基于matlab的指紋識別系統(tǒng)的設(shè)計與實現(xiàn)(編輯修改稿)
2025-07-24 18:08 本頁面
【文章內(nèi)容簡介】 。無論它們是怎樣組成的，至今仍然沒有一種模板的標(biāo)準(zhǔn)，也沒有一種公布的抽象算法，而是各個廠商自行其是。最后，通過計算機模糊比較的方法，把兩個指紋的模板進(jìn)行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結(jié)果。 指紋識別系統(tǒng)工作原理框圖本文重點研究基于神經(jīng)網(wǎng)絡(luò)指紋識別算法、濾波特征和不變矩指紋識別算法和指紋匹配算法，針對已有的三種指紋識別算法進(jìn)行編程識別，通過matlab仿真，從而進(jìn)一步論證三種算法的優(yōu)缺點。用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別選用哪種特征是個關(guān)鍵問題考慮到本文這里的識別過程是在同類型指紋間進(jìn)行的這些指紋具有相似的紋線走向指紋的方向信息在這里就顯得無關(guān)緊要了通過對同類型指紋的分析發(fā)現(xiàn)它們差別主要體現(xiàn)在具體的每個細(xì)節(jié)點上因此本文就提取了指紋的細(xì)節(jié)點特征作為識別特征每個樣本提取的細(xì)節(jié)點特征是一個801維的向量包含20個特征點每個特征點的特征值是個4維的向量分別是特征點的類型特征點與參考點的紋線方向差值特征點與參考點的距離特征點與參考點的角度我們認(rèn)為特征點的這些信息即可充分體現(xiàn)同類型指紋間的細(xì)微差別也同時具有一定的抗平移和抗旋轉(zhuǎn)性。本文采用的是學(xué)習(xí)矢量量化LVQ神經(jīng)網(wǎng)絡(luò)模型LVQ神經(jīng)網(wǎng)絡(luò)由于其自身的自組織和聚類特性可以很好地給出模式在多維空間的概率分布估計從而可較好地完成指紋的識別,. 基于神經(jīng)網(wǎng)絡(luò)的自動指紋識別模型 濾波特征和不變矩指紋識別算法濾波特征識別算法：指紋圖像特征的表示要求滿足尺度不變性、 位移不變性和旋轉(zhuǎn)不變性3個特征。尺度不變性是滿足的。在濾波提取算法中,位移不變性是通過確定指紋圖像的中心參考點來實現(xiàn)的。 圖像的旋轉(zhuǎn)不變性可以通過在匹配階段建立多角度旋轉(zhuǎn)特征向量來實現(xiàn)。濾波特征的提取算法包括4 個步驟: 確定指紋圖像的中心參考點,以及要處理的指紋區(qū)域,記為ROI 區(qū)域； 以參考點為中心, 對ROI 區(qū)域進(jìn)行劃分, 得到一定大小的塊。 用一組Gabor 濾波器在八個不同的方向?qū)OI 區(qū)域進(jìn)行濾波運算(在指紋圖像中,完全獲取指紋的局部脊線特征需要使用8 個方向濾波器, 獲取全局結(jié)構(gòu)信息僅需要4 個方向濾波器)；在濾波圖像中,計算每一塊中灰度值相對于均值的平均絕對偏差, 進(jìn)而得到特征向量或特征編碼?；跒V波特征的指紋識別算法,首先對指紋圖像進(jìn)行濾波特征提取,然后在濾波特征值構(gòu)成的特征向量的基礎(chǔ)上進(jìn)行匹配。不變矩識別算法：算法的基本思路是:搜索預(yù)處理后的二值圖像中所有可能為目標(biāo)的區(qū)域，計算區(qū)域的7個不變矩特征，認(rèn)為與模板匹配程度最高的區(qū)域為目標(biāo)。其中相似度度量采用歐式距離。算法程序：void COpenCVTest::TestMoment(){CvRect r。 = 120。 = 100。 = 20。 = 20。CvMoments m。CvMat mat。IplImage* src。//8位圖 必須為灰度圖像 src = cvLoadImage(c:\\,0)。CvArr *arr。arr = cvGetSubRect(src, amp。mat, r)。//獲取矩cvMoments(arr, amp。m, 0)。//獲取空間矩double m00 = cvGetSpatialMoment(amp。m,0,0)。//獲取hu不變矩CvHuMoments hu。cvGetHuMoments(amp。m, amp。hu)。CString str。(空間矩： m00 = %f \n Hu不變矩：h1 = %f, h2 = %f, h3 = %f, h4 = %f, h5 = %f, h6 = %f, h7 = %f, ,m00,,)。AfxMessageBox(str)。cvReleaseImage(amp。src)。cvWaitKey(0)。}指紋匹配就是指紋特征值比對過程。它是把當(dāng)前取得的指紋特征值集合與事先存的指紋特征值模板進(jìn)行匹配的過程。指紋匹配是一個模式識別的過程，判定的標(biāo)準(zhǔn)不是相等與不等，而是相似的程度。這個程度判定依賴于事先設(shè)定的閾值，以及與判定時比較的特征點的個數(shù)。閾值取的合理，特征點取的越多，誤判的機率就越小。指紋匹配的方法很多，包括基于奇異點的匹配、嵴模式的匹配、特征點的匹配、特征點線對（兩個特征點的連線）匹配，以及特征點組的匹配方法。指紋匹配之前需作指紋定位。指紋定位是使待驗證指紋的數(shù)個細(xì)節(jié)點的坐標(biāo)值與指紋庫中的數(shù)個細(xì)節(jié)點的坐標(biāo)值一一相互對準(zhǔn)的過程，從而使兩個指紋圖像對準(zhǔn)重合。由于在指紋采樣時，用戶手指每次放置的位置和角度不同，形成的指紋圖像也略有不同，因此各個指紋特征值的坐標(biāo)值也就不同。主要表現(xiàn)為手指平移和旋轉(zhuǎn)的差異，形成平移誤差和旋轉(zhuǎn)誤差。解決指紋圖像的平移誤差和旋轉(zhuǎn)誤差是指紋比對算法面對的首要問題?？梢赃x取奇異點作為對準(zhǔn)參數(shù)，也可以選擇某一區(qū)域內(nèi)的特征點及嵴方向、嵴密度作為對準(zhǔn)參數(shù)。實際上，在除了處理兩種誤差之外，在指紋采集過程中，由于每次按壓的力度不同而形成的指紋圖像擠壓變形和拉伸變形，同樣是指紋匹配之前需處理的。下圖為基于混合模式的指紋識別算法的流程圖。 混合模式匹配算法流程圖算法程序：function [sector_num] = whichsector(index)% Modiofied by Luigi Rosa% index is the index of current pixel of cropped image ( cropped image is% 175 x 175 )。 sector_num is the output and represents what is the% corresponding sector.global immagine n_bands h_bands n_arcs h_radius h_lato n_sectors matrice length = h_lato。x = rem( index , length )。y = floor(index / length)。 x = x floor(length / 2)。y = y floor(length / 2)。 rad = (x*x) + (y*y)。if rad (h_radius*h_radius) % innerest radius = 12 (144=12*12) sector_num = (n_sectors1)+1。 sector_num。 returnend if rad = (h_bands*n_bands+h_radius)^2 % outtest radius = 72 (5184=72*72) sector_num = (n_sectors1)+2。 sector_num。 returnend if x ~= 0 theta = atan( y / x )。el
公司管理相關(guān)推薦
鄂ICP備17016276號-1