细节点指纹特征提取、匹配方法研究

蔡 凡

(闽南理工学院， 福建 泉州 362700)

近年来，指纹识别技术逐渐发展成熟，并得到广泛应用，如用于日常生活中的智能支付、手机解锁、程序安装确认等[1]。但是，在享受其方便性的同时，防止信息泄露、保障信息识别安全等问题也需引起更多关注[2]。本次研究将针对指纹细节特征点进行提取，并进行算法匹配。

1 指纹细节特征点

指纹特征的提取和匹配是指纹识别系统的关键环节[3]，其算法直接影响指纹识别的性能、速度和效率。指纹特征提取，是指针对指纹细节特征点信息进行提取[4]。图1所示为美国联邦调查局提出的两类指纹特征点模型，即纹线末梢点和纹线分叉点[5]。这两类特征点对指纹的描述具有唯一性。

图1 指纹特征点模型

通过搜索指纹图像上的特征点，将指纹图像转化为由若干末梢点和分叉点组成的点集，指纹提取和匹配问题也相应地转化为寻找点集间相似度(即点集匹配)的问题。记录每一处细节点的相关信息，主要包括：(1) 指纹细节点坐标和方向；(2) 所在纹线的切线方向角；(3) 细节点的类型。对于质量较好的指纹图像，通常能从中提取出40～100个细节点。通过细节点的表示，将指纹匹配问题转化成为平面点模式匹配问题[6]。但照此方法处理低质量或低分辨率指纹图像时，会产生一些伪特征点或丢失掉一些特征点信息。

为了得到指纹细化图像，须先对获取的指纹图像进行预处理，这一步是进行指纹特征提取和匹配的关键环节。首先，对指纹图像进行灰度化处理得到黑白的标准化图像；然后，基于Gabor滤波的指纹图像增强技术，进行带阻滤波二值化处理，并再次细化；最后，对细化后指纹图像中的断点指纹进行去毛刺处理，即可得到细化的指纹图像(见图2)，并从中提取出细节点(脊终、结点和脊分叉点)。目前，在处理指纹细化方面，存在细化不够完全、中心线偏离骨架、执行速度降低等问题[7]。

图像细化应满足以下要求：

(1) 保证指纹图像上原本指纹纹路的连通性和断点的完备性。

(2) 不改变指纹纹路。

(3) 删除无关边缘像素，使纹线仅保持一个像素的宽度，并将指纹图像转化为单像素连通图。

图2 指纹细化图

2 指纹特征提取

指纹特征提取，是指从一幅含有大量信息的指纹图像中，获得一些有区别能力、稳定且能表现出不同指纹差异的特征点。如果对指纹图像的大量数据都进行匹配，将会加大匹配耗时，这显然不现实。因此，只需从指纹图像中获取具有辨识度的特征信息，就有利于完成指纹的高效匹配。如图3所示，指纹特征的提取流程如下：

(1) 获取指纹灰度图像。直接从该灰度图像中提取纹线并进行跟踪。此方法虽节省时间，但算法过于复杂，且指特征的位置及方向也不准确，存在很多噪声影响。

(2) 从指纹灰度图像中获取指纹方向图，包括方向场和频率场，以反映指纹图像的纹理结构。但有时候会因噪声、裂纹、湿度等因素影响，导致指纹局部纹理不稳定、分辨率低。因此，需对指纹图像进行滤波以增强图像。

(3) 在增强图像中，通过二值化操作和追踪脊线获得指纹二值图，以满足增强效果的实际需求。

(4) 从二值图中提取获得末梢点和分叉点，作为待匹配的细节点。

图3 指纹特征提取流程图

在此，介绍一种细节点8邻域模板特征提取算法。在指纹细化图中脊线为单像素宽，在指纹细化图中构建像素3×3的模版，以每个值为1的像素点为中心形成3×3的窗口。按此模板特征来找出所有的正常脊线点、分叉点和端点周围的邻域结构(见图4)。

图4 细节点8邻域特征模板

根据上述特点，在建立的特征模版中求得灰度值顺序变化次数Cn(P)，以此判断中心像素点类型。判断公式为：

(1)

(2 )

式中：P为待测像素点；i为像素点个数；Pi为P的邻域；Sn(P)为8邻域像素中为1的像素个数；Cn(P)为这8个邻域像素的相邻像素的灰度值从0变为1，或者从1变为0的次数。

对于背脊上的像素，可根据Cn(P)和Sn(P)确定待测P像素的状态。分析发现，Cn(P)和Sn(P)的数值只有以下3种情况：

(1)P点为脊线上的一个点，且Cn(P)=2，Sn(P)=1，则P为末梢点。

(2)P点为脊线上的一个点，且Cn(P)=6，Sn(P)=3，则P为分叉点。

(3)P点为脊线上的一个点，且Cn(P)=4，Sn(P)为2、3或者4，则P为脊线上的连续点，即P不是特征点。

当找到一个脊线连续点之后，将该点像素值标记为0，并自该点开始，按从下到上、从左到右的顺序继续在其邻域内寻找脊线连续点，直至碰到分叉点或终结点时停止，然后开始下一次扫描搜索。扫描完整幅图像后，即可获得到指纹全部的脊线点。细节点脊线追踪过程如图5所示。

图5 细节点脊线追踪过程

通过以上指纹特征提取算法，分别记录末梢点和分叉点，将伪特征点去除，从而提取出匹配过程中所需要的特征点。其中判断末梢点和分叉点的描述语句如下：

if a==6 %分叉点判断

tezheng(i，j，1)=i；

tezheng(i，j，2)=j；

tezheng(i，j，3)=1；

xxx=xxx+1；

I(i，j)=0；

I(i-1，j)=1；I(i-1，j+1)=1；I(i，j+1)=1；I(i+1，j+1)=1；

I(i+1，j)=1；I(i+1，j-1)=1；I(i，j-1)=1；I(i-1，j-1)=1； %1表示分叉点 0表示端点

end

if a==2 %末梢点判断

tezheng(i，j，1)=i；

tezheng(i，j，2)=j；

tezheng(i，j，3)=2；

xxx=xxx+1；

I(i，j)=0；

I(i-1，j)=1；I(i-1，j+1)=1；I(i，j+1)=1；I(i+1，j+1)=1；

I(i+1，j)=1；I(i+1，j-1)=1；I(i，-1)=1；I(i-1，j-1)=1；

end

figure，imshow(I)

title(‘指纹特征提取’)

3 指纹匹配

指纹匹配是确定指纹之间相似程度的过程，其目的是为了判断两幅指纹是否来自于相同或不同的手指，即真匹配和假匹配[9]。在自动指纹识别系统中，匹配方法有模板匹配、图像相关性匹配、细节点匹配和纹线匹配。在匹配的过程中，需建立输入指纹特征与模板指纹特征之间相对应的关系，而衡量两幅指纹图像相似或对应的程度取决于提取特征计算出的两者相似度匹配分数，即在重合面积范围内找到细节点数目设定的阈值。如果两者的匹配分数大于系统预置的阈值，则匹配；如果匹配分数小于系统预置的阈值，则不匹配。

如图6所示，通过细节点坐标、方向及其邻域内采样点的特征信息，寻找特征点集间的最优匹配细节点对。以该点对为基准点，对其余点进行刚性变换，根据变换后细节点的相对位置建立模板指纹和输入指纹的全部细节点对应关系，进而得到两幅指纹的匹配相似度。

图6 两幅指纹细节点对应关系图

(3)

(4)

即两个细节点的位置间距和角度差异都在设定阈值的范围内，则可将ai、bi作为配对的细节点。式中：r0和θ0为预先设定的阈值；|·|d为两点的欧氏距离；|·|a为两点的角度距离。最后，根据匹配的细节点对，设计并计算一个相似度分数来代表两幅指纹图像的匹配结果。

这种方法也适用于局部搜索指纹的特征匹配。当全局层面匹配判断困难或者指纹分辨率低时，可以利用局部细节点结构对两幅指纹图像进行粗对准，进而在全局层面完成整幅图像的匹配。

4 实验结果分析

选用FVC2000指纹库中的85幅图像(共含有285对相同指纹，2 750对不同指纹)作为特征提取实验测试对象。实验中，分别采用一般方法和利用脊线跟踪去除伪细节特征点法(简称去伪法)进行性能对比。一般方法是指在细化后的指纹图像上直接进行细节特征的提取。

定义特征提取评价性能指标 —— 准确率(η)：

(5)

实验结果显示，采用脊线跟踪去除伪细节特征点的方法平均处理时间为0.15 s。与一般方法相比，其效率明显，提高了70%，其中检测特征点数减少了7个。这是由于从追踪脊线二值图中提取获得末梢点和分叉点，删除了部分无关特征点信息，提高了指纹特征点的辨识度，再经去除伪特征点，丢失的特征点有所减少。准确率达到了90.80%，明显高于一般方法(见表1)。

本次匹配测试采用细节点的位置信息和方向信息，计算指纹中所有细节点算子间的相似度，分析匹配结果，通过误识率(FAR)、拒识率(FRR)、正确率(CR)这3个指标来衡量该匹配算法的达标度。3个指标相加的总和为1，其中误识率为错误拒绝次数占类内测试总次数的比例，拒识率为错误接受次数占类间测试总次数的比例。类内测试的总次数为总的匹配成功次数，类间测试的总次数为总的匹配失败次数。

表1 特征提取实验测试统计结果

在上述去伪法提取指纹细节特征点实验的基础上，对80幅指纹图像进行了6 320次匹配测试。如表2所示，实验一采用相邻特征点局部结果匹配方法，实验二为本次采用的细节点位置信息和方向信息。根据细节点局部特征建立细节点结构算子，用中心细节点所对应算子间的相似度代表匹配结果，用局部细节点结构进而在全局层面完成整幅图像的匹配。

表2 指纹匹配测试结果

当测试总数达到一定数量时，拒识率和误识率均有所变化。在匹配测试条件相同的情况下，本次研究采用的方法(实验二)正确率与采用相邻特征点局部结果匹配方法相比，正确率提高了0.5%，匹配算法达到了匹配指标的要求。

5 结 语

利用脊线跟踪去除伪细节特征点，并对该细节点特征进行位置和方向信息分析，建立配对关系，计算对比其相似度，据此得到匹配结果。按此方法提取指纹特征，其优点是便于提取、易于存储，可以将提取的坐标信息和角度信息储存起来，当需要再次匹配时直接调用即可。匹配算法速度快，只需对比点对的位置信息，就可以实现快速匹配。对指纹识别系统的算法进行了改进，使得指纹识别的可靠性大大增强。