指纹识别研究报告

生物医学图像处理研究报告指纹识别
班级：
姓名：
学号：
一、指纹识别的发展
我们手掌及其手指、脚、脚趾内侧表面的皮肤凸凹不平产生的纹路会形成各种各样的图案。

这些纹路的存在增加了皮肤表面的摩擦力，使得我们能够用手来抓起重物。

人们也注意到，包括指纹在内的这些皮肤的纹路在图案、断点和交叉点上各不相同，也就是说，是唯一的。

依靠这种唯一性，我们就可以把一个人同他的指纹对应起来，通过对他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。

这种依靠人体的身体特征来进行身份验证的技术称为生物识别技术，指纹识别是生物识别技术的一种。

19世纪初，科学研究发现了至今仍然承认的指纹的两个重要特征，每一个手指指纹的图案布局是永久存在的并且始终不改变的，直到在人死后指纹才会腐烂。

全世界没有两个人的指纹是完全一样的，即使是双胞胎也不例外(即指纹的唯一性和不变性)。

这个研究成果使得指纹在犯罪事件的鉴别中得以正式应用(主要代表性的事件有：1896年阿根廷首次应用，然后是1901年的苏格兰，20世纪初其他国家也相继应用到犯罪事情的鉴别中。

20世纪60年代，由于计算机可以有效地处理图形，人们开始着手研究利用计算机来处理指纹。

从那时起，自动指纹识别系统AFIS在法律实施方面的研究和应用在世界许多国家展开。

我国利用指纹来识别身份的历史非常悠久，但是我国指纹自动识别系统研究开发的历史是从20世纪80年代初开始的，北京大学信息中心、清华大学自动化系、北京邮电大学、中科院、长春光机所等都在此领域做了一定工作，并取得了一定的成果，其中较为突出的是清华大学自动化系和北京大学信息中心两家。

北京大学两位著名院士程民德和石青云率先开展了这方面的研究工作Pl。

1982年至1985年，在石青云院士主持的国家自然科学基金项目中，率先对数字图像的离散几何进行了深入研究，提出了从指纹灰度图像精确计算指纹局部方向，进而提取指纹特征信息的理论与算法，具有很高的学术价值和独创性。

随后，在她主持的国家七五科技攻关项目中，研究成功了适于民用身份鉴定的全自动指纹鉴定系统以及适于公安刑事侦破的指纹鉴定系统，从而开创了我国指纹自动识别系统应用的先河。

清华大学自动化系研究成功的犯罪指纹识别系统已经被北京市公安局使用。

田捷博士领导的中国科学院自动化研究所fmgerpass指纹识别实验室对指纹识别技术及其应用领域的一些关键问题进行了广泛的理论研究和应用开
发。

随着国内外学者们对自动指纹识别系统研究的不断深入，其主要的几个研究问题也逐渐明朗化。

目前国内外有关自动指纹识别系统的研究主要包括以下几个方面：
(1)指纹图像预处理；
(2)指纹分类；
(3)指纹特征点提取；
(4)指纹匹配。

二、指纹识别实现
我参考了一些指纹识别方面的论文，弄清了指纹识别具体各个步骤的原理及其实现，形成了以下报告内容。

（一）指纹图像的预处理
采集获得的指纹图像通常都伴随着各种各样的噪声。

一部分是由于采集仪造成的，如采集仪上的污渍、采集仪的参数设置不恰当等{另外一部分是由于手指的状态造成的，如手指的过干、太湿、伤疤、脱皮等。

第一类噪声相对来说是固定的系统误差，比较容易恢复：第二类噪声与个体手指密切相关，比较难于恢复。

所以指纹图像预处理在指纹识别过程中成为非常重要的一环，这部分的算法的优劣将对整个系统的性能产生至关重要的影响。

指纹图像预处理的目的是去除指纹图像中的各种噪声，连接脊线的断裂，消除指纹图像形变，恢复清晰完整的指纹脊线结构。

处理结果的好坏直接影响到特征提取的精确性和稳定性，进而决定指纹自动识别系统的性能。

指纹图像预处理的一般过程
1．图像增强
介绍一种滤波器：Gabor滤波器。

由于指纹的纹理在每一局部具有很强的方向性和周期性，因而我们应该采用一种能根据局部纹理特征具有方向和频率选择特性的自适应的滤波方法Gabor函数正好具备频率选择和方向选择的特性，并且已经证明，Gabor基函数的空域宽度和频域宽度的乘积能在测不准法则下达到最小，在空域和频域下拥有最小的联合不确定性。

Gabor
滤波效果：
2．指纹图像二值化
图像的二值化是指通过设定阈值把灰度图像变成仅用两个值0和1分别表示图像的前景和背景的二值图像。

对一幅图像进行二值化，首先必须选取阈值。

由于不同图像的灰度基值不同，以及同一幅图像中各部分的明暗不同，所以阈值的设置是
指纹图像
指纹图像增强
指纹图像二值化
指纹图像细化
指纹图像原图Gabor滤波后结果
二值化操作的关键所在。

在二值化的处理与分析过程中，首先需要把灰度图像二值化，得二值图像，这样做的目的是对图像做进一步处理时，图像的几何性质只与0和1的位置有关，不再涉及到像素的灰度值，进而使图像处理变得简单。

提高了系统的经济实用性。

二值化效果：
3．指纹图像细化
一般的特征提取都是在细化的基础上进行的，如果细化不好，将无法使用常规的特征提取算法提取细节特征信息。

指纹图像二值化后，纹线仍具有一定的宽度，而指纹识别只对纹线的走向感兴趣，不关心它的粗细。

为了进一步压缩数据，提高识别的准确性，需要对指纹图像进行细化处理。

细化是图像分析、信息压缩、特征提取和模式识别常用的基本技术，删除指纹纹线的边缘像素。

使之只有一个像素宽度。

细化应保证纹线的连接性、方向性和特征点不变，还应保持纹线的中心基本不变。

细化结果：
原图二值化后
原图细化后
（二）指纹图像特征点提取
指纹的特征可以反映在给定的人类群体里来自不同手指的指纹之间相似的程度，指纹的特征信息很多，这些所有的指纹特征信息构成了庞大的指纹特征集合。

这些特征有细节点、奇异点、纹理特征等等。

特征提取是指纹图像识别中的关键一步，指纹识别技术的核心在于特征的匹配，特征提取的准确程度直接关系着匹配的正确性。

能否从指纹图像中可靠地提取细节点，直接影响指纹匹配的精度。

因此，细节特征点的提取是整个识别系统的关键环节。

理想的指纹细节点提取方法应该不产生虚假细节点、不遗漏真实细节点以及细节点的位置和方向没有误差。

1．指纹的特征描述
我们可以根据指纹的特征来辨别人类群体里来自不同手指的指纹之间相似的程度。

然而指纹有很多特征信息，所有的这些指纹特征信息就构成了庞大的指纹特征集合。

自动指纹识别系统特征层需要研究和解决的问题主要是与这些特征信息有关，例如，特征是否是终生不变的、唯一的、特征之间存在什么样的相互关系、什么样的特征子集可以使某种算法达到最佳的识别效果、指纹特征用于身份鉴别是否更安全等。

对于自动指纹识别技术而言，选择一种合适的、能表达指纹唯一性的特征量是非常重要的。

1)指纹的全局特征
所谓全局特征是指那些用人眼直接就可以观察到的特征基本包括以下一些特征：
基本纹路图案斗型(100p)、弓型(arch)、箕型(whorl)。

一般的指纹图案都基于这三种基本图案，现有的这种分类规则是为指纹专家进行人工分类而定义的，但仅仅依靠这些类型来分辨指纹是远远不够的，这只是一个粗略的分类，并不适合计算机来实现，但通过分类可使在大型数据库中搜寻指纹更为方便。

模式区模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出
指纹是属于哪一种类型的。

有的指纹识别算法只使用模式区的数据，而有的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。

核心点核心点位于指纹纹路的渐进中心，它通常作为读取指纹和比对指纹时的参考点。

三角点三角点位于从中心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。

三角点提供了指纹纹路的计数和跟踪的开始之处。

式样线式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路。

纹数指模式区内指纹纹路的数量。

在计算指纹的纹数时，一般先连接中心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。

2)指纹的局部特征
指纹上的细节特征就是局部特征，是指纹脊线的突变。

两枚指纹经常会具有相同的总体特征，可它们的局部特征却几乎不可能完全相同。

指纹的细节特征一般常见的主要有：端点、分叉点、交叉、桥形和口形等。

统计实验表明：端点和分歧点是指纹中最常见的细节特征，它们出现的机率分别为68．2％和23．8％。

像交叉、桥形、口形特征实际上都可以看作是端点和分歧点特征的合成，如交叉可认为是两个分歧点的重合，桥形和口形都可以被当作两个分离的分歧点，因此在大部分指纹识别系统中都只把端点和分歧点作为细节特征。

人类的手指平均有100个左右的特征点，但只要比对10到l5个左右的特征点，就可以判断这两枚指纹是否出于同一个手指。

2．指纹图像特征提取算法
特征提取是指纹图像识别中的关键一步，指纹识别技术的核心在于特征的匹配，特征提取的准确程度直接关系着匹配的正确性。

能否从指纹图像中可靠地提取细节点，直接影响指纹匹配的精度。

因此，细节特征点的提取是整个识别系统的关键环节。

理想的指纹细节点提取方法应该不产生虚假细节点、不遗漏真实细节点以及细节点的位置和方向没有误差。

细节点提取方法目前主要有两类：
从细化图像上提取：这种方法首先对指纹图像进行细化处理，然后通过
分析细化纹线像素点的8邻域来判断细节点的类型、位置，通过分析所连接的纹
线段来判定细节点的方向。

该方法的优点是原理简单，便于实现；其缺点是细化
处理较慢，且当图像质量较差时，细化处理往往会产生很多畸变。

如小毛刺、小
环岛等，导致提取出很多虚假细节点。

从原始指纹图像上直接提取：这种方法的基本原理是在指纹方向图引导
下跟踪指纹纹线，每前进一定的距离，根据图像在与跟踪方向垂直的线段上的投
影的极值确定纹线的位置，当遇到端点和分叉点时跟踪过程终止。

1)算法思路采用基于局部结构信息的指纹伪特征滤除算法。

基于局部结构信息的指纹伪特征滤除算法，首先利用纹线跟踪的结果，提取特征点的各个属性，然后结合特征点的统计和结构信息，总结出各种伪特征结构，如短线、断纹、毛刺、叉形、孤立岛屿，小桥、连环岛屿、三角等局部特征，进而对其进行识别，达到滤除伪特征点的目的。

2)算法原理及实现本文主要是利用指纹的局部特征来进行指纹匹配，如上所述端点和分叉点是指纹中最常见的细节特征，占所有细节特征总数的92％。

因此为了快速有效地实现算法，我们只提取指纹的端点和分叉点这两个细节特征。

1)特征点坐标。

对于图像处理后的指纹细化图，采用脊线跟踪的方法标定特
征点的坐标。

定义l(8邻域像素和)令N9(x,y)为包括点(x,y)与其8邻域的3×3点集，
定义sum(x，y)为计算N9(x,y)上所有像素值的和。

则对于脊线上任意点(i,j)，有：
公式中，f(i,j)=1表示该点为分叉点，d(i,j)=l表示该点为端点。

sum(i.j)取其它值时不予考虑。

2)特征点方向。

将预处理后的指纹细化图分成WxW的小块。

采用Sobel算子计算特征点在x和Y方向上的梯度Gx和Gy。

则特征点的方向θ为：
特征提取完成后得到的特征点集肘，其中每一个特征点对应唯一的坐标(i,j)和方向θ。

3)指纹伪细节点的处理由于指纹图像预处理本身会产生一些伪特征，也会处理掉一些真正的特征，特别是对于质量较差的指纹图像，会产生大量的口形和桥形伪特征。

细节点提取之后，它们的真伪将直接影响匹配效果。

事实上，指纹输入时，由于汗渍、干燥、按压轻重不同等影响，得到的图像通常含有断纹、褶皱、模糊、灰度不均匀等质量问题，而且预处理算法对各个指纹的适应性和有效性也会不同，因此得到的细化二值图像往往含有大量的伪细节点。

伪细节点的存在会同时提高指纹图像匹配的误识率和拒识率，因此，在特征提取时，往往需要进行伪细节点特征删除。

一般情况下，对于一个分叉点的分支如果小于某个给定阈值，就将其当作毛刺删除。

如果脊线的两个端点很近，那么该脊线有可能是噪声引起的，应该删除，在指纹图像边缘的脊终点也应该删除。

采用跟踪脊线的方法去除伪特征点，即从特征点(i,j)开始顺着脊线寻找最远非特征点(i, j)，通过这两个坐标可以计算这条脊线的切线方向angle(i,j)，对于分叉点还需要记录三个分支上是否遇到特征点以及遇到的特征点的坐标。

1)修复断的脊线：首先从一对断点开始跟踪脊线得到脊线方向，如果angle(i,j)角之间的差约为π，则初步确定属于同一脊线，然后计算两点的连线方向，与脊线方向相比较，取得差值最小的两个点相配对，连接断点得到修复后的脊线从特征点集M中删去端点对。

2)去除小桥：首先从分叉点开始跟踪三条脊线，如果一个分支上跟踪到分叉点且与另外两个分支的夹角约为兀／2则认为是小桥，去掉这个分支。

从特征点集M中删去分叉点对。

3)去除小孔：从分叉点开始跟踪三条脊线，在阈值内如果两个以上分支上有分叉点且有两个分叉点相同，则判断为小孔，去掉一条脊线。

从特征点集M中删去分叉点对。

4)从特征点集M中删去距离小于阈值的点对。

可以分为去除两个相近的终结点，相近的终结点和分叉点以及相近的分叉点。

其中相近的终结点用来去除孤立的短线，相近的终结点和分叉点用来去除脊线上的毛刺，相近的分叉点是为了适应算法的需要，因为太近的两个分叉点对算法的误差过大，不宜采用。

提取细节点及去伪后结果如下：
原图提取细节点滤除伪细节
（三）指纹图像匹配
指纹图像匹配是指通过两枚指纹特征集问的相似性进行比较，来判断对应的指纹图像是否来自同一手指的过程。

目前，指纹图像匹配算法分类有多种，根据指纹识别的目的可以分为一对一匹配和一对N匹配，根据操作过程的差异可分为自动匹配和人机交互匹配。

许多研究者已经对指纹的匹配问题做出了大量的工作，提出了许多匹配算法口，有基于图形图像的、有基于脊结构的、其中许多是基于特征点(细节点)匹配的。

基于特征点的匹配算法具有简单、快速、较强的鲁棒性等优点。

目前最常用的方法是FBI提出的细节点坐标模型来做细节匹配，它利用脊末梢与脊线分支点这两种关键点来鉴定指纹。

1．基于点模式的匹配算法
模式匹配算法预先从指纹图像中提取出特征点集，并与输入的待匹配指纹图像中提取出的特征点集进行匹配。

如果两幅指纹图像是匹配的，那么这两个点集通过某些变换，如旋转、伸缩及平移，可以得到较好的匹配。

细节点对应的脊线用该脊线上的采样点来表示，采样的距离约为脊线间的平均距离；脊线分支点对应的脊线是与该细节点的方向最近的那条；脊线末梢对应的脊线就是该细节点所在的脊线。

采样点用该点与对应细节点的距离珥和连接该点与对应细节点的直线与对应细节点方向的夹角口，来表示，％的取值范围是一万．万。

在细节匹配中，对应脊线将被用来对待匹配的两个平面点集进行校准，而且校准的参数，即两个点集中任意一对脊线间的旋转角度，被用来作为判断他们所对应的细节点能否看作匹配的细节点的条件。

保存脊线信息会加大存储量，在自动指纹识别系统中，司法领域的应用一般是针对大规模数据库的，对存储空间的要求比较高，此时在细节点中加入脊线信息会加大系统的存储量，似乎显得不太合适，但是硬
件的发展正在不断降低对存储空间的要求，在一般的应用(如网络安全、指纹门控系统、指纹考勤系统等)中，数据库没有达到对存储空间提出严格要求的程度，而脊线信息的加入可以有效地处理指纹图像的校准。

点模式匹配是基于相似度的经典的指纹细节点匹配算法。

一般利用几何关系判断两组细节点集位置特性的相似度，采用打分的方法输出匹配结果，相似度越高得分越高，然后根据实际应用的需要给定阈值：匹配分数大于阈值，认为两幅指纹图像匹配成功：反之，匹配失败。

将匹配分为两个阶段：1)初匹配阶段：利用相邻点问的结构关系建立局部特征向量进行初步匹配。

这一步可以比较准确的找到两个指纹点集间的坐标校准参数(即：平移和旋转参数)。

这在某种程度上是模仿指纹专家手工匹配指纹的操作，专家们通过寻找指纹上一些局部特征的相对位置来对两枚指纹进行重新定位。

2)二次匹配阶段：以初匹配的最优点对为参考，对所有特征点进行全局坐标调整，并转化到极坐标系表示。

在判断两点是否匹配时使用了可变大小的限界盒，解决了一定范围内的变形问题。

最后整合多种判决门限完成全局特征匹配。

1．1初匹配
初匹配不但可以减少拒判时间，而且可以准确获得对点集进行重新定位的校准参考点，该环节分两步实现。

1．1．1建立局部特征向量
经过特征提取得到指纹图像上的所有分叉点和末梢点，每一个特征点记录了三方面信息：点的位置(x,y),点的类型s(分叉点，末梢点)；该点所在脊线的方向角度θ∈[0, 360)。

在指纹图像发生平移、旋转或局部变形时，特征点的绝对位置信息会有很大变化。

但相邻点间的距离、穿过的脊线数目和相对角度等却不会有太大的改变。

因此，利用特征点间的脊线数目、方向差等结构关系建立局部特征向量，可以很好的解决平移及旋转问题。

对每个特征点，以该点为中心建立一个用于匹配的局部邻域特征向量，结构如图2所示。

从图中看出，取与该中心点距离大于R(这里R=10)的最近5个点作为其邻域特征点，距离小于等于R的点则不取。

这5个邻域点和该中心点一起用来构造局部特征向量。

每个局部特征向量记录的信息及其存储结构。

局部特征向量结构模型局部特征向量存储模型
1．1．2特征向量匹配
假设有待识别指纹A和模版库中的任意指纹B，用点集A表示指纹A上的M个特征点，用点集B表示指纹B上的N个特征点。

则对指纹A上的每个特征点建立局部特征向量可得到一个M维的局部特征向量组，对指纹B可得到一个N维的局部特征向量组。

初匹配的过程就是将指纹A的M维向量组和指纹B的N维向量组进行比较：把A中每一个特征点的局部特征向量与B中每一个特征点的局部特征向量进行一一匹配，相应的匹配分数记录在矩阵Score[M,N]中。

匹配分数的计算方法为：若A,B向量的中心点类型不一致，则Score[i,j]=0;若A,B向量的中心点类型一致，即sA=sB，且其5个邻域分量中有n个邻域点匹配，则Score[i,j]=n。

（1≤n≤5）。

完成匹配后，在矩阵Score的每一行中标记出匹配分数最大且不为零的元素，这些元素的位置可以确立特征点A与B的一一对应，其分数总和称为总匹配分数记作G。

这里使用相对匹配分数S=100×G×G／M×N作为初匹配的判决条件。

为减少据判时间，设置初匹配门限，即最高匹配分数Smax和最低匹配分数Smin。

若S≤Smin,则直接判为不匹配，不再进入第二阶段；若Smin≤S≤Smax,则需进行二次匹配；若S>Smax 则直接认为A、B来自同一指纹。

初匹配阶段主要完成了两个任务：1)标记出匹配矩阵Score[M,N]中分数值最大的元素Score[p,q],在第二阶段的匹配中将以指纹A的第p个点Ap和B的第q个点Bq 作为对两枚指纹进行全局坐标校准的最佳参考点。

2)直接剔除相差较大的输入指纹图像，缩短匹配的拒绝时间，从整体上加快系统的识别速度。

1．2二次匹配
1．2．1点集的坐标调整
由于点集的坐标校准涉及大量的坐标旋转，而在极坐标系统中可以方便的实现坐标旋转且易于刻画图像的局部变形，所以这里采用基于极坐标系统的坐标校准方法。

由初匹配的结果：以Ap为极坐标中心极点，对点集A进行坐标校准，得到极坐标系统下新的点集A’，以Bq为极坐标中心点，对点集B进行坐标校准，得到新的点集B’。

极坐标变换公式为
1．2．2匹配的判决条件
在判断两枚指纹的匹配程度时可以有不同的衡量依据。

如果两枚指纹有12个以上的点对互相匹配，即可认为两者来自同一个手指。

而实际的输入指纹图像由于噪声和其他干扰因素的影响，很难达到这个判决门限。

因此在计算匹配度矩阵时统计了以下四种信息作为判决条件：1)成功匹配的点对数；2)配对点数和相应指纹特征点总数的比值；3)各匹配点对的差异分数总和(方向差和距离差的加权和，显然，此分数越低匹配程度越高；
4)差异分数总和与相应指纹特征点总数的比值。

判决时采用将以上四种条件相结合的复合判决方法，为每个条件各定义一个阀值。

各条件间为并列关系，当l～4项信息中任意一项记录的值满足预定的阀值时，则认为两者匹配。

实验结果表明：使用多判决条件的全局匹配方法，提高了识别率。

三、研究总结
指纹以它的终身稳定性和唯一性被尊为“物证之首”，指纹识别技术在过去二十多年的研究中，取得了很大的发展。

目前，随着低价格指纹扫描仪和高集成度芯片的出现，指纹识别系统从军用走向民用，其应用范围越来越广泛。

尽管当前的指纹识别产品已经多种多样，并已成功地应用到许多商业领域，但是指纹识别技术仍是国内外研究的热点。

这是因为：一方面，出于知识产权保护和商业利益的原因，指纹识别的核心技术只被少数企业和技术机构所拥。