一种基于点模式匹配的指纹识别方法_王崇文

合集下载

基于细节点聚类的指纹匹配算法

基于细节点聚类的指纹匹配算法

基于细节点聚类的指纹匹配算法402008.02基于细节点聚类的指纹匹配算法■⼆炮指挥中⼼李海燕摘要:指纹匹配算法的好坏直接影响识别系统的精度。

本⽂提出了⼀种新的基于细节点聚类的多参考中⼼指纹匹配算法。

实验结果表明本⽂所提出的⽅法提⾼了匹配的性能。

关键词:指纹匹配细节点聚类系统相似度模型相似元随着经济全球化和信息技术的飞速发展,当今世界电⼦化、信息化的程度⽇益提⾼,信息安全问题越来越受到重视,对⾼效、可靠的⾃动⾝份识别系统的要求更加迫切。

基于⼈类个体⽣理或⾏为特征的⽣物安全技术,为⼈们提供了可靠的⾝份确认解决⽅案。

⽬前,在⾝份识别中较为常⽤的⽣物特征有虹膜、⼈脸、声⾳、掌纹和指纹等等。

⽽指纹的唯⼀性和终⾝不变性使指纹识别成为现在最⼴泛的⽣物识别技术。

它包括指纹图像的采集及增强、特征提取和特征匹配三部分内容,匹配算法的好坏直接影响识别系统的精度、速度和效率。

本⽂提出了⼀种基于细节点聚类的多参考中⼼的新的点模式匹配算法。

⾸先将输⼊指纹的细节点集根据距离进⾏聚类,在每⼀类中构造出若⼲局部结构。

然后利⽤Germain[13]的聚类思想得到⼀组最为可能的旋转平移参数,结合由细节点类中⼼构成的全局结构,确定⼀个最佳的旋转平移参数。

实验结果表明,本⽂提出的⽅法能够有效提⾼指纹匹配的精度。

⽂中的第⼆部分主要介绍了所采⽤的对齐⽅法以及结构的相似性度量,第三部分介绍了对齐后的点模式匹配⽅法。

第四部分给出了实验结果,第五部分对整个匹配算法进⾏了总结。

对齐⽅法原始指纹图像经过预处理和特征提取之后,已经变成了由有限个细节点(端点和分叉点)组成的数据链表。

细节点的表⽰为。

对于从输⼊的指纹图像中提取出来全部细节点,通过Hierarchical 聚类⽅法,根据距离参数可以得到包含类的细节点类集,表⽰为,其中记录了细节点类集中第()个细节点类。

为了表⽰各个细节点之间的结构关系,就需要对细节点及周围的邻近点进⾏处理,从⽽得到对齐所需要的局部结构组。

一种新的指纹匹配方法_王业琳

一种新的指纹匹配方法_王业琳

第8卷(A 版) 第2期2003年2月中国图象图形学报Journal of Imag e and GraphicsV o l.8(A ),N o.2Feb.2003收稿日期:2002-02-07;改回日期:2002-05-29一种新的指纹匹配方法王业琳 宁新宝 尹义龙(南京大学电子科学与工程系,南京大学银佳生物识别技术研究所,生物医学电子工程研究所,南京 210093)摘 要 针对基于点模式匹配的指纹匹配算法速度较慢的现状,设计了一种新的指纹匹配方法,即利用纹线匹配技术来寻找基准点对的指纹匹配算法.该算法首先基于指纹纹线的相似程度寻找一对基准特征点;然后根据基准点对的坐标,计算两幅指纹图象(模板图象、待识图象)的相对平移和旋转参数,并将待识图象相对于模板图象进行图象姿势纠正;最后使用坐标匹配的方法统计两幅图象能够匹配的特征点数目,以实现两枚指纹的匹配.实验证明,该算法匹配速度很快,误识率低,准确性高,并具有图象旋转平移不变性.对面积适中的指纹图象,匹配结果可以满足在线应用的需要.该算法有望发展成为一种实用、有效的指纹匹配技术.关键词 计算机图象处理(520·6040) 指纹匹配 纹线匹配 纹线离散采样 基准特征点中图法分类号:T P 391 Q -334 文献标识码:A 文章编号:1006-8961(2003)02-0203-06A New Fingerprint Matching AlgorithmW AN G Ye -lin ,N IN G Xin -bao ,YIN G Yi -lo ng(Electronic Science &Engineerin g Department of N anjing University ,Nju -W inca Institute of Biometr ics ,Institute of Biomedical Electron ic Eng ineering ,N an jin g 210093)Abstract Beca use the fing erprint matching a lg orithm based o n point patte rn ma tching is not quick enough ,a new fing erprint ma tching a lg orithm is pr esented h ere.Lines ma tching technique is used in the alg o rithm fo r seeking pair s o f r eference minutia e .First the simila r deg ree of tw o lines is calculated to choo se a pair of r eference minutia e .Then the tr anslation and ro tation para meters o f two fing erprint imag es (the templa te imag e a nd the input imag e )ar e fig ured o ut basing on th e coo rdinates o f th e pair o f r efere nce minutiae.After war ds the postur e o f input imag e is adjusted relativ e to the templa te imag e.And then the number of pair s of matching minutiae is co unted with the method o f co o rdina te -based ma tching .At last the fing erprint matching result is giv en .Th ro ug h experiments ,thealgo rithm is prov ed a ccura te ,quick ,and inv ariable to tra nsla tio n a nd ro tatio n of imag es .Accor ding to fing er print imag es of modera te sizes,th e needs o f o nline applica tio n can be met.T he a lg orithm is ex pected to be a co nv enient and effectiv e fing erprint matching technique.Keywords Co mputer imag e processing ,Fing erprint matching ,Lines matching ,Discre te line sa mpling ,Refer ence minutia e0 引 言指纹匹配是自动指纹识别系统(AFIS )的核心研究内容之一,它在指纹特征提取之后,是自动指纹识别的最后一步,也是非常关键的一步.指纹匹配要解决的问题是对从两幅给定的指纹图象提取的特征信息进行匹配,判断这两枚指纹是否来自同一个指头.指纹匹配一般是基于细节点(Minutiae)实现的.目前最常用的细节点有两种:纹线端点(Ridg eending )和纹线分叉点(Ridg e bifurca tio n )[1].纹线端点指纹线突然结束的点;而纹线分叉点则是纹线突然一分为二的点(如图1所示).这两种特征点在指纹中出现的几率最大、最稳定,易于检测,而且足以描述指纹的唯一性.特征提取就是检测一幅指纹图象中这两种特征点的类型、位置和方向等信息.(a)纹线端点 (b)纹线分叉点图1 两种细节点由于一些客观因素的存在,使得指纹匹配技术存在很大的难度[1].这些因素主要有:①现有指纹采集技术的限制,使得指纹图象存在不规则的局部形变,而这种形变又是随机性的,难以用数学模型描述;②由于指纹录入时的随机性,使得待识图象相对于模板图象存在一定程度的平移和旋转;③手指较干、较湿、磨损严重或者受到意外伤害而造成的不可恢复性改变,导致伪特征点的产生;④特征提取算法不完善,导致伪特征点的出现、真正特征点的缺失和特征点的定位偏差.因此,要想设计一个准确有效的指纹匹配算法,就必须较好地解决以上的几个问题.利用纹线匹配实现指纹匹配的方法,即通过纹线匹配寻找两条形状相同的纹线,从而确定基准点对;然后对待识图象进行姿势调整;最后采用坐标匹配的方式实现两枚指纹的匹配.实验结果表明,该方法在保证匹配准确性的前提下,明显地提高了匹配的速度,而且不受图象的旋转平移影响.1 指纹匹配方法综述目前指纹匹配方法可以分成两类:一类是基于图形的匹配方式[2~9],另一类是采用人工神经网络的方法[10~14].图形匹配是针对纹线几何形状和特征点的拓扑结构的匹配方式.它的原理是采用相似变换的方法把两个细节点集中相对应的点匹配起来.这些相似变换可以是平移变换、旋转变换、伸缩变换等线性变换.它可以在一定程度内允许少量伪特征点的存在、真正特征点的缺失以及轻微的特征点定位偏差,对图象的平移和旋转也不敏感.但这种方法有两个不足之处:一是匹配速度比较慢,二是对指纹图象的质量要求比较高,低质量的图象匹配效果不佳.点模式匹配的松弛算法[2]将待识图象和模板图象的点模式分别定义为P={p1,p2,…,p m}和Q={q1,q2,…,q n},T i j表示基于一对匹配点(p i,q j)的相似变换.将点模式P相对于Q作此相似变换T ij,计算两个点模式中其他点的匹配程度,匹配程度越高,则基于匹配点对(p i,q j)的T ij变换的可靠度越高.如果找到一对匹配点(p i,q j)使得T i j最大,则将该点对作为基准点对.然后根据T ij变换调整待识图象的姿势,统计最终匹配点对的数目,给出匹配结果.该算法需要反复计算T ij的可靠度,所以速度很慢.以Ho ugh变换为基础的模式匹配方法把点模式匹配转换成检测Hough空间中的峰值参数[3~5],并用多种方法来降低匹配的计算复杂度.但这种方法对于较大的图象形变效果不佳,计算量较大,而且当特征点不多(少于30个)时,不易在Hough空间中构造足够的数据,以保证一个可靠的匹配.另外,也可以使用图论的方法来进行指纹匹配[6~8].这类方法利用了指纹图象的拓扑结构,允许一般的图象平移旋转、特征点丢失以及伪特征点的存在.但这种方法在很大程度上依赖于指纹特征点及其分类信息的准确性,对于不能保证其准确性的自动指纹识别系统就不太实用.采用人工神经网络的指纹匹配方法也有很多[10~14].基于遗传算法的指纹图匹配方法[10]利用指纹图的结构信息进行初匹配,以缩小搜索空间,然后采用遗传算法和补偿算法匹配指纹图,有较强的抗噪声与非线性形变的能力.另一种基于Houg h变换的方法使用了模拟退火的方法[11],并从能量最小的角度描述点匹配.采用人工神经网络的方法,容错性高,但是必须要有大量样本的事先训练才能发挥作用,而且由于神经网络固有的反复处理特性,速度难以得到提高,计算量也偏大,因此不适合用于对时间要求较高的实时在线自动指纹识别系统.曾经有人使用基于纹线队列的方法来寻找基准点对[9].该方法试图通过比较两幅图象中任意一对特征点所在纹线上,点之间坐标的差异,来确定其是否为一对基准特征点.这种方法能够解决一定程度内的旋转平移、非线性形变以及特征点缺失等问题,但由于它仅使用纹线上各点到横轴的距离,因而不能完整地反映纹线的形状,当两幅图象存在较大的旋转角度偏差时,其就难以正确进行匹配.纹线匹配方法是通过比较两幅图象中纹线上的点到纹线端点的距离,即比较两条纹线的曲率,来判断这两条纹线的相似程度,从而确定基准点对.这种方法能够较好地反映纹线的形状,由于图象的旋转204中国图象图形学报第8卷(A版)和平移不影响匹配结果,因此匹配更加准确.实验结果也证明了这一点.基于图形的指纹匹配方法针对匹配中最难的一步——基准点对的确定做了较深入的研究,其采用纹线匹配的方法,节省了寻找基准点对所消耗的大量时间,大大提高了匹配速度.2 新的指纹匹配方法利用纹线匹配寻找基准点对的指纹匹配方法是在特征点提取结束以后,在细化图象上进行的.这一新方法主要由以下7个步骤组成:(1)选择采样特征点由于每幅指纹图象的特征点数目都较多,如果对所有特征点所在纹线都进行离散采样,就会使算法变得复杂和繁琐,因此就存在着采样特征点如何选择的问题.经过分析,决定只选择比较孤立的纹线端点进行纹线离散采样.所谓孤立是指该点周围一定范围内没有其他的特征点存在.不选择纹线分叉点是因为每个分叉点有3条纹线与其相连,从而难以确定跟踪哪条纹线,如果两幅图象跟踪的不是同一条纹线,就会产生错误;而相互距离太近的纹线端点,其中存在伪特征点的可能性比较大,容易造成参考点选择错误,所以经过考虑认为,选择孤立的纹线端点进行采样,既能保证参考点的可靠性,又足以满足采样要求.由于指纹图象中的噪声点也是孤立的点,所以在指纹匹配之前,图象预处理时,对指纹图象进行了纹线修复和去噪,消除了绝大部分的孤立点和短线等随机噪声,因此,噪声不会影响采样特征点的选取.采样特征点选择的具体的判断标准如下:如果指纹特征点P是纹线端点,并且指纹图象在以点P 为中心,R1为半径的区域内没有其他特征点,则P 点可作为采样特征点.R1的值可以控制采样特征点进行数量,该值应该尽量取得小一点,否则符合条件的特征点太少,容易出现两幅图象匹配不上的情况,增大了拒识率.而取值小一点,就算采到了伪特征点,问题也不大,因为根据伪特征点进行的匹配一般是不可能成功的,所以只要保证能取到一定数量的正确采样点就可以了.(2)纹线离散采样对模板图象和待识图象中所有采样特征点所在的纹线分别进行跟踪,每隔D个像素点采样一次,记录该点的坐标.统一规定每条纹线采样N点,采样特征点本身为第0采样点.如果采样不满N点的时候就跟踪到了端点,则说明纹线长度不够,需放弃这条纹线采样,删除该纹线采样点的所有信息;如果跟踪到了分叉点,因无法确定继续沿哪条纹线跟踪下去,所以也停止跟踪,同样删除跟踪该条纹线的所有信息.这样做是为了保证一定的信息量,同时也统一了纹线长度,便于后续的纹线匹配等步骤的进行.(3)初步确定基准点对将模板图象和待识图象中的所有采样纹线逐一进行纹线匹配,选择匹配度较大的几对纹线上特征点作为初步确定的基准点对.①初步筛选 考察两条采样纹线上的特征点的坐标和纹线方向,如果相差太大,则不可能是一对匹配的特征点,无需进行纹线匹配度计算,继续考察下一对点.②纹线匹配度计算 计算模板图象中的一条采样纹线和待识图象中一条采样纹线的匹配度F m=1N-1i=1D i-d i(1)其中,D i表示待识图象中某条采样纹线上第i采样点到采样特征点的距离,同理,d i表示模板图象中某条采样纹线上相应的距离.如果两条纹线的匹配度大于阈值T1,则初步将这两条纹线上的一对采样特征点作为基准点对.记录这对基准点的坐标,然后继续寻找下一对基准点.③如果所有采样纹线都考察过了,仍然没有找到基准点对,则直接判定这两幅图象不匹配,结束指纹匹配程序,给出匹配失败的结果.从匹配度定义可以看出,纹线匹配实际上是比较两条纹线的曲率.曲率越大,采样点之间的距离越小,纹线越弯曲;反之,纹线越接近直线,采样点之间的距离相应就越大.该匹配度就是依据这一原理来比较两条纹线匹配程度的.(4)进一步筛选基准点对对于初步选定的基准点对,并不一定都是正确的,还需要进一步筛选.分别在待识图象和模板图象中寻找与基准点距离最近的2个特征点,连同基准点自身,共3个特征点,各组成一个三角形,考察这两个三角形的相似程度,如果形状相差很大,则可将该对基准点删除.决定三角形形状的主要是三条边的长度,所以205第2期王业琳等:一种新的指纹匹配方法只要比较各边的长度即可得到两个三角形的相似度.分别计算两幅图象中这3个特征点两两之间的距离,按照长度由小到大排列,得到L 1、L 2、L 3和l 1、l 2、l 3,其中,L i 表示待识图象的,l i 表示模板图象的.然后比较两者之间的差异,也就是计算两个三角形的相似度T f =13i =1L i -l i (2)其中,L 1<L 2<L 3,l 1<l 2<l 3.如果两三角形的相似度大于某一阈值T 2,则保留这一对基准点,否则将该对基准点删除.(5)计算相对平移和旋转参数在保留下来的基准点对中,选择其中一对作为基准,计算待识图象相对于模板图象的姿势偏差,即相对平移(横向和纵向)和旋转参数.平移参数:Δx =1N ∑N -1i =0(X i -x i )Δy =1N ∑N -1i =0(Y i -y i )(3)旋转参数:Δθ=1N ∑N -1i =0(h i -θi )(4)其中,X i ,Y i ,h i 表示待识图象中(x i ,y i,θi 则表示模板图象中)某采样纹线上第i 采样点的横坐标、纵坐标以及采样点所在纹线的方向.将纹线上所有采样点的坐标及方向之差的均值作为参数,可以减少随机噪声,有效地保证求取参数的可靠性.(6)待识图象姿势调整有了待识图象相对于模板图象的横向平移Δx 、纵向平移Δy 以及旋转角度Δθ,就可以对待识图象进行姿势调整X ′Y ′=cos(Δθ)sin(Δθ)-sin(Δθ)co s(Δθ)X Y-Δx Δy (5)h ′=h -Δθ(6)其中,[X ,Y ]T 、h 分别表示待识图象中任一特征点的坐标和所在纹线方向,而[X ′,Y ′]T 、h ′则分别表示待识图象姿势调整以后相应的值.只有在对待识图象相对于模板图象进行姿势调整以后,才能匹配两幅图象中的特征点.(7)统计最终匹配点对数以模板图象的任一特征点为中心,在待识图象中半径为R 2的范围内寻找与之相对应的特征点.如果找到一个,且特征点类型相同,特征点所在纹线方向角相差不大,就认为这是一对匹配的特征点.继续考察模板图象中的下一个特征点,统计匹配特征点对的数目,如果达到匹配通过的门槛值T 3,则认定两幅图象来自同一枚指纹,匹配通过.否则回到第5步,再使用其他基准点对进行匹配.如果都不能通过匹配,则认定这两枚指纹不匹配.3 实验结果在P Ⅱ366、64M 内存的台式计算机上,用V C 语言实现上述算法.选取来自12根不同手指的72幅有代表性的指纹图象,做了5000次自动匹配实验.结果,正确匹配4924次,拒识76次,误识0次,识别准确率为98.48%,拒识率为 1.52%,误识率为0.每一次匹配平均用时0.12s .实验证明,该算法能够解决待识图象相对于模板图象的旋转和平移对匹配的影响,而且匹配速度大大提高.指纹图象分辨率为500dpi ,大小是320×320pix els .实验结果如图2~图5所示.图中所示的模板图象和待识图象均来自同一根手指.图2是纹线离散采样的结果,模板图象和待识图象分别采样7条和9条纹线.每条纹线采样10个点(包括采样特征点在内),采样间隔为8个像素.图3是初步确定的基准点对,共有5对.从图中可以看出,一条纹线有可能和多条纹线匹配.例如待识图象中标识为3的纹线同时与模板图象中的第2和第3条纹线相匹配,因此待识图象中,标识2和标识3重叠,前者被后者覆盖.同理,模板图象中标识为5的纹线同时与待识图象中的第4和第5条纹线相匹配.这5对基准点对中,第2和第5对基准点是错误的基准点对.图4是经过筛选后最终确定的基准点对,只剩下2对,这两对是正确的基准点对.这一步删除了图3中的第2和第5对错误的基准点对,但同时也去掉了第4对正确的点对.因删除个别正确的参考基准点对,对于匹配结果影响不大,所以只要保证有一定数量的正确点对保留下来就可以了.图5是最终匹配结果,共有23个特征点匹配(从0到22),两幅指纹图象匹配成功.由于噪声的干扰及图象预处理的不完善性,使得真正特征点的缺失和特征点的定位出现偏差等情况普遍存在,所以并不是所有应该匹配的特征点对都能匹配上.206中国图象图形学报第8卷(A 版)图5 两枚指纹最后的匹配结果:匹配成功207第2期王业琳等:一种新的指纹匹配方法4 结 论在原有指纹匹配算法的基础上,研究了一种利用纹线匹配来寻找基准点对的指纹匹配方法.实验结果证明,该算法可以正确地实现指纹匹配功能,具有完全的图象旋转、平移不变性,匹配速度较快.对面积适中的指纹图象,匹配结果应该基本可以满足在线应用的需要.该算法有望发展成为一种实用、有效的指纹匹配技术.但对于图象面积太小的指纹,由于获得的采样纹线较少,未必能找到一对相匹配的纹线,容易出现拒识现象.参考文献1 尹义龙,宁新宝,张晓梅.自动指纹识别技术的发展与应用[J].南京大学学报,2002,38(1):29~35.2 Ranad e S,Ros enfeld A.Point pattern matching b y relaxation [J].Pattern Recognition,1980,12(5):269~275.3 Ballard D H.Generalized hough transform to detect arbitrary patterns[J].IEEE Trans.Pattern Analysis and M achin e In telli-gence,1981,3(2):111~122.4 Stock man G,Kops tein S,Benett S.M atching images to models for regis tration and object detection via clus tering[J].IE EE Trans.Pattern Analysis and M achine In telligence,1982,4(3): 229~241.5 Chang S H,Cheng F H,Hs u W H et al.Fast algorithm for poin t pattern matching:Invarian t to translations,rotations,and scale ch anges[J].Pattern Recognition,1997,30(2):321~339.6 Sparrow M,Sparrow P.A topological approach to th e matching of single fingerprints:Development of algorithms for use on rolled imp ressions[M]ernment Prin ting Office, W as hing ton,D.C.:National Bu reau of Standard s Special Publi-cation,1985.7 Hrechak A,M chugh J.Automated fing erprin t recognition using s tructural matching[J].Pattern Recognition,1990,23(8): 893~904.8 Is enor D,Z ak y S.Fingerprin t identification using graph match-ing[J].Pattern Recog nition,1986,19(2):113~122.9 Hong Lin.Automatic p ersonal identification using fing erp rints[D].East Lansing:M ichigan State University,1998.10漆远,田捷,邓翔.基于遗传算法的指纹图匹配算法及应用[J].软件学报,2000,11(4):488~493.11Starink J P P,Backer Eric.Finding point cor respond ence using sim ulated ann ealing[J].Pattern Recognition,1995,28(2): 231~240.12Vinod V V,Gh os e S.Point matching using as ymmetric neural netw orks[J].Pattern Recog nition,1993,26(8):1207~1214.13Scott G,Longuet-Higgins C.An alg orith m for ass ociating the featu res of two images[J].Proc.Royal Society of London, 1991,244:21~26.14Sclaroff S,Pentland A P.M odal matching for correspondence and recognition[J].IEEE Tran s.Pattern Analysis and M achine Intelligence,1995,17(6):545~561. 王业琳 1978年生,南京大学电子科学与工程系硕士研究生.研究方向为生物信息采集与处理、以指纹为代表的生物特征识别技术(图象处理与模式识别). 宁新宝 1941年生,南京大学电子科学与工程系教授,博士生导师,南大银佳生物识别技术研究所所长.研究方向为生物医学电子、生物信息采集与处理.发表论文80余篇. 尹义龙 1972年生,工学博士,现为南京大学电子科学与工程系博士后、南大银佳生物识别技术研究所副所长.研究方向为图象处理与模式识别、以指纹为代表的生物特征识别技术.208中国图象图形学报第8卷(A版)。

一种新型的两级指纹分类方法

一种新型的两级指纹分类方法

一种新型的两级指纹分类方法王崇文;李见为;陈为民【期刊名称】《自动化学报》【年(卷),期】2003(029)006【摘要】A new two-stage method of fingerprint classification is proposed that is based on hidden Markov model (HMM) and support vector machine (SVM). This technique uses FingerCode as the representation of the fingerprint. After classifiers are trained, five pseudo 2-D HMM classifiers are used to firstly select the most possible two classification results. Furthermore, the corresponding SVM classifier is selected to make the final decision. In the end, this new approach is tested by 2000 images selected from the NIST-4 database and 1000 images from the CQU-VERID-ICOM database. A classification accuracy of 91 percent and a classification consistency of 93.7 percent are achieved. The results demonstrate the effectiveness of this approach.%提出了一种利用隐马尔可夫模型(HMM)和支持向量机(SVM)的两级指纹分类新方法.该方法采用指纹编码(FingerCode)作为指纹的特征表述,在对分类器进行训练之后,首先用5个伪二维HMM对待分类指纹进行类别初选,确定最可能的两种指纹分类结果,再用相应的SVM分类器做最终判决.最后使用NIST-4数据库中的2000幅指纹和CQU-VERIDICOM数据库的1000幅指纹对该方法进行了实验,其分类的准确性为91%,连续性为93.7%,这证明了该方法的有效性.【总页数】8页(P851-858)【作者】王崇文;李见为;陈为民【作者单位】北京理工大学软件学院,北京,100081;重庆大学光电工程学院模式识别研究室,重庆,400044;重庆大学光电工程学院模式识别研究室,重庆,400044;重庆大学光电工程学院模式识别研究室,重庆,400044【正文语种】中文【中图分类】TP391.4【相关文献】1.一种两级指纹方案 [J], 李楠;杨杰2.一种改进的指纹分类方法 [J], 胡红俊;赵丽如;贺贯明3.一种基于融合隶属度的指纹分类方法 [J], 谭台哲;皮凯俊;章红燕4.一种改进的指纹分类方法 [J], 顾菘;5.MLDA+LDA:手写汉字识别中一种两级LDA分类方法 [J], 杨端端;金连文;尹俊勋因版权原因,仅展示原文概要,查看原文内容请购买。

一种基于点模式匹配的指纹识别方法_王崇文

一种基于点模式匹配的指纹识别方法_王崇文

a
i
i
证明完毕 。
式(3)和式(4)它们清楚地表明存在一个新的校
准函数 G(0 , 0 , s , θ), 使得向量 pi pj 与 qa qb 具有对应
关系 。因此 , 可以得到以下推论 :
推论 1 :如果(pI , pj )和(qa , qb )两个点对间存在
校准函数 G(t x , ty , s , θ), 则向量 pipj 与 qa qb 间的校
文章的目的就是对于 2 个从指纹图象中抽取的细节特
征点集 , 找出它们间的校准函数 G(tx , ty , s , θ)。下面
首先介绍 2 个与点模式匹配相关的定理 。
1 .2 定理
对于点集中的特征点 , 用 x 方向和 y 方向的坐标 来描述 , 即 P ={(xpi , ypi )T |i =1 ......m}, Q = {(xqa , y qa )T |a =1 ......n}。显然 , 若 P 和 Q 中只有
纹采集器获取指纹图象 , 而后对指纹图象进行滤波 、二 值化和细化等预处理[ 5] , 得到指纹图象的单象素点线 图 , 在细化后的指纹图象上提取指纹的细节特征 , 如分 歧点和端点 , 一般说来 , 第一次提取的指纹细节特征中 包含了很多伪特征 , 这些伪特征一般是因为指纹图象 预处理而产生的 , 因而还需进行特征剪枝以保留可信 度最高的细节特征[ 6] , 经过剪枝后的细节特征根据不 同需要 , 或存入指纹数据库或直接和指纹数据库中的 样本比对 , 进行指纹识别 。在我们设计的自动指纹识别 系统中 , 指纹图象经特征剪枝后 , 每一特征点是一个四 维向量(x , y , β , c), 其中 x , y 分别是该细节点的坐标 位置 , β 是细节点的方向(该细节点所在局部脊线的方

指纹图像后处理

指纹图像后处理

指纹图像后处理
王崇文;王伟;王廷才;郑治伟
【期刊名称】《计算机工程与设计》
【年(卷),期】2002(023)009
【摘要】指纹比对通常是细节点集间的匹配.指纹图像经预处理后,由于各种原因,会产生数以百计的特征.为了图像匹配的精确和快速,提出了一套在细化后的指纹点线图上提取细节特征并对其剪枝的方法,并根据细节特征的拓扑特性,设计了验证其可靠性的算法.通过实验,证明了该后处理过程在去除指纹图像伪特征方面具有良好的效果.
【总页数】4页(P35-38)
【作者】王崇文;王伟;王廷才;郑治伟
【作者单位】重庆大学光电工程学院,重庆400044;河南工业职业技术学院,南阳,473009;河南工业职业技术学院,南阳,473009;重庆工学院,工商管理系,重庆400050
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.浅谈关于指纹图像增强的蚁群算法和改进的指纹图像增强算法 [J], 刘霞;吕翠丽;赵鑫
2.不同后处理装置对柴油车排放特性的影响——基于行驶里程的后处理装置对柴油
公交车气态物排放特性的影响 [J], 楼狄明;赵可心;谭丕强;胡志远
3.固态氨后处理技术与传统尿素后处理技术的对比研究 [J], 陈涛淼
4.基于纹线跟踪技术的指纹图像后处理 [J], 韩玉芹;祖先锋
5.指纹图像输入装置和利用指纹图像的活体识别方法 [J], 藤枝一郎
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

图 1 脊线的端点和分歧点
1 点模式匹配
1 .1 背景介绍 点模式匹配的问题是模式识别中的一个有名的难
题 。它是指对于两个含有不同数量的点集 P{p1 , p2 , ......pm}和 Q{q1 , q2 , ......qn }, 如何找出它们 之间的匹配关系 。因此 , 一个好的点模式匹配算法应该 能够有效地解决两个点集间的几何不变量问题 。人们 对一般的点模式匹配提出过很多算法 。Ranade[ 3] 等人 的松弛算法 , Skea[ 4] 的三角形匹配算法等 , 这些算法有 的只是针对部分几何不变量进行处理 , 如松弛算法主 要处理点集间的平移 , 有的计算复杂度太高 , 如三角形 法达到了 O(n8)。
第 25 卷第 6 期 王崇文 等 : 一种基于点模式匹配的指纹识别方法
29
向), c 为细节点的类型(即是分歧点还是端点)。下面 就介绍一下本文是如何基于点模式匹配的方法对从两
幅指纹图象中抽取指纹识别系统流程
2 .2 指纹匹配
2 .2 .1 计算匹配点对的支持数
在匹配点集 P 、Q 中的pi 和qa 时 , 构造了一个累加
器数组 Mi , a (θ)。设 Mi , a (θ)的最大值为 wi , a , 最大值
所对应的参数
θw i
,
a
, 即 wi , a
=Mi
,
a
(θw i
,
a
)。如果
wi
,
a
=
C , 则表示当 pi 和 qa 匹配时 , 在相同的校准函数下 , 还
一种基于点模式匹配的指纹识别方法
王 崇 文1 , 李 见 为1 , 郑 治 伟2 , 林 国 清1 ,
(1.重庆大学 光电工程学院 , 重庆 400044;2.重庆工学院 工商管理系 , 重庆 400050)
摘 要 :把指纹用于身份认证已有上百年的历史 , 自动指纹识别(AFIS)已在各个领域广泛应用 , 除了
对 ;仿射变换
中图分类号 :TP391 .4
文献标识码 :A
指纹是分布在人的指头表面的纹线 。它具有唯一 性和稳定性的特点 , 用它来做人的身份验证已有上百 年的历史 。 就现在技术而言 , 指纹识别比其他生物识 别技术如声纹 、签名和虹膜等显得更加方便实用 。 自 动指纹识别系统(Auto Fingerprint Identification System , 简称 AFIS)有着广泛的应用背景 。 除了传统的在公安 领域的应用 , 自动指纹识别系统还可以作为计算机操 作系统和网络访问认证用户的手段 。另外 , 它可作为 嵌入式系统用于银行 ATM 卡和信用卡的使用确认 , 以 及各种 IC 卡的双重确认 , 还可用于考勤系统和家用电 子门锁等许多方面 。
文后面要涉及的指纹匹配 , 因为所有指纹图象都由同
一指纹采集器录入 , 所以图象的放大系数 s 可认为基 本不变 , 这样 , 校准函数就可以只对图象的偏转角度 θ
进行估算 , 而不用估算其他系数 。
2 点模式匹配在指纹识别中的应用
2 .1 自动指纹识别系统(AFIS)概述 图 2 是一个 AF IS 的简单流程 。首先通过特定的指
文章的目的就是对于 2 个从指纹图象中抽取的细节特
征点集 , 找出它们间的校准函数 G(tx , ty , s , θ)。下面
首先介绍 2 个与点模式匹配相关的定理 。
1 .2 定理
对于点集中的特征点 , 用 x 方向和 y 方向的坐标 来描述 , 即 P ={(xpi , ypi )T |i =1 ......m}, Q = {(xqa , y qa )T |a =1 ......n}。显然 , 若 P 和 Q 中只有
传统的司法公安领域 , 自动指纹识别还可以作为计算机操作系统和网络访问认证用户的手段 , 以及用于
金融保险方面的身份确认 。指纹匹配是 AFIS 的最重要问题之一 。一般用脊线的分歧点和端点这样的细
节点来表示一个指纹 , 并通过细节匹配来进行指纹匹配 。这样指纹匹配就转化为点模式匹配的问题 。 传
统的点模式匹配算法存在运算量过大且难于解决所有的非弹性形变等问题 。文章提出了一种基于聚类
述和证明如下 :
定理 1(校准函数唯一性定理)设(pI , pj)和(qa ,
qb )是点集 P 和Q 中的两个点对 , 且 pi ≠pj , qa ≠qb ,
那么存在唯一的校准函数 G(tx , ty , s , θ), 使得 qa =
G(pi)和 qb =G(pj)成立 。其中 s =|qaqb |/ |pi pj |,
纹采集器获取指纹图象 , 而后对指纹图象进行滤波 、二 值化和细化等预处理[ 5] , 得到指纹图象的单象素点线 图 , 在细化后的指纹图象上提取指纹的细节特征 , 如分 歧点和端点 , 一般说来 , 第一次提取的指纹细节特征中 包含了很多伪特征 , 这些伪特征一般是因为指纹图象 预处理而产生的 , 因而还需进行特征剪枝以保留可信 度最高的细节特征[ 6] , 经过剪枝后的细节特征根据不 同需要 , 或存入指纹数据库或直接和指纹数据库中的 样本比对 , 进行指纹识别 。在我们设计的自动指纹识别 系统中 , 指纹图象经特征剪枝后 , 每一特征点是一个四 维向量(x , y , β , c), 其中 x , y 分别是该细节点的坐标 位置 , β 是细节点的方向(该细节点所在局部脊线的方
3)For b = 1 ......n1 , b ≠ a , 计 算(|qaqb |,
θqaqb );
4)For j = 1 ......m1 , j ≠ i , For b = 1 ......
n1 , b ≠ a , do
a .if(|pi pj |≈|qa qb |) do
① 计算 θ= θq q -θp p ;
收稿日期 :2002 -02-02 作者简介 :王崇文(1974-), 男 , 河南南阳人 , 重庆大学博士研究 生 。主要 研究方向图象处理与模式识别 。
28
重 庆大学学报 (自然科学版) 2002 年
点模式匹配中的 2 个点集 P 和Q , 其中 P 从第 1幅
能完全等于 qb , 所以我们一般用(‖G(pi)-qb ‖ ≤d
为允许的变形范围)来表示 Q 与 P 中点对的对应关
系。
文章中 , 校准函数 G(tx , t y , s , θ)是一个含有 4
个参数的仿射变换 , 其中 s 是两幅图象间的伸缩系数 ,
θ是偏转角度 , tx 和ty 分别是沿x 方向和y 方向的位移 。
指纹识别是要确定两 枚指纹是否来 自同一个手 指 。 过 去 人 们 对 指 纹 识 别 做 了 许 多 研 究 。 D .K . Isenor[ 1] 提出了一种使用图形匹配来对两枚指纹进行 匹配的算法 ;Andrew K Hrechak[ 2] 等人用结构匹配来做 指纹识别 。但目前最常用的方法是用 FBI 提出指纹细 节点模型来做细节匹配 。 它利用指纹脊线的端点和分 歧点(如图 1 所示)来鉴定指纹 。 通过将细节点表示为 点模式 , 一个自动指纹识别问题就转化为点模式匹配 的问题 。
ab
ij
②if(βj ≈(βb -θ)do
matchf lag[ j] [ b] =1 *pj qb 匹配 * ;
增加累加器 M(θ)=M(θ)+1 ;
5)从 M(θ) 中 找 出 最 大 值 wi , a , 使 w i , a =
Mi
,
a
(θw i
,
a
)。
在该算法中 , 数组mat chflag 来表示点 j 与点b 是否
a
i
(1)
xqb yq
= tx ty
+
scosθ -ssin θ ssin θ scosθ
x pj i yp
b
ji
(1)-(2)得 :
(2)
xqb -xqa
yq -yq
b
a
= 0 + scosθ -ssi nθ xpj -xpi
0 ssin θ scosθ yp -yp
j
i
(3)
q aq b
=
0 0
准函数为 G(0 , 0 , s , θ), 其中 s =|qa qb |/ |pi pj |, θ=
θqaqb -θpi pj 。
定理 2 :设 点集 A{a1 ......ai ......ak}与点集
B{b1 ......bi ......bk }存在一一对应关系 , 其校准
函数为 G(t x , ty , s , θ), 则对任意对应点对 ai bi , 存
一个点存在对应关系 , 即
q = G(p)
xq yq
= tx ty
+
s cos θ ssin θ
-ssin θ s cos θ
xp yp
校准函数 有不定解 。如果在点 集 P 中 有两个点(pI ,
pj )与点集 Q 中的两个点(qa , qb )存在对应关系 , 且 pi ≠pj , qa ≠qb , 则存在唯一的校准函数 G 。该定理的描
匹配 , 若mat chflag[ j] [ b] =1 , 则点 j 与点b 匹配 , 否则 ,
图象抽取 , 由 m 个点特征构成 , Q 从第 2 幅图象抽取 ,
由 n 个点特征构成 , 即 P ={p1 , p2 , ......pm}和 Q
={q1 , q2 , ......qn }。它们之间的匹配就是找到一 个校准函数 G(tx , ty , s , θ), 以使两个点集有最大数 量点对之间存在稳定的一一对应关系 。即 G(pi)=qb , 而在实际应用中 , 点的相对位置存在误差 , G(pi )不可
+s
cos θ sin
-sin θ cos θ pi pj
相关文档
最新文档