指纹图像识别技术的研究

2015-04-271江西科技师范大学南昌330013桐城望溪高级职业技术学校安徽桐城231400

山东工业技术 2015年4期

关键词：指纹识别细化预处理

倪　伟（1江西科技师范大学,　南昌　330013；2　桐城望溪高级职业技术学校,安徽　桐城　231400）

指纹图像识别技术的研究

倪伟1,2
（1江西科技师范大学,南昌330013；2桐城望溪高级职业技术学校,安徽桐城231400）

指纹具有无法冒用、不怕遗失的特点，有着个体特征不变性和唯一性。指纹识别技术一直处在不断的研究和改进之中。

指纹预处理;特征提取;特征匹配

随着现代社会的发展，安全已成为一个主要的考虑。指纹因其不可复制的特点，是一种不可替代的身份识别手段。近年来，指纹的自动识别和认证已成为当下热门的模式识别方向。指纹信息的处理及其在身份识别上的应用，已广泛应用于银行，保险，公安，门禁，考勤等方面。

1　系统概述

指纹识别系统包括指纹图像的采集，预处理，特征提取以及特征匹配等。其中，预处理在指纹识别中起着非常重要的作用，由于压力，变形，在场的污渍和其他噪音的影响，导致预处理上的指纹识别系统的准确性和可行性直接受到影响。空间区域中的图像预处理，也可以在频域实现。有很多成熟的前处理方法。特征提取是则是通过合适的算法提取出能够体现图像明显特征的参数和数据。特征匹配则通过将采集数据和数据库中的指纹信息进行比较，从而进行确认。

2　指纹图像的预处理

2.1指纹图像预处理概述

指纹识别的预处理过程由分割、二值化、细化这几步组成。分割就是把原始灰度图像的感兴趣区域和背景区域分离开，感兴趣部分包含着脊线和谷线的清晰区域分割操作能有效地去除部分噪声，使后续处理更加简便,所以分割是预处理的第一步。现有的指纹图像分割方法大都是根据指纹图像灰度的统计特征（如方差、均值）设计算法的。

2.2分割

指纹图像，往往不是完全充满指纹，常混有一定的背景噪音，所有有必要进行图像的分割，从而减少预处理的区域，提高图像信息的抗干扰性。图像分割的质量直接关系到后续特征的提取和识别的精确度。

2.3二值化

图像分割后需要对图像进行二值化处理，按照某个设定的阀值，将图像像素值转换成“1”或“0”。通常采用局部阈值自适应二值化算法。该算法利用指纹的脊线和谷线宽度的特点大致是二元化的黑色和白色像素相同数目应该大致相同的特点，来进行二值化处理。

2.4细化

二值化后的指纹图像，脊线仍具有一定的宽度。而指纹识别只和纹线的方向有关，无需考虑其厚度。所以从减少数据量和提高识别精度的角度考虑，有必要对指纹图像进行细化处理。细化的原则就是要保持纹线连接性、方向性以及中心位置等特征的不变。

传统的图像细化算法，会带来明显的脊吞噬现象或骨骼位置偏移现象，效果不是很好，因此需要进行算法改进。本文在OPTA细化算法的基础上进行改进。改进后的算法应用于细化时，与原始图像对比，显示了叉脊线的特征信息，并连接基本上保留了点，但它也带来了一些伪特征点，而这些伪特征点，大多在噪音区。可以分开处理，以减少伪特征点后去噪。

3　指纹图像的特征提取

指纹图像的提取关键在于伪特征的过滤。因此需要对空洞、毛刺、绞线、断脊等伪特征能够进行较好的判断及滤除。

伪特征点的滤除步骤如下：

（1）选取半径为R的领域，假设领域内包含M个特征点。比较这M个特征点的关系是否和真特征点的标准相一致。一致则为真特征点，予以存储，否则作为待滤除的特征点进行下一步分析。

（2）对交叉点和端点进行分析。在端点分析时，考虑领域内的M个特征点时候存在断脊及短线等伪特征（真特征是没有的）。如果检测到存在断脊或短线，则先进行短线的删除，然后接着删除掉断脊，从而实现伪特征的删除；在进行分叉点分析时，则是分析M个点中，是否包含有孔洞和毛刺等结构特征。如果存在其中一种，则为伪特征。要先进行毛刺的删除，其次删除孔洞，最后是滤除叉连。

（3）经过前面两步骤的处理后，如果还存在较多数量的特征，并且数量在50个以上，则表明指纹图像中存在较多的干扰信息，从而导致伪特征过多，难以滤除。在这种情况下，则需要采用遍历各特征点的办法，对距离很近的特征点予以删除，值得达到标准为止。

4　指纹图像的匹配

基于特征点的模式被认为是普遍采用的一种特征匹配方式。通过提取指纹图像的特征点，将指纹图像转换成一系列的点集。再将指纹图像匹配转换为两组点集的一致性问题。考虑到指纹信息在采集的时候是按某一方向和力量录入的，对应的数据存入了指纹识别系统中的存储区域。而当再次验证指纹时，由于指纹按下的方位和力度往往和指纹图像录入时不一样。因此，在进行指纹图像信息匹配时，需要将采集到的指纹的特征点集进行旋转、展缩等各种变化，以便和数据库中的原始指纹信息进行良好的匹配，而避免误动作。这一点当然是图像匹配的难点所在。

因此在图像匹配时，需要对每一个细节点信息进行处理和配比，包括方向特征（一般考虑脊线方向），端点特征以及分叉点特征等。然后结合奇异点、脊线等表征出来的信息综合考虑。在进行具体的细节点匹配时，要通过选用的算法，对各细节点之间的几何关系进行计算，从而对细节点之间的等同关系进行判断。有点图像匹配算法，在进行细节点匹配时，会计算出一个最大似然概率P，当P的值较大，说明匹配度高，匹配双方更为接近。然后找出P值最大的进行最终的成功匹配；还有一种算法是采用阀值来实现指纹信息的匹配。只要细节点之间的差异程度在预设的阀值范围内，则认为配对成功，否则配对失败。

这种细节匹配的核心在于引入了限界盒的概念，传统的匹配中的限界盒是固定大小的。为了提升匹配的精确度，本文采用了可变大小的限界盒。这样就可以扩大细枝末节的匹配准确度。可以说由于指纹图像呈现的非线性，导致了细节匹配也应该采用这种非线性的限界盒方式，从而确保匹配的准确度。另外，指纹特征匹配的过程中，如何选择一个可靠的参考点也是非常重要的。如果将所有可能的点都分别作为参考点，势必会加大计算量。