【正文】 Izz(i,j+1)=0。 b=1 amp。c=0。Izz(i,j+1)=0。I(i+1,j1)=1。 tezheng(i,j,3)=2。I(i,j+1)=1。 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文 (設(shè)計(jì) ) 29 end if Im(i1,j1) ~= Im(i1,j) a = a + 1。 for i=2:m1 for j=2:n1 if Im(i,j)==1 a = 0。 end 指紋識(shí)別中若干關(guān)鍵問(wèn)題研究 28 end if Im(i,j)==0 if Im(i1,j) + Im(i1,j+1) +Im(i,j+1) + Im(i+1,j+1) + Im(i+1,j) + Im(i+1,j1) + Im(i,j1) + Im(i1,j1) =7 In(i,j)=1。 else Im(x,y)=255。 sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8]。 sum1=I(x,y4)+I(x,y2)+I(x,y+2)+I(x,y+4)。 In=zeros(m,n)。 end end end for x=2:H1 for y=2:L1 if moban(x,y)==1 if moban(x1,y) + moban(x1,y+1) +moban(x,y+1) + moban(x+1,y+1) + moban(x+1,y) + moban(x+1,y1) + moban(x,y1) + moban(x1,y1) =4 moban(x,y)=0。 T3=G1100。 gtotle1=gtotle1+aveg1(x,y)。 vtotle=vtotle+var1(x,y)。 Vmean1=Vmean/(H*L)。 for j=1:M。 for y=1:L。 for x=1:m for y=1:n if I(x,y)=M1 I(x,y)=150+sqrt(100*(I(x,y)M1)*(I(x,y)M1)/var1)。 end I=double(I)。 最后， 再次 感謝所有關(guān)心我、幫助過(guò)我的老師、同學(xué) 、 朋友 和親人。對(duì) 論文中出現(xiàn)的許多問(wèn)題及時(shí)當(dāng)面溝通，悉心地指導(dǎo)我在論文 問(wèn)題的解決思路 ，經(jīng)過(guò)反復(fù)修改，論文終于得以定稿。如何有效的對(duì)指紋圖像的分割細(xì)化的不足之處進(jìn)行彌補(bǔ)，對(duì) 匹配算法 改進(jìn) 效率 以及將指紋 識(shí)別技術(shù)與在實(shí)踐中結(jié)合起來(lái)應(yīng)該是今后開展工作的方向。主要研究?jī)?nèi)容如下： （ 1）綜合分析了指紋分割目前主流的三種趨勢(shì)，選擇了基于區(qū)域特征的均值方差法并用 matlab 語(yǔ)言來(lái)對(duì)指紋圖像進(jìn)行分割。 這兩種方法都很好地解決了 找到基準(zhǔn)點(diǎn)，容錯(cuò)性和相似度的問(wèn)題。返回 1 說(shuō)明匹配成功，返回 0 則匹配失敗。能獲得參考點(diǎn)表明從被識(shí)別圖像中獲得的任意比特流與登記圖像中獲得的比特流相近，則有可能得出兩圖像相同的結(jié)果；沒(méi)有參考點(diǎn)表明被識(shí)別圖像完全是另一不同圖像。很多情況下選用圖片的中心點(diǎn)。它利用脊線上的端點(diǎn)和分叉點(diǎn)這兩種關(guān)鍵點(diǎn)來(lái)鑒定指紋。在匹配前還需對(duì)毛刺、小橋等偽特征點(diǎn)加以識(shí)別和處理，這樣有助于后面匹配的進(jìn)行，使匹配更加精確無(wú)誤和快速。因?yàn)橹讣y變化多的部分為中間，所以處理的范圍比斷點(diǎn)來(lái)的范圍小，并且在特征值為 2 的情況下僅僅是縮小范圍再次判 斷特征值，這點(diǎn)就不相同了。 （ 3）偽特征的判斷比較多 ,全部計(jì)入數(shù)組 3。 本章中將特征建立為一個(gè) 3 維數(shù)組，前兩組用于記錄端點(diǎn)和分叉點(diǎn)。提取出的特征點(diǎn)還必須經(jīng)過(guò)偽特征點(diǎn)的去除，盡可能地去除 掉由于二值化、細(xì)化處理等過(guò)程引入的偽特征點(diǎn)。 對(duì)于特征點(diǎn)提取的常用算法很多，如： (1)基于二值化的特征提取方法：這種算法對(duì)于預(yù)處理和增強(qiáng)后得指紋圖像進(jìn)行二值化，然后再提取特征點(diǎn)。對(duì)于細(xì)化中出現(xiàn)的毛刺現(xiàn)象，要根據(jù)局部特征來(lái)修改判定模板來(lái)決定這個(gè)點(diǎn)的像素，甚至可以減少模板的數(shù)量和判斷次數(shù)，既簡(jiǎn)化模板，又提高運(yùn)算速度，這點(diǎn)還可以有很大的深入研究。 （ 3） 16 種消去模板是在不滿足上述情況下衍生的模板，對(duì)于滿足這些模板的點(diǎn)像素全為 0，以上都未涉及的點(diǎn)不做改變。 不同的文獻(xiàn)上有不同的關(guān)于細(xì)化方法，如 王家隆等 [16]以及王業(yè)琳等 [17]的細(xì)化模板。 (6)中軸性：骨架盡可能接近條紋中心線。在文字識(shí)別、地質(zhì)構(gòu)造識(shí)別、工業(yè)零件形狀識(shí)別或圖像理解中，先對(duì)被處理圖像進(jìn)行細(xì)化有助于突出形狀特點(diǎn)和減少冗余信息。背景和灰度值為 255的紋線像素置為 1，這做法的目的是去除不確切的點(diǎn)?；叶葓D二值化的基本思想是選取適當(dāng)?shù)幕叶乳u值，將灰度圖像轉(zhuǎn)化為二值圖像，閾值的選擇是關(guān)鍵，對(duì)于閾值的選擇，有多種方法，如熵法， Ostu 法等。下面的圖像為指紋圖像歸一化和分割結(jié)果。 ? ?? ???? 1H 0 10 ),(LH 1A V E i Lj jiI （ ） 21H010 A V E),( LH1V A R ）（? ?????? iLj jiI （ ） (3)如果計(jì)算得到的方差幾乎接近 于 0就認(rèn)為是背景，對(duì)于方差不為零的區(qū)域在進(jìn)行閾值分割算法，這種算法主要是根據(jù)計(jì)算得到的方差來(lái)決定其是否為背景區(qū)。全局的圖像分割可以是人工選定幾個(gè)特定點(diǎn)后再根據(jù)全局的特點(diǎn)來(lái)處理，此法也可運(yùn)用于匹配。其中塊指的是將圖像分個(gè)成一個(gè)個(gè)小的圖像塊。 在指紋識(shí)別識(shí)別中使用小波變換有助于噪聲的濾除以及有利于檢測(cè)奇異點(diǎn)。通過(guò)提取圖像特征 ,可將原始圖像映射到特征空間 ,使圖像特征在特征空間中呈現(xiàn)一定的分布 [6]。 第三章：介紹了指紋圖像細(xì)化的方法并仿真得到結(jié)果。 指紋匹配算法的性能主要決定于所提取到的特征點(diǎn)的數(shù)目、位置和相互關(guān)系的可靠性。 指紋的使用比起其它證卡來(lái)說(shuō)更快捷、安全、準(zhǔn)確、無(wú)干擾，可實(shí)現(xiàn)快速登錄注冊(cè)，系統(tǒng)兼容性好，也就是說(shuō)可以獨(dú)立或者通過(guò)聯(lián)網(wǎng)構(gòu)成系統(tǒng)并且很容易并入各類證卡和定義識(shí)別系統(tǒng)中。主要表浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文 (設(shè)計(jì) ) 3 現(xiàn)在： (1)指紋錄入設(shè)備的質(zhì)量還不太過(guò)關(guān)： (2)自動(dòng)指紋識(shí)別算法研究水平還有待提高 ，在應(yīng)用上的表現(xiàn)為產(chǎn)品適應(yīng)性和易用性較差，對(duì)干、濕一些的指紋往往不能正確區(qū)別，對(duì)指紋錄入時(shí)的旋轉(zhuǎn)、平移比較敏感。對(duì)應(yīng)的匹配方法可以分為：基于點(diǎn)模式的匹配，基于脊線的匹配，基于紋理的匹配以及多種細(xì)節(jié)特征混合的匹配方法。 指紋識(shí)別技術(shù)發(fā)展現(xiàn)狀 指紋識(shí)別算法的研究方向主要分為：基于圖像的識(shí)別算法和基于特征的識(shí)別算法。 這就要求研究指紋識(shí)別環(huán)節(jié)中若干問(wèn)題，這對(duì)于問(wèn)題的解決很有意義。這些都是傳統(tǒng)的安全系統(tǒng)所采用的方式，隨著社會(huì)的發(fā)展，其安全性越來(lái)越脆弱。 仿真結(jié)果表明。 首先，本文系統(tǒng)介紹了指紋識(shí)別的研究意義及現(xiàn)狀，并對(duì)指紋識(shí)別原理及實(shí)現(xiàn)過(guò)程做了系統(tǒng)介紹。 fingerprint refinement。 ③終生不變性， 指非意外事故指紋終身不變。 (5)一個(gè)人的十指指紋皆不相同，這樣可以方便地利用多個(gè)指紋構(gòu)成多重口令，指紋識(shí)別中若干關(guān)鍵問(wèn)題研究 2 提高系統(tǒng)的安全性。指紋特征的復(fù)雜度足以提供用于鑒別的足夠特征。另外，一些公司和機(jī)構(gòu)結(jié)合社會(huì)應(yīng)用的實(shí)際需求，開發(fā)了各種類型的具有獨(dú)立知識(shí)產(chǎn)權(quán)的嵌入式指紋識(shí)別模塊、指紋應(yīng)用系統(tǒng)軟件等，用戶反映良好。正是這些無(wú)窮無(wú)盡的細(xì)節(jié)特征組合構(gòu)成了指紋的唯一性．事實(shí)上，甚至包括雙胞胎，世界上兩個(gè)指紋相同的概率小 于 1／ 109，幾乎為零，這就構(gòu)成了指紋的第一大特點(diǎn)。就現(xiàn)有文獻(xiàn)和產(chǎn)品來(lái)看，對(duì)低質(zhì)量的指紋圖像的處理效果還遠(yuǎn)不能令人滿意。其中分割部分采用了方差均值的方法，細(xì)化選取了一種偽特征較少的模板，匹配時(shí)以分叉點(diǎn)和端點(diǎn)信息進(jìn)行匹配。指紋分割的最基本的依據(jù)是圖像某些特征和特征集合。對(duì)于任意函數(shù) ? ? ? ?RL2?tf 的連續(xù)小波變換 [7]：公式（ 1）為變換公式，公式（ 2）為重構(gòu)公式。此原理在匹配中也可以運(yùn)用。這種方法最大的優(yōu)點(diǎn)是易實(shí)現(xiàn)，很 好體現(xiàn)出紋理，但缺點(diǎn)是對(duì)于變化太快的部分出錯(cuò)。具體步驟分以下三步： (1)將低頻圖分成 M M 大小的無(wú)重疊方塊，方塊的大小以一谷一脊為宜。 仿真結(jié)果和結(jié)論 本實(shí)驗(yàn)基于 的 Pc 機(jī)， Window 7 操作系統(tǒng)， 的仿真軟件環(huán)境下。由于指紋圖像脊、谷相間，因此指紋圖像的處理常是將指紋圖像二值化。所以最好選用局部閾值法作為二值化算法。細(xì)化可以便我們得到絞線的單像素的骨架。 (3)拓?fù)湫裕翰灰鸺y線的逐步吞食，保持原圖像的基本結(jié)構(gòu)特性。由于并行細(xì)化算法具有快速而準(zhǔn)確的特性，因此他一直是人們研究的熱點(diǎn)，并且相應(yīng)的提出了許多并行細(xì)化算法，如 OPTA 細(xì)化算法 [15]， R． W． Hall 細(xì)化算法， Rosenfeld 細(xì)化算法， Zhang amp。 本論文中采用了方法步驟如下： （ 1）建立 3 維數(shù)組 ，第一組數(shù)據(jù)為預(yù)處理后的圖像信息，定義每一個(gè)像素點(diǎn)它周圍點(diǎn)像素參數(shù)。 細(xì)化將黑白二值圖像細(xì)化成了單個(gè)像素帶寬的指紋圖像，由于模板的選擇不同，上圖中的細(xì)化圖像一定程度上存在毛刺、分叉、斷點(diǎn)等不理想的情況。 (2)可測(cè)試性：適用于指紋匹配算法，便于在匹配算法中應(yīng)用。指紋由脊線和谷線交替構(gòu)成，在大多數(shù)地方紋線連續(xù)且相互平行，而某些局部不連續(xù)的地方構(gòu)成了細(xì)節(jié)點(diǎn)。 在提取指紋圖像的細(xì)節(jié)特征中，由于圖像質(zhì)量和噪聲的干擾，存在 大量的偽特征點(diǎn)，實(shí)驗(yàn)表明一幅質(zhì)量較差的圖像在經(jīng)過(guò)預(yù)處理，細(xì)節(jié)特征提取后可能產(chǎn)生多達(dá)一、兩萬(wàn)個(gè)細(xì)節(jié)特征點(diǎn)，其中包含了大量的偽特征點(diǎn)，這些偽特征點(diǎn)的存在，不但使匹配的速度大大降低，還使指紋識(shí)別性能急劇下降，造成識(shí)別系統(tǒng)的拒真率和誤識(shí)率的上升，因此在進(jìn)行指紋匹配之前，應(yīng)對(duì)細(xì)節(jié)特征進(jìn)行驗(yàn)證，盡可能將偽特征點(diǎn)去除，同時(shí)保留真特征點(diǎn)。 （ 2）分叉點(diǎn)的判斷條件為：周圍的 8 鄰域兩兩相鄰當(dāng)且僅當(dāng)存在 6 個(gè)不同值。此時(shí)在更小 12 的上半范圍或下半范圍，特征仍為 2 則浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文 (設(shè)計(jì) ) 15 認(rèn)為為斷點(diǎn)。小橋處理方式類同斷點(diǎn)和毛刺。 指紋圖像匹配方面， 主要有基于圖像，脊線結(jié)構(gòu)和特征點(diǎn)的方法。點(diǎn)模式匹配是著名的數(shù)學(xué)難題。 (4)最終得到的是兩幅指紋的相似度，怎么確定相似度的計(jì)算方式。最后判斷可積點(diǎn)的個(gè)數(shù)和相對(duì)值。如果可行，則此匹配法能找到最相近的圖片代號(hào)并顯示出它們的距離。方法二對(duì)圖像的預(yù)處理要求不高，方法簡(jiǎn)單，但計(jì)算復(fù)雜，適合一對(duì)多的檢索性匹配。 （ 4）在上述的特征點(diǎn)的部分選用了點(diǎn)模匹配，以特征點(diǎn)滿足相對(duì)距離的個(gè)數(shù)和相對(duì)值為依據(jù)判斷是否匹配。 首先，我要感謝我的畢業(yè)設(shè)計(jì)指導(dǎo)老師周老師。 在論文的撰寫和資料搜集期間，前 人的資料對(duì)我提供了莫大的幫助，這里感謝設(shè)計(jì)中被我引用或參考的論著的作者。 [m,n,s] = size(originI)。 for x=1:m for y=1:n var=var+(I(x,y)M1)*(I(x,y)M1)。 aveg1=zeros(H,L)。 aveg=I(i+(x1)*M,j+(y1)*M)+aveg。 for x=1:H for y=1:L Gmean=Gmean+aveg1(x,y)。 for x=1:H for y=1:L if Gmean1aveg1(x,y) gtemp=gtemp+1。vtotle1=0。 moban=zeros(H,L)。 end if aveg1(x,y)T3 amp。1 1 1。 Im=zeros(m,n)。 sum6=I(x4,y2)+I(x2,y1)+I(x+2,y+1)+I(x+4,y+2)。 if (summax+summin+4*I(x,y)) (3*(sum1+sum2+sum3+sum4+sum5+sum6+sum7+sum8)/8) sumf = summin。 end end %figure,imshow(double(Icc)) %%%%%%%%%%%%%%%%%二值化后處理 Im=Icc。 %%%%%%%%%%%%%%%%%%%特征提取 xxx=0。 end if Im(i+1,j) ~= Im(i+1,j1) a = a + 1。 I(i,j)=0。I(i1,j1)=1。I(i,j+1)=1。 xxx=xxx1。Izz(i1,j1)=0。 d=I(i,j1)+I(i,j2)+I(i,j3)+I(i,j4)+I(i,j5)+I(