指纹图像识别技术新思路与实验研究*

邱丽萍

(武汉数字工程研究所 武汉 430205)

指纹图像识别技术新思路与实验研究*

邱丽萍

(武汉数字工程研究所 武汉 430205)

指纹识别技术被广泛应用于身份识别等领域,指纹图像增强是指纹预处理过程所要解决的核心问题。论文提出基于双滤波器的动态指纹图像增强算法。利用动态2维Gabor滤波器分离粘连脊线的能力很强,方向滤波器具有较强连接断裂脊线的能力,而且输出结构为二值图像的特点,使用Gabor滤波器与方向滤波器互补滤波。通过对图像进行第二次增强,从而达到较为理想的增强效果。大量实验结果显示,此算法对指纹图像的平移与旋转变化反应不明显、有利于细节点提取而且易于实现。

Gabor滤波器; 方向滤波器; 指纹图像增强

Class Number TP391.41

1 引言

指纹识别技术被广泛应用于身份识别等领域,指纹图像增强是指纹预处理过程所要解决的核心问题。现有的指纹增强算法对质量较好的指纹图像增强效果明显,但对低质量指纹图像的处理效果较差或速度不理想。

目前已有多种指纹增强算法。LinHong等[1]将Gabor滤波器应用于指纹增强同时使用了指纹模式的方向信息和脊线的空间频率信息,可以获得较好的增强效果,但速度较慢。Greenberg[4]对文献[1]中的算法进行了改进,但由于只使用了方向信息而损失了准确性,Gorman等[2]使用的指纹增强方法则高度依赖纹线方向信息。Douglas Hung[5]专门针对二值图像提出了一种指纹增强和特征纯化的方法。在分析前文算法优劣的基础上,基于动态2维Gabor滤波器和方向滤波器提出了一种新的动态滤波算法。模型见图1,可以达到较为理想的效果。

2 动态2-D Gabor滤波

从图像中提取相关或非相关纹理(例如指纹纹理)信息的一个有效方法是使用2维Gabor滤波器。2维Gabor滤波器1980年由Daugman首先提出,作为一个框架来模拟人脑视觉神经中枢细胞所具有的方向选择性和空间频率选择性特性。Daugman证明2维Gabor滤波器是能够对图像局部结构的方向和空域频率进行解析的最优滤波器[1～2]。

2维Gabor滤波器的一般形式为

×exp(i2πfxθ)

设GN(i,j)是规格化后的图像灰度,GE(i,j)是Gabor滤波后的图像灰度,那么对于子块B(m,n)内的一点(i,j),Gabor滤波后的灰度为

上式中,Wg为滤波器模板大小,S为模板系数和,D(m,n)为子块B(m,n)的域方向值。需要注意的是Gabor滤波器方向与指纹纹理方向垂直。一般地,取Wg=2λB(m,n)+1。对σx和σy的取值需要进行折衷。取值越大,则滤波器的抗噪声性能越好,但越容易生成假的脊线。令σx=αλB(m,n),σy=βλB(m,n),取值为α=0.3,β=0.3。

与文献[2]中使用固定大小的滤波器模板不同,使用Gabor滤波器进行动态增强时滤波器模板的大小随局部脊线间距λB(m,n)的变化而变化。

图2显示了对指纹图像进行Gabor滤波的结果。

Gabor滤波器分离粘连脊线的能力很强,但它不能很好地连接断裂的脊线,并且经过Gabor滤波后得到的仍然是灰度图像。因此,需要引入另一种滤波器,它应该具有与Gabor滤波器互补的滤波效果,即具有较强的连接断裂脊线的能力,而对其分离粘连脊线的能力并不做太高要求。通过沿脊线方向对图像进行第二次增强,从而达到较为理想的效果。

3 方向滤波

该滤波器的设计目标是使指纹纹线在沿其方向上得到平滑[2],而在该方向的垂直方向上得到分离。考虑到纹线的周期性及宽度,本文设计了一个7×7大小的滤波器。

图2 动态2D Gabor滤波效果示例

方向滤波器是一种具有方向选择性和(间接)空域频率选择性的滤波器,可以表示为:hd(x,y,r1,r2,v1,v2,θ);其中,r1,r2,v1,v2分别是最大脊线宽度、最小脊线宽度、最大谷线宽度和最小谷线宽度,θ为滤波器方向,且须满足条件r1+v2=r2+v1。方向滤波器具有较好的连接断裂脊线的能力。它的一个主要特点是滤波器模板系数之和为0,因此可以在增强图像的同时实现二值化[3]。

首先介绍水平方向的滤波器。该滤波器模板的行系数平行于脊线,列系数垂直于脊线。要计算滤波器模板系数f(i,j),必须首先确定模板中间一列的系数f(0,j)。设中心系数f(0,0)为a0。为减少滤波后脊线中的孔洞,对中心带的横截面(沿j方向)以余弦包络进行加权;过渡带系数为0;设边带的极值为b0,对边带的横截面(沿j方向)也以余弦包络进行加权。

f(0,j)系数计算过程如下,令:

设每一列的系数和为0,可由此确定b0。

每一行的系数通过对该行的中心点进行余弦包络加权得到。我们更强调垂直于方向轴而不是平行于方向轴的系数,其目的是减少高曲率脊线对滤波的影响。行系数计算公式如下

f(i,j) =f(-i,j)=f(i,-j)=f(-i,-j)

0<|i|≤hf

对于某些(i,j)不是整数的情况,使用4阶Lagrange插值计算(i′,j′)。f(0,j) =f(0,-f)

由此得到两个水平模板系数如下所示:

其它方向的模板可以通过旋转水平方向的模板获得[2]。

·GE(i+x,j+y)

4 实验结果与性能分析

我们对该预处理算法进行了大量测试,测试图像有来自不同类型的指纹仪的图像和人工合成的指纹图像。下面是图像增强与指纹细节点提取的示意图。

图3中,(a)是人工合成的指纹图像,受到大量噪声的污染,图像大小为240×320;(b)是CMOS指纹仪采集的指纹图像,指纹上有明显的断痕,图像大小为256×364;(c)是光学指纹仪采集的指纹图像,其特点是某些区域的脊线很密集,而另一些区域的脊线又较为稀疏,图像大小为360×364;图(d)、(e)、(f)是经过增强后得到的二值指纹图像。

图3 指纹图像增强

可以看到,该算法具有很强的抗噪声性能,可以比较精确地对指纹图像进行分割和增强。通过预处理直接得到二值图像,避免了再使用专门的二值化算法。算法的计算量主要集中在图像增强阶段,而图像增强算法的计算量与清晰指纹区域和受噪声污染但可以恢复的指纹区域在整幅图像中所占比例成正比。在PIV2.0MHz的PC机上,对上面三幅图像的预处理时间为103ms、143ms、157ms,所以时间效率是很高的。

图4 指纹细节点提取示例

本文算法应用于特征点提取的实例见图4,效果对比见表1,其中A-E是文献[3]中的算法,P代表本文提出的算法。表中的指纹图像来源见文献[3]。FN/M表示丢失特征点比例;FP/D表示错误的特征点比例;FC/D表示错误分类的特征点比例;CC/D表示可用于匹配的特征点比例。需要说明,在不同的测试环境下,各参数的具体数值会有所不同。

表1 特征点提取性能分析对比

5 结语

本文提出了一种使用功能互补的滤波器组对指纹图像进行动态增强的思想,并深入讨论了Gabor滤波器、方向滤波器的算法及实现,对具体实现细节由于篇幅所限未加详细说明。具体参数的确定经过大量实验选择。与其它方法相比,该方法能够在尽量保有原始图像信息的情况下增强图像,同时还能对图像进行二值化处理而无需再使用专门的二值化算法,而且该方法处理的结果具有图像位移不变性和旋转不变性,方便下一步的研究。

[1] Lin Hong, WANG Yifei, Anil J. Fingerprint image enhancement: algorithm and performance valuation[J]. IEEE Transactions on Patten Analysis and Machine Intelligence,1998,20(8):777-789.

[2] Lawrence O’Gorman, Jeffrey V Nickerson. An Approach to Fingerprint Filter Design[J]. Pattern Recognition,1989,22(1):29-38.

[3] D. Maio, D. Maltoni. Direct gray-scale minutiae detection in fingerprints[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19:27-40.

[4] S. Greenberg, M. Aladjem, D. Kogan. Fingerprint image enhancement using filtering techniques[J]. Real Time Imaging,2002,8:227-236.

[5] Douglas Hung DC. Enhancement feature purification of fingerprint images[J]. Pattern Recognition,1993,26(11):1661-1671.

[6] Nilsson K, Bigun J. Localization of corresponding points in fingerprints by complex filtering[J]. Pattern Recognition Letters,2003,24:2135-2144.

[7] Jain A K, Prabhakar S, Hong L. Filterbank-based fingerprint matching[J]. IEEE Transactions on Image Processing,2000,9(5):846-859.

[8] Jain A K, Prabhakar S, Hong L. A multichannel approach to fingerprint classification[J]. IEEE Trasaction on Pattern Analysis and Machine Intelligence,1999,21(4):318-359.

[9] Jain A, Hong L, Bolle R. On-line fingerprint verification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(4):302-313.

[10] Cappelli R, Maio D, Maltoni D, et al. Perfarmance evaluation of Fingerprint verification systems[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(1):3-18.

New Idea and Experimental Study of Fingerprint Identification Technology

QIU Liping

(Wuhan Digital Engineering Institute, Wuhan 430205)

Fingerprint identification technology is widely used in areas such as identification. The key of preprocess of fingerprint is fingerprint image enhancement. This paper proposes a dynamic fingerprint image enhancement algorithm based on double filter. It has strong ablity to separate the adhesion ridge line by the dynamic 2 demission Gabor filter and to connect fracture ridges with directional filter. The advantages of these two filters are output which is binary image. Gabor filter and directional filter can be used to enhance the image for a second time to achieve better effect. Plenty of experiments show that this algorithm has lower reaction of translation and rotation of fingerprint images. It is advantageous to extract details and easy to implement.

Gabor filter, direction filter, fingerprint image enhancement

2016年9月12日,

2016年10月29日

邱丽萍,女,助理工程师,研究方向:信息系统。

TP391.41

10.3969/j.issn.1672-9722.2017.03.028