性不够好,使得视网膜识别系统拒识率相对较高。视网膜识别技术可能会对使用
17、者的眼睛造成伤害。1.1.5 掌形识别掌形识别也是很早就使用的生物识别特征之一,目前很多研究人员也在研究将掌形特征用于个人身份识别系统的实现,而且掌形特征还可以作为附加的特征融合到已有的识别系统中,能极大的提高识别系统的可靠性。 掌形识别技术的优点是:比对速度快。掌形识别的FTE(Fail To Enroll,录入失败率)很低。需要的存储空间很小。掌形识别的缺点是:由于手掌形状的相似性不是很容易区分,掌形识别技术不能像指纹、人脸和虹膜那样容易获得十分丰富的数据,不能完成一对多的识别。掌形识别技术的易用性不如其他生物特征识别技术,因为使用者需要知道自己的手掌应该怎样摆放,并需要花一定的时间来学习
18、并适应系统。使用者必须接触识别设备,可能会带来卫生方面的问题。1.1.6 语音识别语音识别又称声纹识别技术。不同的语音识别系统,虽然具体实现细节可能有所不同,但使用的基本技术大体相似,典型的语音识别系统的工作流程如图1.3所示。语音特征同样具有唯一性,即每个人的语音都不相同。语音识别技术也得到了广泛的研究,并且已经有很多产品出现。但当待匹配的模板达到一定数量之后,语音特征就不足以唯一区分开每一个人,而且它很容易受到背景噪声、健康状况等因素的影响。语音识别系统地准确率很难达到指纹或者视网膜识别系统的准确率。特征提取特征提取特征提取语音输入语音输出图1.3 语音识别系统流程图语音识别技术的优点:系
19、统成本非常低廉。语音采集设备已经是现代多媒体计算机的标准配置,在此基础实现语音识别只需要增加软件成本。对使用者来讲不需要与硬件直接接触,十分自然,很容易接受。最适宜于通过电话来进行身份认证。语音识别技术的缺点:准确性太差。容易被伪造。使用高保真录音设备非常昂贵。1.1.7 签名识别签名识别已经有很长的历史了,在文档证明和交易授权时有广泛的应用。签名识别也被称为签名力学识别,它并不是仅仅分析签名图像本事,而是建立在签名时的力度上,分析的是笔画的移动,如加速度、压力、方向及笔画的长度等。签名识别技术的关键是区分出签名的不同部分,有些是习惯性得,而另外一些是在每次签名的时候都不同的。签名识别与语音识
20、别一样,是一种行为测定学。签名识别的优点是:人类很久以前就开始使用签名来鉴别身份,因此签名识别对于使用者来说很容易被接受。签名识别的缺点是:签名识别的速度比较慢。签名识别所用的硬件设备价格昂贵。签名很容易被伪造。1.1.8 多模态识别随着社会对身份认证技术准确性和可靠性要求的日益提高,单一的生物特征识别技术已经远远不能满足社会的需要。由于单一的生物特征识别系统很难确保足够精确和可靠,因此多特征生物识别系统是一个可选的策略。比如将指纹与掌形或掌纹结合在一起组成一个多特征识别系统。基于多生物特征融合的身份认证系统的优点主要有以下几个方面:准确性:多个生物特征的运用可以提高系统的准确性。可靠性:单个
21、生物特征存在被伪造的可能,但同时伪造多个生物特征就要困难的多了。适用性:每种生物特征都存在应用的局限性。如有5%左右的人群的指纹属于劣质指纹,很难提取到有效特征,人脸会因为化妆、年龄增大等因素有所改变而使识别率降低,虹膜会因为白内障等疾病有所改变,语音会因为健康状况而改变。融合多种生物特征可以提高系统的适用性。1.1.9 生物特征识别的市场调查和发展前景近些年来,全球的生物特征识别技术已经从研究阶段转向应用阶段。目前,对该技术的研究和应用正进行的如火如荼,前景十分广阔。自从911事件以后,随着全球各国安全意识的增强,人们对生物特征识别技术产生了巨大的兴趣,包括政府、企业等,使得这项技术也具有较
22、大的市场潜力。国际生物特征组织IBG(International Biometric Group)9对20082014年的生物特征市场预测如图1.4和图1.5所示。预测领域包括活体指纹识别系统(AFIS / Live-Scan)、指纹应用(Fingerprint)、人脸识别(Face Recognition)、掌形识别(Hand Geometry)、中间件(Middleware)、虹膜识别(Iris Recognition)、语音识别(Voice Recognition)、皮下静脉识别(Vein Recognition)等。预测表明整个生物特征识别市场会持续增长,到2014年,全球将达到93.
23、6亿美元的产品收入。图1.4 2009年度各生物特征占市场收入比例图1.5 2009 2014生物特征产业年度收入预测目前生物特征识别产品的价格正在逐步降低,一方面是技术进步的原因,另一方面也是市场竞争的结果,有越来越多的商家正在进入这个市场。行业的发展必然要求标注的统一。目前,这一领域的公司已经在组织力量在一个公共的标准下开发。如BioAPI联盟,它是由Compaq、IBM、Identicator、Microsoft、Miros和Novell Inc等构成的联盟。他们的目标是要建立一个标准生物特征函数库API,这个API定义了与系统API的接口。在这个标准下各个公司可以相互合作进行开发,能够
24、在更普遍的方式下让更广泛的技术集成到软件产品中。可以预见,在不久的将来生物特征识别技术必将越来越广泛的应用到生活和工作的各个环节。从过去的市场情况来看,指纹识别和掌形识别技术的应用最为广泛,指纹技术占据了更大的优势。目前国内市场上生物特征识别产品指纹也是占据了主流,产品广泛应用在门禁、考勤、安保等众多领域。视网膜技术由于其高度的准确性和防伪性,目前主要应用在安全性要求非常高的场合。另外几种非常被看好的技术是语音、虹膜和人脸识别。语音和人脸技术很容易被人们接受,而虹膜技术具有不可伪造性和非常高的准确性,因此最能满足人们的安全需要。另外,融合多种生物特征的多模态技术也是一个重要的发展趋势。1.1.
25、10 生物特征识别技术的横向比较一种生物特征能够用来作为身份认证手段,除要了具备普遍性、唯一性、不变性和可采集性之外,从实际操作的角度来讲,往往还需要满足以下要求:采集速度快、公众可以接受、可被精确的测量、较高的可信度、比对速度快、较好的防伪性、可以接受的存储空间要求等。系统性能包括识别准确率、识别速度、系统鲁棒性、系统所需资源和影响系统性能的因素等。表1.1就常见的几种生物特征,从特征的广泛性、独特性、持久性、可采集性、系统性能、公众接受性和防伪性等方面进行横向比较。国际生物组织使用Zephyr图将常用的生物特征识别技术做了比较。如图1.69所示。不同的符号分别代表干扰程度、独特性、易用性和
26、价格。符号间的相对位置表示每种技术对应的性能情况。位置越靠近Zephyr图的外围,表示对应的性能越好;越靠近Zephyr的中心位置,表示对应的性能越差。从Zephyr看出来,没有一种技术能够在各项指标上均优于其它技术。所以只能根据应用的不同场合,选择合适的技术。目前有三种技术被认为最具有唯一性和固有性:视网膜、虹膜和指纹。因此,这三种特征在生物特征识别中具有最高的可信度和准确度。表1.1 常见生物特征识别技术横向比较表特征名称广泛性独特性持久性准确率可采集性可接受性防伪性指纹中高高高中中高人脸高低中低高高低掌形中中中中高中中掌纹中中中中中中高虹膜高高高高中低高视网膜高高中高低低高签名低低低低高
27、高低语音中低 低低中高低热成像高高低中高高高理想的生物特征系统干扰用户程度 独特性 费用代价 易用性掌形识别签名识别指纹识别指纹识别视网膜识别虹膜识别人脸识别击键识别图1.6 Zephyr分析图1.2 指纹识别技术简介本节内容与第二章是否重复?给人 的感觉是重复。相似的内容最好放在一起。1.2.1 指纹识别的历史指纹出现在人类历史上,最早可以追溯到大约7000多年前的半坡文化时期,当时的黏土陶器上就有工匠可以留下的用作标记制造者身份的指纹印迹。古代中国人最早广泛的使用指纹作为身份鉴别工具。中国古代的官方文件、契约普遍使用指纹作为印章。国内现存最早的带指纹印章的文件来自2300年前。1686年,
28、意大利Bologna大学的解剖学教授Marcello Malpighi(1628 -1694)是第一个发现手指存在脊线、螺旋和环等纹理的人。1823年,德国Breslau大学解剖学教授Jan Evangelista Purkenje曾在他的医学博士论文中论述指纹脊线的9种基本可识别模式,这项成果成为人工指纹分类系统的基础。1858年,英国William Herschel爵士证实了人类从6个月的胎儿到死亡,指纹脊线信息都不会改变。1892年,英国科学家Francis Galton(1822 1911)爵士出版论著“Fingerprints”,深入阐述了他从19世纪80年代以来对指纹识别研究的成果
29、。他建立了指纹唯一性和不变性的理论基础,通过计算得出两枚来自不同手指的指纹相似的概率是640亿分之一。他尝试设计了大容量指纹库的分类系统A.L.W(Arch-Loop-Whorl),它能够提高指纹搜索的速度。此外他还提出使用Galton点(细节点)识别指纹,这种基于细节点的方法一直延续至今。阿根廷La Plata警署的Juan Vucetich(1858 1925)博士进一步研究了指纹的分类方法,他设计的指纹分类系统Incofalagometrico于1891年应用于La Plata警署。官方认为,他是世界上第一个发明指纹识别系统的人。1901年,伦敦警察厅正式采用“Henry系统”作为识别系
30、统,并成为全英国及其殖民地的指纹认证中心,这个指纹分类系统被陆续应用于美国和其他欧洲国家。1924年,美国成立FBI身份识别机构,整理国家安全局的指纹文件。到1946年,FBI已经拥有需要人工维护的10亿张指纹卡片,单靠人工专家维护如此海量的数据已经难以满足要求。随着计算机的出现和自动指纹识别系统AFIS(Automatic Fingerprint Identifying System)的发展,这个问题逐渐得到了解决。1.2.2 指纹识别与其他生物特征识别技术的比较从国际生物特征组织的报告来看,自动指纹识别系统及其它指纹技术的应用占据了生物特征产业市场份额的50%以上。指纹之所以有这么广泛的市
31、场占有量是因为它同其它生物特征相比具有更明显的优势,具体体现如下:1指纹是目前国际上唯一得到司法认可的生物特征。2指纹相对于其它生物特征来说,比较易于采集且采集成本低。目前不论是光学还是半导体指纹采集芯片价格都已经比较便宜,体积也非常小,完全满足产业化需求。3每个人都有10个手指,且10个手指的指纹皆不相同,可以利用多个手指的指纹构成多重密码,构建高可靠性的系统。4指纹具有唯一性。理论计算证明,来自两个不同手指的指纹相同的概率是1/640亿。按照全世界每年出生1亿人口,人的10个手指之间彼此都有可能出现相同的指纹,出现两枚完全相同的指纹也需要64年。而且这是最低界限,因为还没有考虑死亡人口的因
32、素。因此,可以认为在一个范围内(一个国家、地区或单位)内部,指纹是唯一的。研究证明,指纹是在胚胎发育期间形成的,和遗传因素无关,即使同卵双胞胎的指纹,也是不同的,如图1.7所示。从这个角度讲,指纹具有比DNA更高的特异性。5、指纹识别中使用的模板是由指纹图像提取的关键特征,而非指纹的原始图像。这样使得系统对模板库的存贮量较小,同时还保护了用户的隐私。 (a) (b)图1.7 一对同卵双胞胎姐妹的对应手指的指纹本行要与上图置于同一页。也许是我的计算机显示的问题?1.2.3 自动指纹识别技术的应用领域鉴于指纹特征的各项优点,见1.2.4,可以预见,在生物特征识别领域指纹仍将占据大量的市场,并将应用
33、在更加广泛的领域中。归纳起来,指纹应用前景主要有以下几个方面。(1)司法领域:罪犯调查、尸体身份鉴定、走失儿童寻找等。(2)政府、民政领域:公共安全、保险福利发放、边境管制、护照管理、居民身份证、驾照、其他证件审核等。(3)商业领域:计算机网络登录、电子数据安全、电子商务、Intenrnet访问控制、电子银行、ATM信用卡、物理访问控制、移动电话、PDA、远程教学等。1.2.4 自动指纹识别所面临的问题尽管指纹识别研究和产业化开发已经取得了重要进展,但仍然存在诸多问题,影响了系统的精度和识别速度,限制了这一产业的发展。例如,虽然目前市场上主流产品都宣称自己的算法具有很高的性能,以目前国内市场上
34、认可度较高的朝鲜斯麦克公司算法为例,它宣称识别率达99.99%,误识率小于0.00001%,但在FVC2006比赛结果中,其在4个测试库上的EER分别为5.356%、0.169%、1.645%、0.496%。这表明,自动指纹识别技术并不完善,还有大量的工作要做。要使系统能够满足各种应用场合的需要,还有很长的路要走。目前自动指纹识别存在的主要问题有如下几个方面:(1)缺乏通用有效的图象增强算法。图像增强是指纹算法的重要步骤,直接影响到特征提取的准确性。传统的方法在识别速度、增强效果上都有不足之处,尤其在处理劣质指纹方面,表现得更加突出。(2)高效准确的匹配算法。匹配算法是整个自动指纹识别系统的核
35、心。而系统在特征提取的过程中,不可避免的会发生丢失细节点或者引入伪细节点。另外,指纹在采集的过程中,由于用力不均匀,不可避免的存在性变。这种非线性的性变一直是匹配算法没有解决的难题。这些因素导致目前的匹配算法仍然不够精确。(3)没有一种稳定的、适合于自动指纹识别系统的指纹分类体系。传统的Henry分类体系,需要准确确定指纹奇异点,而对面积较小的活体指纹采集仪,这点很难做到。另外Henry体系的5个类别,所占比例差距很大,不能有效降低匹配过程中的检索范围。(4)缺少统一的开发标准。各开发厂商在研发的过程中标准不一,技术严格保密。目前国内基本还处在各自为政的阶段。随着应用的增多,系统互不兼容的问题
36、逐渐暴露出来。表1.3 指纹类型出现概率类型拱型尖拱型左旋型右旋型涡型出现概率6.16%7.79%17.03%36.48%32.52%所有这些问题并不是孤立的,而是紧密联系、互相制约的。因此自动指纹识别算法仍然是值得深入研究的一个课题。1.3 论文的任务及创新点本文通过参阅大量的文献资料,试图设计一种良好的自动指纹识别算法,应用范围面向民用领域,以解决目前国内中小企业没有自主产权的核心算法的问题。论文的主要研究工作和创新可分为以下两个方面:(1)指纹图像预处理。指纹图像预处理是目前指纹识别研究重点之一,也是难点之一。图像预处理的目的是滤除图像中的高低频噪声,恢复指纹纹线本来的结构,以便能够准确
37、的提取到指纹的细节点信息。传统的方法在方向场的精确性和算法速度方面都存在不尽如人意之处。指纹方向信息是图像增强的重要参数,直接影响到增强结果的准确性。传统的方向场计算方法存在抗噪声能力不强的弱点。传统的图像增强方法使用Gabor滤波器进行增强。这种增强方法虽然效果较好,但计算量大,速度慢。本文在研究前人方法的基础上,提出了一系列改进方法,取得了较好的效果。在方向场计算方面,本文提出了改进的点方向场计算方法,既保留传统的点方向场的精确性,又解决了计算点方向场速度慢的问题。在增强算法方面,通过分析传统增强方法的原理,提出了一种快速、高效的十字型一维滤波器,增强效果好,速度快。(2)特征匹配算法。特
38、征匹配算法是整个自动指纹识别算法的核心。匹配算法的好坏直接决定了整个指纹识别算法的性能。它主要验证两枚指纹是否来自同一手指。这个问题包含两个基本方面:如何对指纹图像进行有效的描述,也就是用那些特征的哪些信息来表示一枚指纹;如何匹配两枚指纹的模板特征,用什么方法确定两个模板的相似度。考虑到活体采集设备采集到的指纹图像一般比较小,并非完整的一枚指纹,本文首先采取了合并的方法。即在指纹录入的过程中采取多次录入,将每次录入的结果进行合并得到一个完整的指纹模板。这样系统数据库中存储的指纹的特征信息相应提高,大大增加了匹配成功的机率。在匹配阶段,本文提出了快速模式和精准模式相结合两阶段算法,进一步提高了算
39、法性能。判定两枚指纹是否是同源指纹,一般要结合匹配成功的细节点数和整体相似度两个指标来进行判断。传统方法一般采用刚性标准,即两个指标中有一个不能达到阈值,则判为失败。本文通过对失败且指标在阈值一定范围之内的指纹进行二次精准匹配,根据精准匹配的结果判断两枚指纹是否为同源。这种两阶段的方法在很大程度上提高了算法的性能。1.4 论文的组织结构本文是这样安排下面的内容的:第二章主要介绍指纹图像预处理部分,主要有指纹图像灰度调整、图像分割、计算并矫正方向场、图像增强、二值化及后处理、细化及后处理等步骤。第三章介绍指纹细节点提取、指纹奇异点提取、指纹分类等。第四章介绍了传统的基于点模式的特征匹配算法和本文
40、提出的特征合并及结合快速模式和精准模式的两阶段算法。第五章对全文的工作进行总结,并提出了下一步需要改进的重点。2 自动指纹识别技术基础本章介绍指纹识别中的基本概念、指纹识别的原理与基本方法以及自动指纹识别系统的工作流程、性能评价指标等。2.1 指纹识别中的基本概念指纹是人体手指末端正面皮肤上凹凸不平的纹路,如图2.1所示,其中凸起的部分(颜色较深)叫做脊线;凹下的部分(颜色较浅)叫谷线。指纹中包含有大量的信心,称作特征。指纹识别的过程就是在指纹中提取这些特征并进行比对以确认两枚指纹是否来自同一手指,即是否为同源指纹,以确定人的身份。根据特征的影响范围,指纹特征可以分为全局特征和局部特征。图2.
41、1 FVC200211 DB1 SETA的一枚指纹图像全局特征是指那些直接用人眼就能观察到的整体特征,包括基本纹路走向、模式区、奇异点(包括三角点和核心点)、纹数等。根据基本纹路走向,可以把指纹分为拱型(Arch)、尖拱型(Tended Arch)、左旋型(Left Loop)、右旋型(Right Loop)、旋涡型(Whorl)和双环型(Twin Loop),如图2.2所示。其中旋涡型和双环型又可统称为旋涡型,因为二者的奇异点数量相同,不同之处仅在于二者核心点的距离和相对位置关系。模式区(Patten Area):模式区是指纹图像中包含了总体特征的区域,如图2.3所示,从模式区就可判断出指纹
42、属于那种类型。模式区由模式线围绕而成。核心点(Core):核心点又叫做内部终点,定义为位于充分弯曲脊线的最里面的特殊点,如图1.9所示。由于弯曲脊线形成的巨大变化,对核心点轮廓的定义非常复杂。核心点常用作指纹匹配或分类时对齐指纹的参考点。图2.2 常见的6类指纹 图2.3 指纹模式区和模式线三角点(Delta):三角点也叫外部终点,是指纹图像中三个方向的纹线相汇三角区域的中心点,如图2.3所示。三角点和核心点合称奇异点。尽管指纹奇异点区域在指纹图像中所占的面积不大,但在指纹分类、匹配和方向场建模的过程中却起到不可替代的作用。纹数(Ridge Count):模式区内指纹纹线的数量。一般是指连接核
43、心点和三角点,连线跨越的纹线数量即为纹数。局部特征是指指纹细节点(Minutiae)。每一个细节点可以包含多种特征,其中常用的特征有以下四种:(1)类型。即当前细节点属于那种类型的细节点。目前已经证明,指纹中一共存在150多种局部细节点13,但常见的且用的比较多的有以下几种:端点(Ending):脊线的终结点。分叉点(Bifurcation):脊线在此分成两条或者更多的脊线。孤立点(Dot or Island):特别短的脊线,以至于成为一点。环(Enclosure):一条脊线分开以后又立即合并成一条,形成一个小环。短线(Short Ridge):较短但不至于称为一点的脊线。断线(Ridge B
44、reaking):脊线在某个位置断开。桥(Bridge):连接两条平行脊线的短线。交叉点(Crossing):两条脊线在此交叉。毛刺(Spur):在一条脊线上发出一条短小脊线。以上各种特征的图形表示如表2.1所示。(2)方向。细节点的方向定义为细节点所处的位置的脊线的方向。(3)位置。细节点在指纹图像中的位置。一般通过坐标来描述。坐标可以使绝对坐标,也可以是相对于参考点或者其他细节点的相对坐标。(4)曲率。描述脊线方向改变的速度。表2.1 常见的细节特征示意图特征形状示例端点分叉点孤立点环短线断线桥交叉点毛刺2.2 指纹识别方法综述?2.3 自动指纹识别系统组成一个优秀的实用的生物特征识别系统
45、通常包括录入、比对和匹配处理过程。自动指纹识别系统也不例外,它包括指纹图像采集、图像预处理、特征提取、特征比对和匹配等过程。系统流程大致如图2.4所示。其中的图像预处理又可以细分为图像灰度调整、计算并校正方向场和频率场、图像增强、图像二值化和细化。有时为了提高系统对低质量指纹的鲁棒性,还需要增加图像质量评价模块。详细的特征提取系统流程图如图2.5所示。特征提取分类创建模板用户指纹特征指纹库用户ID指纹录入指纹比对特征提取特征匹配用户指纹特征指纹库ID对应的模板成功 / 失败要求的用户ID指纹比对特征提取特征分类、匹配用户指纹特征指纹库指纹识别同类的N个模板用户ID / 用户不存在图2.4 自动指纹识别系统流程图图像采集质量评测图像分割图像增强指纹图像二值化细化提取特征合格不合格计算并校正方向场和频率场图2.5 特征提取过程系统流程图系统的几个主要构成部分如下:(1)图像采集图像采集是自动指纹识别系统中的首个步骤,一般采用活体采集设备作为系统输入。常用的采集设备有三种:光学式、固态传感器、超声波式14。(2)质量评
链接地址:https://www.31doc.com/p-3290575.html