指紋識別系統(tǒng)本科畢業(yè)論文(編輯修改稿)

　

【文章內(nèi)容簡介】 證：總體特征[19]和局部特征。 總體特征總體特征是指那些用肉眼直接就可以觀察到的特征，包括：1. 紋形 環(huán)型（loop） 弓型（arch） 螺旋型（whorl）圖21 指紋紋形分類指紋的紋形主要有環(huán)型、弓型和螺旋型三種，其他的指紋圖案都基于這三種基本圖案。僅僅依靠紋形來分辨指紋是遠遠不夠的，這只是一個粗略的分類，通過更詳細的分類使得在大數(shù)據(jù)庫中搜尋指紋更為方便快捷。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。有的指紋識別算法只使用模式區(qū)的數(shù)據(jù)。 SecureTouch的指紋識別算法使用了所取得的完整指紋而不僅僅是模式區(qū)進行分析和識別。3. 核心點（Core Point）核心點位于指紋紋路的漸進中心，它在讀取指紋和比對指紋時作為參考點。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。核心點對于SecureTouch的指紋識別算法很重要，但沒有核心點的指紋它仍然能夠處理。4. 三角點（Delta）三角點位于從核心點開始的第一個分叉點或者斷點、或者兩條紋路會聚處、孤立點、折轉(zhuǎn)處，或者指向這些奇異點。三角點提供了指紋紋路的計數(shù)跟蹤的開始之處。5. 紋數(shù)（Ridge Count）指模式區(qū)內(nèi)指紋紋路的數(shù)量。在計算指紋的紋數(shù)時，一般先在連接核心點和三角點，這條連線與指紋紋路相交的數(shù)量即可認為是指紋的紋數(shù)。模式區(qū) 核心點 三角點 紋數(shù)圖22 指紋總體特征 局部特征局部特征是指指紋上的節(jié)點的特征，這些具有某種特征的節(jié)點稱為特征點。兩枚指紋經(jīng)常會具有相同的總體特征，但它們的局部特征——特征點，卻不可能完全相同。指紋紋路并不是連續(xù)的、平滑筆直的，而是經(jīng)常出現(xiàn)中斷、分叉或打折。這些斷點、分叉點和轉(zhuǎn)折點就稱為“特征點”。就是這些特征點提供了指紋唯一性的確認信息。指紋上的細節(jié)特征點有四種不同的特征：特征點的類型、特征點的方向、特征點紋線的曲率、特征點的位置。指紋特征點的類型見表21，其中最典型的是終結(jié)點和分叉點。方向是指紋路灰度連續(xù)的方向，特征點可以朝著一定的方向。曲率描述紋路方向改變的速度。特征點的位置通過（x, y）坐標來描述，可以是絕對的，也可以是相對于三角點或特征點的。表21 特征點分類表終結(jié)點（Ending）—— 一條紋路在此終結(jié)。分叉點（Bifurcation）—— 一條紋路在此分開成為兩條或更多的紋路。分歧點（Ridge Divergence）——兩條平行的紋路在此分開。孤立點（Dot or Island）—— 一條特別短的紋路，以至于成為一點。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。短紋（Short Ridge）—— 一端較短但不至于成為一點的紋路。 指紋的特征提取與匹配算法指紋其實是比較復(fù)雜的。與人工處理不同，許多生物識別技術(shù)公司并不直接存儲指紋的圖像。多年來在各個公司及其研究機構(gòu)產(chǎn)生了許多數(shù)字化的算法（美國有關(guān)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）。但指紋識別算法最終都歸結(jié)為在指紋圖像上找到并比對指紋的特征。傳統(tǒng)的基于特征點的指紋識別算法的不足之處在于：只利用了指紋圖像中一小部分信息(細節(jié)點)，丟失了豐富的結(jié)構(gòu)信息，對于小面積的指紋圖像就有可能因為缺乏足夠的信息而影響識別率；在細節(jié)點的提取過程中，很容易產(chǎn)生虛假細節(jié)點和丟失真正的細節(jié)點，在指紋的受損區(qū)域，這種現(xiàn)象更為突出；由于每個指紋的細節(jié)點數(shù)都不相同，產(chǎn)生的特征矢量長度不同，不利于快速比對(搜索指紋庫)；特征比對時，細節(jié)點的相對位置隨指紋的彈性變性而改變，影響比對的準確性。Anil Jain 和 ChihJen Lee 在基于結(jié)構(gòu)的指紋識別算法方面做了探索性的工作，不同的是Jain用的是圓形網(wǎng)格，有利于匹配時保持旋轉(zhuǎn)不變，避免了旋轉(zhuǎn)定位問題，這樣就必須進行極坐標變換:而Lee用的是正方形網(wǎng)格，但是忽略了旋轉(zhuǎn)不變的問題。他們對于參數(shù)的旋轉(zhuǎn)都是用試驗的方法，得到最合適的Gabor濾波器。指紋的紋理是指紋圖像的一個重要特征，可以用兩種基本特征來描述，即組成指紋紋理的紋理元和紋理元之間的相互關(guān)系，前者與局部灰度變化規(guī)律有關(guān)，后者則與由前者形成的空間結(jié)構(gòu)相關(guān)。在一定意義下，可以認為任何圖像都是由一種或多種不同紋理組成。根據(jù)指紋的脊和谷局部平行的紋理特性，可以建成包含方向和頻率信息的模型。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(jié)構(gòu)就被表達成載體的頻率和方向(即中心頻率和通道方向)。Gabor變換用于紋理分析主要是它具有可調(diào)節(jié)的方向和中心頻率，以及最優(yōu)化的空間和頻率分辨率。Gabor變換用于特征提取，圖像增強，指紋分類以及識別等。基于結(jié)構(gòu)的指紋識別算法處理流程圖如圖23所示。基于結(jié)構(gòu)的指紋識別算法，能充分利用指紋圖像的紋理結(jié)構(gòu)信息，彌補基于特征點的識別算法的不足。但是由于基于結(jié)構(gòu)的指紋識別算法需要處理多個方向上的特征，嚴重影響指紋識別的速度。原始指紋圖像中心點計算圖像扇形化圖像歸一化Gabor 濾波特征提取特征對比對比結(jié)果圖23 基于結(jié)構(gòu)的指紋識別算法流程圖目前國內(nèi)外指紋識別的技術(shù)基本上都是采用基于細節(jié)特征點的指紋識別技術(shù)。特征點匹配方法也是應(yīng)用得最早，發(fā)展得最成熟的方法。這里就將這一常規(guī)算法作一介紹。特征點的提取算法現(xiàn)在有很多，而且各有不同。但基本思路是：將采集的指紋圖像處理成二值圖，然后通過細化，抽取出指紋的紋路（Ridge），最后掃描紋路的末端判定細節(jié)點，流程圖如圖24所示：指紋采樣預(yù)處理二值化細化紋路提取細節(jié)特征提取指紋匹配圖24 基于特征點提取的指紋識別流程圖一般自動指紋識別系統(tǒng)應(yīng)該包括如下幾個部分：采集指紋圖像→圖像預(yù)處理→特征點提取→后處理→特征點匹配→得出識別結(jié)果。預(yù)處理時，首先要對圖像中不顯著的地方進行對比度增強，然后采用平滑方法消去圖像中的噪聲；由于平滑處理會使脊線邊緣變模糊，再采用銳化技術(shù)以獲得清晰的邊緣；最后對圖像進行二值化。后處理的目的在于填補一些斷點及去掉圖像中的假分支。指紋圖像的匹配就是對兩個輸入指紋的特征集合進行比較，來確定它們是否同源的過程，即兩枚指紋是否來自同一個指頭。指紋匹配主要是依靠比較兩枚指紋的局部紋線特征的數(shù)量、位置和所在區(qū)域的紋線方向等參數(shù)來度量，細節(jié)特征的集合形成一個拓撲結(jié)構(gòu)。指紋匹配的過程實際就是兩個拓撲結(jié)構(gòu)的匹配過程。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(chǎn)品也都是以點匹配算法為基礎(chǔ)的。但基于特征點的匹配算法還存在許多缺點。比如預(yù)處理算法繁瑣，計算量大。而在預(yù)處理過程中，由于算法本身所需的空間較大，加上很多中間結(jié)果需要保存，所以預(yù)處理過程所需空間很大。這樣千萬識別過程慢，效率低，而且由于反復(fù)的濾波，細化，會造成有效特征的丟失，這會造成加大誤差。同時，指紋庫的數(shù)據(jù)量也較大，一般一幅指紋需要存儲2030個特征點以保證匹配的準確性。因此限制了指紋技術(shù)的應(yīng)用。目前線指紋產(chǎn)品對應(yīng)用范圍均有一定的限制。比如現(xiàn)在的指紋門禁系統(tǒng)，都會說明系統(tǒng)應(yīng)用人數(shù)在1500內(nèi)。其原因就在于指紋存儲量較大。 基于指紋紋理特性的新算法小波動性變換理論小波分析是八十年代中后期發(fā)展起來的一個新興的數(shù)學分析分支。它極大地豐富和發(fā)展了fourier變換理論。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(lǐng)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(zhì)勘測、CT成像、量子力學及計算機視覺等很多領(lǐng)域都得到了廣泛的應(yīng)用。小波變換的基本思想是用一族小波基函數(shù)去表示或逼近信號，很好地解決了時間和頻率分辨力的矛盾，適合于對時變信號進行局部分析。小波理論的提出可追溯到1910年Haar提出的規(guī)范正基[25]。1984年法國地理學家 Morlet在分析地震波的局部性質(zhì)時引入了小波的概念[26]，1986年，[27]，并將小波函數(shù)的構(gòu)造統(tǒng)一于多分辨率分析的框架之下，同時，Mallat提出的快速算法使小波變換從理論研究進一步起向各種應(yīng)用領(lǐng)域。至今，小波理論系統(tǒng)的構(gòu)架得以建立，它為原來信號處理領(lǐng)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。隨著理論研究的不斷深入和應(yīng)用領(lǐng)域的不斷擴展，小波分析越來越顯示出它的獨特魅力。目前，小波變換作為一種新的數(shù)學工具，已經(jīng)廣泛應(yīng)用于圖像處理。這是因為小波變換具有空間——頻率的局部性、方向性、多分辨率性和帶寬在對數(shù)頻率軸上等寬的優(yōu)點，并與視覺特性接近，所以不僅可以利用統(tǒng)計特性，還可以利用視覺特性來提高編碼效率，并且用金字塔算法還可以實現(xiàn)圖像的正交、無冗余分解。近年來，小波變換的應(yīng)用越來越受到重視。在利用小波變換進行圖像處理時，由于圖像是一組二維的數(shù)據(jù)，所以需要采用二維的小波變換。二維小波變換分為可分離和不可分離兩種方式。可分離的二維小波變換（Separable 2D Wavelet Transform）是為最為簡單、直接方式。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。這種分解方式符合人數(shù)體視覺神經(jīng)在水平方向和豎直方向敏感較好，對角方向敏感度較差的特性，并且計算量較小，是小波圖象壓縮中最為常用的分解方式。圖像經(jīng)一次二維小波變換以后得到四個子帶圖象（圖26）。其中LL子帶對應(yīng)于水平、豎直方向均為低頻的成分，LH子帶對應(yīng)于水平方向為低頻、豎直方向為低頻的成分，HH子帶對應(yīng)于水平、豎直方向均為商頻的成分。圖27是對一幅指紋圖像（圖（a））進行二維小波變換的結(jié)果（圖（b）），和圖26相對應(yīng)，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。圖25 二維快速小波變換的分解與合成過程LLHLLHHH圖26 小波分解示意圖（a）原始圖像 （b）二維小波分解結(jié)果圖27 圖像的二維小波分解結(jié)果上述分解過程還可以在子圖像中重復(fù)下去。分解的方式有圖28所示的三種。每次都對所有子帶進行分解的方式稱為均勻分解，而每次均在LL子帶作小波分解的方式，見分曉稱為金字塔形的分解（Pyramidal Deposition）.另外還有一種介于這兩者之間的分解方式稱為小波包分解。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。（a）均勻分解 （b）金字塔分解 （c）小波分解圖28 三種子帶分解方式小波變換應(yīng)用指紋圖像的特性（1）小波變換系數(shù)的統(tǒng)計特性圖像的離散小波變換通常運用高通濾波器L對圖像進行水平和垂直方向的濾波，在小波頻域內(nèi)，低通子帶的系數(shù)稱為尺度系數(shù)，而其他子帶的系數(shù)則稱為小波系數(shù)。由于H滿足高通條件。因此，任一子帶的小波系數(shù)的均值都等于或近似等于0。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(shù)直方圖）。從圖中可以看出，原始圖像的灰度在大范圍內(nèi)分布，且相關(guān)性較強，熵值較大。而小波系數(shù)在零仁附近高度集中，單為零的系數(shù)高達77%，較好地去除了相關(guān)性，減小了熵 圖29 指紋圖像值。而且，小波變換系數(shù)直方圖可以用一系列概率密度函數(shù)來近似描述。基于上述分析，我們由此提出一種小波變換系數(shù)高斯概率分布的指紋識別算法。 圖210 灰度直方圖圖 211 小波變換系數(shù)直方圖（2）小波變換系數(shù)的廣義高斯密度函數(shù)近似實驗顯示，一個特定的子帶小波變換系數(shù)直方圖如果用含有兩個變量α和β 的廣義高斯密度函數(shù)來近似[28]，能夠取得較為理想的結(jié)果。該函數(shù)定義如下： (21)其中，Γ()函數(shù)為： z0 (22)上式中，參數(shù)α模擬了概率密度函數(shù)的頂點，β則反比于頂點的下降速率。因此，α有時被稱為尺度參數(shù)，β被稱為形狀參數(shù)。設(shè)子帶小波變換系數(shù)直方圖x。=(x1,x2,...xL)可以描述成： (23)這里如果β0，可以得出：； (24)m1和m2分別滿足：， (25)同時α滿足： α=m1(Γ(1/β)/ Γ(2/β)) (26)在實際求解過程中，式（24）的解可以通過插值和對應(yīng)查表的方法來得到。即代入任——β值，使最接近m1/m2的β值，即為所求解。（3）基于廣義高斯概密度的相似度量方法上述可知，若給定了廣義高斯概率模型，子帶小波系數(shù)的直方圖可以用α和β來描述。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(yīng)的KLD距離可以表示為： (27)從（27）式中，可以看出，KLD距離函數(shù)含量有四個變量，兩個尺度參數(shù)α1和α2及兩個形狀參數(shù)β1和β2。因此，圖像之間的相似度轉(zhuǎn)化為以尺度參數(shù)α和形關(guān)參數(shù)β為變量的KLD距離函數(shù)。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(shù)據(jù)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(yù)處理工作。這里我們的預(yù)處理采用提取每幅圖像邊緣的方法，將256級灰度指紋圖像變?yōu)橹话?和1的二值圖像。經(jīng)過預(yù)處理后再根據(jù)上述算法進行識別，識別效率明顯提高。3．基于小波的指紋識別過程具體步驟如下：（1） 對待識指紋圖像和模板圖橡分別進行邊緣檢測，將其變?yōu)椋褐祱D像；（2） 對待識指紋圖像和模板圖像分別進行小波變換；（3） 分別計算兩圖像各小波子圖的α和β值