指纹识别技术发展现状

顾陈磊 刘宇航 聂泽东 李景振 王 磊

(中国科学院深圳先进技术研究院,广东 深圳 518055)

指纹识别技术发展现状

顾陈磊 刘宇航 聂泽东*李景振 王 磊

(中国科学院深圳先进技术研究院,广东 深圳 518055)

利用生物特征进行身份识别已成为目前信息安全领域的研究热点，指纹识别技术随着计算机图形学技术的飞速发展已取得巨大的进步。对近20年来指纹识别技术的发展状况进行综述，重点介绍指纹图像的采集、图像的增强、特征提取及匹配、图像的存储与数据库应用等指纹识别中的关键技术，阐述这些关键技术的实现原理，并分析不同技术方法的优缺点。

身份识别； 指纹识别技术； 图像

引言

随着可穿戴技术的快速发展，隐私问题逐渐成为了人们主要关注的问题。由于可穿戴设备自身携带各种传感器，用户的生物信息、体征数据以及健康数据等一些个人隐私信息面临泄露的危险。隐私保护的一个重要手段是采用身份识别技术，而身份识别是判断一个用户是否合法的处理过程，是用来防止攻击者假冒合法用户获得资源的访问权限，保证系统和数据的安全。

传统的身份识别方法包括两类：一类是通过携带标志物体来进行身份识别，如钥匙、证件等；另一类则是匹配标识码来进行身份识别，如口令、用户名和密码等。然而，这些方法存在一定的安全隐患，如口令、密码容易遗忘和被攫取，钥匙和证件也存在被盗取、伪造和丢失的可能。为弥补传统身份识别技术的不足，生物识别技术悄然兴起。

生物识别技术是一种利用人体自身的生理或行为特征来进行身份识别的技术，常见的有指纹[1-4]、面容[5-7]、虹膜[8-11]、静脉识别等。生物识别技术具有不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用等优点，比传统的身份识别方法更具安全、保密和便捷性。据前瞻产业研究院发布的《2014—2018 年中国生物识别技术行业市场前瞻与投资战略规划分析报告》显示，2013 年全球生物识别市场的规模达到 98 亿美元，预计到 2020 年将增长至 250 亿美元[12]。其中，指纹识别凭借其易于采集、识别准确、普遍接受度高的特性，成为目前研究深入、应用广泛、发展较为成熟的一项技术。

指纹特性的发现可以追溯到19世纪末，Henry等的研究表明：不同手指的指纹特征不同；指纹特征保持不变，并伴随人的一生[13]。在随后的发展过程中，指纹的上述两个研究结论逐步得到论证，并于19世纪末在犯罪现场正式投入使用[14]。由于早期人们只能凭借肉眼来识别指纹，所以存在时间耗费长和效率低的缺点。

自从第一台电子计算机于1946年在美国问世以来，图像处理技术得到了飞速发展，指纹识别技术有了质的提升，逐渐形成了如图1所示的自动指纹识别系统(automatic fingerprint identification system，AFIS)，包括指纹信息录入和识别两个环节。在指纹信息录入环节：首先，指纹图像采集，通过不同方法得到的指纹图像在形变、模糊程度上存在差异；随后，进行图像增强，除去采集的指纹图像的噪声、重叠等干扰；最终，提取指纹图像特征并存储，以此作为身份识别的依据。在指纹特征识别环节：采集获取的指纹图像同样需要经过增强、特征提取步骤，最后判断所得的特征信息与录入信息匹配是否识别。

图1 自动指纹识别系统Fig.1 Automatic fingerprint identification system

下面将重点综述指纹识别技术的发展现状，其内容如下：指纹图像采集、指纹图像增强、指纹图像特征提取及匹配、指纹图像存储与数据库应用、总结与展望。

1 指纹图像采集

指纹最初的采集方式是利用油墨和纸，而在电子计算机出现之后，逐渐被光学、电容式传感器等方式取代。近年来，超声、3D、光学断层、射频等扫描技术的引入，逐步提升了指纹图像的分辨率和质量，也将更有利于提升计算机的处理效率。

1.1 光学指纹采集技术

伴随着电子计算机的出现，光学指纹采集技术改善了油墨方法获取指纹的不足，对资源利用率、识别效率、指纹信息存储以及交互的便利性有了显著提升。由于在不同环境下精度需求的提高，光学指纹采集技术经历了单一棱镜光学全反射技术、光学3D技术、光学相干断层扫描式技术的发展。

1.1.1 单一棱镜光学全反射指纹采集技术

20世纪90年代初，随着个人电脑的普及和光学扫描技术的出现，Fielding等在1991年提出基于单一棱镜光学全反射方法来采集指纹图像，其原理如图2所示[15]。他们将10 mW的氦-氖激光作为光源，通过电荷耦合式摄像头捕捉指纹图片，最后利用计算机进行图像匹配。光学指纹采集技术耐用性强，但有如下缺点：一是采集手指表面纹路信息、灰尘和油脂对扫描质量影响大，二是无法对人造指模进行辨识，三是光学扫描设备耗电量高。

图2 棱镜光学全反射原理[15]Fig.2 Optical prism total reflection principle[15]

1.1.2 光学3D指纹采集技术

进入21世纪，传统光学指纹采集技术在银行、监狱等高安全级别的环境下利用率下降。Parziale等在2005年首先提出了一种非接触式3-D指纹采集设备，如图3所示[16]。

图3 环绕式成像装置[16]Fig.3 Surround imaging device[16]

16个不同颜色的LED灯作为光源环绕在手指周围，保证手指指纹有效部位整体均匀受光，5个摄像头采集指纹信息(3号摄像头用于定位指纹中心区域)，利用3D重建算法在计算机中重现指纹特征。特征点信息分别用代表三维坐标的(x,y,z)、仰角 (φ)以及仰角在XY平面投影与X轴的夹角(θ)表示并储存。结果显示，采集的指纹图像精度在500～700dpi(dots per inch)，且绿色光对于过干/湿手指的指纹细节采集能力强。

1.1.3 光学相干断层扫描式指纹采集技术

2010年，德国启动OCT-Finger项目，引入光学相干断层成像技术(optical coherence tomography，OCT)，提高了指纹图像精确度。OCT技术不仅可以扫描获得指纹表面的纹路信息，更重要的是能够深入表皮2～3 mm捕捉手指真皮层信息。Sousedik等对项目中OCT扫描质量进行了评估：如图4所示，波长为(1 300±55)nm的光束扫描长、宽、高分别为(4×4×2.5)mm的空间体积，最终转换显示(200×200×512)体素的图像，平均采集时间为2.24 s[17]。对于混杂有活体指纹、尸体指纹，以及利用明胶、硅树脂、乳胶、木胶、甘油、石墨等不同材料制作的9类人造指模的指纹样本，能够获得手指内、外部指纹信息。OCT技术重建一张(2×2)cm大小的图片需占用计算机1GB的内存，因此数据库的建立以及数据的压缩是该项技术未来的发展方向。

图4 指纹层模型。(a)手指分层情况；(b)初始指纹点集分布：黄色(手指外层)，天空蓝(手指内层)；(c)平滑后的簇状分布：红色(手指外层)，蓝色(手指内层)[17]Fig.4 Fingerprint layer model. (a) Finger layer；(b) Initial set distribution: yellow (outer), azure(inner)；(c) Smoothed clusters distribution: red (outer), blue (inner) [17]

1.2 电容式传感器指纹采集技术

随着半导体技术的进步，Tartagni等在20世纪90年代末提出了一种基于CMOS集成技术的电容式指纹采集传感器[18]，如图5所示。这种指纹识别设备将手指作为电容的另一极板，由换流器改变输出电压Vo的大小，通过反馈电容变化来间接采集指纹信息，获得指纹图像的分辨率为390 dpi。Hashido等则引入了一种新的材料——低温多晶硅(low-temperature poly-Si)[19]。这种物质在液晶显示技术中尤为重要，目前被广泛地应用于数码设备取景器中。低温多晶硅的优点在于：一是能够在钠碱玻璃基板(soda glass substrate)上制作集成电路，比用纯硅晶体板作为传感器衬底节省成本；二是提高图像分辨率，能够达到500dpi。

图5 电容式传感器指纹采集系统原理[18]Fig.5 Principle of capacitive sensor fingerprint acquisition system[18]

近年来，随着电容式指纹传感器制作成本的降低，基于电容式传感器的指纹识别技术在移动设备中逐渐得到应用。

苹果(Apple Inc.)旗下的子公司AuthenTec生产了主动按压式指纹传感器，在iPhone系列中得到了应用[20-24]。瑞典FPC(Fingerprint Cards AB，FPC)公司的被动触摸式指纹识别技术，应用于华为公司Mate系列、OPPO公司N系列手机[25-27]。这两家公司的技术(主动/被动)区别在于：是否需要按下相关按键进行指纹识别解锁屏幕。

三星集团指纹传感器供应商Validity公司(目前被Synaptics公司收购)同样采用电容式传感器采集指纹图像[28-30]，但为了躲避iPhone系列主动按压式指纹识别技术的专利壁垒[20]，Galaxy系列部分机型(S5等)采取滑擦式指纹采集方法[31]。

1.3 温度传感指纹获取技术

Han等人设计了一种高密度微型加热元件阵列，比较纹脊和纹谷处的温度差异来采集指纹图像：加热元件释放的热量在纹脊处因与皮肤接触进入人体，而由于二氧化硅衬底的隔热效果，热量在纹谷处得以聚集，短时间内温度上升更快，如图6所示[32-33]。

图6 温度传感指纹采集系统原理[32]Fig.6 Principle of temperature sensing fingerprint acquisition system[32]

温度传感器能够制成集成芯片，具有便携性强、不受环境光强度干扰的优点。它的缺点是：当指纹采集失败时，多次接触后的手指温度会上升，导致纹脊和纹谷处温度差异减小，降低系统灵敏度。

1.4 超声波指纹采集技术

1999年，Bicz等提出了一种基于超声波的指纹图像获得方式[34]，如图7(a)所示。他们采用6 MHz超声换能器，利用超声波的反射和衍射特性来捕捉超声信号脉冲响应，完成图形重建，试验中未作任何处理的指纹原图像便能呈现出指纹主体的轮廓，如图7(b)所示。它的优点包括：可以控制声波频率，图像的分辨率有一个较大的动态范围(high dynamic range，HDR)，适用于不同场合；超声指纹识别技术不受指纹表面的杂物影响，通过穿透死皮层来体现真皮层的指纹纹路架构，可信度更高。它的缺点在于：造价昂贵，对超声发生设备要求高；需要准确控制声波频率，长时间的超声波接触会对人体造成伤害。

图7 (a)超声探头架构；(b)超声信号脉冲响应重建[34]Fig.7 (a)ultrasonic probe;(b)Ultrasonic signal pulse response reconstruction[34]

随着3D成像技术的成熟，科学家们提出了一种融合了超声技术的3D指纹采集方法。2009年，Maeva等介绍了一种超声指纹采集装置，分辨率为15m[35]，如图8所示。探头采集指纹表面反射的短脉冲超声信号，图像分辨率约为1 000 dpi。相比光学以及基于电容式传感器的指纹采集技术，3D超声指纹采集技术的优点在于：手指处于自然舒张状态，没有因按压导致指纹的变形。缺点在于：超声探头造价昂贵；3D指纹信息存储量大，对数据库的存储和筛查要求高。

图8 3D-超声指纹扫描装置[35]Fig.8 3D-ultrasound fingerprint scanners[35]

1.5 电磁波指纹采集技术

Chan等介绍了AuthenTec公司一款名为TruePrint的指纹扫描仪，可利用射频信号的穿透性检测手指真皮层的信息，原理如图9所示[36]。射频信号是一种高频交流变化的电磁波，由于电导系数不同，射频信号在手指与传感器阵列的空隙间会形成电场，电场强弱即代表手指纹路的信息。电导系数能够决定电磁波的传播方向，因此使用射频技术的优点是可以进行活体身份识别，缺点在于对与人真皮层电导系数相近的材料制成的指模分辨力会下降。

图9 TruePrint指纹扫描仪工作原理[36]Fig.9 Working principle of the TruePrint fingerprint scanners[36]

1.6 不同指纹图像采集技术的优缺点

指纹图像的质量随着采集技术的更新不断提升，每一种方法都有其相应的优缺点。

1)光学指纹采集技术的出现，弥补了油墨方法采集指纹信息在资源利用率、识别效率、指纹信息存储以及指纹信息交互便利性方面的不足，但存在体积过大、无法微型化的缺陷。

2)电容式传感与温度传感指纹获取技术，优点是缩小了体积，为便携式设备集成自动指纹识别系统提供了条件，缺点在于因人体与设备直接接触而引起误差。

3)超声、射频等技术的融合，使得指纹识别技术能够调整图像的分辨率，顺应不同场合的需求，但成本会相应提高。

指纹图像采集方法对比如表1所示。

表1 指纹图像采集方法

表2 指纹图像增强

注：本表给出了指纹图像增强的主要步骤，并对每个步骤的目的、方法及对应的优缺点进行了小结。

Note：Table 2 shows the main steps of fingerprint image enhancement and their purpose, advantages and disadvantages of different methods.

2 指纹图像增强

指纹图像增强的目的在于：一是减小手指表面杂物、皮肤破损等引起的噪声干扰；二是增强指纹脊和谷的对比度。指纹图像增强的成功操作是后续指纹特征提取的基础，对指纹图像的分类、识别有着重大的影响。Jain等指出，指纹识别技术中有90%的能量消耗于图像处理[42]。图10列出了图像增强的主要步骤，包括指纹图像平滑处理、指纹图像二值化和指纹图像细化，每个步骤的目的、方法及对应的优缺点如表2所示。

2.1 指纹图像平滑处理

图像平滑处理主要用于消除来源途径多样的噪声，如静电或电流一类的外部干扰、因器材工作振动产生的内部噪声等，噪声产生的原因决定了噪声和图像有效信号间的关系。消除噪声的方法可归纳为时域滤波和频域滤波处理两类。

图10 指纹图像算法架构Fig.10 Fingerprint image algorithm architecture

图11 匹配滤波器滤波。(a)灰度变换后指纹图像；(b)时域滤波+二值化后指纹图像[44]Fig.11 Matched filter transformation. (a) Fingerprint gray image; (b) The time domain filter+ binary[44]

图像在傅里叶空间中能较好地分辨出高频(边缘、噪声等)和低频(图像主要信息)成分。Gabor变换在1946年由Gabor提出，Gabor小波的优点是与人类视觉系统中简单细胞的视觉刺激响应非常类似，对于图像的边缘敏感度高，因此Gabor滤波器在视觉领域中经常被用作图像的预处理[45]。近年来，不少研究人员对于传统Gabor滤波器做了不同的调整，其中Jain等在此之上提出了一种图像增强方法，原理如图12所示[46]。他们利用Gabor滤波器对于局部(脊、谷)和全局(边缘)的特性捕捉能力较强这一特征，设计了Gabor滤波器组来进行指纹图像增强。

图12 Gabor滤波器组工作原理[46]Fig.12 Working principle of gabor filter set[46]

Areekul等提出了一种二维离散正交Gabor小波基，设计了8方向一维滤波器，同时与Jain等的工作对比，如图13所示[47]。实验将FVC2000_DB2A数据库中800幅、分辨率为500 dpi的指纹图像作为检测依据，在平均处理时间、特征点比对、等错误率三方面与传统2D Gabor滤波器进行比较。结果显示：在假设传统2D Gabor滤波器对于特征点的检测全部正确的情况下，该滤波器虽然有22.942%特征点遗漏和16.296%特征点误识，但处理时间是传统2D Gabor滤波器的38.15%，并且两者等效错误率相差小于1%。因此，离散Gabor滤波器的突出优点在于运行速度较快。

图13 8方向一维滤波器模板[47]Fig.13 8 direction of dimensional filter template[47]

2.2 指纹图像二值化

指纹图像二值化的作用是将图像前景和背景分开，最早使用的方法是阈值法，包括全局阈值法和局部阈值法。全局阈值法适用于双峰性好的图像，在设定某一全局阈值T后，通过比较每一像素点或每一小块区域内平均灰度值与T的大小，区分图像前景和背景，简便性强。目前，常用的全局阈值法包括平均阈值法、Otsu法(又称大津法、最大类间差法)、边缘算子法。平均阈值法是指纹图像经过图像预处理后，把计算图像中所有像素点灰度值的平均值作为阈值T；该算法实现简便，计算速度较快，但是忽略了整幅图像像素点灰度值的分布情况。Otsu法在平均阈值法的基础上，预先设定某一阈值T，将图像分为两部分后，通过迭代计算，将两部分图像间类方差达到最大时的T作为全局阈值。边缘算子法针对图像边界的保留，多用于指纹图像的断续拼接。

Bian等利用局部阈值法，将图像分为互不重合的小区域，在计算区域内灰度平均值和分布特性的基础上，通过不同区域权重计算灰度阈值[48]。此方法将部分区域列为特殊区域处理，适用于突发噪声或背景灰度值突然变化等情况，缺点在于计算量大，运算速度较全局阈值法慢，在区域间会存在灰度值不连续的情况。Fei在他的研究中提出了一种根据局部阈值进行图像二值化的混合算法，通过比较区域方向场的方差与预设阈值的大小，将指纹图像局部断裂处(即方向信息较少的区域)补全，对比处理结果如图14所示[49]。

图14 局部阈值混合算法。(a)原图；(b)方向场法二值图；(c)贝叶斯法二值图；(d)混合法二值图[49]Fig.14 The local threshold hybrid algorithm. (a) Original image; (b) Direction field method binary figure; (c) Bayesian method binary figure; (d) Hybrid method binary map

2.3 指纹图像细化

完成图像二值化后，指纹图像细化的目的是为获得清晰的单像素宽骨架结构。目前，常用的细化算法可依据是否使用迭代运算分为两类：非迭代算法通过一次删除即产生骨架，如基于距离变换、游程长度编码细化等方法；迭代算法即重复筛选满足条件的像素点并删除，最终得到单像素宽骨架。迭代算法依据扫描原理可再分为串行算法和并行算法。在串行算法中，每次迭代的执行中需固定顺序删除像素点，它不仅取决于前次迭代的结果，也取决于本次迭代中已处理过像素点的分布情况；在并行算法中，则仅取决于前次迭代的结果进行像素点删除。

对未进行细化处理的原图进行特征提取，纹脊宽度过大会造成特征点的定位失误。因此，在2003年，Vijayaprasad等提出了一种模糊算法限定图像有价值区域，为特征提取、边缘检测提供保障，如图15所示[50]。

图15 模糊算法处理。(a)原图；(b)结果[50]Fig.15 Fuzzy algorithm.(a) Original image; (b) Result[50]

根据图像具有旋转不变性这一特征，Ahmed等提出了一组细化模板，通过匹配像素点邻域内像素分布达到细化的效果[51]。3年后，Patil等对此细化算法进行了改进，引入对角线法提高了细化的效果[52]。Patil等对比Hilditch算法和Ahmed所提出的算法，结果显示：前者的缺点在于细化后纹线不居中，以及端点位置改变；后者的缺点则是对图像噪声滤除不彻底，产生多个孤立点。Patil等改进了算法，在45°、135°位置的细化效果提高，对比结果如图16所示。

图16 细化算法对比。(a)原图；(b)Hilditch细化算法；(c) Ahmed等的细化算法[51]；(d)Patil等的细化算法[52]Fig.16 Thinning algorithm comparison chart. (a) The original image; (b) Hilditch algorithm;(c) Ahmed′s algorithm[51];(d) Patil′s algorithm[52]

3 指纹图像特征提取及匹配

随着计算机图形处理技术的发展，选取不同的方向场信息和特征点类型等条件，将会导致指纹匹配结果差异变化。下面针对近年来指纹识别技术所使用的不同特征提取及匹配方法进行介绍。

3.1 方向场提取与匹配

指纹采集设备精确度和灵敏度的差异，会造成指纹图像残缺、连接不全。方向场信息清晰地给出了指纹图像的纹脊和纹谷区域，是图像定向连接以及分类匹配的依据。Soifer在1996年总结提出了一种利用不同梯度方向比例来进行指纹匹配的方法[53]。类似的工作在文献[54-56]中也进行了介绍。

基于像素点的梯度方向场计算受指纹图像噪声影响较大，因而基于像素块计算局部方向场的方法使用较多[57-59]。Bazen将两者对比，指出了在图像块区域内点梯度方向直接加权平均会使相反方向场抵消误差，因此在Kass加倍方向角的基础上[42]，需要进一步将梯度向量长度计算平方，处理结果如图17所示[55]。该方法优点是能够获得高对比度的指纹方向场，缺点在于计算像素点角度和梯度向量长度信息会使计算量的增加，时间增长。

图17 局部指纹方向场。(a)原图；(b)方向场[55]Fig.17 Local fingerprint direction field. (a) Original image；(b) Direction of the field[55]

有研究利用匹配滤波器(matched-filter)提取指纹方向场信息：一是根据滤波器和信号的相频特性，使信号不同频率成分在滤波后同相叠加输出；二是根据信号的幅频特性，实现指纹点或块方向场的提取和自动分类等功能[60]。在此基础之上，Cai等人引入斐波那契数列作为滤波器参数选择，减少环境带来的影响[61]。近年来，不少研究进行频域滤波处理时，利用Radon变换[62]、haar小波[63]等函数来捕捉图像方向细节信息。

此外，方向场所占比例可以作为图像匹配的依据。Maio等将感兴趣区域内各像素点方向场统计所占比例作为依据，处理环节如图18所示[64]。

图18 依据方向场信息的指纹匹配[64] Fig.18 Fingerprint matching based on the direction information[64]

3.2 特征点提取与匹配

Jain等最早在1996年提出了拱形、帐弓形、左环形、右环形、螺纹形这五大指纹纹型，延用至今。而基于指纹图像方向提取的积累，Cappelli等对指纹纹型进行了扩充，如图19所示[54]。

图19 指纹分类。(a)纯拱形；(b)帐拱门；(c)径向循环；(d)尺骨循环；(e)普通螺纹；(f)中部口袋形；(g)双重循环形；(h)螺纹形[54]Fig.19 Fingerprint classification figure. (a) Plain arch; (b) Tented arch; (c) Radial loop; (d)Ulna loop; (e) Plain whorl;(f) Central pocket; (g)Double loop; (h)Accidental whorl[54]

但是，指纹纹型缺少一种国际化的标准。为了保证AFIS的可靠性和效率，基于图像特征点的指纹匹配方法被提出。美国联邦调查局在1984年提出了18种指纹特征点类别，而为AFIS特征提取及匹配所用的仅局限于两种基本特征点：分叉点和节点，如图20所示。

图20 指纹基本特征点。(a)分叉点；(b)节点Fig.20 Fingerprint basic feature points. (a) Bifurcation point; (b) Node

结合Jain等在指纹图像预处理方面的研究成果[46]，Ratha利用16×16滤波算子提取方向场，通过两类特征点间纹线密度来进行区域特征提取及匹配[65]。该方法将单一的点方向场信息互相结合，引入了区域特征进行图像匹配。到了21世纪，Ren等在研究区域特征的基础之上，提出了一种通过特征簇内及簇间特征距离、方向信息进行图像匹配的方法[66]。该方法利用区域特征匹配的优势，对于孤立的噪声点具有很好的滤除效果。

Palmer等在分叉点和端点这两种特征基础之上，补充定义了5种新的特征模型，如图21所示[67]。他们利用3×3的滤波算子对预处理后的指纹骨架进行特征点提取，利用式(1)以及表3筛选。该方法的优点是通过阈值筛选可以查看特征点分布区域，去除伪特征点，进一步提取有效特征点。

图21 指纹特征模型补充[67]Fig.21 The fingerprint characteristic model[67]

(1)

式中，CN为特征值；Pi为3×3邻域内第i点灰度值。

表3 计算结果与特征点对应类型[67]

此外，Mistry等将参考点和特征点间的旋转不变性[68]以及德洛内三角组结构[69]作为依据，为有

残缺部分的指纹识别提供了一种方法，结构单元如图22(b)所示[70]。

图22 (a)邻域内特征点；(b)德洛内三角结构特征[68-70]Fig.22 (a)Feature points connection in the neighborhood; (b)Triangle structure characteristics of the Delaunay[68-70]

图像特征提取能够利用形态学的方法，在二值图的基础上利用开运算去除随机噪声，利用闭运算对边界像素点删除，提取骨架[71-74]。Kaur等最后通过大量实验对匹配结果进行评估，最终获得平均认假率为0%、平均拒真率低于7%的结果[71]。形态学方法的引入，提高了对二值图的处理效率，在选择不同领域模板上具有很强的灵活性。表4为主要的指纹图像匹配方法。

表4 指纹图像匹配方法

注：给出了主要的指纹图像匹配方法，并对每种方法核心技术及优缺点进行了对比小结。

Note：Shows the methods of fingerprint image matching and their key, advantages and disadvantages.

4 指纹图像存储与数据库应用

研究发现，高质量的指纹图像包含了70～80个特征点[65]，因此数据库的建立与查找在效率提高方面尤为重要。Sankaran等构建了包括油墨影印(NIST SD系列等)、传感器扫描(FVC系列等)、摄像头捕捉和仿真指模在内的分类数据库[75]，拥有近20 000样本供算法检测。

图23 特征点柱形存储单元[76]Fig.23 Cylindrical storage unit of feature points[76]

Gutierrez等提出了一种特征点柱形存储单元，如图23所示，将特征点位置及方向(角度)信息分别转化存储于Ns、Nd中[76]。通过提取不同特征点的数量(8或16[77])，在指纹库中随机选择1 000～100 000个样本进行实验，结果显示等错误率在0.62%。此设计方法为大规模指纹库提供了一种检索选择，但针对同一个人指纹由不同方法获得的结果并未列入考虑范围。

针对近年来快速发展的3D指纹识别技术，却并未有大型公开的3D指纹库供识别算法进行检测和平行对比。Zhou等使用北美TBS公司生产的3D指纹仪来捕捉3 000幅3D指纹图像，相同手指作为对比而言的2D指纹图像则是通过接触式验证器(CROSSMATCH Verifier 300 LC 2.0)获得。实验结果显示，该数据库的2D指纹、3D指纹以及2D/3D相互间匹配等错误率在0.06%、0.49%以及5.65%[78]。虽然实验结合了同一个人由两种不同方式采集而得的指纹，但2D与3D图像存在不同采集设备间兼容识别的问题，识别率较低。

当前，指纹数据库缺乏统一的存储标准，因此不少研究者选择使用原始指纹图像数据库进行相关研究。在未来，包括2D/3D、平面/立体、断层指纹图像在内的不同数据库融合，会进一步促进匹配算法验证的鲁棒性提升。

5 总结与展望

在本文中，对指纹识别技术的发展现状进行了综述，重点阐述了在自动指纹识别系统中，指纹图像的采集、图像增强、特征提取及匹配、图像的存储与数据库应用的技术现状。随着信息技术的不断发展，新型指纹图像采集技术和传感器不断涌现，用来满足在刑侦、司法鉴定等特殊环境下的应用，而图像增强、特征提取与匹配算法则侧重于加强其鲁棒性，提高对残缺指纹的识别率等。此外，可以预见，指纹识别技术将深入进行以下方面的研究，指纹识别的应用场合将不断增加，指纹识别将具有广阔的市场前景。

5.1 活体识别

由于指纹容易伪造，其被盗用的概率不可忽视，指纹识别设备对于活体识别的需求将显著提升。日前，国内外研究机构和公司都已开始涉足指纹活体识别技术，并取得了一定进展[79-80]。另外，指纹的汗孔特征也被证明可作为活体识别的判断依据[81-82]。可见，活体识别功能将会是指纹识别技术未来发展的重点之一。

5.2 多重特征融合的识别技术

目前在中国，指纹识别技术占据了生物识别市场90%以上的份额，但因其易获得性，造成指纹被盗用、特殊状态指纹(如手指潮湿、受伤破损等)的识别问题屡见不鲜，指纹识别技术在应用过程中的安全性与可靠性仍有待提高[83]。因此，结合其他生物特征(如声纹、虹膜、视网膜血管网络、面部特征、静脉网络等)，克服单一生物识别技术的不足，推动生物识别技术的多元化交错发展，将会是指纹识别技术未来的一个重点研究方向。

5.3 可穿戴式产品运用

随着可穿戴式设备与物联网的持续升温，可穿戴式计算具有广阔的应用和产业前景，并有望成为全球下一个经济增长点[84]。目前，诸如带有指纹解锁功能的移动支付手环[85]、汽车指纹锁[39]等穿戴式产品的出现，以及结合基于人体通信的可穿戴式身份识别技术的研究等[86]，表明指纹识别技术在可穿戴式设备的应用将更为广泛。

5.4 人工智能结合

除了提升自身安全系数之外，指纹识别技术将会在其他领域进一步凸显其实用性。在2016年世界人工智能大会以及2016年世界机器人大会上，人工智能产业被预估在2018年将达到千亿级应用规模[87]。其中，以指纹识别技术为首的生物识别技术在数据采集方面被视为至关重要的一环，将会引发人工智能产业爆发的前哨战。

[1] Fernandez-Saavedra B, Sanchez-Reillo R, Ros-Gomez R, et al. Small fingerprint scanners used in mobile devices: The impact on biometric performance [J]. IET Biometrics, 2016, 5: 28-36.

[2] Makrushin A, Scheidat T, Vielhauer C. Capturing latent fingerprints from metallic painted surfaces using UV-VIS spectroscope [C] //Media Watermarking, Security, and Forensics 2015. Bellingham: SPIE Press, 2015: 94090B-94090B-12.

[3] Auksorius E, Boccara AC. Fingerprint imaging from the inside of a finger with full-field optical coherence tomography [J]. Biomedical Optics Express, 2015, 6(11): 4465-4471.

[4] Sankaran A, Vatsa M, Singh R. Latent fingerprint matching: A survey [J]. IEEE Access, 2014, 2(2): 982-1004.

[5] Palermo R, Rossion B, Rhodes G, et al. Do people have insight into their face recognition abilities? [J]. Quarterly Journal of Experimental Psychology, 2017, 70: 218-233.

[6] Oh SK, Yoo SH, Pedrycz W. A comparative study of feature extraction methods and their application to P-RBF NNs in face recognition problem [J]. Fuzzy Sets and Systems, 2016, 305: 131-148.

[7] Luo Lei, Chen Liang, Yang Jian, et al. Tree-structured nuclear norm approximation with applications to robust face recognition [J]. IEEE Trans Image Processing, 2016, 25: 5757-5767.

[8] Raja KB, Raghavendra R, Vemuri VK, et al. Smartphone based visible iris recognition using deep sparse filtering [J]. Pattern Recognition Letters, 2015, 57: 33-42.

[9] Barra S, Casanova A, Narducci F, et al. Ubiquitous iris recognition by means of mobile devices [J]. Pattern Recognition Letters, 2015, 57: 66-73.

[10] Liu Nianfei, Zhang Man, Li Haiqing, et al. DeepIris: Learning pairwise filter bank for heterogeneous iris verification [J]. Pattern Recognition Letters, 2016, 82: 154-161.

[11] Karakaya M. A study of how gaze angle affects the performance of iris recognition [J]. Pattern Recognition Letters, 2016, 82: 132-143.

[12] 吴小燕, 李玲, 邓莎,等. 2014—2018 年中国生物识别技术行业市场前瞻与投资战略规划分析报告 [R]. 北京：前瞻产生研究院，2016.

[13] Henry F. On the skin-furrows of the hand [J]. Nature, 1880, 22: 605.

[14] 赵向欣. 中华指纹学 [M]. 北京: 群众出版社, 1997.

[15] Fielding KH, Horner JL, Makekau CK. Optical fingerprint identification by binary joint transform correlation [J]. Optical Engineering, 1991, 30: 1958-1961.

[16] Parziale G, Diaz-Santana E, Hauke R. The Surround ImagerTM: A multi-camera touchless device to acquire 3D rolled-equivalent fingerprints [C] //Advances in Biometrics. Secaucus: Springer-Verlag, 2006: 244-250.

[17] Sousedik C, Busch C. Quality of fingerprint scans captured using Optical Coherence Tomography [C] //IEEE International Joint Conference on Biometrics(2014). Clearwater: IEEE, 2014: 1-8.

[18] Tartagni M, Guerrieri R. A 390 dpi live fingerprint imager based on feedback capacitive sensing scheme [C] //1997 IEEE International Solid-State Circuits Conference. San Francisco: IEEE, 1997: 200-201.

[19] Hashido R, Suzuki A, Iwata A, et al. A capacitive fingerprint sensor chip using low-temperature poly-Si TFTs on a glass substrate and a novel and unique sensing method [J]. IEEE Journal of Solid-State Circuits. 2003, 38: 274-280.

[20] Setlak, Dale R. Finger biometric sensor with sensor electronics distributed over thin film and monocrystalline substrates and related methods [P]. US: US07616786B2, 2009-11-10.

[21] 豪泰灵 SP,布萨特 JM，莱昂 BB. 电容式感测阵列调制: CN103376970B [P]. 2017-03-01.

[22] 豪泰灵 SP,布萨特 JM，莱昂 BB. 电子设备： CN203480479U[P]. 2014-03-12.

[23] 波普 BJ， 阿诺德 S，科尔勒特 BJ，等. 电容传感器封装: CN103425965A[P]. 2013-12-04.

[24] 波普 BJ， 阿诺德 S，科尔勒特 BJ，等. 用于指纹识别感测的装置、电子设备及移动设备:CN203535651U[P]. 2014-04-09.

[25] Riedijk FR, Hammersberg J. Fingerprint Sensor Element [P]. PCT: WO2005/124659, 2005-12-29.

[26] Thoenblom H, Riedijk FR. Fingerprint sensing system and method [P]. PCT: WO2015/005855Al, 2015-01-15.

[27] Riedijk, Robert F. Capacitive Fingerprint Sensor With Improved Sensing Element [P]. PCT: WO/2015/147727, 2015-10-01.

[28] Bulea M, Solven D, Reynolds JK, et al. Single layer capacitive imaging sensors [P]. US: US2013/0181943A1, 2013-07-18.

[29] George BF, Joseph GD, Pallavi S. Method and apparatus for two-dimensional finger motion tracking and control [P]. US: US08358815B2, 2013-01-22.

[30] Dean GL, Erhart RA, Jandu J, et al. Integrated Fingerprint Sensor And Navigation Device [P]. US: US20150153923A1, 2015-06-04.

[31] 蓝色. 形形色色的指纹解锁 [J]. 个人电脑, 2016(6): 74-79.

[32] Han J, Kadowaki T, Sato K, et al. Fabrication of thermal-isolation structure for microheater elements applicable to fingerprint sensors [J]. Sensors and Actuators A: Physical, 2002, 100: 114-122.

[33] Han J, Tan Z, Sato K, et al. Thermal characterization of micro heater arrays on a polyimide film substrate for fingerprint sensing applications [J]. Journal of Micromechanics and Microengineering, 2004, 15: 282-289.

[34] Bicz W. Ultrasonic sensor for fingerprints recognition [C] //Optoelectronic and Electronic Sensors. Orlando: SPIE Press, 1995: 104-111.

[35] Maeva A, Severin F. High resolution ultrasonic method for 3D fingerprint recognizable characteristics in biometrics identification [C]//2009 IEEE International Ultrasonics Symposium. Roma: IEEE, 2009: 2260-2263.

[36] AuthenTec, Inc.(Melbourne,FL). Touch Based Data Communication Using Biometric Finger Sensor And Associated Methods [P]. US:US2010/0321159A1, 2010-12-23.

[37] 倪苏平, 陈伟元. 光学指纹采集仪: CN1246801A [P]. 2004-11-03.

[38] 李喆. 华为旗舰新机P9国内发布 携手徕卡共创手机摄影新高度 [J]. 个人电脑, 2016, 22(5):8-8.

[39] 丁卫星, 刘君, 周春阳. 汽车指纹加密遥控器： CN101436342A [P]. 2009-05-20.

[40] 钱玉娟. 小米发无孔式超声波指纹手机 两年磨一剑 [J]. 中国经济信息, 2016(2): 11-11.

[41] 黄芬. 小米发布5s超声波指纹识别手机 [J]. 互联网天地, 2016(10):64-64.

[42] Kass M, Witkin A. Analyzing Oriented Patterns [J]. Computer Vision, Graphics, and Image Processing, 1987, 37: 362-385.

[43] Mehtre BM, Chatterjee B. Segmentation of Fingerprint Images A Composite Method [J]. Pattern Recognition, 1989, 22: 381-385.

[44] O'Gorman L, Nickerson JV. Matched filter design for fingerprint image enhancement [C]//ICASSP-88, International Conference on Acoustics, Speech, and Signal Processing. New York: IEEE, 1988: 916-919.

[45] Gabor D. Theory of communication [J]. Electrical Engineers, 1947, 94: 58-58.

[46] Jain AK, Prabhakar S, Hong L, et al. Filterbank-based fingerprint matching [J]. IEEE Trans Image Processing, 2000, 9: 846-859.

[47] Areekul V, Watchareeruetai U, Tantaratana S. Fast separable Gabor filter for fingerprint enhancement [C] //Biometric Authentication. Hong Kong: Springer-verlag, 2004: 403-409.

[48] Bian Weixin, Xu Deqin. Application of Snake model in fingerprint segmentation [J]. Computer Engineering and Application, 2011, 47: 205-207.

[49] Fei Zhigen, Guo Junjie. A new hybrid image segmentation method for fingerprint identification [C] //2011 IEEE International Conference on Computer Science and Automation Engineering (CSAE 2011). Miami: IEEE, 2011: 382-386.

[50] Vijayaprasad P, Abdalla AGE. Applying neuro-fuzzy technique to the enhanced fingerprint image [C] //The 9th Asia-Pacific Conference on Communications. Piscataway: IEEE, 2003: 551-555.

[51] Ahmed M, Ward R. A rotation invariant rule-based thinning algorithm for character recognition [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24: 1672-1678.

[52] Patil PM, Suralkar SR, Sheikh FB. Rotation invariant thinning algorithm to detect ridge bifurcations for fingerprint identification [C] //17th IEEE International Conference on Tools with Artificial Intelligence. Hong Kong: IEEE, 2005: 641.

[53] Soifer VA, Kotlyar VV, Khonina SN, et al. Fingerprint identification using the directions field [C] //Proceedings of the 1996 International Conference on Pattern Recognition. Vienna: IEEE, 1996: 586-590.

[54] Cappelli R, Lumini A, Maio D, et al. Fingerprint classification by directional image partitioning [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1999, 21: 402-421.

[55] Bazen AM, Gerez SH. Systematic methods for the computation of the directional fields and singular points of fingerprints [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24: 905-919.

[56] Zhang Liang. Extraction of direction features in fingerprint image [J]. Experimental and Applied Mechanics, 2014, 518: 316-319.

[57] Woo KL, Jae HC. Automatic real-time identification of fingerprint images using wavelets and gradient of Gaussian [C] //IEEE Asia Pacific Conference on Circuits and Systems. Piscataway: IEEE, 1997: 917-920.

[58] Vaidehi V, Naresh BNT, Ponsamuel MA, et al. Fingerprint identification using cross correlation of field orientation[C]//The 2nd International Conference on Advanced Computing (ICoAC). Miami: Curran Associates, Inc, 2010: 66-69.

[59] Wang Yi, Hu Jiankun. Global Ridge Orientation Modeling for Partial Fingerprint Identification [J]. Pattern Analysis and Machine Intelligence, 2011, 33: 72-87.

[60] Karu K, Jain AK. Fingerprint classification [J]. Pattern Recognition, 1996, 29: 389-404.

[61] Cai Xiumei, Fan Jiulun, Gao Xinbo. Directional filter masks for fingerprint enhancement ased on fibonacci sequences [J]. Pattern Recognition and Artificial Intelligence. 2011, 24: 360-367.

[62] Deng Zhenghong, Ding Youjun. The Algorithm of Fingerprint Enhancement Base on Dynamic Direction [J]. Microelectronics & Computer, 2005, 22: 70-72,76.

[63] Abu-Bakar SAR. Fingerprint matching based on directional image constructed using expanded Haar wavelet transform [C] //International Conference on Computer Graphics, Imaging and Visualization. Aachen: IEEE, 2004: 149-152.

[64] Maio D, Maltoni D. A structural approach to fingerprint classification [C] //International Conference on Pattern Recognition. Vienna: IEEE, 1996: 578-585.

[65] Ratha NK, Karu K, Shaoyun C, et al. A real-time matching system for large fingerprint databases [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1996, 18: 799-813.

[66] Ren Qun, Tian Jie, He Yuliang, et al. Automatic fingerprint identification using cluster algorithm [C] //16th International Conference on Pattern Recognition. Quebec: IEEE, 2002: 398-401.

[67] Palmer LR, Al-Tarawneh MS, Dlay SS, et al. Efficient fingerprint feature extraction: Algorithm and performance evaluation [C] //The 6th International Symposium on Communication Systems, Networks and Digital Signal Processing. Miam: Curran Associates, Inc., 2008: 581-584.

[68] Mital DP, Teoh EK. An automated matching technique for fingerprint identification [C] //The 6th International Conference on Emerging Technologies and Factory Automation. New Jersey: IEEE, 1996: 87-92.

[69] Bebis G, Deaconu T, Georgiopoulos M. Fingerprint identification using Delaunay triangulation [C] //International Conference on Information Intelligence and Systems. Rockville: IEEE, 1999: 452-459.

[70] Mistry PI, Paunwala CN. Fusion fingerprint minutiae matching system for personal identification [C] //The 4th International Conference on Computing, Communications and Networking Technologies. Miami: Curran Associates Inc, 2013: 1-6.

[71] Kaur R, Sandhu PS, Kamra A. A novel method for fingerprint feature extraction [C] //2010 International Conference on Networking and Information Technology. Miami: Curran Associates Inc, 2010: 1-5.

[72] Fahmy MF, Thabet MA. A Fingerprint Segmentation Technique Based on Morphological Processing [C] //IEEE International Symposium on Signal Processing and Information Technology.. Athens: IEEE, 2013: 215-220.

[73] Das D, Mukhopadhyay S. Fingerprint Image Segmentation Using Block-Based Statistics and Morphological Filtering [J]. Arabian Journal for Science and Engineering, 2015, 40: 3161-3171.

[74] Singh P, Kaur L. Fingerprint feature extraction using morphological operations [C] //2015 International Conference on Advances in Computer Engineering and Applications. Athens: IEEE, 2015: 764-767.

[75] Sankaran A, Vatsa M, Singh R. Multisensor optical and latent fingerprint database [J]. IEEE Access, 2015, 3: 653-665.

[76] Gutierrez PD, Lastra M, Herrera F, et al. A High performance fingerprint matching system for large databases based on GPU [J]. IEEE Trans Information Forensics and Security, 2014, 9: 62-71.

[77] Cappelli R, Ferrara M, Maltoni D. Minutia Cylinder-Code: A new representation and matching technique for fingerprint recognition [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2010, 32: 2128-2141.

[78] Zhou Wei, Hu Jiankun, Wang Song, et al. Performance evaluation of large 3D fingerprint databases [J]. Electronics Letters, 2014, 50: 1060-1061.

[79] 侯侣, 张胜斌. 生物检测装置: CN205302331U[P]. 2016-01-14.

[80] 钟志鑫, 王信亮, 余旖,等. 指纹识别方法、装置和终端: CN106104574A[P]. 2016-11-09.

[81] Park DH, Park BJ, Kim JM. Hydrochromic approaches to mapping human sweat pores [J]. Accounts of Chemical Research, 2016, 49: 1211-1222.

[82] Pyo M, Lee J, Baek W, et al. Sweat Pore Mapping Using Hydrophilic Polymer Films [J]. Journal of Nanoscience and Nanotechnology, 2016, 16: 12263-12267.

[83] 毛巨勇. 生物识别技术的发展与现状 [J]. 中国安防, 2010 (8): 36-39.

[84] Nie Zedong, Liu Yuhang, Duan Changjiang, et al. Wearable biometric authentication based on human body communication [C] //2015 IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN). Cambridge: Curran Associates Inc, 2015: 1-5.

[85] 杨铁党, 徐雄伟, 张亦农,等. 线下移动支付方法及用于该方法的可穿戴式移动支付装置: CN105225102A[P]. 2016-01-06.

[86] Xia Meng, Ma Jingjing, Li Jingzhen, et al. Gradient and SVM based biometric identification using human body communication [C] //IEEE International Conference of Online Analysis and Computing Science (ICOACS). Chongqing:IEEE.2016:61-65.

[87] 王荣. 生物识别技术推动人工智能产业发展 [N]. 中国证券报, 2016-10-19.

A Review of Fingerprint Recognition Technology

Gu Chenlei Liu Yuhang Nie Zedong*Li Jingzhen Wang Lei

(ShenzhenInstitutesofAdvancedTechnology,ChineseAcademyofSciences,Shenzhen518055,Guangdong,China)

Biometric verification has been drawing widespread attention in information security. Fingerprint recognition has been improved by the rapid development of computer graphics technology in the past years. In this paper, the review of fingerprint recognition technology in recent 20 years was conducted, the key technologies of fingerprint recognition, such as fingerprint image acquisition, image enhancement, feature extraction and matching, and data storage were introduced and summarized, the advantages and disadvantages of aforementioned technologies were concluded.

biometric verification;fingerprint recognition; image

10.3969/j.issn.0258-8021. 2017. 04.012

2016-10-08， 录用日期:2017-02-25

国家自然科学基金(61403366，u1505251)； 广东省省级科技计划项目(2015A020214018)； 深圳市技术开发项目(CXZZ20150505093829778)

R318

A

0258-8021(2017) 04-0470-013

*通信作者(Corresponding author)，E-mail: zd.nie@siat.ac.cn