【文章內(nèi)容簡介】 的中間位置，并保持紋線的連通性、拓撲結(jié)構(gòu)和細節(jié)特征。一種好的細化算法應該滿足下列條件 [14]： (1)收斂性：迭代必須是收斂的。 (2)連通性；不破壞紋線的連接性。 (3)拓撲性：不引起紋線的逐步吞食，保持原圖像的基本結(jié)構(gòu)特性。 (4)保持性：保護指紋的細節(jié)特征。 (5)細化性：骨架紋線的寬度為 1 個像素，即單像素寬。 (6)中軸性：骨架盡可能接近條紋中心線。 (7)快速性：算法簡單，速度快。 已有的算法迭代按迭代方式的不同分為串行算法和并行算法。 在串行細化算法中，當前迭代的結(jié)果不僅取決于前一次的迭代迭代圖像，而且與當前處理情況有關(guān)；而在并行方式中，當前迭代僅僅是由前一次的迭代情況決定，串行細化算法的處理結(jié)果依賴于對像素處理的先后順序，因而像素點的消除或保留不可預測。并行細化算法對圖像進行細化時利用相同的條件同時檢測所有像素點，其結(jié)果具有各向同性，因此從算法原理上并行算法優(yōu)于串行算法。由于并行細化算法具有快速而準確的特性，因此他一直是人們研究的熱點，并且相應的提出了許多并行細化算法，如 OPTA 細化算法 [15]， R． W． Hall 細化算法， Rosenfeld 細化算法， Zhang amp。 Suen 細化算以及 ZR細化算法等等。性能上這些算法各有所長。 不同的文獻上有不同的關(guān)于細化方法，如 王家隆等 [16]以及王業(yè)琳等 [17]的細化模板。 制約細化的直觀表現(xiàn)在計算速度、毛刺和斷點上。因而細化中選擇一個好的模板很關(guān)鍵。模板分為保留模板和消除模板，消除模板就是根據(jù)條件判定這點去除作為背景的模板；保留模板則是根據(jù)條件判定這點保留作為前景的模板。這樣就可以將較粗的圖像曲線細化成很細的以像素為單位的線，大大減少了圖像的信息量，有利于匹配浙江理工大學信息電子學院本科畢業(yè)論文 (設計 ) 11 的高效進行。 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)。 （ 2）對于滿足 6 種情況的模板，賦值為 2 ，其實為像素 1 情況。對于滿足后六種情況的模板賦值為 3，別的情況點值不做改變。 （ 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。 （ 4）循環(huán)進行上述過程，到所有點值不改變?yōu)橹?，最多進行 20 次細化。 仿真結(jié)果和結(jié)論 實驗基于 的 Pc 機， Window 7 操作系統(tǒng)， 的仿真軟件環(huán)境下，先對分割 好的圖像進行二值化處理，簡化后面的細化計算。細算中的模板在一個函數(shù)中實現(xiàn)，細化結(jié)果如下圖所示。 圖 a 指紋分割圖像 圖 b 指紋二值化圖像 圖 c 指紋細化圖像 圖 31 指紋 1 的細化結(jié)果 圖 a 指紋分割圖像 圖 b 指紋二值化圖像 圖 c 指紋細化圖像 圖 32 指紋 2的細化結(jié)果 指紋識別中若干關(guān)鍵問題研究 12 從分割后的二值化處理圖像中，我們可以看到，整個灰度變成了黑白的二值圖像圖，圖像的條紋比較清楚 ，它的實現(xiàn)有助于壓縮數(shù)據(jù)量和細化的實現(xiàn)。 細化將黑白二值圖像細化成了單個像素帶寬的指紋圖像，由于模板的選擇不同，上圖中的細化圖像一定程度上存在毛刺、分叉、斷點等不理想的情況。所以在特征提出前還需稍加處理，細化好的模板選擇可以提高圖片的質(zhì)量和細化運算的速度。 當然，此次仿真的細化還有待改進。對于細化中出現(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。 浙江理工大學信息電子學院本科畢業(yè)論文 (設計 ) 13 第 4章 指紋圖像的特征提取 指紋特征提取概述 特征提取就是對細化后的指紋圖像提取表示其特征的信息的操作。我們前面所敘述的指紋圖像預處理目的就是為指紋的特征提取和最終識別建立一個良好的基礎(chǔ)，以保證整個系統(tǒng)識別率比較高。對于自動指紋識別技術(shù)而言，選擇一種合適的、能表達指紋唯一性的特征量是非常關(guān)鍵的。一般說來，這種特征應有以下性質(zhì)： (1)單一性：要求這種特征能夠充分體現(xiàn)指紋的唯一性。 (2)可測試性：適用于指紋匹配算法，便于在匹配算法中應用。 (3)緊湊性：要求提取的特征不應包含指紋唯一性以外的冗余信息，并且信息量要盡量小，便于 存儲、管理和計算。 (4)魯棒性：要求這種特征對噪聲的存在與指紋形變不敏感。 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：這種算法對于預處理和增強后得指紋圖像進行二值化，然后再提取特征點。 (2)基于直接灰度的特征提取方法：這種方法直接從灰度圖像出發(fā)，通過分析圖像的紋理屬性和拓撲結(jié)構(gòu)提取特征點。 (3)基于細化圖像的特征提取方法：這種方法是將指紋圖像處理后得到細化圖像，通過細化圖像提取特征點。 為了比較兩個指紋是否相同，需要從指紋圖像中提取出能表示指紋唯一性的特征。 Galton 提出的 指紋細節(jié)點是人工指紋匹配中最常用的特征。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)成了細節(jié)點。Galton[18]定義了 4 種細節(jié)點類型：分叉點，端點，環(huán)、島，并指出細節(jié)點具有唯一性，可以用于指紋匹配。 目前已定義的特征類型己達 150 多種，但是這些擴展的特征往往不易提取相互區(qū)分，并且它們都可以由端點和分叉點的組合進行描述，這使得端點和分叉點成為最常用的結(jié)構(gòu)特征，也稱為細節(jié)特征，它被認為是最穩(wěn)定、最容易檢查的，而且占全部特征點的 80％以上。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、細化處理等過程引入的偽特征點。最后確定出特征點的類型、位置、方向。 指紋識別中若干關(guān)鍵問題研究 14 本章就是根據(jù)端點和分叉點是最常用的結(jié)構(gòu)特征，提取滿足一定條件接近的點，再去除不是端點和分叉點的偽特征點，最終實現(xiàn)特征值的提取，有利于后面匹配的展開。 指紋特征提取和去偽特征 目前在細化二值圖像中提取細節(jié)特征多是用 8 鄰域法，該方法比較簡單，在得到可靠的細化二值圖像后，只需要一個 3 3 的模板便可將端點和分叉點提取出來。對于細化二值圖像，像素點的灰度值只有 2 種情況。 在提取指紋圖像的細節(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)過預處理，細節(jié)特征提取后可能產(chǎn)生多達一、兩萬個細節(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，應對細節(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。 去除偽特征點是特征提取要解決的一個重要問題。對整個圖像進行特征提取后得到的特征點并非全部都是真實的分叉點和端點，由于指紋質(zhì)量，細化、特征提取過程引入的噪聲造成了很多偽 特征點，特別是圖像邊緣有很多圖像分割產(chǎn)生的邊界偽端點。 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。第 3 足則專門記錄偽特征最終可以除去。端點和分叉點的判斷都是運用了上述的 8 鄰域法。其中（ 1）端點的判斷條件為：周圍的 8 鄰域兩兩相鄰當且僅當存在 2 個不同值。此時的處理為記錄數(shù)組 2，記錄點的個數(shù) ，并將該點記為 0，而它的 8 鄰域點記為 1。 （ 2）分叉點的判斷條件為：周圍的 8 鄰域兩兩相鄰當且僅當存在 6 個不同值。此時的處理為記錄數(shù)組 1，在上述基礎(chǔ)上記錄點的個數(shù) ，并將該點記為 0，而它的 8 鄰域點記為 1。處理 方式類同上面。 （ 3）偽特征的判斷比較多 ,全部計入數(shù)組 3。第一類：超出一定邊界，仿真中用了 17。此時把它和周圍 8 點記為 0，并在上述基礎(chǔ)上減去不是特征點的個數(shù)。第二類：對于直線 12 點的和不超過 1 的點也被視為偽特征點，處理方式類同。第三類為斷點：在上述的范圍內(nèi)，特征值為 2。此時在更小 12 的上半范圍或下半范圍，特征仍為 2 則浙江理工大學信息電子學院本科畢業(yè)論文 (設計 ) 15 認為為斷點。處理方式為把它和周圍 8 點置為 0，在上述基礎(chǔ)上減去 2 倍的斷點數(shù)。第四類為毛刺，毛刺的判斷類似于短點。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。毛刺的處理方式也類同斷點。第五類為小橋。小橋的判斷條件為 :10 范圍內(nèi)特征值為 1， 6 的上半范圍或下半范圍特征值仍為 1。此時該點則被視為小橋。小橋處理方式類同斷點和毛刺。 仿真結(jié)果和結(jié)論 實驗基于 的 Pc 機， Window 7 操作系統(tǒng)， 的仿真軟件環(huán)境下， 根據(jù)上部分的判斷方法決定的特征點和偽特征點，代碼運行顯示結(jié)果如下。 圖 a 指紋 1 判斷點 圖 b 指紋 2 判斷點 圖 41 通過判斷后得到的特征點分布圖 這個特征點分布結(jié)果圖包含了特征點和偽特征點。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。對于特征點和偽特征點的判斷方法還有很多，端點判斷和分叉點判斷屬于比較多的特征點判斷，偽特征點也還有別的種類，短線之類也屬于處理后出現(xiàn)的偽特征，本仿真中沒有對此作出處理。在上述基礎(chǔ)上也可以根據(jù)特征基本構(gòu)造出相似原圖像。 指紋識別中若干關(guān)鍵問題研究 16 第 5章 指紋圖像的匹配 指紋圖像匹配方法 指紋匹配要解決的是對兩幅給定指紋圖像的特征模式進行比對 ，判斷這兩幅圖像是否來自同一個人的同一手指。指紋匹配是自動指紋識別的最后一步，也是非常關(guān)鍵的一步。 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?；谔卣鼽c的匹配算法具有簡單、快速、魯棒性等優(yōu)點。目前最為常用的方法是 FBI 提出的細節(jié)點坐標模型來做細節(jié)匹配。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。通過將細節(jié)點表示為點模式，一個指紋識別問題可以轉(zhuǎn)化為一個點模式匹配問題。點匹配算法是通過某些變換，如平移變換、旋轉(zhuǎn)變化、伸縮變換，可以把兩個點集中的對應點匹配起來。對于基于細節(jié)點的匹配思路大體分 兩種：基于直角坐標系的特征識別和基于極坐標系的特征識別 [19]。 點模式匹配 [20]將注冊指紋和待識指紋的特征點定義為兩個點集和 P 和 Q 通過平移和旋轉(zhuǎn)使得兩個點集重合點數(shù)最多。點模式匹配是著名的數(shù)學難題。目前的指紋識別系統(tǒng)主要采用基于節(jié)點的匹配方法，即點模式匹配。從模板指紋和輸入指紋中選取一個節(jié)點作為參考節(jié)點對，在進行節(jié)點匹配時先利用基準點將指紋對齊，然后再評估其它節(jié)點的匹配程度。很多情況下選用圖片的中心點。當然，他所帶來的難題有： (1)如何快速找到基準點把兩幅指紋對齊。 (2)圖片 A 中有圖片 B 中不存在的點 ，集合 B 中也有圖片 A 中不存在的點，匹配的時候如何處理這些點。 (3)由于指紋存在變形位移，任何一對匹配點之間都不是絕對相等，而是存在一定的差距。設計算法的時候，必須要有一定的容錯能力。 (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。 另外，計算匹配的時間即效率性也很重要。參考點在指紋圖像的識別中是也至關(guān)重要的。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。 浙江理工大學信息電子學院本科畢業(yè)論文 (設計 ) 17 本論文匹配方法介紹 針對上述中提及的問題，本論文采用了兩種匹配方式，第一種為主流的點模匹配法，第二種則是較簡單的 FFT 卷積判斷法。 本論文中，首先采用了在原圖基礎(chǔ)上修改參數(shù)值來驗證的方法。這種方法將原特征點的相對距離進行修改，使得各個特征點之間的相對距離產(chǎn)生差異。在找到核心點后，比較它們相對距離的差異，對于滿足一定值的點視為可積點。最后判斷可積點的個數(shù)和相對值。當它們個數(shù)滿足一定條件時即為匹配成功，不滿足視為不匹配。匹配與否用 success 值返回。返回 1 說明匹配成功，返回 0 則匹配失敗。 本論文還參考了一種匹配方式，它先讀取所 有的數(shù)據(jù)庫，庫的大小可自己選擇。然后錄用需要辨別的指紋圖像，濾波增強去噪后，找到它們的中心點，依次與數(shù)據(jù)庫圖像進行二維 FFT 卷積，然后判斷出數(shù)據(jù)庫中哪幅圖片與錄用圖片最相似，并返回它們的差異長度值。這種方法簡單明了，缺點在于計算量比較大，需要較久的計算時間。為了驗證這種匹配方法的可用性，這里特地選取了 30 張圖片做指紋圖片數(shù)據(jù)庫，目標圖片為數(shù)據(jù)庫某圖片稍加修改后的圖片。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。以下為部分數(shù)據(jù)庫圖片： 圖 51 數(shù)據(jù)庫 中其中 6 張圖 指紋識別中若干關(guān)鍵問題研究 18 圖 a 庫中第 13 號原圖 圖 b 庫中第 13 號修改圖 圖 52