【正文】 灰度方差可以很好的反映指紋的前、背景特征。則定義區(qū)域方向會聚性測度 為： 811( , ) 8iiC i j ??????? (226) 其中， 8118ii ????? ?,i??為領域內沿 β i方向的方向場平均值。為了消除偽奇異點，我們利用方向會聚性測度和灰度方差的乘積函數 [31]，對候選奇異點進行篩選。 時，該 (i,j)是一般點；等于 180176。 5的模板基于塊水平平滑方向信息； （ 4）利用分塊指紋圖像方向檢測 core 點和 delta 點； 在我們的算法中，閉曲線是在一個 5179。 時，該點是一般點；為 180176。39。本文中該濾波器大小為 5179。為了做這件事情，方向場子需要轉化到一個連續(xù)的向量場中 ： ( , ) c os( 2 ( , ))x i j i j??? (216) ( , ) sin(2 ( , ))y i j i j??? (217) 27 x? ， y? 是向量場的 x,y 分量，低通濾波可以如下表示： / 2 / 239。 式中 (, )x ij? 是點 (, )y ij? 的 x,y 向一階偏導； θ (i,j)的范圍在 π /4～ π/4 之間，為滿足后繼算法的需要，將所求角度調整至 0～ π之間，作如下處理： 如果 ( , ) 0x ij? ? ，表明該塊的紋線方向為 0～ π /4之間 或 3π /4～ π， 則 θ (i,j)=θ (i,j)+π /2； 如果 ( , ) 0x ij? ? ，且 ( , ) 0y ij? ? ，表明該塊的紋線方向為π /4～ π /2 之間，則 θ (i,j)=θ (i,j)+π； 如果 ( , ) 0x ij? ? ，且 ( , ) 0y ij? ? ，表明該塊的紋線方向為π /～ 3π /4 之間，則 θ (i,j)無需調整。 3，水平模板和垂直模板分別為： 1 0 12 0 21 0 1???和1 2 10001 2 1? ? ? ，將原始圖像分別與兩個模板進行離散卷積，即可求得一階偏導。本文采用的是直方圖法。 加權平均法就是把點方向圖分塊以后，統(tǒng)計子塊中每一方向的頻率，再除以子塊的總的像素數目，可以得到相應方向的權系數。 塊方向圖 對于某一個點來講，由于受到各種噪聲的景響，可能會產生較大的隨機誤差，然而，對于某一個具體的指紋圖像來講，某一個小區(qū)域的方向總是近似一致的，因此，用塊方向代替某一點的方向是一個可行的辦法，并且可以有效地消除點方向圖中出現(xiàn)的隨機誤差。 點方向圖 有多種方法可以提取指紋的點方向，如 等人提出一種利用鄰域內不同方向上灰度值的變化我來求取點方向，進而統(tǒng)計出聲方向的方法； Rao 提出了一種利用梯度算子求取點方向圖的方 向，利用脊線方向弧度變化最緩 的原理，來求取指紋方向。所以提取指紋奇異點首先要計算指紋的方向圖。 指紋奇異點檢測算法 指紋的奇異點包括核點和三角點。 算法的優(yōu)點 本文采取的算法是一種新的指紋識別方法，針對基于特征點的常規(guī)算法具有以下幾個優(yōu)點： 預處理簡單，對指紋圖像進行特征提取和匹配，在提取特征前幾乎不改變原圖像，且處理過程中對原始圖像的影響很小，同時也極大提高了圖像處理速度。α 2,β 2))‖ p(。這里由于KLD 距離不具有對稱性，所以要將其變換為對稱距離。 由于指紋圖像庫中的圖像是各種各樣的，有些圖像的灰度差異較大，我們需要對這些圖像數據庫中的圖像是各種各樣的，有些圖像的灰度差異較大，我們需要對這些圖像進行一些預處理工作。同時，如果用 Kullback Leibler Distance (KLD)距離 [28]來計算兩個不同的直方圖之間的相似度，其相應的 KLD 距離可以表示為： 21 2 2 1 2 11 1 2 2 2 1 1 2 1 1( 1 / ) ( ( 1 ) / ) 1( ( 。 , )LiiL x p x? ? ? ??? ? (23) 這里如果β 0，可以得出： 1 12( / )F m m? ?? ； ( ) ( 2 / ) / (1 / ) ( 3 / )F x x x x? ? ? ? (24) m1和 m2分別滿足： 22 1 1(1/ )Liim L x?? ?， 22 1(1/ )Liim L x?? ? (25) 同時α滿足： α =m1179。因此， α 有時被稱為尺度參數， β 被稱為形狀參數。 基于上述分析，我們由此提出一種小波變換系數高斯概率分布的指紋識別算法。 圖 29為一幅指紋的灰度圖像，圖 210 為該圖像在空間 域 統(tǒng)計特性圖（灰度直方圖），圖 211 位該圖像在變換域的統(tǒng)計特性圖（小波變換系數直方圖）。其中金字塔形分解比較符合人的視覺特性，也較易實現(xiàn)，因而比較常用。圖27是對一幅指紋圖像（圖（ a））進行二維小波變換的結果 （圖（ b）） ，和圖26 相對應，左上角為低頻近似子帶，右上角為水平細節(jié)子帶，左下角為垂直細節(jié)子帶，右下角為對角細節(jié)子帶。即分別在水平方向和豎直方向各進行一次一維小波變換，如圖 25所示。近年來，小波變換的應用越來越受到重視。至今，小波理論系統(tǒng)的構架得以建立，它為原來信號處理領域里各自獨立的方法，如多尺度分析、拉普拉斯金字塔、精確重建濾波器組等提供了一個統(tǒng)一的理論框架。由于它具有良好的空間 —— 頻率局部化特性，小波變換特別適用于非平穩(wěn)信號的分析和處理，彌補了 fourier 變換這一領域中的不足；加上其具有的其它許多優(yōu)良特性，小波變換在圖象處理和壓縮、語音分析和合成、地質勘測、 CT 成像、量子力學及計算機視覺等很多領域都得到了廣泛的應用。比如現(xiàn)在的指紋門禁系統(tǒng)，都會說明系統(tǒng)應用人數在1500 內。這樣千萬識別過程慢，效率低，而且由于反復的濾波，細化，會造成有效特征的丟失，這會造成加大誤差。 這種基于牲點的匹配法發(fā)展的時間是最長的，也是現(xiàn)在最成熟的指紋識別方法，所以點匹配方法的識別率和可靠性都是比較高的，目前大部分指紋產品也都是以點匹配算法為基礎的。后處理的目的在于填補一些斷點及去掉圖像中的假分支。這里就將這一常規(guī)算法作一介紹。 基于結構的指紋識別算法，能充分利用指紋圖像的紋理結構信息，彌補基于 特征 點的識別算法的不足 。這樣，圖像就可以編碼成一系列頻率和方向的通道，紋理的局部結構就被表達成載體的頻率和方向 (即中心頻率和通道方向 )。他們對于參數的旋轉都是用試驗的方法，得到最合適的 Gabor 濾波器。多年來在各個公司及其研究機構產生了許多數字化的算法（美國有關法律認為，指紋圖像屬于個人隱私， 因此不能直接處理指紋圖像）。 環(huán)點（ Enclosure） —— 一條紋路分開成為兩條之后，立即有合并成為一條，這樣形成的一個小環(huán)稱 為環(huán)點。 表 21 特征點分類表 終結點（ Ending） —— 一條紋路在此終結。 指紋特征點的 類型 見表 21， 其中 最典型的是終結點和分叉點。 指紋紋路并不是連續(xù)的、平滑筆直的，而是經常出現(xiàn)中斷、分叉或打折。 5. 紋數（ Ridge Count） 指模式區(qū)內指紋紋路的數量。許多算法是基于核心點的，既只能處理和識別具有核心點的指紋。 2. 模式區(qū)（ Pattern Area） 模式區(qū)是指指紋上包 括了總體特征的區(qū)域，即從模式區(qū)就能夠分辨出指紋是屬于那一種類型的。 13 第二章 指紋識別算法 本章首先 介紹了傳統(tǒng)的基于細節(jié)點的指紋識別算法，以及基于結構的指紋識別算法的基本原理，接著 介紹 本文 指紋識別的核心算法 —— 指紋特征提取與匹配算法，不僅對常規(guī)的點匹配的方法和本文的算法進行介紹，并且對它們的性能進行了比較；而第二部分則介紹了指紋奇異點提取算法的思想和實現(xiàn)的具體步驟。 本文首先介紹了在身份驗證中的指紋識別算法，采用一種新的算法一基于小波變換的統(tǒng)計算法對指紋圖像進行特征提取和特征匹配 。有學者推論：以全球 60億人口計算， 300 年內都不會有兩個相同的指紋出現(xiàn)。正因為如此，權威機構認為，在應用中 1%的誤判率就可以接受。用 比來表達這個數。指紋識別系統(tǒng)的特定應用的重要衡量標志是識別率。 ? 速度。 ? FAR 又稱認假率，指將不同的指紋誤認為是相同的指紋 ，而加以接收的出錯概率。 此外拒登率 (Error Registration Rate， ERR)和識別速度也會影響到使用的方便性?；谏窠浘W絡算法容錯性高，但需要大量樣本事先對系統(tǒng)進行訓練才能發(fā)揮作用，而且計算量也偏大，不符合實時性的要求。其中最多的是基于點匹配的方法，有 Ranade 等的松弛算法， Chang 等基于 一 維聚類的快速算法， Miklos z的三角匹配算法， Jain 等的串匹配算法，以及 Luo 等針對 Jain 等的算法所提出的改進算法等。新近的算法大致可以分為 ： 基于 結構 的特征提取和匹配、基于特征點的匹配和基于神經網絡的方法 [19]。 但成本很高，而且還處于實驗室階段。 9 超聲波掃描傳感器 超聲波掃描傳感器工作原理為傳送超聲波，并通過手指、臺板和空氣間的電阻來測量距離的方法完成錄入，掃描指紋的表面，接收設備獲取了其反射信號，測量它的范圍，得到脊的深度。隨著各種工藝技術的不斷發(fā)展，芯片的防靜電性能和耐用度得到了很大的改善。由于半導體芯片的體積小巧，功耗很低，可以集成到許多現(xiàn)有設備中，這是光學采集設備所無法比擬的，現(xiàn)在許多指紋識別系統(tǒng)研發(fā)工作都采用半導體采集設 備來進行。它通過感應壓在設備上的脊和遠離設備的谷溫度的不同就可以獲得指紋圖像。由于指紋的脊和谷相對于另一極之間的距離不同 (紋路深淺的存在），導致硅表 面電容陣列的各個電容值不同，測量并記錄各點的電容值，就可以獲得具有灰度級的指紋圖像。 8 （ 1）硅電容指紋圖像傳感器。例如 :可以利用纖維光束來獲取指紋圖像。 6英寸的盒子里，在不久的將來更小的設備可能只有3179。另外 塑料假指紋 也 有可能騙過光學傳感器。臺板必須足夠大才能獲得質量較好的圖像。光線照到壓有指紋的玻璃表面，反射光線由 CCD 去獲得，反射光的量依賴于壓在玻璃表面指紋的脊和谷的深度以及皮膚與玻璃間的油脂和水分。 自動指 紋識別技術是一項綜合性的高新技術，是一個學科交叉性很強的 7 研究領域。 （ b） 多種生物識別技術的融合 。這樣，由于各個自動指紋系統(tǒng)在測試時使用的數據庫在容量、指紋質量方面各不相同，側試方案差別也比較大，不可避免地造成 現(xiàn)在自動指紋識別系統(tǒng)性能評價的混亂和無序，而且各系統(tǒng)間也不存在可比性 [23]。按照現(xiàn)行的分類標準，將指紋分成四類、五類或六類還是遠遠不夠的。 （ 2） 指紋分類技術有待突破。 （ b）指紋采集時的變形問題至今沒有得到很好的解決。 指 紋識別技術面臨的難點以及發(fā)展方向 迄今為止，自動指紋識別技術的研究取得了很大的成績，但也面臨一些嚴重的困難： （ 1） 指紋采集技術有待提高。辨識主要應用于犯罪指紋匹配的傳統(tǒng)領域中。驗證其實是回答了這樣一個問題 :“他是他自稱的這個人嗎 ？ ”這是應用系統(tǒng)中使用得較多的方法。驗證就是通過把一個現(xiàn)場采集到的指紋與一個己經登記的指紋進行一對一的比對 （ onetoone matching） 來確認身份的過程。 指紋識別原理 指紋圖像其實是比較復雜的，與人工處理不同，許多生物識別技術公司并不直接存儲指紋圖像 （ 美國有關法律認為，指紋圖像屬于個人隱私，因此不能直接存儲指紋圖像 ） 。 可以預見，指紋識別技術將被廣泛接受從而影響人們的日常生活的各個方面 ： 通過取代個人識別碼和口令，指紋識別技術可以阻止無授權用戶的訪問，以防止盜用 ATM， 蜂窩電話、智能卡、桌面 PC，工作站及其計算機網絡；在通過電話、網絡進行的金融交 易時進行身份認證；在建筑物或工作場所，生物識別技術可以取代鑰匙、證件、圖章和卡閱讀器。 在產品應用方面，歐美 國家已經開始使用指紋識別 ATM，并在南美廣泛使用。從事自動指紋識別系統(tǒng)開發(fā)的公司有 ： 西安青松，北京中控，廈門寶利鉻等。這些國外公司、研究機構在指紋的采集、圖像處理、識別、比對等方面的技術己經比較成熟。 日前，國外從事指紋識別研究的公司，學校，科研機構共有 200 多家。 現(xiàn)代指紋識別起源于 16 世紀后期， 1684 年英國人 發(fā)表了指紋研究的第 一 篇論文，闡述了指紋的脊線、谷線、毛孔的結構， 1809 年 開 始用指紋代替印章，邁出了指紋識別歷史上重要的一步， Henry Fauld 于 3 1880 年在美國 《 Nature》雜志 上 發(fā)表論文，指出指紋具有唯一性、不變形，并利用現(xiàn)場指紋來鑒定罪犯，從此揭開了現(xiàn)代指紋識別的序幕。我國是最早利用手印進行偵查活動的國家。德國之文學家海因德爾根據我國《周禮 178。 指紋識別技術的研究背景 指 紋即是指尖表面的紋路，其中突起的紋線稱為脊，脊之間的部分稱為谷，他們的形成依賴于胚胎發(fā)育時的環(huán)境。而視網膜則難于采樣，也無標準的視網膜樣本庫可供系統(tǒng)軟件開發(fā)使用，這就導致了視網膜識別系統(tǒng)難以開發(fā)，可行性較低的問題 。例如，指紋不會隨著人的年齡增長、或身體健康程