基于图像序列的指纹识别算法

宁玉门

（中原工学院，河南 郑州 450007）

在指纹识别中，特征提取成为指纹识别的重要步骤.而在指纹采集过程中，一些扭曲变形是由于手指表皮与采集系统表面接触而引起的，一些图像采集系统提供纠正一些失真的方法，但应用都受一定的限制.基于图像序列的指纹图像分析法是利用被扫描设备丢弃的图像，采集整个图像序列.从图像序列中挖掘更多的细节特征用于指纹识别.

1 相关工作

基于图像序列的指纹识别算法中的数据融合是通过特征拼接将图片特征提取中获取的两个模板进行融合。文献资料表明特征级别的拼接优于图像级别的拼接［1］1－4.图像序列分析算法采用单次指纹提取中获取的紧密相关的图像序列信息.图像序列中对图像特定部分所感测数据的质量会有所不同.

1.1 特征提取和跟踪

分析首先从指纹扫描仪获取图像序列开始.以每帧每秒的k帧速率拍摄，t秒的时间间隔内采集N帧指纹图像.通过图像分割找到指纹细化区域，接着进行图像增强处理，提取特征点和边缘细节.为每帧图像创建模板，包含特征信息.此外，可以对图像进行并行处理，以减少计算时间.

让I＝（I1，…，IN）代表在采集过程获取的图像序列，其中下标代表时间的序列.每帧图像通过CLAHE（Contrast Limited Adaptive Histogram Equalization）算法进行图像增强，采用用二值化算法［2］139－141从每帧图像提取特征点.然后通过二值化增强后的图像创建脊线骨架，并反复运用形态学细化.收集脊线骨架的端点和分叉点获取细节特征.

使用贝叶斯估计进行跟踪细节特征.使用基于卡尔曼滤波［3］111－113的跟踪细节特征对应整个序列.过滤器用于确定模板细节特征的位置.对于低质量细节特征或低质量的区域中的细节特征，一个粒子过滤器对于背景噪音具有稳定性.对细节的位置、模式等进行跟踪，建立预测中的模板.

1.2 模板融合

让Ti：j代表特征点的一组中所包含的模板Ti.这种“时间模板”可以表示为：T1t＝∪i＝1tTt

方法中，每个细节特征点都可以分配一个复合型和总体品质值.让Qtk代表t时刻分配的细节特征点Mk的质量，使用值［0，100］和Qik＝0表示还没有被检测到的Mk的退化情况.对于获取的N帧图像的序列中，我们定义的概率为：

然后通过比较复合模板的概率来选择细节特征点类型

图1为用于复合的模板的时态数据的例子.由追踪整个序列的类型，反映出特征点数据所表示的置信水平.深蓝色（－100）代表高置信分叉点.红色（100）代表高置信端点.绿色（0）表示不会出现在随后的模板后第一次被检测到的一个细节特征.黑色的区域表示时间序列中首次被发现前的细节特征.

图1 细节特征跟踪整个序列

2 试验结果与分析

采用捕捉到指纹印记更多细节特征的方法，并且将其存储成复合图像；通过收集一个指纹序列数据库来评估所提出的这个方法。扫描仪采用佳能9000FMarkll.以10帧每秒的速度和每英寸500像素分别率收集图像，对于每一个序列，一个图像缓冲区被填充1.5s相当于用手指推压扫描仪的时间.收集开始于图像强度的方差达到经验确定的水平，这可提供大约15幅指纹印记.试验收集了70个独特手指的5个序列的350幅图像.图像增强采用CLAHE，然后采用翟俊海［4］108－109等所述方法进行特征提取.目前，在MATLAB运行成本中加工成一个复合模板是一个单一的序列，时间约19～20秒.

2.1 指纹区可靠性

试验研究在一个指纹印记中指纹图像序列的局部变化.每个图像序列中高质量的块图像是由11×11规格的像素块构成.每个块图像的质量变化是通过测定整个序列中的图像获得的.创建一个最高质量的块图像，反映出整个序列中最高质量测量图像的每个块.这可以被认为是在序列中的位置，其中每个区域呈现其最佳的品质.如果从最终的图像序列中的块的最高质量来测量，每个块是要添加到最终的图像里.

图2（a）显示了此试验的结果，结果显示了在最高质量最终图像中和图像序列中前景块的质量（可靠性）的平均增幅.假设最终的图像是传统的静态图像，试验发现就平均而言，从时间角度分析，与复合指纹区域相比，9%的静态指纹区是不可靠的.此外，添加到合成图像中块的平均可靠性平均增加12%.

2.2 细节可靠性和类型

图2（b）显示出了另一个散点分布图，表示在时间分析中已检测到的特征点占它们的平均质量（可靠性）的百分比.这表明，相比于简单的静态分析，有大量可靠的细枝特征被检测到.图像序列分析显著提高了检测到的特征点的平均可靠性.在图2（c），细节计数分布显示传统的静态模板生成和复合模板.相比于静态模板直方图，复合模板的直方图转移到右侧，表示在复合材料中的模板特征计数的增加.从这两个数字的试验中可以得出结论，大量可靠的细节在某时刻指纹印记中的序列图像中被发现，而不是在最终图像中.

图2 （a）散点图显示额外的前景块与静态图像块的质量（可靠性）的平均增幅的百分比（b）散点图显示分析检测的细节特征点未在静态图像中出现的数量和质量（c）细节计数频率为静态模板和模板建议

试验研究了在单一的指纹印记中特征变化的细节类型，发现有17.5%的特征点变异发生在数据组中的整个序列（在终止和分叉之间改变）.在一些点序列中细节特征的改变，有9.3%的改变是从终止到分叉，而4.7%的改变是从分叉到终止.剩余3.5%是那些从开始和结束都相同但在整个序列中却发生了改变的类型.

2.3 匹配

首先测试该系统的能力，以提高整体匹配性能.采用Verifinger的基于细节建立的匹配器能够有效地衡量匹配分数.假设指纹扫描忽略了最终图像之前拍摄的图像，我们创建了一个模板数据库表示传统的静态提取的380个样本，使用时序分析从复合模板中创建一个独立的数据库.在静态和复合数据库中对指纹之间的独立性进行详尽的匹配.对于整体性匹配，试验看到了一个较小的改进.在这种情况下，ROC曲线绘制FAR和FRR的误差是3.5%.这种情况符合预期，因为当细节计数已经很高时，增加新的细节更能影响到匹配.

2.4 局部标识

在图3中，累积匹配特性（CMC）曲线如图所示.有关数据来自于广州某高科研究所的专题数据库.在CMC域块的排名识别率表明，正确的匹配在所有比较者中获得最高分.等级为1级、10级、20级时，识别率分别增加为9.26%，5.73%和5.21%.

图3 累计匹配特征

3 结语

该文提出了一种基于图像序列的指纹分析方法，用以解决图像失真和图像质量的变化问题.这种方法，通过分析整个图像序列特征点的动态复合模板，结合有关质量和图像序列中存在的信息，提出了特征点的置信措施.试验结果表明采用基于图像序列的指纹分析方法，指纹识别率显著提高.

［1］蔡丽欢，廖英豪，郭东辉.图像拼接法及其关键技术研究［J］.计算机技术与发展，2008，18（3）.

［2］袁 路，李仁发.一种改进的字符图像二值化算法［J］.微计算机信息，2012，28（3）.

［3］张永伟，杨锁昌，张 敏.卡尔曼滤波在落点偏差预测算法中的应用［J］.中国测试，2012，38（12）.

［4］翟俊海，赵文秀，王熙照.图像特征提取研究［J］.河北大学学报（自然科学版），2009，（1）.