一种基于新特征的有效指纹图像分割算法

合集下载

一种自适应块大小的指纹图像分割算法

谷线分隔，如图１示，那么经过式（）算可以得到ｎ１所１计．个纹线距离，分别为Ｄｌ２，一Ｄ１，，Ｄ，。一幅指纹图像的平均Ｄ …
基金项日：河南省高等学校青年骨于教师计划基金资助项目２０Ｇ（０９
起来提出合成分割法；文献［】出逐级分割法。５提迄今为止，基于块的指纹图像分割法在对图像分块时多是按照经验把把图像分成互不重叠的ｎ大小的方块，每块 ×
纹预处理、特征提取、指纹分类、指纹匹配等组成…。其中，
指纹图像预处理是指纹识别系统中紧跟在指纹采集之后的一
个环节，预处理的效果直接影响到系统的性能；而指纹分割是指纹预处理的关键组成部分。指纹图像在采集过程中不可避免地被噪声干扰，存在一些无效区域。指纹图像中包含比较清晰或可以恢复的指纹纹
像分割算法虽然分割精度受到块大小的影响，但其具有速度快、易于实现等优点，成为目前指纹图像分割算法研究比较
集中的措施。文献［】２把图像分块后，使用线性分类器完成指
作者筒介：李慧娜（９０）女，１８－，讲师、硕士，主研方向：息安全，信
ＧＪ一２、Ｓ１０
目前已有的指纹图像分割方法主要是利用图像的灰度统计特性和指纹的方向特性在时域完成。根据分割精度的不同，பைடு நூலகம்
现有的指纹分割方法分为基于边界的分割法和基于区域的分

一种基于指纹分类的指纹识别算法

1. 1 指纹分类过程
指纹按其拓扑结构 , 通常分为 5 个类型 , 即拱形、尖拱形、左旋形、右旋形和旋涡形 . 本文采用中心点和三角点的特征 [ 5 ] , 即它们的数目和它们之间的相对位置来分类 . 主要包括 4 个步骤 : 指纹图像分割、方向信息提取、中心点和三角点检测、分类 . 由于在指纹图像分割和方向信息提取部分的内容在指纹预处理文章中涉及较多 ,因此本文不再做过多论述 .
0 引言
指纹识别技术是生物识别技术中最重要、应用最广泛的技术 . 它利用指纹特征的惟一性和终身不变性识别个人身份 . 而在已有的指纹匹配算法中 ,常见的有两种 : 第一类是图形匹配的方式 [ 1 ,2 ] , 其实质是基于脊线结构或者细节点间拓扑结构的匹配 . 这类方法对于图像的旋转、平移不敏感 ,对于少量细节点的缺失、少量伪细节点的存在和细节点的定位误差 ,具有一定的容错性 . 第二类是人工神经网络的方法 [ 3 ,4 ] . 由于人工神经网络具有解决模糊问题的优势 ,这类算法的容错性比较好 ,但事先要经过足够数量样本的训练 ,系统才能正确地进行工作 . 但是这类匹配方法不适合于实时的自动指纹识别系统 . 指纹特征点在指纹图像中出现的几率最大、最稳定 ,易于检测 ,而且足以描述指纹的惟一性 . 本文利用此特性给出了一种基于指纹分类和分叉点脊线相似度的指纹匹配算法 ,首先利用指纹分类的思想 , 对指纹进行初匹配 ,通过初匹配后 ,再对该指纹中可信度较高的分叉点脊线相似度进行计算 , 寻找基准点 . 由于本文加入了试匹配 ,所以一定程度上加快了匹配速度 ,并且本算法采用了可信度高的分叉点 ,提高了基准点对的可靠性 , 使得整个匹配算法的速度和正确率均有所提高 . 同时该方法利用多点来确定

指纹图像预处理及特征提取算法的研究与实现

2012年1月内蒙古科技与经济Januar y 2012　第1期总第251期Inner M o ngo lia Science T echnolo gy &Economy N o .1T o tal N o .251指纹图像预处理及特征提取算法的研究与实现X张松宇1,杨文斌2(1.内蒙古机电职业技术学院;2.内蒙古灵奕信息技术有限责任公司,内蒙古呼和浩特　010070) 摘　要:提出了一套完整的基于方向特性的指纹预处理算法,包括前景/背景分割、方向滤波、二值化、细化4部分。

特征提取采用8邻域方法提取纹线中的两种细节特征——端点和分叉点。

实验结果表明,指纹图像经过预处理算法后提取出了纹线,并且很好地保留了纹线的关键信息,对特征提取奠定了良好的基础。

指纹图像经过特征提取后,准确有效地定位了两类特征点。

关键词:指纹;预处理;特征提取中图分类号:T P391.41 文献标识码:A 文章编号:1007—6921(2012)01—0083—02 自动指纹识别技术大多是依靠指纹的细节特征提取实现指纹的匹配的。

准确地提取细节特征是自动指纹识别系统获得高识别率的前提和基础。

指纹的细节特征主要指脊线端点和分叉点。

在实践中,由于手指本身的因素和采集条件的限制,采集到的指纹图像会不同程度地受到各种噪声的干扰。

这种干扰最终会影响系统的识别率。

因此,在提取指纹特征前必须对输入的指纹图进行预处理。

预处理的目的是:去除原图像中的噪声,把它变成一幅清晰的二值点线细化图,以便于提取正确的细节特征。

笔者提出了一套较完善的指纹预处理算法,包括图像分割、方向滤波增强、二值化、细化等步骤,并准确有效地提取出了指纹的细节特征点。

1　预处理算法1.1　规格化和图像分割规格化的主要目的在于消除指纹采集过程中由于传感器自身的噪声以及因为手指压力不同而造成的灰度差异,将不同的指纹图像的对比度和灰度调整到一个固定的级别上。

图像分割是把指纹前景区与背景区分开。

指纹图像分割与增强算法的研究

Ａｂｓｔｒａｃｔ：Ｆｉｎｇｅｒｐｉｎｒｔｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙｉｓｗｉｄｅｌｙｕｓｅｄｉｎｔｈｅａｔｔｅｎｄａｎｃｅｓｙｓｔｅｍ，ｓｏｃｉａｌｓｅｃｕｉｒｔｙｓｙｓｔｅｍａｎｄｔｈｅｄｉｒｖｅｒ ’ Ｓｅｘａｍｓｙｓｔｅｍ．Ｉｔｉｓｏｎｅｏｆｔｈｅｍｏｓｔｗｉｄｅｌｙｕｓｅｄｂｉｏｍｅｔｒｉｃｔｅｃｈｎｏｌｏｇｙ．Ｂａｓｅｄｏｎｇｒａｄｉｅｎｔｉｆｅｌｄａｎｄｔｈｅｄｉｒｅｃｔｉｏｎｉｆｅｌｄａｓｗｅｌｌａｓ
（１．ＨｅｒｕｍＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃｌａＶｏｃБайду номын сангаасａｔｉｏｎａｌＣｏｌｌｅｇｅ，Ｚｈｅｎｇｚｈｏｕ４５１１９１，Ｃｈｉｎａ；
ｅｘｐｅｉｒｍｅｎｔｉｎｇ，ｔｈｅｒｅｓｕｌｔｉｓｓａｔｉｓｆｙｉｎｇ．Ｔｈｅａｄｖａｎｔａｇｅｏｆｔｈｅｍｅｔｈｏｄｉｓｔｈｅｒｅｇａｔｊｏｉｎｔｂｅｔｗｅｅｎｆｒａｃｔｕｒｅｓｏｆｔｈｅｉｆｎｇｅｒｓｔｒｅａｋ

指纹图像分割方法分析

指纹图像分割方法研究摘要指纹分割作为指纹识别的预处理环节，不仅能提高指纹特征提取精度，而且能减少指纹预处理时间，对提高整个识别系统性能有着重大意义。

本文在对常用指纹分割方法进行分类分析和探讨的基础上，对指纹图像分割理论和技术进行了深入研究，并对现有分割算法进行了改进。

本文主要工作包括：（1）对指纹图像分割方法做了比较全面的分析综述。

从指纹特征提取角度出发，将指纹图像分割方法分为基于特征融合判决分割方法与基于多级分割思想分割方法两类，并对这两类算法进行了详细分析。

（2）针对特征融合判决分割方法，把最小平方误差准则用于基于线性分类的指纹图像分割算法，该算法对低质量指纹图像分割效果较好；将指纹图像纹理特征引入灰度方差求解过程，提出一种基于纹理特征的指纹图像自适应分割算法。

通过实验对新算法分割效果及噪声抑制能力进行了验证。

（3）针对多级指纹分割方法，研究了结合多种方法的高效指纹图像逐级分割算法，采用一种鲁棒性更好的求点方向图方法，计算前景块中各像素方向；采用自动确定部分阈值的分级分割方法，改善算法中仅凭经验设定多个阈值的缺点。

实验结果表明，新算法分割精确率较高。

关键词：指纹，指纹分割，特征融合，多级分割Research on methods of fingerprint imagesegmentationAuthor:Xu Huali S upervisor：Fan YongshengABSTRACTAs an important step of fingerprint image preprocessing, fingerprint segmentation which has a great significance in the system performance can not only improve the accuracy of the feature extraction, but also reduce the time of fingerprint preprocessing. This paper mainly investigates the theory and methods of fingerprint image segmentation, and some of the segmentation methods are classified and discussed. The main works include:（1）A comprehensive review of the fingerprint image segmentation methods is given. Basing on extracting fingerprint features, we first classify the methods of fingerprint image segmentation into two classes, which are the feature fusion segmentation method and multi-level segmentation method. And then, we introduce the two methods in detail.（2）In the aspect of the feature fusion based fingerprint segmentation method, we investigate the Minimum Square Error rule based fingerprint segmentation algorithm and a adaptive texture feature based fingerprint segmentation algorithm. First, we investigate the linear classifier based fingerprint segmentation algorithm, which uses a combination of three variance, mean and ridge orientation features of fingerprint image, and presents the improved algorithm of using the Minimum Square Error rule. The experimental results demonstrate the effectiveness of the improved algorithm, especially in low quality images. Second, we investigate the traditional variance based fingerprint segmentation algorithm, and present a adaptive texture feature based fingerprint segmentation algorithm which combine texture feature and variance. The experimental results demonstrate the effect of the proposed segmentation algorithm is better than the variance based fingerprint segmentation, and it also has stronger resistance to noise.（3）In the aspect of the multi-level based fingerprint segmentation method, weinvestigate the multi-level segmentation algorithm of fingerprint image. First, to improve the method of calculating the orientation image, the paper uses a better robust method. Second, we present an improved algorithm of setting the thresholds automatically for the disadvantage of setting some thresholds based on experience. The experimental results demonstrate the high accuracy rate of the improved algorithm.KEY WORDS: fingerprint, fingerprint segmentation, feature fusion, multi-level segmentaion目录第一章绪论 (1)1.1研究背景 (1)1.1.1生物特征识别技术概述 (1)1.1.2主要生物特征识别技术 (2)1.2指纹识别技术简介 (6)1.2.1指纹识别研究内容 (6)1.2.2国内外发展状况和面临的挑战 (10)1.3研究内容与结构 (12)第二章指纹图像分割方法综述 (14)2.1图像分割方法 (14)2.2指纹图像分割方法 (17)2.2.1基于特征融合判决的指纹图像分割方法 (19)2.2.2基于多级分割思想的指纹图像分割方法 (21)2.3本章小结 (22)第三章基于特征融合判决分割方法研究 (23)3.1有监督分割方法 (23)3.1.1分割特征选择 (23)3.1.2分类器选择 (26)3.1.3实验结果及分析 (28)3.2无监督分割方法 (29)3.2.1基于灰度方差的指纹图像分割 (30)3.2.2基于纹理特征的自适应指纹图像分割 (31)3.2.3实验结果及分析 (33)3.3本章小结 (36)第四章基于多级分割思想分割方法研究 (37)4.1结合多种方法的指纹图像逐级分割方法 (37)4.1.1第一级指纹图像分割 (37)4.1.2第二级指纹图像分割 (39)i4.1.3第三级指纹图像分割 (42)4.2自动确定部分阈值的指纹图像分级分割方法 (42)4.3实验结果及分析 (44)4.4本章小结 (45)第五章结论与展望 (46)5.1结论 (46)5.2展望 (47)参考文献 (48)攻读硕士期间发表的论文及所取得的研究成果致谢ii中北大学学位论文第一章绪论随着信息技术的发展，传统的身份识别技术已经逐渐被新型的基于生物特征的识别技术所替代。

中药指纹图谱软件的介绍

强大的预处理功能
提供数据清洗、格式转换、归一化等预处理操作，确保数据质量和一致性。
指纹图谱生成及展示
多样化的指纹图谱生成
软件可根据用户需求生成多种类型的中药指纹图谱，如TLC、HPLC、GC 等。
直观的展示效果
提供丰富的可视化工具和交互功能，使得指纹图谱的展示更加直观、易于理解。
相似度评价与比对分析
市场前景
随着中药行业的快速发展和国家对中医药产业的支持力度不断加大，中药指纹图谱软件的市场需求将持续增长。未来，中药指纹图谱软件将在中药质量控制领域发挥更加重要的作用，并有望拓展至更广泛的应用领域。
02 功能特点
数据采集与预处理
高效的数据采集
软件支持从多种仪器和设备中快速、准确地采集中药指纹图谱的原始数据。
关联规则发现
通过关联规则发现算法，挖掘中药指纹图谱与药效、成分等之间的关联关系，为中药研究和开发提供有力支持。
云计算和大数据技术融合
云计算平台支持
利用云计算平台，实现中药指纹图谱数据的高效存储、计算和分
析。
大数据处理技术
运用大数据处理技术，对海量中药指纹图谱数据进行高效处理和分析，提高数据处理的速度和准
设置好参数后，点击“生成”按钮，软件即可自动计算并生成中药指纹图谱。生成的图谱支持多种格式导出和打印。
相似度评价和比对分析实例
相似度评价
软件提供了多种相似度评价指标和方法，如欧氏距离、余弦相似度、皮尔逊相关系数等。用户可根据实际需求选择合适的相似度评价方法进行指纹图谱之间的比较和评估。
背景
随着中药现代化和国际化的推进，中药质量控制成为制约中药发展的关键因素之一。传统的质量控制方法存在诸多局限性，无法满足现代中药生产的需求。因此，中药指纹图谱软件应运而生，成为中药质量控制领域的重要研究方向。

基于方差及方差梯度的指纹图像自适应分割算法

Ａｂｔａｔｓｒｃ
Ｔｈｔｓｉｇｒｉｔｅｅａｋｏｆｆｎｅｐｒｎｓｇｍｅｔｔｏｎｓｏｓａｅｈｆｎｇｒｉｔｒａｒｍｔｉａｅｎａｉｉｔｉｏｌｔｔｅｉｅｐｒｎａｅｆｏｈｅｍｇ
ａｏｅｏｏｍｐｕｅａｐｉｅｙｈｅｈｒｓｄｏｓｇｎｔｔｏｄｐｔｄｔｃｔｄａｔｖｌｔｔｅｈｏｌｆｒｅｍｅａｉｎ．Ｆｉｌｙ，ａｎａｌｍｏｐｈｏｏｉａｐｒｃｓｉｒｌｇｃｌｏｅｓｎｇ
ｖｒａｃｎｉｓｒｄｅｉｃｏｓｎｓｈｅｌｋｅｔｒ．Ａｆｅｔｔａｈｅｈｌ — ｅｔｎｍｅｈｉａｉｎｅａｄｔｇａｉｎｔＳｈｅａｔｂｏｃｆａｕｅｔｒｈａ，ｔｒｓｏｄｓｔｉｇｔｏｄＳ
数据库上的实验结果表明，分割算法快速有效，有较强的鲁棒性．该且
关键词图像处理；纹图像分割；纹预处理指指
中图法分类号ＴＰ３１４９．１
ＡｄａｔｖｎｅｐｉｔＳｅｍｅａｉｎＢａｅｎＶａｉｎｃｎｔａｉｎｐｉｅＦｉｇｒｒｎｇｎｔｔｏｓｄｏｒａｅａｄＩｓＧｒｄｅｔ
ａｄＦＶＣ２０ｈｗｕｒｐｒｐｏｅｌｏｉｈｍ８ｆｓ，ｅｆｃｉｎｏｂｔｎ０４ｓｏｏｏｓｄａｇｒｔｉａｔｆｅｓｉｇ；ｆｎｅｐｒｎｔｓｇｅａｉｎ；ｆｎｇｒｒｎｅｒｅｓｎｇｙｗｏｄｓｍｇｒｅｓｎｉｇｒｉｅｍｎｔｔｏｉｅｐｉｔｐｒｐｏｃｓｉ

一种新型指纹图像分割算法

Ａｂｔａｔｓｒｃ：Ａｉｎｔｔｅｐｏｌｍｔａｈｒｄｔｎｌｅｍｅｔｇａｇｒｈａｏｅｅｆｃｉｅｙｕｅｎｔｅｆｇｒｒｔｄｎｉｃｔｎｗｉｍｉｇａｈｒｂｅｈｔｅｔｉｏａｇｎｉｌｏｔｍｓｃｎｎｔｂｆｔｌｓｄｉｈｎｅｐｎｅｔａｉｈｌｔａｉｓｎｉｅｖｉｉｉｉｆｏｅｔｅｆｇｒｃｎａｎｍａｙｉｕｔｓｆｓｌ，ｔｅｂｓｏｃｐｓｏｅｍｅｔｇａｇｒｈｅｅｉｔｏｕｅ．Ｔｅｒｂｓｎｓｆｈｅｍｅｔｇａ— ｈｎｅｏｔｉｎｍｐｒｉ，ｒｔｉｉｅｉｙｈａｉｃｎｅｔｆｇｎｉｌｏｔｍｓｗｒｎｒｄｃｄｈｏｕｔｅｓｏｅｓｇｎｉｌｃｓｎｉｔｎ
ｇｒｔｍｓｔｈｏｓｓａｔｃｅｅｉｐｔｎｅｒｎｍａｅ，ｓｃｓｄｒ，ｉｕｔｓａｄｌｗｃｎｒｓｗａｎｙｅ．Ａｎｗｍｅｈｄｔｓｇｏｉｈｏｔｅｎｉｅｔｈｄｔｔｎｕｇｒｉｔａｏｈｉｆｐｉｇｓｕｈａｉｔｍｐｒｉｎｏｏｔｔｓａａｚｄｉｅａｌｅｔｏｏｅ－
第２７卷第７期
２１００年７月
机
电
工
程
Ｖｏ．７Ｎｏ７１２．
Ｊｕｎｌｏｃａｉａ＆ＥｅｔｃｌＥｇｎｅｉｇｏｒａｆＭｅｈｎｃｌｌｃｒａｎｉｅｒｉｎBiblioteka Ｊ１００ｕ．２１

一种改进的分类指纹图像分割算法

Ｋｅｒｓａｐｉｄｍａｈｍａｉｓｇａ－ｖｌｆｏｅ；ｉｃｉｎｈｓｏｒｍ；ｎｅｒｔｓｇｎａｉｎｙｗｏｄ：ｐｌｔｅｔ；ｒｙｌｅｏｍｒｄｒｔｉｔｇａｆｇｒｉｅｍｅｔｔｅｃｅｃｅｏｉｐｎｏ
ＡｂｔａｔＴｅｆｇｒｒｎｍａｅｓｇｎａｉｎｉａｎｉｐｎａｌａｆｉｇｒ－ｒｃｓｉｇｔｉａｅｒｐｓｅｓｒｃ：ｈｎｅｐｔｉｇｅｍｅｔｔｓｎｉｄｓｅｓｂｅｐｒｏｉｉｏｔｍａｅｐｅｐｏｅｓ，ｈｓｐｐｒｐｏｏｅａｎｗｎｉｇｅｍｅｔｔｎａｇｒｈｄｐｎｎａｓｍｐｅｃａｓｆａｉｎｏｎｅｒｔｉｇｓａｄｆｌｕｅｏｅｇａ — ｃｌｎｍａｅｓｇｎａｉｌｏｔｍｅｅｄｏｉｌｌｓｉｃｔｆｆｇｒｉｍａｅ，ｎｕｌｓｆｔｒｙｓａｅｆ — ｏｉｉｏｉｐｎｈｉｇｒｒｔｉｇｅｔｒｓａｄｔｅｄｒｃｉｎＴｉａｇｒｈｃｎａｃｒｔｌｘｒｃｈｆｃｉｅｒｇｏｆｆｇｒｒｔｉｇｅｐｉｍａｅｆａｕｅｎｈｉｔ．ｈｓｌｏｔｍａｃｕａｅｙｅｔａｔｔｅｅｅｔｅｉｎｏｎｅｉｍａｅｎｅｏｉｖｉｐｎｗｈｃｍｐｏｅｈｃｕａｙｏｅｓｇｎａｉｎｉｈｉｒｖｄｔｅａｃｒｃｆｈｅｍｅｔｔ．ｔｏ

基于指纹方向流模式特性的分割方法

垂直于块方向的灰度变化，选择作为前景块还是背景块的判断依据。实验研究表明，以较为准确、可完整地分割出指纹前景
区，时保留通过后续处理可以恢复的模糊区，可以节省预处理的时间，保证了精度，有较强的可行性。同还也具关键词：纹分割；度差；向流；格化指灰方规
１引言
指纹图像分割就是提取清晰的纹线图像处理过程，目其
局部平行的脊线和谷线构成
。在指纹区域，脊线方向沿
的灰度变化很小，现了纹路的走向，为局部主导方向。体称
ｉｇｒｉｔｆｒｇｏｄｐｅｉｅｙｎｏｌｔｌｆｎｅｐｒｎｏｅｒｕｎｒｃｓｌａｄｃｍｐｅｅｙ．Ｉａｓｖａｏｏｒｔｅｔｎｔｔｍｅａｄｕａａｅｐｅｉｉｎａｔｃｎａｅｌｔｆｐｅｒａｍｅｉｎｇｒｎｔｅｒｃｓｏｓ
中图分类号：Ｐ９Ｔ３文献标识码：Ａ
ＡｅｈｏｆＦｉｅｐｉｔＳｇｅｔｔｏｓｄｏｒｃｉｎ — ｆｏＭｔｄｏｎｇｒｒｎｅｍｎａｉｎＢａｅｎＤｉｅｔｏ — ｗｌ
ＬＩＨｕ —ｙｎＵｉｉｇ，ＸＩＴｉｎ—ｑ，ＣＨＥＮａＡａｉＸｉｏ
谓分割算法就是将可用的指纹区域从背景噪声中提取出来。再采用方差法和方向图法处理基础上，提出了一种新的基于指

基于投影和小波分析的手指指节折痕识别算法

关嘲
：手指指节折痕；生物特征识别；小波分析；特征提取
’
ＡｌｏｉｈｏｎｅｅｓｔｅｎＲｅｏｎｔｎＢａｅｎｇｒｔｍｆｒＦｉｇｒＣｒａｅＰａｔｒｃｇｉｉｓｄ０ｏ
ＰｏｅｔｎａｄＷａｅｔｎｌ进行定位，经分割、归一化后得到了用于身份鉴别的手指子图。将手指子图向水平轴投影，得到含有折痕信息的一维信号，利用小
波的多分辨率特点提取折痕信息进而形成代表折痕的特征矢量。在手指图像数据库中，利用最近邻分类器进行了算法验证，等错误率约为
１％，实验结果表明了算法的有效性。．５
ｏｔｏｉｏｔｌａｉｏｃｎｔｕｔｎ — ｍｅｓｏｎｉｎ．ａｅｅｎｙｉｓａｐｉｄｔｘｒｃｎｅｒａｅｆａｕｅｒｎｏｈｒｚｎａｘｓｔｏｓｒｃｅｄｏｉｎｉａｓｇａＷｖｌｔａａｓｓｉｐｌｅｔａｔｆｇｒｃｅｓｅｔｒｓｆｏｍｎ－ｉｎｉｎｉｎｏｌ１ｌｅｏｉｏｅｄｍｅｓｏａｓｇａｔｌｌｏｍｈｅｔｅｖｃｏ．ｅｐｏｓｆｒｔｅｆａｕｒｅｔｒＴｈｒｐｏｅｍｅｏａｅｎｔｓｅｎａｆｇｒｄｔｂｅｂｙｕｉｇｔｅｎａｅｔｅｇｂｒｃａｓｆｅ．ｄｈｔｄｈｓｂｅｅｔｏ＇ｅａａｄｍａｓｓｎｈｅｒｓｎｉｈｏｌｉｒＴｈｅｅｐｒｍｅｔｌｒｓｌｓｓｉｘｅｉｎａｅｕｔ
１概述
当前用于身份鉴别的生理特征有指纹、掌纹、掌形、人脸、视网膜、虹膜和人耳等。近年来，掌纹作为一种较新的生物特征成为了研究的热点Ｊ但任何一种生物个体用作生。物识别时，都有其优点和不足之处，其选择依赖于实际的Ｊ应用场合。所以探索新的个体生物识别技术仍然是该领域的重要任务之一ＩｏＪ。本文提出了一种新的基于人体手指指节折

基于统计特性的指纹分割算法研究

ｔｉｍｅｐｒｏｃｅｓｓｉｎｇｓｐｅｅｄｏｆｔｈｅｉｆｎｇｅｐｒｒｉｎｔｉｍａｇｅｔｏｅｎｓｕｒｅｒｅｃｏｇｎｉｔｉｏｎｏｆｔｈｅｓｙｓｔｅｍ．Ｋｅｙｗｏｒｄｓ：Ｓｔａｔｉｓｔｉｃａｌｐｒｏｐｅｒｔｉｅｓ；ｓｅｇｍｅｎｔａｔｉｏｎ；ａｌｇｏｉｒｔｈｍ
１概述
当采集完指纹图像信息后，整幅指纹图像信息主要包括两部
分：
１
Hale Waihona Puke ｗ－－１ｗ－－１
２
ｒｍ，ｎ）＝＝＝
∑∑ Ｉ
ｉ＝０
…（酬
ｊ＝Ｏ … １．１背景区：不包含指纹图像的信息，但因为指纹扫描器表面上的灰尘或污垢等原因会产生噪声污染，使之呈现一定的灰度值。（３）最后，根据以下判定条件区分指纹图像的前景区和背景区：１．２前景区：包含指纹图像的全部信息，由于采集过程的各种复当Ｖａｒ（ｍ，ｎ）＜时，将第ｍ，ｎ）个块内的所有像素点归为背景杂因素的影响，会产生不同效果的区域，主要有清晰区、模糊区和不区，并将其灰度值全部置为０，反之为前景区。．为方差阈值，取经可恢复区三部分。。指纹图像分割的目的就在于把背景区和前景区中的不可恢复验值为４３结论区分割出去，保留有价值信息的清晰区和进一步处理模糊区，这样基于方差阈值法利用方差来克服方向信息变化剧烈的区域，优就可以提高自动指纹识别系统对指纹图像的实时处理速度，保证系点是算法简洁、运算速度快，分割效率高，但其缺点是对背景区噪声统的识别能力。本文根据常见的指纹分割处理的基本原理，归纳总结了主要的影响较大的区域无法分割。参考文献三类方法Ⅲ ：基于统计特性的方法、基于方向场信息的方法和基于频１】胡珞华，刘国平，余冰．模糊指纹图像的特征提取【Ｊ］．南昌大学学报域信息的方法。其中，基于频域信息的原理是根据前景区图像子块［工科版），２００２，２４（４）：３８ — ４１．的能量大于背景区，即指纹图像子块频谱能量来分割指纹图像，但（

基于D-LLE算法和图像分块的人脸识别方法

基于D-LLE算法和图像分块的人脸识别方法丁娇【摘要】人脸识别是当前计算机视觉领域的一个研究热点,在日常生活中的应用也非常广泛.近年来,流形被认为是视觉感知的基础,利用流形学习算法可以寻找图像的内在特征.文章提出一种基于差异性值监督LLE(D-LLE)算法和图像分块的人脸识别方法,首先对提取的人脸图像进行分块,然后利用D-LLE算法进行人脸子图像集特征提取,最后使用最近邻分类器进行人脸图像识别.通过与现有人脸识别方法进行仿真结果比较,该方法能够取得较好的识别效果.【期刊名称】《巢湖学院学报》【年(卷),期】2017(019)003【总页数】6页(P55-60)【关键词】人脸识别;差异性值监督LLE算法;特征提取;图像分块;最近邻分类器【作者】丁娇【作者单位】安徽信息工程学院,安徽芜湖 241000【正文语种】中文【中图分类】TP391生物识别是指计算机、各种传感器和生物统计学的组合，主要识别人体的固有生物特性。

生物识别技术[1]主要包括指纹识别、虹膜识别、人脸识别、语音识别等。

近年来，随着计算机安全技术的快速发展，生物识别技术的应用越来越广泛，如国防、金融、商业等领域。

人脸识别主要是指在视频或图像中能够自动进行人脸识别，广泛应用于如身份识别、视频会议、视频监控和视频检索等领域。

人脸识别相对于虹膜识别和指纹识别，具有识别友好、易于接受、难以伪造、成本低等优势，因此具有非常重要的理论和实践价值。

人脸识别系统有两个不可或缺的部分：特征提取和分类识别。

首先提取代表人脸的原始特征信息，并加以处理，然后分类识别处理后的有用特征信息，最终进行人脸图像的类别信息确定。

由于人脸识别技术在日常生活中应用越来越广泛，对人脸识别需要的时间以及准确度就有着越来越高的要求。

为了降低分类器处理人脸高维特征数据的计算量，缩短识别时间，研究人员[2-8]将流形学习算法应用于人脸识别技术。

流形学习算法主要是从现存的高维数据集中挖掘出潜在的低维空间结构，实现高维特征数据的降维。

基于SVM的指纹图像质量评测方法

分别为：、、、、。１２３４５
质量评测
的低对比度区域、低脊线流区域和高曲率区域。向信方
息是用于拟合指纹脊线方向的；低对比度区域、低脊线流区域是指纹图像中脊、谷线模糊的区域，这些区域内
一Ｔ蛋
质量评测模型测砒
质量评测中来。并提取了１个参数来有效地评测指纹图像的质量，免传统指纹图像质量１避评测方法中使用经验阁值采评测单个指标质量所带来的人为偏差。借鉴机器学习的思想。
提出采用ＳＭ：类器对指纹质量进行学习和分类，Ｖｆ实验表明这种方法是有效的。
作者简介：莲花（９２）女，教，士，究方向为图形图像处理、式识别刘１８一，助硕研模
现计机２１．囝代算０１３０
图形图像
幅图像的１个评测参数Ａｅ、ｎＭｉ５Ｍｉ６１ｒａＴｍ、ｎ、ｎ、００
能自动地提取输入的指纹图像的细节特征点．并能评测细节特征点质量的好坏．同时产生指纹图像的块质
训练误差最小的测试模型．通过这个测试模型支持向量机可以自动地将输入的指纹图像进行质量分类。在
提取的细节特征点多为伪特征点．可信度不高．以提所
一
取细节特征时应避免从这些区域中提取：高曲率区域

一种基于YOLO的多尺度融合图像分割模型

一种基于YOLO的多尺度融合图像分割模型陈沛鑫，胡国清Jahangir Ala7SM(华南理工大学机械与汽车工程学院，广东广州510641)摘要：图像分割是指将图像分成若干具有相似性质区域的过程，是许多图像处理任务的预处理步骤。

针对现有的分割模型结构在大目标上表现比小目标更好,需要在细粒度特征上有针对性的强化，需要在结构上进一步进行创新尝试，高效利用特征图表达。

在研究了国内外总体的图像分割模型之后，研究YOLO框架用于检测和识别目标原理，并利用特征图的可迁移性质，取以其前半部分作为分割模型的特征图进行研究。

接着提出了一种改进的多尺度融合图像分割模型，将不同层的特征图加以整合形成一张新的特征图的方法，使用一组因子将输入特征图显式降采样为小尺寸，然后独立进行卷积，从而得到不同比例的表示。

最后通过对改进模型进行试验，并与其他分割模型进行比较总结，测试图像的分割精度达到了0.833,相较于传统的CNN分割图像模型有所提高，具有一定的应用价值。

关键词：图像识别；深度学习；YOLO；多尺度融合；信息处理；人像分割中图分类号：TP391.4文献标志码:AA Kind of Multi-scale Fusion Image Segmentation Model Based on YOLOCHEN Peixin,HU Guoqing,Jahangir Alarn SM(School of Mechanical&Au t O7Otive Engineering,Sou t h China University of Technology,Guangzhou510641,China) Abstract:Irniage seg7ent a tion referred t o t h e process of dividing an iiriage into regions with sirniilar properties,and it wasapreprocessings5epfor7anyi7ageprocessing5asks.Ai7eda55herealiyofexis5ingseg7en5aion7odels5ruc5ureper-for7sbe5eronlarge5arge5s5han5ha5ofs7al5arge5s, 5arge5edenhance7en5sinfine-grainedfea5ureswereneeded,andfur-5herinnova5iona5e7p5sin5hes5ruc5urewereneeded5oeficienlyusefea5ure7apexpression.Af5ers5udying5hedo7esic andforeigni7ageseg7en5aion7odels,i wasin5roduced5ha55heprincipleof5heYOLOfra7eworkforde5ecingandrecog-nizing5arge5s,andweused5he5ransferablena5ureof5hefea5ure7ap5o5ake5hefirs5halfas5hefea5ure7apof5heseg7en-5a5ion7odelforresearch.Then,weproposedani7proved7uli-scalefusioni7ageseg7en5aion7odel5ha5in5egra5ed5he fea5ure7apsofdiferen5layers5ofor7anewfea5ure7ap,andusedase5offac5ors5oexplici5lydownsa7ple5heinpu5fea-5ure7ap5oas7alsize,and5henperfor7edconvoluionindependen5ly,soas5oob5aindiferen5scalerepresen5a5ions.Fi-nally,by experi7enting with the irniproved rniodel and co7paring it with other seg7entation rniodels,the rniethod reached0. 833in5heseg7en5aionaccuracyofal5es5i7ages,which wasi7provedco7pared wi5h5he5radiionalCNNseg7en5a5ion i7age7odel,andhadcer5ainapplicaionvalue.Keywords"i7ageseg7en5a5ion,deeplearning,YOLO,7uli-scalefusion,infor7aionprocessing,por5rai5division图像分割是指根据一定的相似性准则将图像划分成不同区域的过程，是计算机视觉、图像处理等领域的基础性问题之一，是图像分类、场景解析、物体检测、图像3D重构等任务的预处理[1]0其研究从20世纪60年代开始，至今仍然是研究的热点之一，并且被广泛应用于医学影像分析、交通控制、气象预测、地质勘探、人脸与指纹识别等诸多领域#传统的图像分割方法主要包括阈值法、边界检测法、区域法等#这些方法的实现原理有所不同，但基本都是利用图像的低级语义，包括图像像素的颜色、纹理和形状等信息，遇到复杂场景时实际分割效果不尽理想#如何有效地利用图像自身包含的内容信息，结合图像中级、高级语义提升图像分割效果，成为近年来研究的热点#图像的中级语义是指将具有相似特征的相邻像素构成的图像块所具有的像素连成一体，如图像块的粗糙度、对比度、方向度、紧凑度等，以此辅助图像分割并提升效果#图像的高级语义是指图像或图像区域所包含的对象或实体的类别等语义信息，高级语义下的图像分割称为语义分割#图像分割问题一直都是计算机视觉领域的热门话题之一，每年都有大量的新方法呈现#近年来，国内外学者主要研究基于图像内容的分割算法#图像分割算法基本分为基于图论的方法、基于像素聚类的方法和语义分割方法这3种类型#谱聚类方法建立在谱图理论的基础之上，通过构造关于原图的拉普拉斯矩阵并求解特征值和特征向量，对图中顶点进行前背景分离，以解决图像分割问题#Shi等閃提出规范割(nomalized cut：NCut)算法，而Sarkar47等3改进了NCut算法，提出了平均割(average cut：ACut)算法#Li等⑷提出了线性谱聚类(linear spectral clustering：LSC)算法，该算法基于K路NCut(K-way NCut)算法的代价函数，使用核函数将像素值和坐标映射到高维特征空间，通过证明带权k-means(weighted k-menas)算法和K-way NCut 算法的代价函数共享相同的最优点，迭代地使用k-means算法在高维特征空间聚类代替NCut算法中特征值和特征向量的求解，将算法复杂度降低到O (N)。

《刑事影像技术》考试复习备考题库(含各题型)

《刑事影像技术》考试复习备考题库（含各题型）一、选择题（每题1分，共5分）1.刑事影像技术中，哪种成像方式能够获取犯罪现场的三维信息？A.X射线成像B.红外线成像C.激光扫描成像D.紫外线成像2.下列哪种设备不属于刑事影像采集设备？A.数码相机B.紫外灯C.显微镜D.金属探测器3.在刑事影像分析中，哪种技术可以用来增强模糊影像的清晰度？A.高动态范围成像（HDR）B.图像锐化C.伪彩色处理D.空间滤波4.刑事影像技术中，用于识别和提取影像中文字信息的技术是？A.光学字符识别（OCR）B.图像增强C.图像分割D.图像分类A.犯罪现场重建B.物证分析C.目击者描述的犯罪嫌疑人面部复原D.犯罪心理分析二、判断题（每题1分，共5分）6.刑事影像技术只能用于现场证据的采集。

（）7.在刑事影像分析中，所有的影像处理技术都可用于任何类型的影像。

（）8.刑事影像技术中的图像分割技术主要用于将影像中的不同区域分开。

（）9.刑事影像技术中的图像增强技术可以改变影像的物理性质。

（）10.刑事影像技术只能用于刑事案件，不能用于其他类型的调查。

（）三、填空题（每题1分，共5分）11.刑事影像技术中，__________是利用可见光、红外线、紫外线等不同波长的光源来揭示物证的技术。

12.在刑事影像分析中，__________技术可以用来识别和提取影像中的指纹信息。

13.刑事影像技术中，__________是一种通过记录物体对X射线的吸收差异来获取影像的技术。

14.刑事影像技术中，__________是一种将影像中的颜色信息转换为其他形式的技术，以增强特定特征的可见性。

15.刑事影像技术中，__________是一种通过对影像进行数学变换来改善影像质量的技术。

四、简答题（每题2分，共10分）16.简述刑事影像技术在犯罪现场重建中的作用。

17.列举三种刑事影像技术中常用的图像增强技术。

18.简述刑事影像技术中图像分割的目的。

19.解释刑事影像技术中光学字符识别（OCR）的作用。

一种新的基于指纹的密钥隐藏方案

一种新的基于指纹的密钥隐藏方案李西明;杨波;郭玉彬;姚金涛【摘要】针对已有指纹密钥隐藏方法的不足,提出了一种新的基于指纹的密钥隐藏方案,为了充分利用指纹图像细节点以及细节点周围的纹理信息,采用了一种新定义的指纹模板:细节点纹理串模板,这种密钥隐藏方案也就称为细节点纹理串密钥隐藏方案.在此方案中,首先提取指纹的细节点集合,然后在每个细节点周围使用Gabor 滤波器滤波,以提取细节点周围的指纹纹理信息,细节点集合和每个细节点对应的纹理信息共同构成细节点纹理串模板.然后,用(n,k)秘密分割方法将对称加密系统或PKI产生的密钥分成n份秘密值,每份秘密值以保密的方式存储在细节点对应的纹理串中,只有当询问指纹能恢复出至少是份秘密时,才可以恢复出原密钥.在指纹数据库FVC2002 DB1和DB2上的实验表明,一指纹用于隐藏密钥,另一指纹用于恢复密钥的情况下,该方案的等错率(equal error rate,EER)为1％～2.2％,优于模糊盖子密钥隐藏方案.安全性分析表明,该方案有效地保护了密钥以及指纹模板信息,安全度高于模糊盖子方案.%In view of shortage of the existing fingerprint-based key hiding method, a new key hiding scheme based on fingerprint is proposed, which fully uses the information of minutiae set and the texture information around every minutia, depending on a new fingerprint model: minutiae texture strings model. The scheme is called minutiae texture strings key hiding scheme. In this scheme, minutiae set is extracted from fingerprint firstly, and Gabor filter is then used to the area around every minutia to extract texture information. Minutiae set and texture information around every minutia construct the minutiae texture strings model. Secret key generated by a symmetric encryption system ordistributed by PKI is divided into n shares by a (n, k) secret sharing algorithm, which are then hidden by minutiae texture strings secretly. Query fingerprint can only recover the hidden key when at least k shares of key are retrieved. Experiments are made on FVC2002 DB1 and DB2, in which one fingerprint is used to hide key and another fingerprint is used to recover the key. Equal error rate (EER) of the scheme is no more than1%~2. 2%, which is better than that of normal fuzzy vault. Security analysis of the scheme shows that information of the key and the fingerprint model is protected effectively, with security higher than that of normal fuzzy vault schemes.【期刊名称】《计算机研究与发展》【年(卷),期】2013(050)003【总页数】8页(P532-539)【关键词】指纹;密钥隐藏;模糊盖子;细节点;秘密共享【作者】李西明;杨波;郭玉彬;姚金涛【作者单位】华南农业大学信息学院广州 510640【正文语种】中文【中图分类】TP309把指纹应用到信息安全领域的实践中有多种方式，如果把系统给出的密钥和指纹模板结合起来，密钥以保密的方式与指纹模板一起存储在系统中，则构成密钥隐藏方案［1－6］.当用户需要访问秘密信息时，系统提取用户的生物特征，用来恢复与指纹结合的密钥，如果可以恢复出正确的密钥，则用户可以访问相应的秘密信息.基于指纹的密钥隐藏方案中，密钥与指纹结合形成所谓的辅助数据（help data），按辅助数据与指纹结合的方式不同，又可分为密钥释放方案（key release）、模糊承诺（fuzy commitment）方案和模糊盖子（fuzzy vault）方案3种［7］.密钥释放的方法就是把密钥和指纹叠加在一起，存储为加密的指纹模板，而在模板内部，并不对密钥和指纹作任何复杂的操作，只是简单地叠加.Juels和Wattenberg在文献［8］中提出了一种将纠错码技术与生物特征结合在一起密钥隐藏方案，称为模糊承诺方案.最近文献［9－10］也对模糊承诺方案作了进一步研究，提出了一些实际的模糊承诺构造方案，也讨论了模糊承诺方案的信息泄漏问题.模糊盖子方案是由Juels和Sudan出的一种密钥隐藏方案［11］，后来也有很多变体以及实用的方案［12－17］，主要思路是使用多项式方法来进行密钥隐藏.这3种密钥隐藏方案都存在一些安全及实现方面的问题.严格来说，密钥释放方案并不具备比传统生物特征识别系统更高的安全性，很难抵御对模板的蓄意攻击.假如数据库模板被破解，那么用户的生物特征信息和密钥都将丢失.基于指纹的模糊承诺方案要求从指纹中提取定长的位串，但是高区分性的定长特征在指纹中非常难以取得，虽然从指纹提取的 FingerCode［16－17］是定长的，但指纹中心点难以精确定位，导致校准困难，因而区分性不好，密钥恢复成功率不高.模糊盖子方案相对成熟，研究比较集中，但是由于对指纹质量要求比较高，使用性方面受到很多限制.在已有密钥隐藏方案的基础上，本文提出了一种新的基于指纹细节点纹理串模板的密钥隐藏方案，有机地结合了现有各密钥隐藏方案的优点，提高了密钥隐藏算法的性能.本文方案基于作者提出的一种新的指纹模板：细节点纹理串模板，这种密钥隐藏方案也就称为细节点纹理串密钥隐藏方案.细节点纹理串模板既考虑了指纹的细节点特征，也考量了细节点周围的指纹纹理信息，最大程度地利用了指纹信息熵，提高了密钥隐藏系统的安全性.安全性分析表明，在不泄漏指纹模板信息的情况下，本方案安全程度高于模糊盖子方案，实用性好于相关模糊盖子方案.本方案的一个简单应用场景是：用户收到服务方提供的公钥或私钥，然后把密钥存放在自己的PC机或其他设备上.由于担心相关设备遭到入侵，需要采取措施对密钥进行保护.此时，用户可以调用本文所设计的密钥保护算法，提取自己的指纹信息，使用指纹特征来加密密钥.当用户需要使用密钥来解密文件或与第三方作认证时，再使用对应的指纹把密钥恢复出来.本文方案也可以同文献［18］使用的方法相结合，以构造复合的密钥保护及认证方案.1 细节点纹理串模板细节点纹理串模板是在指纹细节点模板的基础上增加辅助信息得到的，因此要想求得细节点纹理串模板，首先要求得指纹的细节点模板.由于细节点模板信息只反映了指纹纹理的端点及分叉点的位置和方向信息，没有反映指纹大尺度上的特征，因而其提取过程丢失了不少的指纹图像的信息熵.本节中在取得细节点模板后，进一步来求细节点纹理串模板，以更全面地反映指纹的局部及全局信息，更多地提取指纹图像的信息熵.本文细节点纹理串的思想部分地借鉴了文献［19］中有关FingerCode的定义及方法.首先，在细节点集合中，选取每一个细节点作为参考点，在参考点周围构建同心圆，在同心圆环上划分等分的扇区，每一个扇区作为一个小单元来考虑.每个扇区均用数字编号，扇区编号从最内层的第1个同心圆环开始，最中心的圆形区域不编号.每一圆环上，位于细节点的方向上的扇区取最小编号，第一圆环上位于细节点的方向上的扇区编号为1，其他扇区按顺时针顺序递增编号（如图1所示）.选择圆形区域进行扇区化是考虑到指纹的旋转可以和圆形区域扇区的旋转对应起来，在后续的特征匹配中可以部分地解决指纹的旋转问题.图1中，对指纹图像在（0°～180°）的8个等分方向上（0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°）做 Gabor滤波，也就是说，在每一个方向上把指纹图像和Gabor滤波器分别进行傅里叶变换之后再相乘，最后进行傅里叶反变换.指纹图像在特定方向上进行Gabor滤波后，与此方向平行的脊线得到加强，而其他方向的脊线则被平滑.每个细节点对应的纹理串即在滤波以后的图像上建立.Fig.1 Extraction area of fingerprint'texture string，all.图1 指纹细节点纹理串提取区域细节点纹理串是由一组特征值来定义的，而特征值定义为小扇区在特定方向上相对于选定区域图像均值的平均偏差值.设Ai为第i个小扇区，定义ni 为扇区中像素点的个数，Fiθ（x，y）为Ai 在θ方向的滤波图像，Piθ为滤波图像的像素均值，那么任意一个小扇区在θ方向上的的特征值Viθ定义为设na为扇区总数，则每个细节点对应的纹理串定义为｛Viθ：i∈ ｛1，2，…，na｝，θ∈ ｛0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°｝｝.由每一个细节点的坐标值、类型、方向以及其对应的纹理串构成的集合，构成了指纹的细节点纹理串模板，由于这个模板很像是一个表格，因此也可把模板称为细节点纹理串表.2 基于细节点纹理串的密钥隐藏与恢复2.1 密钥隐藏密钥隐藏的总体过程如图2所示.设用于密钥隐藏的指纹FP中合乎要求的细节点的数目为np，系统从外部取得密钥后，首先以秘密分割方法将密钥KEY分割成np份秘密值，每份记为si，任意k份秘密值可以完整地恢复出密钥.切分密钥成k等份，每一份作为k－1阶多项式f（x）的系数.取np个随机数xi，i取值范围为［1，…，np］，np 大于k.求每一个随机值xi在多项式上的值f（x），数值对（xi，f（xi））构成一份秘密，np 份秘密组成一个集合｛si＝（xi，f（xi））：i＝1，2，…，np｝.Fig.2 Framework of secret generation from minutiae texture string.图2 细节点纹理串秘密隐藏方法依第1节介绍的方法，从用于隐藏密钥的指纹FP中提取细节点纹理串模板表MT，并对每个纹理串进行量化，使得由实数组成的纹理串变成由二进制数组成的位串，从而得到细节点纹理位串表MBT.然后，把每一份秘密值si作为一个码字进行纠错编码得到ci，再与模板中某一个细节点的纹理位串相异或得到帮助位串hi，以达到隐藏份额的目的.细节点以及对应的帮助串构成了细节点帮助位串表MHT.最后，在 MHT 中加入nc组杂凑点（chaff point）位串，形成帮助数据表HT.杂凑点位串由系统随机产生，模拟细节点所有数据，并对应每个随机点给出随机串来模拟纹理位串，其结构为（随机横坐标x，随机纵坐标y，随机点类型t，随机方向θ，随机纹理串h）.杂凑点不能与原细节点集中的点距离太近，更不能重合.具体来说，如果一个杂凑点与某一细节点在空间距离上相近，方向也相近，则其类型不能相同.如果类型相同，则空间距离或方向不能相近.杂凑点对于隐藏密钥KEY是非常必要的，为了更好地隐藏密钥，保护指纹的模板，其数量要远大于真实细节点数目.2.2 密钥恢复方法密钥恢复过程如图3所示.首先，用户提供用于密钥恢复的指纹样本FP′，系统在样本上作细节点检测以求到细节点集M′，然后从系统中取出对应的帮助数据表HT′，在M′和HT′上作标准的点集比对，得到二者的匹配细节点表MT＊.此时，如果用于恢复密钥的指纹和用于隐藏密钥的指纹来自同一手指，在密钥隐藏阶段加入的杂凑点就从帮助数据表HT′中去除了，MT＊只包含用于密钥隐藏指纹的稳定细节点.在指纹上FP′求细节点纹理串，进行纹理串量化，得到由细节点和对应纹理位串组成的细节点纹理位串表MBT′.用MT′中的纹理串来解码MT＊对应细节点上的帮助串就可以求到隐藏在原纹理串上的秘密值了.如果秘密值的数目超过特定的数目k，就可以恢复出原来密钥KEY.Fig.3 Framework of secret regeneration from minutiae texture string.图3 细节点纹理串秘密恢复框架3 实验及结果分析为了验证密钥隐藏算法性能，本文在公开数据库FVC2002的DB1和DB2上进行了密钥隐藏与恢复的实验.3.1 细节点纹理串模板提取及量化无论是隐藏密钥阶段还是密钥恢复阶段，都需要提取指纹图像的细节点纹理串.提取指纹的细节点模板有很多经典算法，已比较成熟，本文不再赘述.根据第2节的描述，纹理串是在细节点周围同心圆环上获得的，无论是用在密钥隐藏还是恢复阶段，纹理串都应该是完整的，因此，并不是每个细节点都可以获得纹理串，太靠近边缘的细节点求不到纹理串，只有靠近图像中心的细节点才可以求得纹理串.参照文献［19－21］的方法，实验中我们取中心圆的半径为16像素，共取两个同心圆环，每个同心圆环的宽度为20像素，因此，只有距离指纹图像4个边界都大于56个像素的细节点才可以取到纹理串.扇区数量取为16，同心圆数目取为3，按本文第2节定义，每个细节点的纹理串对应的数据是一个长为256（2×16×8）的实数数组.3.2 实验结果及分析参照文献［11，15］中的方法，实验使用FVC2002的DB1和DB2数据库中所有100个手指的前两个图像来完成.实验1.用某一手指的第1指纹图像来隐藏密钥，用同一手指的第2个指纹来恢复密钥，共计算100次.如果能恢复出原密钥，则记为成功一次.总的成功次数记为一致成功率（genuine success rate，GSR）.实验2.用某一手指的第1指纹图像来隐藏密钥，用另一手指的第1或第2个图像来恢复密钥，共计算9 000次.成功次数与总实验次数之比记为不一致指纹密钥恢复成功率成功率（imposter success rate，ISR）.GSR以及ISR随BCH维数变化的情况如图4所示，在编码维数比较高时，ISR下降很快，而GSR下降比较慢.在DB2数据库上，由于数据库中指纹图像比较大，可以取到纹理串的指纹细节点比率要高出DB1数据库中的指纹，所以GSR下降更慢一些.Fig.4 Geniue success rate and imposter success rate on database DB1and DB2based on BCH coding dimension.图4 数据库DB1和DB2上GSR和ISR 随BCH编码维数变化的情况按GSR定义一致拒绝率（genuine rejection rate，GRR）.用某一手指的第一指纹图像来隐藏密钥，用同一手指的第2个指纹来恢复密钥，其失败概率定义为GRR.从实用上来看，GRR与ISR越小，说明系统的总出错率越低.GRR与ISR随BCH编码维数的变化情况如图5所示，其中，GRR与ISR之交点定义为等错误率（equal error rate，EER）点.由图5可知，密钥隐藏算法在DB1上的EER约为2.2%，而在DB2上的EER约为1%.Fig.5 Geniue reject rate and imposter success rate on database DB1and DB2based on BCH coding dimension.图5 数据库DB1和DB2上GRR和ISR 随BCH编码维数变化的情况总体来看，DB2上的实验结果优于DB1，这主要是因为DB2中的指纹更完整，可以取到的细节点更多，可以取到纹理串的细节点也更多.编码维数升高，BCH码的纠错能力下降比较多时，这种情况更加明显.随着维数的升高，DB2上实验中的GRR只是略有升高，而DB1上实验中的GRR上升很快，显示出错率上升很快. 3.3 性能比较由于基本的模糊盖子方案都是基于细节点位置和方向数据的，而低质量的指纹常不能获得足够多的细节点，因而形成所谓获取失败率（failure to capture rate，FTCR），即不能获得某指纹有效细节点模板的概率.表1总结了当前各种理论和算法在指纹密钥隐藏方面的信息，给出了各方案使用的密钥隐藏方法、实验用指纹数据库和此方法的最优性能.同大部分模糊盖子方案相比，本方案的密钥恢复性能较优，且FTCR为0.从理论上来看，本文方案对指纹的质量要求低，极限情况下，只要可以获得指纹的3个细节点，就可以使用本文方案进行密钥隐藏及恢复.Nagar方案［15］同本文方案性能接近，但FTCR为2%，因而其实际的性能低于本方案，且在容许ISR升高的情况下，其最优GRR也不低于5%，而本方案中，在ISR为4%时，GRR可以达到1%.其他方案也有类似问题，由于GRR太高，无法获得一个具有实际应用意义的EER.Table 1 Comparision of Performance for Key Hiding Schemes Based on Fingerprint表1 基于指纹的密钥隐藏方案的性能比较Experiment Database Schemes Type Method FTCR/%Performance ISR/%GRR/%FVC2002DB1 Feng scheme［13］ Modified fuzzy vault Hide key with manylinear functions 0 15.2 Uludag scheme［12］ Basic fuzzy vaultEliminate fingerprints with minutiae number below 2416 0 27.4 14 FVC2002 DB2 Nandakumar scheme［2］ Basic fuzzy vault Extract high curvature pointsas help information.（10degree polynomial and 7 degree polynomial）2 0 0.139 Nagar scheme［15］ Modified fuzzy vaultSeek help from ridges around minutae.（8 degree polynomial and 5degree polynomial） 2≈0≈0≈7≈5 Li and Tian scheme［7］ Modified fuzzy vaultCombine ridge and local picture quality（9 degree polynomial）≈0 ≈10 FVC2002 DB1，DB2 This scheme Key hiding on minutiae set texture strings Combine minutiae set model and texture information around every minutia.（BCH coding dimension 87and 71）0 0 1 61受制于可以取到细节点的数目，基本和改进的模糊盖子方案只能隐藏固定比特位长度（约128b）的密钥，本文方案相对灵活，可以隐藏不同长度的密钥.若杂凑点和细节点总数是200，存储每个细节点需22b，则隐藏一个密钥需要200×（22＋255）＝55 400b的存储空间，而标准方案所需存储空间为200×16＝3 200b.同标准的模糊盖子方案相比，在隐藏相同大小密钥的情况下，由于需要存放每个细节点的纹理串，本文方案隐藏单个密钥所需的存储空间增加至大约5KB.同标准方案相比，本方案在密钥隐藏和恢复时都要计算指纹的细节纹理串，但由于各相关算法的主要时间花在指纹比对过程中，从整体上来看，算法运行时间的增加可以忽略.4 安全性分析基于指纹细节点纹理串模板的密钥隐藏方案的安全性依赖于3点：指纹细节点周围纹理状况的随机性；指纹细节点的随机性；加入到系统中杂凑点位串数目nc与实际可用细节点位串数目np比值.显然，加入到系统中的杂凑点数目越高，细节点纹理串表看起来越随机，敌手找到正确细节点集的概率越低.统计显示，指纹细节点周围的纹理状况以及细节点的位置和方向是很难预测的，可以认为接近随机分布. 同标准的模糊盖子方案相比，本文方案对模板的保护程度更高.首先，本方案没有使用细节点来构建多项式，因而不需要把细节点信息变成二进制形式映射到特定有限域上.基于指纹的模糊盖子方案或其各种变形方案都是把细节点的横坐标和纵坐标（或再加上方向）映射成有限域GF（216）上的一个元素，然后在GF（216）上构建多项式，用多项式的系数来代表密钥.使用GF（216）上的元素来表示指纹细节点，损失了很多细节点的信息熵.比如，如果原始细节点的横坐标、纵坐标、类型和方向分别是由8，8，1，5位的二进制数来表示，则其信息熵为22b，映射到GF（216）上的元素后，信息熵最多也只有16b.因此，面对主动暴力破解敌手时，本方案更多的保护了细节点模板.其次，在增加同样数量杂凑点的情况下，系统可以选择的杂凑点的空间增加了，本方案所使用的细节点帮助位串表比标准的模糊盖子的帮助点集更显随机.依上面假设为例，杂凑点的空间增加了26倍.定理1.密钥保护定理.设细节点个数是np，杂凑点个数是nc，编码维数是nk.在用户指纹未知，细节点帮助位串已知的情况下，暴力破解敌手攻破系统获得隐藏密钥的概率是可以忽略的.证明.假设一个敌手试图使用（np＋nc）组细节点纹理串的所有可能组合来解开密钥，则敌手要能猜中至少3个细节点以及细节点所对应的纹理位串.从所有细节点中任取3个细节点的组合数是其中，可以正确猜到真正细节点的组合数是因此，敌手成功猜出真正细节点的概率是.成功猜出细节点并不能取得秘密的份额值，敌手还需猜出所有3个细节点纹理位串隐藏的秘密份额值，因为帮助位串不能给敌手提供任何帮助，如果细节点的纹理串是随机的，敌手成功猜中3份秘密的份额的概率是2－3nk.以此来看，猜中所有份额的概率比直接猜密钥的概率还要小.证毕.定理2.模板保护定理.在用户指纹未知，密钥和细节点帮助位串已知的情况下，暴力破解敌手获得用户指纹细节点模板的概率是：证明.已知细节点帮助位串表后，再获取密钥，并不能使得敌手得到更多的有关指纹细节点的信息，因为隐藏密钥的数据只与细节点周围的纹理状况有关，并不反映细节点信息.暴力破解敌手获得用户指纹细节点模板的概率仍然是证毕.对模糊盖子密钥隐藏方案而言，若用户在多个系统中用同一个指纹隐藏了密钥，同时攻破两个系统的敌手就可以获取到合法用户的细节点模板，从而可以获得用户隐藏在各个系统中的密钥.本方案则没有这种漏洞，即便敌手得到了多个系统中的细节点纹理帮助串，通过计算得到了用户的细节点模板，也不能获取到用户的纹理串信息，从而也就无法得到用户隐藏的密钥.5 结论针对已有密钥隐藏算法的不足，我们提出了一种新的基于指纹细节点纹理串模板的密钥隐藏方案，详细地介绍了方案实施的各个步骤，并在FVC2002 DB1和DB2数据库上进行了仿真实现，分析了方案在不同的编码维数下隐藏密钥的性能，并进行了理论上的安全分析.同已有的密钥隐藏方案相比，新的密钥隐藏方案安全性更高，更具实用性.基于细节点纹理串的密钥方案还可以作进一步的改进.如：使用同一个手指的多个指纹图像隐藏密钥，一个指纹图像恢复密钥，或者使用同一个人的多个手指的图像隐藏密钥，用其中一个手指的图像来恢复密钥等.本文方案中的细节点模板是明文提供的，这使得模板的安全性依赖于杂凑点的数量，可以考虑构造隐藏指纹细节点模板的密钥隐藏方案，以进一步提高系统的安全性.参考文献［1］ Juels A，Sudan M.A fuzzy vault scheme［J］.Designs Codes and Cryptography，2006，38（2）：237－257［2］ Nandakumar K，Jain A K，Pankanti S.Fingerprint－based fuzzy vault：Implementation and performance ［J］.IEEE Trans on Information Forensics and Security，2007，2（4）：744－757［3］ Nandakumar K，Nagar A，Jain A K.Hardening fingerprint fuzzy vault using password［G］//LNCS 4642：Proc of ICB 2007.Berlin：Springer，2007：927－937［4］ Nagar A，Nandakumar K，Jain A K，et al.Securing fingerprinttemplate：Fuzzy vault with minutiae descriptors［C］//Proc of the 19th Int Conf on Pattern Recognition.Piscataway，NJ：IEEE，2008：822－825 ［5］ Li Peng，Yang Xin，Cao Kai，et al.An alignment－free fingerprint cryptosystem based on fuzzy vault scheme［J］.Journal of Network and Computer Applications，2010，33（3）：207－220［6］ Jain A K，Uludag U.Hiding biometric data［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2003，25（11）：1494－1498［7］ Li Peng，Tian Jie，Yang Xin，et al.Biometric template protection ［J］.Journal of Software，2009，20（6）：1553－1573（in Chinese）（李鹏，田捷，杨鑫，等.生物特征模板保护［J］.软件学报，2009，20（6）：1553－1573）［8］ Juels A，Wattenberg M.Fuzzy commitment scheme［C］//Proc of the 6th ACM Conf on Computer and Communications Security.New York：ACM，1999：28－36［9］ Rathgeb C，Uhl A.Systematic construction of Iris－based fuzzy commitment schemes［G］//LNCS 5558：Proc of ICB 2009.Berlin：Springer，2009：940－949［10］ Ignatenko T，Willems F M rmation leakage in fuzzy commitment schemes ［J］.IEEE Trans on Information Forensics and Security，2010，5（2）：337－348［11］ Juels A，Sudan M.A fuzzy vault scheme［C］//Proc of IEEE Int Symp on Information Theory.Piscataway，NJ：IEEE，2002：408－418 ［12］ Uludag U，Jain A.Securing fingerprint template：Fuzzy vault with helper data［C］//Proc of the IEEE Computer Society Conf on ComputerVision and Pattern Recognition.New York：IEEE，2006：163－171 ［13］ Feng Quan，Sun Fei，Cai Anni.Fingerprint－based keybinding/recovering scheme based on fuzzy vault［J］.Journal of Electronics（China），2008，25（3）：415－－421［14］ Meenakshi V S，Padmavathi G.Security analysis of hardened retina based fuzzy vault［C］//Proc of Int Conf on Advances in Recent Technologies in Communication and Computing.Piscataway，NJ：IEEE，2009：926－930［15］ Nagar A，Nandakumar K，Jain A K.A hybrid biometric cryptosystem for securing fingerprint minutiae templates［J］.Pattern Recognition Letters，2010，31（8）：733－741［16］ Ramirez－Ruiz J A，Pfeiffer C F.Nolazco－Flores J A.Cryptographic keys generation using FingerCodes ［G］//LNAI 4140：Proc of the 18th Brazilian AI Symp.Berlin：Springer，2006：178－187［17］ Jain A K，Prabhakar S，Hong L，et al.FingerCode：A filterbank for fingerprint representation and matching［C］//Proc of the IEEE Computer Society Conf on Computer Vision and Pattern Recognition.Los Alamitos，CA：IEEE，1999：187－193［18］ Zhang fan，Feng Dengguo.Fuzzy extractor based remote mutual biometric authentication ［J］.Journal of Computer Research and Development，2009，46（5）：850－856 （in Chinese）（张凡，冯登国.基于模糊提取的远程双向生物认证［J］.计算机研究与发展，2009，46（5）：850－856）［19］ Benhammadi F，Amirouche M N， Hentou H，et al.Fingerprintmatching from minutiae texture maps ［J］.Pattern Recognition，2007，40（1）：189－197［20］ Tong V V T，Sibert H，Lecceur J，et al.Biometric fuzzy extractors made practical：A proposal based on fingercodes［G］//LNCS 4642：Proc of Int Conf on Advances in Biometrics.Berlin：Springer，2007：604－613 ［21］ Willems F M J，Ignatenko T.Quantization effects in biometric systems［C］//Proc of Information Theory and Applications Workshop.Piscataway，NJ：IEEE，2009：369－376。