一种结合细节点和细线结构的指纹识别方法   0    0

本发明公开了一种结合细节点和细线结构的指纹识别方法。本发明包括以下步骤：步骤1、采集所有注册用户的手指指纹图像，并分别对指纹图像进行预处理和特征提取，得到细节点和细线结构特征，并分别保存到数据库中，建立手指指纹数据库；步骤2、采集待识别用户的手指指纹图像，并对指纹图像进行预处理和特征提取，得到待识用户的手指指纹图像的细节点特征和细线结构特征；步骤3、对待识用户的手指指纹图像进行匹配。本发明充分利用细节点周围的方向场信息，使得细节点有较强的鉴别能力，降低了虚假细节点对匹配的影响；并且细节点特征可以快速的提取出两指纹的匹配参考点，减少快指纹匹配的时间。

1.一种结合细节点和细线结构的指纹识别方法，其特征在于包括以下步骤：
步骤1、采集所有注册用户的手指指纹图像，并分别对指纹图像进行预处理和特征提取，得到细节点和细线结构特征，并分别保存到数据库中，建立手指指纹数据库；
步骤2、采集待识别用户的手指指纹图像，并对指纹图像进行预处理和特征提取，得到待识用户的手指指纹图像的细节点特征和细线结构特征；
步骤3、对待识用户的手指指纹图像进行匹配；
步骤1具体实现如下：
1‑
1.采集注册用户的手指指纹图像，对指纹图像灰度处理，得到指纹图像的原始灰度图像；
1‑
2.通过基于梯度的方向场计算方法得到原始灰度图像的方向场，并对原始灰度图像进行分割，获取指纹纹线区域图像；
1‑
3.对指纹纹线区域图像进行图像增强；
1‑
4.将增强后的指纹纹线区域图像转变为二值化图像；
1‑
5.滤除二值化图像中噪声，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到指纹细线结构图像；
1‑
6.通过纹线跟踪方法寻找指纹细线结构图像的细节点，得到指纹细线结构图像的细节点，并将得到指纹细线结构图像和指纹细线结构图像对应的细节点作为一对存放到数据库中；
1‑
7.重复步骤1‑1～1‑6，将所有注册用户采集完毕，建立指纹数据库；
步骤2具体实现如下：
2‑
1.采集待识别用户的手指指纹图像，对指纹图像灰度处理，得到指纹图像的原始灰度图像；
2‑
2.通过基于梯度的方向场计算方法得到原始灰度图像的方向场，并对原始灰度图像进行分割，获取指纹纹线区域图像；
2‑
3.对指纹纹线区域图像进行图像增强；
2‑
4.将增强后的指纹纹线区域图像转变为二值化图像；
2‑
5.滤除二值化图像中噪声，再进行骨骼化处理，然后对骨骼化处理后的图像进行去毛刺处理，得到指纹细线结构图像；
2‑
6.通过纹线跟踪方法寻找指纹细线结构图像的细节点，得到指纹细线结构图像的细节点，得到指纹图像的细节点特征；
于步骤3具体实现如下：
3‑
1.根据细节点描述子，利用细节点周围的方向场信息，获取最佳基准点对：
3‑
2.对最佳基准点对的细节点特征匹配；
3‑
3.对最佳基准点对的指纹细线结构匹配；
3‑
4.在决策层上利用分数层信息对细节点特征和细线结构特征进行特征融合；
步骤3‑1具体实现如下：
3‑1‑
1.输入两幅指纹图像A和B，A是待识别指纹图像，提取的细节点为集合A＝{a1,a2,…,an,…,aN}；B为指纹库中的任意指纹图像，提取的细节点为集合B＝{b1,b2,…,bm,…,bM}；
3‑1‑
2.选取指纹图像A中的任意一个细节点an，遍历指纹图像B中的所有细节点，若指纹图像B中存在细节点bm，且两个细节点an、bm满足类型相同，且位置平移在(±Δx0,±Δy0)范围内，则进入步骤3‑1‑4；若遍历指纹图像B中的所有细节点后不存在与细节点an对应的细节点bm，则放弃指纹图像A中的细节点an；
3‑1‑
3.继续从指纹图像A中的选取一个细节点，重复步骤3‑1‑2，直至遍历完指纹图像A中的所有细节点；
3‑1‑
4.构建细节点描述子，描述子包括细节点周围的方向场中的三个辅助点；计算三个辅助点中两两点之间的相对角度差：
Δθk＝|θi‑θj|,i,j＝0,1,2,3；i＜j                 (1)
式(1)中，k为细节点描述子中相对角度差对应编号，其范围为1≤k≤6；
两细节点间第k角度偏差记为G(k):
式(2)中， 为细节点an的相对角度差， 为细节点bm的相对角度差；
3‑1‑
5.判断两细节点是否是初步基准点：如果式(2)中任意G(k)大于阈值T1，说明两点不匹配，返回步骤3‑1‑2；否则两细节点为初步基准点；记录初步基准点对集Q,匹配对数为L，每对初步基准点之间的位置偏移(Δxl,Δyl,Δθl)；
3‑1‑
6.从初步基准点对集Q中寻找最佳基准点；
计算集合初步基准点对集中任意一对匹配点(Δxl,Δyl,Δθl),l＝1,2,…,L与集合Q(Δx,Δy,Δθ)中剩余的所有匹配点的偏差dl：
在式(3)中，将dl中小于最佳基准点阈值T2的个数值组成集合D，选取集合D中最大值Cm，最大值Cm对应的匹配点为最佳基准点，即au和bv为最佳基准点对，其对应的位置偏差参数为(Δxuv,Δyuv,Δθuv)；
步骤3‑2具体实现如下：
3‑2‑
1.对细节点集中所有点的位置进行校准，公式如下：
θ'＝θ+Δθuv                                   (5)
其中，S0为尺度变换参数；待识别指纹细节点集A＝{a1,a2,…,an,…,aN}经过平移和旋转(Δxuv,Δyuv,Δθuv)变换成A'＝{a′1，a′2,…,a′n,…,a′N}；
3‑2‑
2.计算a′n和bm的位置距离d(a′n,bm)和方向场角度差dθ(a′n,bm)；如果d(a′n,bm)小于位置距离经验阈值Td，且dθ(a′n,bm)小于方向场角度差经验阈值Tθ，则两个细节点匹配；
dθ(a′n,bm)＝min(|θ′n‑θm|,360°‑|θ′n‑θm|)                (7)根据(6)(7)两式，计算两个匹配的细节点相似度s：
式中h、σ是常数，d是两细节点的位置距离，dθ为两细节点方向场角度差；
3‑2‑
3.根据(8)式，统计全部匹配点的数目，按下式计算细节点匹配分数：
其中，NM为匹配点数目，N和M分别是待识指纹细节点数目和模板细节点数目；
步骤3‑3具体实现如下：
3‑
3.指纹细线结构匹配
3‑3‑
1.指纹图像A提取的细线结构点集为 指纹图像B提取的细
线结构集合 点集 中每个点只含位置信息(x,y)，x、y分别表
示该点横坐标和纵坐标；
3‑3‑
2.根据公式(4)的变换关系，待识别指纹细线结构点集 经过
平移和旋转(Δxuv,Δyuv ,Δθuv)变换成 变换后的
与库指纹 比较得到两个指纹重叠区域占比T'，如果T'大于预设定
的细线结构重合区域面积占比阈值T3，则在重叠区域内进行细线结构特征的匹配，从而进入步骤3‑3‑3判断指纹是否匹配；否则说明两指纹重合区域太小，不是同一手指的指纹，判定为不匹配；
3‑3‑
3.采用领域搜索细线结构距离的识别方法，利用细线结构距离 来作为两指纹细线结构的相似度指标，具体计算如下：
细线结构点集 到 的距离定义：
将细线结构点集 中 个点到细线结构点集 的距离按升序排序，取前p个距离值的平均值作为细线结构点集 到 的距离值：
th
式(10)中， 为细线结构点集 中点的个数，I 表示升序排序，||·||是
之间的欧氏距离；
同理，细线结构点集 到 的距离定义：
将细线结构点集 中 个点到细线结构点集 的距离按升序排序，取前q个距离值的平均值作为细线结构点集 到 的距离值：
th
式中， 为点集 中点的个数，I 表示升序排序，||·||是 之间的欧
氏距离；
细线结构点集 和细线结构点集 直线的匹配分数如下：
步骤3‑4具体实现如下：
在决策层上利用分数层信息对细节点特征和细线结构特征进行特征融合，表达式如下：
其中，α为权重，SH为细线结构特征计算得到的匹配分数；
匹配结果判定如下：
其中c为实验得出的2幅指纹图像的相似度阈值，小于c认为是不同类指纹图，否则认为是同类指纹图像。