【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 ) 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 指紋識別中若干關(guān)鍵問題研究 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、幫助過我的老師、同學(xué) 、 朋友 和親人。對 論文中出現(xiàn)的許多問題及時當(dāng)面溝通，悉心地指導(dǎo)我在論文 問題的解決思路 ，經(jīng)過反復(fù)修改，論文終于得以定稿。如何有效的對指紋圖像的分割細(xì)化的不足之處進行彌補，對 匹配算法 改進 效率 以及將指紋 識別技術(shù)與在實踐中結(jié)合起來應(yīng)該是今后開展工作的方向。主要研究內(nèi)容如下： （ 1）綜合分析了指紋分割目前主流的三種趨勢，選擇了基于區(qū)域特征的均值方差法并用 matlab 語言來對指紋圖像進行分割。 這兩種方法都很好地解決了 找到基準(zhǔn)點，容錯性和相似度的問題。返回 1 說明匹配成功，返回 0 則匹配失敗。能獲得參考點表明從被識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；沒有參考點表明被識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。它利用脊線上的端點和分叉點這兩種關(guān)鍵點來鑒定指紋。在匹配前還需對毛刺、小橋等偽特征點加以識別和處理，這樣有助于后面匹配的進行，使匹配更加精確無誤和快速。因為指紋變化多的部分為中間，所以處理的范圍比斷點來的范圍小，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，這點就不相同了。 （ 3）偽特征的判斷比較多 ,全部計入數(shù)組 3。 本章中將特征建立為一個 3 維數(shù)組，前兩組用于記錄端點和分叉點。提取出的特征點還必須經(jīng)過偽特征點的去除，盡可能地去除 掉由于二值化、細(xì)化處理等過程引入的偽特征點。 對于特征點提取的常用算法很多，如： (1)基于二值化的特征提取方法：這種算法對于預(yù)處理和增強后得指紋圖像進行二值化，然后再提取特征點。對于細(xì)化中出現(xiàn)的毛刺現(xiàn)象，要根據(jù)局部特征來修改判定模板來決定這個點的像素，甚至可以減少模板的數(shù)量和判斷次數(shù)，既簡化模板，又提高運算速度，這點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，對于滿足這些模板的點像素全為 0，以上都未涉及的點不做改變。 不同的文獻上有不同的關(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。在文字識別、地質(zhì)構(gòu)造識別、工業(yè)零件形狀識別或圖像理解中，先對被處理圖像進行細(xì)化有助于突出形狀特點和減少冗余信息。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?；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)如果計算得到的方差幾乎接近 于 0就認(rèn)為是背景，對于方差不為零的區(qū)域在進行閾值分割算法，這種算法主要是根據(jù)計算得到的方差來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特定點后再根據(jù)全局的特點來處理，此法也可運用于匹配。其中塊指的是將圖像分個成一個個小的圖像塊。 在指紋識別識別中使用小波變換有助于噪聲的濾除以及有利于檢測奇異點。通過提取圖像特征 ,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說更快捷、安全、準(zhǔn)確、無干擾，可實現(xiàn)快速登錄注冊，系統(tǒng)兼容性好，也就是說可以獨立或者通過聯(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 ) 3 現(xiàn)在： (1)指紋錄入設(shè)備的質(zhì)量還不太過關(guān)： (2)自動指紋識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，對干、濕一些的指紋往往不能正確區(qū)別，對指紋錄入時的旋轉(zhuǎn)、平移比較敏感。對應(yīng)的匹配方法可以分為：基于點模式的匹配，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。 指紋識別技術(shù)發(fā)展現(xiàn)狀 指紋識別算法的研究方向主要分為：基于圖像的識別算法和基于特征的識別算法。 這就要求研究指紋識別環(huán)節(jié)中若干問題，這對于問題的解決很有意義。這些都是傳統(tǒng)的安全系統(tǒng)所采用的方式，隨著社會的發(fā)展，其安全性越來越脆弱。 仿真結(jié)果表明。 首先，本文系統(tǒng)介紹了指紋識別的研究意義及現(xiàn)狀，并對指紋識別原理及實現(xiàn)過程做了系統(tǒng)介紹。 fingerprint refinement。 ③終生不變性， 指非意外事故指紋終身不變。 (5)一個人的十指指紋皆不相同，這樣可以方便地利用多個指紋構(gòu)成多重口令，指紋識別中若干關(guān)鍵問題研究 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，一些公司和機構(gòu)結(jié)合社會應(yīng)用的實際需求，開發(fā)了各種類型的具有獨立知識產(chǎn)權(quán)的嵌入式指紋識別模塊、指紋應(yīng)用系統(tǒng)軟件等，用戶反映良好。正是這些無窮無盡的細(xì)節(jié)特征組合構(gòu)成了指紋的唯一性．事實上，甚至包括雙胞胎，世界上兩個指紋相同的概率小 于 1／ 109，幾乎為零，這就構(gòu)成了指紋的第一大特點。就現(xiàn)有文獻和產(chǎn)品來看，對低質(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，匹配時以分叉點和端點信息進行匹配。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用。這種方法最大的優(yōu)點是易實現(xiàn)，很 好體現(xiàn)出紋理，但缺點是對于變化太快的部分出錯。具體步驟分以下三步： (1)將低頻圖分成 M M 大小的無重疊方塊，方塊的大小以一谷一脊為宜。 仿真結(jié)果和結(jié)論 本實驗基于 的 Pc 機， 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，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，定義每一個像素點它周圍點像素參數(shù)。 細(xì)化將黑白二值圖像細(xì)化成了單個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、斷點等不理想的情況。 (2)可測試性：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。 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，實驗表明一幅質(zhì)量較差的圖像在經(jīng)過預(yù)處理，細(xì)節(jié)特征提取后可能產(chǎn)生多達一、兩萬個細(xì)節(jié)特征點，其中包含了大量的偽特征點，這些偽特征點的存在，不但使匹配的速度大大降低，還使指紋識別性能急劇下降，造成識別系統(tǒng)的拒真率和誤識率的上升，因此在進行指紋匹配之前，應(yīng)對細(xì)節(jié)特征進行驗證，盡可能將偽特征點去除，同時保留真特征點。 （ 2）分叉點的判斷條件為：周圍的 8 鄰域兩兩相鄰當(dāng)且僅當(dāng)存在 6 個不同值。此時在更小 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 ) 15 認(rèn)為為斷點。小橋處理方式類同斷點和毛刺。 指紋圖像匹配方面， 主要有基于圖像，脊線結(jié)構(gòu)和特征點的方法。點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算方式。最后判斷可積點的個數(shù)和相對值。如果可行，則此匹配法能找到最相近的圖片代號并顯示出它們的距離。方法二對圖像的預(yù)處理要求不高，方法簡單，但計算復(fù)雜，適合一對多的檢索性匹配。 （ 4）在上述的特征點的部分選用了點模匹配，以特征點滿足相對距離的個數(shù)和相對值為依據(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 人的資料對我提供了莫大的幫助，這里感謝設(shè)計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(