指紋識別技術(shù)研究論文-資料下載頁
2025-06-25 16:53本頁面
【正文】 b]=walk(thin,x0,y0,5*i)。 if error~=1 d(i)=sqrt((ax0)^2+(by0)^2)。 else break。 endend最后會得到一個裝有長度信息的數(shù)組。試想如果兩幅指紋圖中的指紋是一樣的，則它們會包含相同的特征點和從這個特征點出發(fā)畫出的紋線，則這兩個長度數(shù)組對應(yīng)位置的比例應(yīng)基本相等（考慮到老師所給的24幅指紋圖像大小相同，這個比例應(yīng)近似為1）；最終的函數(shù)中定義了一個數(shù)f=(sum(abs((d1./d2)1)))，所以f值越接近于0，這兩幅圖像的匹配度越高。 三角形邊長匹配找到一個特征點后，可以找出距離其最近的2個端點或交叉點，與原特征點構(gòu)成三角形，若兩幅圖像的三角形邊長比例相等（本實驗中都為1），則說明這兩幅圖像匹配。其中，找到距離最近的端點的函數(shù)find_point如下所示：function pxy=find_point(x0,y0,txy,num)x=txy(:,1)。y=txy(:,2)。n=length(x)。l(1,n)=0。lnn=1。pxy(num,:)=[0,0,0]。for i=1:n l(i)=sqrt((x(i)x0)^2+(y(i)y0)^2)。endll=sort(l)。for i=1:num xiao=ll(i+lnn)。nn=find(l==xiao)。lnn=length(nn)。 pxy(i,:)=[x(nn(1)),y(nn(1)),txy(nn(1),3)]。 endplot(x0,y0,39。bo39。)。x0。y0。hold onplot(pxy(:,1),pxy(:,2),39。ro39。)。在最終程序中定義了一個數(shù)ff=(sum(abs((dd1./dd2)1)))，所以ff值越接近于0，這兩幅圖像的匹配度越高。 點類型匹配 找到一個特征點后，在其周圍找到40個端點或交叉點，統(tǒng)計這40個點中端點和交叉點的個數(shù)。若兩幅圖中端點占的比例近似相同，則兩幅圖像相匹配。在最終函數(shù)中定義了一個數(shù)fff=abs(f11f21)/(f11+f12)，所以fff值越接近于0，這兩幅圖像的匹配度越高。 最終程序如下（里面調(diào)用到前面一些函數(shù)）：close all。ticclear。thin1=tuxiangyuchuli(39。39。)。thin2=tuxiangyuchuli(39。39。)。figure。txy1=point(thin1)。txy2=point(thin2)。[w1,txy1]=guanghua(thin1,txy1)。[w2,txy2]=guanghua(thin2,txy2)。thin1=w1。thin2=w2。txy1=cut(thin1,txy1)。txy2=cut(thin2,txy2)。[pxy31,error2]=last1(thin1,8,txy1,60)[pxy32,error2]=last1(thin2,8,txy2,60)error=1。 num=20。cxy1=pxy31。 cxy2=pxy32。 d1=distance(cxy1(1,1),cxy1(1,2),num,thin1)。 d2=distance(cxy2(1,1),cxy2(1,2),num,thin2)。 f=(sum(abs((d1./d2)1)))。 if f= error=0。 else error=1。 end f c11=find_point(cxy1(1,1),cxy1(1,2),txy1,1)。 c12=find_point(cxy1(1,1),cxy1(1,2),txy1,2)。 c21=find_point(cxy2(1,1),cxy2(1,2),txy2,1)。 c22=find_point(cxy2(1,1),cxy2(1,2),txy2,2)。 cxy1(2,:)=c11。 cxy1(3,:)=c12(2,:)。 cxy2(2,:)=c21。 cxy2(3,:)=c22(2,:)。 x11=cxy1(1,1)。 y11=cxy1(1,2)。 x12=cxy1(2,1)。 y12=cxy1(2,2)。 x13=cxy1(3,1)。 y13=cxy1(3,2)。 x21=cxy2(1,1)。 y21=cxy2(1,2)。 x22=cxy2(2,1)。 y22=cxy2(2,2)。 x23=cxy2(3,1)。 y23=cxy2(3,2)。 dd1(1)=juli(x11,y11,x12,y12)。 dd1(2)=juli(x12,y12,x13,y13)。 dd1(3)=juli(x13,y13,x11,y11)。 dd2(1)=juli(x21,y21,x22,y22)。 dd2(2)=juli(x22,y22,x23,y23)。 dd2(3)=juli(x23,y23,x21,y21)。 ff=(sum(abs((dd1./dd2)1))) if ff=1 error=0。 else error=1。 end cxy1(2:41,:)=find_point(pxy31(1,1),pxy31(1,2),txy1,40)。 cxy2(2:41,:)=find_point(pxy32(1,1),pxy32(1,2),txy2,40)。 f11=length(find(cxy1(:,3)==2))。 f12=length(find(cxy1(:,3)==6))。 f21=length(find(cxy2(:,3)==2))。 f22=length(find(cxy2(:,3)==6))。 fff=abs(f11f21)/(f11+f12) toc5．實驗結(jié)果 本實驗中，取r=8，num=60，經(jīng)過反復(fù)試驗，。即三幅圖像的f，ff，fff若均小于閾值，則兩幅圖匹配，顯示出MATCH。若三個值中有至少一個值大于閾值，則不匹配，顯示出NOT MATCH。實驗中我們進行了數(shù)次匹配（每次匹配大概需要70秒），下面列出兩組結(jié)果：zhiwen8和zhiwen7：f=；ff=；fff=。所以匹配。Zhiwen8和zhiwen1：f=；ff=；fff=。所以不匹配。（更多的結(jié)果在演講的時候會有詳細說明）6．參考文獻[1] Rafael C Gonzalez and Richard Image Processing Second Edition.[2] 楊威，郭科. 一種更有效的基于數(shù)學形態(tài)學的指紋圖像細化算法. 成都理工大學信息管理學院[3] 詹小四，陳蘊，陳超，基于細化圖像的指紋分
職業(yè)教育相關(guān)推薦
鄂ICP備17016276號-1