專利名稱：：基于密度圖模型的指紋識(shí)別方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及指紋識(shí)別
技術(shù)領(lǐng)域：
，尤其涉及同時(shí)融合指紋密度圖特征和細(xì)節(jié)點(diǎn)特征進(jìn)行識(shí)別的技術(shù)。
背景技術(shù)：
：在現(xiàn)代社會(huì)中，快速、有效、自動(dòng)地進(jìn)行人身辨別的要求日益迫切，重要部門(mén)保安、過(guò)境控制、移民檢查、機(jī)密或貴重物品保存場(chǎng)所的進(jìn)出、防止信用卡欺騙、網(wǎng)絡(luò)安全等都需要進(jìn)行可靠的人身鑒別。在身份驗(yàn)證的依據(jù)中，鑰匙、證件可能會(huì)丟失、被盜或復(fù)制，密碼又容易被忘掉、混淆或被偷看，而生物特征(包括指紋、人臉、手形、手寫(xiě)簽名、虹膜等)是人的內(nèi)在屬性，它們不會(huì)出現(xiàn)上述情況，因此成為最理想的辨別依據(jù)。這其中，指紋識(shí)別是應(yīng)用最普遍、識(shí)別率最高、最容易被接受的個(gè)人身份認(rèn)定方法。作為物證之首，指紋識(shí)別已有一個(gè)非常漫長(zhǎng)而且成果豐富的歷史?；谟?jì)算機(jī)的自動(dòng)指紋識(shí)別始于二十世紀(jì)60年代，它首先應(yīng)用在刑事偵破中。近年來(lái)，指紋自動(dòng)識(shí)別從刑事應(yīng)用逐漸推廣到考勤、門(mén)禁、銀行保險(xiǎn)箱、社會(huì)保險(xiǎn)等領(lǐng)域，我國(guó)也已初步?jīng)Q定在新一代身份證中引入指紋信息進(jìn)行個(gè)人身份認(rèn)證。在美國(guó)911事件后，基于指紋自動(dòng)識(shí)別的個(gè)人身份識(shí)別更是得到前所未有的重視。目前的指紋自動(dòng)識(shí)別方法主要是基于細(xì)節(jié)點(diǎn)特征的，即提取細(xì)節(jié)點(diǎn)(指紋中脊線的終結(jié)點(diǎn)或交叉點(diǎn))作為特征來(lái)表征指紋圖像，通過(guò)比對(duì)這些特征進(jìn)行識(shí)別。其步驟一般包括指紋圖像采集、方向圖(指紋紋理的方向)提取、圖像增強(qiáng)、指紋脊線細(xì)化、細(xì)節(jié)點(diǎn)提取等。圍繞著如何更好更快地提取細(xì)節(jié)點(diǎn)，近二十年來(lái)國(guó)內(nèi)外研究單位做出了大量工作，并且現(xiàn)有指紋產(chǎn)品都是基于這種方法的，如美國(guó)BAC公司的SecuTouch，日本Sony公司的FIU-500，美國(guó)BII公司的Veriprox，韓國(guó)Bogo公司的Bogo2000，美國(guó)DP公司的U.are.U2000，美國(guó)Identix公司的Biologon等。隨著指紋識(shí)別應(yīng)用的推廣，現(xiàn)有系統(tǒng)和方法在大范圍應(yīng)用上的不足越來(lái)越顯現(xiàn)出來(lái)。最近發(fā)表的一篇論文(S.Pankanti，S.Prabhakar，andA.K.Jain.Ontheindividualityoffingerprints.ProceedingsofIEEEInternationalSymposiumofCVPR，Vol.1，USA，Dec2001，pp805-812)指出，目前的很多指紋系統(tǒng)中對(duì)于一枚指紋平均只能獲得36個(gè)真的細(xì)節(jié)點(diǎn)，而通常認(rèn)為，兩枚指紋之間如果有15個(gè)以上的細(xì)節(jié)點(diǎn)比對(duì)成功就可以判斷為同一個(gè)手指，考慮到用計(jì)算機(jī)方法提取出的細(xì)節(jié)點(diǎn)在坐標(biāo)和方向上會(huì)出現(xiàn)一定誤差，則將某一個(gè)手指的指紋判斷為另一個(gè)的概率大于4.26×10-7。如果考慮到提取出的細(xì)節(jié)點(diǎn)中有假點(diǎn)的話(對(duì)于任何方法都必然會(huì)出現(xiàn)這種情況)，則錯(cuò)誤率還會(huì)大大增大，達(dá)到10-3的程度，嚴(yán)重影響識(shí)別的結(jié)果。出現(xiàn)以上問(wèn)題的一個(gè)根本原因在于指紋的特征表達(dá)不夠完備。指紋這一比較復(fù)雜的模式單用細(xì)節(jié)點(diǎn)來(lái)描述是遠(yuǎn)遠(yuǎn)不夠的?？梢哉f(shuō)，這一問(wèn)題已成為當(dāng)前指紋識(shí)別的一個(gè)瓶頸問(wèn)題。要解決這一問(wèn)題，必須從全新角度重新研究指紋的特征表達(dá)問(wèn)題，尋求新的可以描述指紋個(gè)體差異和自身穩(wěn)定性的特征。當(dāng)然，由于實(shí)際應(yīng)用的限制，這些新的特征應(yīng)該有簡(jiǎn)約的表達(dá)(以方便存儲(chǔ))。在所有可以查到的專利或發(fā)表文獻(xiàn)中，與本發(fā)明思路比較接近的有在(A.K.Jain，S.Prabhakar，L.HongandS.Pankanti.Filterbank-basedfingerprintmatching.IEEETrans.onImageProcessing，Vol.9，2000，PP846-859)中利用多濾波器的響應(yīng)進(jìn)行編碼，以這些編碼作為特征進(jìn)行指紋識(shí)別，在(A.Ross，S.Prabhakar，andA.K.Jain.Fingerprintmatchingusingminutiaeandtexturefeatures.Proc.ICIP2001，Vol.3，Greece，Oct2001，pp282-285)中采用與上述思路類似的編碼加上細(xì)節(jié)點(diǎn)信息進(jìn)行指紋識(shí)別，都獲得了一定的效果，但其問(wèn)題是需要存儲(chǔ)空間非常大，造成應(yīng)用的障礙。改進(jìn)效果也不是很理想。
發(fā)明內(nèi)容本發(fā)明的目的是提供多特征的實(shí)用的指紋表示方法及相應(yīng)的識(shí)別技術(shù)，能夠在存儲(chǔ)指紋特征時(shí)保存更多有用的信息供指紋比對(duì)時(shí)使用。本發(fā)明通過(guò)對(duì)指紋密度圖進(jìn)行建模，計(jì)算出任意指紋的密度圖模型參數(shù)；在指紋比對(duì)階段，將存儲(chǔ)的模型參數(shù)恢復(fù)指紋密度圖，進(jìn)而進(jìn)行任意兩個(gè)指紋的密度圖比對(duì)，再與細(xì)節(jié)點(diǎn)比對(duì)結(jié)果結(jié)合，從而達(dá)到提高傳統(tǒng)識(shí)別方法效果的目的。本發(fā)明的核心思想是通過(guò)計(jì)算機(jī)自動(dòng)檢測(cè)指紋的密度圖信息，并通過(guò)最小二乘法將其用少量參數(shù)表達(dá)出來(lái)，將這些參數(shù)存儲(chǔ)下來(lái)，供比對(duì)階段使用，與傳統(tǒng)細(xì)節(jié)點(diǎn)識(shí)別方法結(jié)合就可以提高識(shí)別性能。在指紋中，細(xì)節(jié)點(diǎn)反映的是指紋的細(xì)節(jié)特征，密度圖反映的是全局特征，具有很大互補(bǔ)性。其中基于細(xì)節(jié)點(diǎn)特征的識(shí)別方法可以選用目前使用的任何方法。本發(fā)明僅對(duì)其中一種加以介紹。我們提出的指紋表示特征包括細(xì)節(jié)點(diǎn)(坐標(biāo)，方向)，有效區(qū)域鏈碼，密度圖參數(shù)。傳統(tǒng)方法主要使用前細(xì)節(jié)點(diǎn)(坐標(biāo)，方向)的特征，我們?cè)黾邮褂昧擞行^(qū)域和密度圖特征，這些特征與原有特征具有較大獨(dú)立性，融合起來(lái)能夠大大提高識(shí)別率。上述特征可以用定長(zhǎng)編碼方式存儲(chǔ)。以下分別加以介紹細(xì)節(jié)點(diǎn)特征包括細(xì)節(jié)點(diǎn)的x坐標(biāo)，y坐標(biāo)和方向角度。為節(jié)省存儲(chǔ)空間，存儲(chǔ)實(shí)際值大小的一半(以指紋圖像大小(512×320)為例，存儲(chǔ)的細(xì)節(jié)點(diǎn)和奇異點(diǎn)的坐標(biāo)范圍為0-255，方向值的范圍在0到180之間)。因此，一個(gè)細(xì)節(jié)點(diǎn)需要用3個(gè)字節(jié)表示。一般情況下，指紋的細(xì)節(jié)點(diǎn)數(shù)量在100以下，所以最多需要300字節(jié)表示；有效區(qū)域特征需存儲(chǔ)指紋有效區(qū)域邊界，采用十六邊形表示方法，存儲(chǔ)頂點(diǎn)x坐標(biāo)，y坐標(biāo)，各自為實(shí)際長(zhǎng)度的1/4，因此分別可用1字節(jié)存儲(chǔ)，共需32字節(jié)。密度圖特征密度圖的模型參數(shù)。采用多項(xiàng)式模型擬合，一般階次取n為4，即用一個(gè)二元四次多項(xiàng)式擬合，每個(gè)多項(xiàng)式系數(shù)為25個(gè)參數(shù)，保存一個(gè)最大值和一個(gè)最小值，分別用float型存儲(chǔ)(4字節(jié))，將所有參數(shù)規(guī)范化到0～65535之間，每個(gè)參數(shù)用2字節(jié)存儲(chǔ)需要50字節(jié)，這樣總供需要58字節(jié)。綜上，共需390字節(jié)存儲(chǔ)指紋特征。本發(fā)明的特征在于，它依次含有以下兩個(gè)階段它依次含有以下兩個(gè)階段注冊(cè)階段，計(jì)算機(jī)在離線狀態(tài)下對(duì)所有注冊(cè)的指紋進(jìn)行特征提取和存儲(chǔ)，這個(gè)階段依次含有以下步驟(1).對(duì)計(jì)算機(jī)進(jìn)行初始化設(shè)定以下用定長(zhǎng)編碼方式存儲(chǔ)的特征細(xì)節(jié)點(diǎn)特征，包括它的X坐標(biāo)、Y坐標(biāo)和方向角度，每個(gè)細(xì)節(jié)點(diǎn)用3個(gè)字節(jié)表示，細(xì)節(jié)點(diǎn)數(shù)小于100，最多需用300字節(jié)；有效區(qū)域特征用十六邊形表示指紋有效區(qū)域邊界，存儲(chǔ)16個(gè)頂點(diǎn)的X坐標(biāo)、Y坐標(biāo)，共需32字節(jié)表示有效區(qū)域鏈碼；密度圖特征設(shè)定增強(qiáng)圖中各點(diǎn)的脊線密度作為反映該點(diǎn)指紋脊線紋理的疏密程度的特征，所述一個(gè)點(diǎn)的脊線密度是指作垂直于該點(diǎn)在方向場(chǎng)中對(duì)應(yīng)方向的直線，使它與兩條相鄰脊線相交，該直線處于兩條脊線上的兩條線段各自中點(diǎn)之間的距離即為該點(diǎn)脊線密度，用它作為密度圖模型參數(shù)；采用最小二乘法建模，最小化通過(guò)二元四次多項(xiàng)式模型擬合生成的密度圖和原始的脊線密度圖的平方誤差來(lái)得到多項(xiàng)式系數(shù)，每個(gè)多項(xiàng)式有25個(gè)參數(shù)，保存一個(gè)最大值和一個(gè)最小值，各用4字節(jié)，再把所有參數(shù)標(biāo)準(zhǔn)化到0～65535之間，每個(gè)參數(shù)用2字節(jié)存儲(chǔ)，共需50字節(jié)，合計(jì)58字節(jié)；存儲(chǔ)以上三個(gè)指紋特征共占用390字節(jié)；在指紋有效區(qū)域的檢測(cè)步驟中，對(duì)于已經(jīng)按4×4大小方格分割的原始指紋圖像而言，當(dāng)以點(diǎn)(i，j)為左上角的一個(gè)方格內(nèi)的灰度均值Iavg(i，j)和方差Var(i，j)處于下述范圍內(nèi)，該方格為有效，標(biāo)記為1，否則無(wú)效，標(biāo)記為0，即th1＜Iavg(i，j)＜th2且同時(shí)Var(i，j)＞th3，其中th為閾值，th1＝20，th2＝220，th3＝6；在密度圖建模的步驟中，多項(xiàng)式模型中多項(xiàng)式階次為4；在圖像增強(qiáng)的步驟中，Gabor濾波器空域表達(dá)形式G(x掩，y掩，θ)中的參數(shù)值δx′＝δy′＝5.0，f＝0.6，空域掩模大小為7×7像素；(2).計(jì)算機(jī)通過(guò)取指器采集所有注冊(cè)指紋的原始圖像并存儲(chǔ)；(3).檢測(cè)指紋的有效區(qū)域，它依次含有以下步驟(3.1)把原始圖像分割成大小為4×4像素的方格；(3.2)計(jì)算機(jī)按下式計(jì)算以點(diǎn)(i，j)為左上角的一個(gè)方格內(nèi)的灰度均值Iavg(i，j)和方差Var(i，j)Iavg(i,j)=116Σx=03Σy=03I(i+x,j+y)]]>Var(i,j)=116Σx=03Σy=03(I(i+x,j+y)-Iavg(i,j))2]]>其中I(i+x，j+y)為(i+x，j+y)點(diǎn)的圖像灰度值；(3.3)計(jì)算機(jī)按下式判斷上述每一個(gè)方格是否有效若th1＜Iavg(i，j)＜th2且同時(shí)Var(i，j)＞th3，則該方格有效，標(biāo)記為1，否則為0；(3.4)去噪聲處理(3.4.1)對(duì)上述圖像進(jìn)行3×3濾波，即對(duì)圖像上所有的點(diǎn)，檢查其3×3鄰域內(nèi)9個(gè)點(diǎn)，若只有該點(diǎn)是有效的，而其它8個(gè)點(diǎn)是無(wú)效的，則該點(diǎn)判斷為噪聲，標(biāo)記改為0；若只有該點(diǎn)是無(wú)效的，而其他8個(gè)點(diǎn)是有效的，則該點(diǎn)標(biāo)記改為1；(3.4.2)去掉有效區(qū)域中的“洞”即逐行對(duì)上述圖像掃描，填補(bǔ)最左邊和最右邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，把它們的標(biāo)記為有效；逐列掃描，填補(bǔ)最上邊和最下邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，把它們的標(biāo)記為有效；這樣得到了指紋圖像的有效區(qū)域，長(zhǎng)、寬分別為原圖的1/4；(3.5)求取真實(shí)的有效區(qū)域的質(zhì)心(x0，y0)x0=1NΣ(i,j)∈Ei,y0=1NΣ(i,j)∈Ej,]]>其中，E代表有效區(qū)域，N代表有效區(qū)域內(nèi)的點(diǎn)數(shù)；(3.6)從質(zhì)心(x0，y0)處等角度地向四周16個(gè)方向引射線，求出這些射線與有效區(qū)域外邊界的交點(diǎn)，并存儲(chǔ)；(4).用基于梯度統(tǒng)計(jì)的金字塔形算法進(jìn)行方向場(chǎng)估計(jì)，它依次含有以下步驟(4.1)利用Soble算子的水平方向算子Sx和豎直方向算子Sy求取點(diǎn)(x，y)的灰度梯度水平方向Gx(x,y)=18Σj=y-1y+1Σi=x-1x+1Sx(x-i,y-j)I(i,j)]]>豎直方向Gy(x,y)=18Σj=y-1y+1Σi=x-1x+1Sy(x-i,y-j)I(i,j)]]>I(i，j)為(i，j)點(diǎn)的灰度值；(4.2)把指紋圖劃分成大小為W×W的方格，W＝7，再依次進(jìn)行以下步驟(4.2.1)用下式求取每一方格對(duì)應(yīng)的局部方向θθ(i,j)=12tan-1(Σi=1W‾Σj=1W‾2Gx(i,j)Gy(i,j)Σi=1W‾Σj=1W‾(Gx2(i,j)-Gy2(i,j)));]]>(4.2.2)計(jì)算方向場(chǎng)一致性水平E0=1NΣ(i′,j′)∈D|θ(i′,j′)-θ(i,j)|2,]]>其中，D是第(i，j)方格的鄰域，取為5×5，N是D中所含方格的個(gè)數(shù)，N＝25；θ(i′，j′)和θ(i，j)分別為第(i′，j′)和第(i，j)方格的局部方向；若E0＞Tc，則令W＝1.5W，重新估計(jì)D中各方格的方向，重復(fù)步驟(4.2.1)和(4.2.2)；直至E0≤Tc，這里Tc＝1.5；(5).用Gabor濾波方法增強(qiáng)圖像，其步驟如下(5.1)Gabor濾波器空域表達(dá)形式為其中θ∈);]]>其中L＝12為統(tǒng)計(jì)數(shù)據(jù)區(qū)域長(zhǎng)度，D＝2為統(tǒng)計(jì)步長(zhǎng)，進(jìn)行脊線提取如果F(i，j)＞flag(i，j)，則(i，j)點(diǎn)位于谷，即背景，否則位于脊，即前景；(6).基于細(xì)化圖的細(xì)節(jié)點(diǎn)提取和存儲(chǔ)，它依次包含以下步驟(6.1)在保持原圖的骨架即不改變拓?fù)浣Y(jié)構(gòu)和不刪除直線端點(diǎn)的前提下，根據(jù)以待測(cè)點(diǎn)為中心的8鄰域的不同狀態(tài)來(lái)決定待測(cè)點(diǎn)的“去”或“留”，“去”用“0”表示，“留”用“1”表示；(6.2)建立1維索引表table，標(biāo)記索引為0～255，共256個(gè)元素，每個(gè)元素取1表示保留，0表示去掉；(6.3)遍歷有效區(qū)域內(nèi)所有點(diǎn)，考察其8鄰域，對(duì)所有排列組合通過(guò)下面的公式映射到0～255之間index＝A32×20+A31×21+A21×22+A11×23+A12×24+A13×25+A23×26+A33×27；其中，Aij代表8個(gè)鄰域中的點(diǎn)的值，然后通過(guò)查詢索引表中索引值為index的元素即table[index]，決定該待測(cè)點(diǎn)是否保留或者去掉；(6.4)重復(fù)(6.3)直到?jīng)]有被去掉的點(diǎn)出現(xiàn)；(6.5)細(xì)化后處理(6.5.1)，按照細(xì)化圖，初步確定細(xì)節(jié)點(diǎn)中的端點(diǎn)，即本身為1且周圍8個(gè)點(diǎn)中有且僅有一個(gè)點(diǎn)為1，和分岔點(diǎn)，即本身為1且周圍8個(gè)點(diǎn)中有且僅有三個(gè)點(diǎn)為1；(6.5.2)，沿著細(xì)節(jié)點(diǎn)生長(zhǎng)，對(duì)細(xì)節(jié)點(diǎn)進(jìn)行后處理(a)，對(duì)于端點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)端點(diǎn)的方向與之接近，即角度差小于Tha＝30度，則將這兩個(gè)端點(diǎn)都去掉；(b)，將形成環(huán)形的鄰近分叉點(diǎn)連接起來(lái)，對(duì)于一個(gè)分叉點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)分叉點(diǎn)的方向與之接近，即角度差小于Tha＝30度，則將兩者都去掉；(c)，去除一些小短棒對(duì)應(yīng)的兩個(gè)端點(diǎn)，對(duì)于一個(gè)端點(diǎn)，如果沿著它所在脊線經(jīng)過(guò)12個(gè)像素之內(nèi)就碰到另一個(gè)端點(diǎn)，則將兩個(gè)端點(diǎn)都去掉；(6.5.3)，篩除方向與該點(diǎn)方向場(chǎng)角度差大于30度的特征點(diǎn)；(7).密度圖特征提取和存儲(chǔ)，它依次包含以下步驟(7.1)原始密度圖的提取遍歷二值化后的增強(qiáng)圖上有效區(qū)域內(nèi)的所有點(diǎn)，設(shè)脊線灰度為0，背景灰度為1，按以下步驟求取各點(diǎn)的脊線密度(7.1.1)對(duì)有效區(qū)域內(nèi)某一點(diǎn)P，通過(guò)方向場(chǎng)取得該點(diǎn)處的方向，如果該點(diǎn)灰度值為0，則執(zhí)行步驟(7.1.2)，否則執(zhí)行步驟(7.1.3)；(7.1.2)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，分別一直探測(cè)到灰度由0變1的點(diǎn)，即脊線的邊界點(diǎn)；向距離P點(diǎn)距離近的邊界點(diǎn)一側(cè)的方向繼續(xù)遍歷，直到探測(cè)到灰度由1變0的點(diǎn)，即到達(dá)相鄰脊線，繼續(xù)遍歷直到探測(cè)到灰度由0變1的點(diǎn)，執(zhí)行步驟(7.1.4)；(7.1.3)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，直到探測(cè)到灰度由1變0的點(diǎn)，即脊線的邊界點(diǎn)，分別繼續(xù)遍歷，直到探測(cè)到灰度由0變1的點(diǎn)，找到脊線另一側(cè)的邊界點(diǎn)；(7.1.4)求取相鄰兩條脊線各自在沿垂直于P點(diǎn)方向的直線上的線段的中心點(diǎn)，其中，這兩個(gè)中心點(diǎn)之間的距離就是P點(diǎn)處的脊線密度；(7.1.5)由此對(duì)二值化后的增強(qiáng)圖上有效區(qū)域內(nèi)的所有點(diǎn)按步驟(7.1.1)～(7.1.4)來(lái)求取每點(diǎn)的脊線密度，得到一張?jiān)技咕€密度圖，用Rraw表示；(7.1.6)對(duì)上述原始脊線密度圖采用3×3的中值濾波器進(jìn)行一次平滑濾波(7.1.6.1)對(duì)原始脊線密度圖中以點(diǎn)(i，j)為中心的3×3鄰域內(nèi)的9個(gè)點(diǎn)，即{Rraw(i+i1，j+j1)}i1＝0，1，2；j1＝0，1，2按照脊線密度值進(jìn)行大小排序，選擇其中排名最中間的值作為該待測(cè)點(diǎn)(i，j)的濾波后的值；(7.1.6.2)對(duì)原始脊線密度圖中的所有點(diǎn)按步驟(7.1.6.1)進(jìn)行處理，各待測(cè)點(diǎn)濾波值，將結(jié)果用R′raw表示；(7.1.7)把上述(7.1.6)得到的濾波后的脊線密度圖R′raw劃分為4×4像素大小的方格，對(duì)每個(gè)方格求平均值，我們將此新圖用D表示，其長(zhǎng)和寬分別為原圖R′raw的1/4，其中D圖中坐標(biāo)為(x，y)的點(diǎn)的值D(x，y)為D(x,y)=116Σk1=03Σk2=03Rraw′(4x+k1,4y+k2)]]>(7.2)密度圖建模，依次含有以下步驟(7.2.1)權(quán)重設(shè)置對(duì)于圖D上點(diǎn)(x，y)處的權(quán)重為w(x，y)，計(jì)算機(jī)可用下面步驟計(jì)算(7.2.1.1)計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的均值Davg(x，y)Davg(x,y)=19Σx1=02Σy1=02D(x+x1,y+y1);]]>(7.2.1.2)計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的方差Var(x，y)Var(x,y)=19Σx1=02Σy1=02(D(x+x1,y+y1)-Davg(x,y))2;]]>(7.2.1.3)計(jì)算點(diǎn)(x，y)處的權(quán)重w(x，y)w(x，y)＝exp(-Var(x，y)/8)；(7.2.2)最小化Σ(x,y)w(x,y)|D(x,y)-p(x,y)|2]]>來(lái)求解二元四次多項(xiàng)式p(x，y)的系數(shù)，其中多項(xiàng)式p(x,y)=Σi=04Σj=04aijxiyj,]]>aij，i＝0，…，4；j＝0，…，4即為多項(xiàng)式系數(shù)；(7.2.3)保存特征aij，i＝0，…，4；j＝0，…，4；(8)對(duì)所有注冊(cè)指紋進(jìn)行上述特征提取操作(1)～(7)并將所得到的有效區(qū)域16邊形頂點(diǎn)和多項(xiàng)式系數(shù)，特征存入數(shù)據(jù)庫(kù)；驗(yàn)證階段，依次含有以下步驟(1)計(jì)算機(jī)對(duì)每個(gè)輸入的指紋按照上述(1)～(7)進(jìn)行特征在線提取操作(2)細(xì)節(jié)點(diǎn)比對(duì)值計(jì)算(2.1)用基于Hough變換的細(xì)節(jié)點(diǎn)配準(zhǔn)方法補(bǔ)償旋轉(zhuǎn)和平移偏差，即把兩個(gè)指紋各自的細(xì)節(jié)點(diǎn)分別構(gòu)成各自含有M和N個(gè)細(xì)節(jié)點(diǎn)的點(diǎn)集，從兩個(gè)點(diǎn)集中各選一個(gè)細(xì)節(jié)點(diǎn)分別表示為(x1，y1，θ1)和(x2，y2，θ2)，利用它們之間的坐標(biāo)、方向求出一個(gè)平移量一個(gè)旋轉(zhuǎn)量Δθ＝θ2-θ1，遍歷所有M×N對(duì)細(xì)節(jié)點(diǎn)對(duì)，統(tǒng)計(jì)(Δx，Δy，Δθ)出現(xiàn)的次數(shù)，得票最高的平移旋轉(zhuǎn)量就是最終使用的平移旋轉(zhuǎn)量，同時(shí)記錄得票數(shù)vote；用下面的公式計(jì)算平移旋轉(zhuǎn)后的新坐標(biāo)x″＝x′×cos(Δθ)-y′×sin(Δθ)+Δx；y″＝x′×sin(Δθ)-y′×cos(Δθ)+Δy；其中(x′，y′)是旋轉(zhuǎn)平移前的坐標(biāo)，(x″，y″)是旋轉(zhuǎn)平移后的坐標(biāo)；(2.2)公共有效區(qū)域提取記注冊(cè)指紋r和申請(qǐng)指紋t配準(zhǔn)后的有效區(qū)域分別為Rr、Rt，設(shè)以r為基準(zhǔn)，t向r旋轉(zhuǎn)平移，則公共有效區(qū)域?yàn)镽c＝Rr∩Rt，其中Rt是由指紋t的有效區(qū)域按(2.1)求得的參數(shù)(Δx，Δy，Δθ)根據(jù)新坐標(biāo)求取公式旋轉(zhuǎn)平移得到；(2.3)按(2.1)中公式旋轉(zhuǎn)平移指紋t中所有細(xì)節(jié)點(diǎn)的坐標(biāo)，并將其與指紋r中所有細(xì)節(jié)點(diǎn)進(jìn)行比對(duì)，記錄比對(duì)成功即距離小于8像素的細(xì)節(jié)點(diǎn)的對(duì)數(shù)；(2.4)計(jì)算指紋r，t細(xì)節(jié)點(diǎn)集合的相似度Mrt，0≤Mrt≤1Mrt=countmax(countt,countr)×min(voteTh,1);]]>其中count表示比對(duì)成功的細(xì)節(jié)點(diǎn)對(duì)數(shù)，countr表示指紋r在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)，countt表示指紋t在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)，Th為經(jīng)驗(yàn)閾值，取為12；(2.5)輸出M′n＝1-Mn作為細(xì)節(jié)點(diǎn)比對(duì)的比對(duì)值，比對(duì)值大小在0和1之間，比對(duì)值越小表明匹配程度越高；(3)密度圖比對(duì)值計(jì)算(3.1)對(duì)于兩枚待比對(duì)的圖像，分別通過(guò)各自的密度圖特征，包括有效區(qū)域和多項(xiàng)式系數(shù)，恢復(fù)他們各自的密度圖；(3.2)設(shè)A，B分別為兩幅已經(jīng)通過(guò)細(xì)節(jié)點(diǎn)的配準(zhǔn)結(jié)果進(jìn)行配準(zhǔn)的指紋的密度圖，相交區(qū)域內(nèi)各自點(diǎn)集中各點(diǎn)的值用A(i，j)|(i，j)∈C，B(i，j)|(i，j)∈C表示，其中C代表A和B相交的區(qū)域；(3.3)按下式計(jì)算兩幅密度圖A，B的距離ε1(A，B)其中，N表示C中的總點(diǎn)數(shù)；(3.4)按下式將ε1(A，B)標(biāo)準(zhǔn)化得到比對(duì)值ε(A，B)其中，th為預(yù)先給定的閾值，在實(shí)驗(yàn)中，我們?nèi)h＝2.5；(4)用分類器進(jìn)行決策融合首先定義w1類事件為輸入指紋與參考指紋實(shí)際上屬于同一個(gè)手指的情況；w2類事件為輸入指紋與參考指紋實(shí)際上屬于不同手指的事件；(4.1)概率密度估計(jì)過(guò)程令P(X1|w1)表示屬于w1類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度；P(X2|w1)表示屬于w1類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度；P(X1|w2)表示屬于w2類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度；P(X2|w2)表示屬于w2類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度；P(X1|w1)、P(X2|w1)、P(X1|w2)和P(X2|w2)用表示，并用如下公式求取其中N′為訓(xùn)練樣本個(gè)數(shù)，及相應(yīng)的比對(duì)結(jié)果的個(gè)數(shù)，四組數(shù)據(jù)數(shù)量推薦均在2000以上，這些比對(duì)是離線進(jìn)行的；hN為窗寬，取為0.02；x分別取0，0.01，0.02，…，1，即將相似度的區(qū)間100等分，分別按照上式計(jì)算P(X1|w1)、P(X2|w1)、P(X1|w2)和P(X2|w2)這四個(gè)量計(jì)算中存儲(chǔ)為四個(gè)包含101個(gè)元素的數(shù)組，用float型(4字節(jié))存儲(chǔ)，共需要1616字節(jié)；最后寫(xiě)成文件；(4.2)在線決策過(guò)程按照細(xì)節(jié)點(diǎn)和密度圖比對(duì)得出的結(jié)果比對(duì)的結(jié)果從存儲(chǔ)概率密度的文件中讀取相應(yīng)的數(shù)值，計(jì)算出聯(lián)合概率密度P(X1′,X2′|w1)=P(X1′|w1)P(X2′|w1),]]>P(X1′,X2′|w2)=P(X1′|w2)P(X2′|w2),]]>運(yùn)用下述決策規(guī)則進(jìn)行決策若P(X1′,X2′|w1)P(X1′,X2′|w2)≥λ,]]>則判定指紋屬于同一手指；若P(X1′,X2′|w1)P(X1′,X2′|w2)<λ,]]>則判定指紋屬于不同手指；其中λ是決策閾值，建議選用1400。本發(fā)明方法利用指紋密度圖作為新的指紋表示的特征，將密度圖用多項(xiàng)式模型表達(dá)，只需存儲(chǔ)少量參數(shù)；在指紋識(shí)別時(shí)將細(xì)節(jié)點(diǎn)和密度圖模型參數(shù)一同使用，所需增加的存儲(chǔ)空間遠(yuǎn)遠(yuǎn)小于
背景技術(shù)：
中提到的方法，而且特征更穩(wěn)定可靠。本發(fā)明提出的這種關(guān)于指紋密度圖的特征在特征提取和比對(duì)上所花的計(jì)算量都不高，在特征存儲(chǔ)方面也能達(dá)到實(shí)用性要求，融合后的方法和常規(guī)方法相比，計(jì)算時(shí)間上只需要額外的0.2秒左右，存儲(chǔ)空間上只需要額外的90字節(jié)，可見(jiàn)其實(shí)用性很強(qiáng)。實(shí)驗(yàn)證明，在相同錯(cuò)誤接受率下，其錯(cuò)誤拒絕率大為降低。本發(fā)明針對(duì)質(zhì)量較差的指紋，例如手指干燥、暫時(shí)性破損(如傷疤、破皮等)，我們采用指紋密度圖特征作為細(xì)節(jié)點(diǎn)特征的有效補(bǔ)充，能夠在很大程度上提高指紋識(shí)別的效果。目前，在所有可以查到的專利或發(fā)表文獻(xiàn)中，尚沒(méi)有發(fā)現(xiàn)類似的報(bào)道和專利。圖1.是多特征指紋識(shí)別系統(tǒng)的組成；圖2.是指紋多特征提取的流程；圖3.有效區(qū)域提取示意圖；3(a)原始指紋圖像；3(b)原始有效區(qū)域；3(c)16邊形近似的有效區(qū)域；圖4.Sobel算子4(a)水平算子；4(b)垂直算子；圖5.細(xì)節(jié)點(diǎn)示意圖；圖6.索引計(jì)算說(shuō)明圖7.細(xì)化表圖8.細(xì)化的八個(gè)例子；圖9.密度圖特征提取9(a)脊線密度的定義；9(b)(c)脊線密度的求取示意圖；圖10.細(xì)節(jié)點(diǎn)提取各步驟的中間結(jié)果10(a)指紋原圖；10(b)有效區(qū)域；10(c)方向場(chǎng)；10(d)增強(qiáng)圖；10(e)背景細(xì)化；10(f)前景細(xì)化；10(g)細(xì)節(jié)點(diǎn)提取結(jié)果；10(h)原始密度圖提取結(jié)果；10(i)密度圖模型恢復(fù)圖；圖11.是單純使用細(xì)節(jié)點(diǎn)和使用多特征的系統(tǒng)性能對(duì)比。具體實(shí)施例方式我們的發(fā)明可以在普通PC計(jì)算機(jī)上實(shí)現(xiàn)，對(duì)操作系統(tǒng)沒(méi)有要求。下面詳細(xì)描述基于多特征的指紋識(shí)別算法。特征提取階段的主要步驟包括有效區(qū)域提取，方向場(chǎng)估計(jì)，圖像處理與增強(qiáng)，細(xì)節(jié)點(diǎn)提取，密度圖特征提??；特征比較即識(shí)別階段的主要步驟包括細(xì)節(jié)點(diǎn)比對(duì)，密度圖比對(duì)，決策融合。其中，有效區(qū)域提取、方向場(chǎng)估計(jì)、圖像處理與增強(qiáng)、細(xì)節(jié)點(diǎn)提取和細(xì)節(jié)點(diǎn)比對(duì)等各步都可采用傳統(tǒng)的方法進(jìn)行。下面對(duì)各步驟逐一介紹?？偟牧鞒虉D參見(jiàn)圖1，圖2通過(guò)一個(gè)具體例子介紹整個(gè)流程的各部分的結(jié)果。特征提取一、有效區(qū)域提取通過(guò)取指器采集到的原始指紋圖中指紋部分并不是充滿全圖，含有指紋的部分圖像在指紋識(shí)別中才有意義，稱為有效區(qū)域。將原始圖像分割為大小為(4×4)的方格，對(duì)每個(gè)這樣的方格，計(jì)算這一區(qū)域內(nèi)所有象素的灰度值的均值與方差，只有兩者均滿足各自條件時(shí)才認(rèn)為該點(diǎn)處于有效區(qū)域。其中均值和方差的計(jì)算依靠下面的公式Iavg(i,j)=116Σx=03Σy=03I(i+x,j+y);]]>Var(i,j)=116Σx=03Σy=03(I(i+x,j+y)-Iavg(i,j))2]]>這里，Iavg(i，j)，Var(i，j)分別表示在以點(diǎn)(i，j)為左上角的方格的灰度均值和方差，I(i+x，j+y)為(i+x，j+y)點(diǎn)的圖像灰度值。要求當(dāng)th1＜Iavg(i，j)＜th2且Var(i，j)＞th3時(shí)，標(biāo)記該方格為有效，標(biāo)記為1。其中，閾值選擇為th1＝20；th2＝220；th3＝6。對(duì)圖像上所有的方格進(jìn)行上述操作，為了去掉噪聲影響，需要進(jìn)行后處理1、3×3濾波，具體做法就是檢查包含被檢測(cè)點(diǎn)在內(nèi)的其3×3鄰域內(nèi)的9個(gè)點(diǎn)，如果只有該點(diǎn)是有效的，其他都是無(wú)效的，那么認(rèn)為該點(diǎn)為噪聲，更改標(biāo)記為0(表明無(wú)效)；如果只有該點(diǎn)是無(wú)效的，其他都是有效的，那么認(rèn)為該點(diǎn)為有效點(diǎn)，更改標(biāo)記為1(表明有效)。2、去掉有效區(qū)域中間的“洞”，方法是逐行掃描，填補(bǔ)圖像中最左邊和最右邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，將其標(biāo)記為有效1；逐列掃描，填補(bǔ)圖像中最上邊和最下邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，將其標(biāo)記為有效1。這樣就得到了有效區(qū)域(長(zhǎng)寬分別為原圖的1/4)。如圖3(b)所示。在基于密度圖的比對(duì)中，有效區(qū)域起著重要的作用，因此需要進(jìn)行保存。為節(jié)省存儲(chǔ)空間，我們采用一個(gè)十六邊形來(lái)近似表示指紋圖像有效區(qū)域。具體操作如下求出真實(shí)有效區(qū)域的質(zhì)心(x0，y0)x0=1NΣ(i,j)∈Ei,y0=1NΣ(i,j)∈Ej,]]>其中，E代表有效區(qū)域，N代表有效區(qū)域內(nèi)的點(diǎn)數(shù)。從質(zhì)心(x0，y0)處等角度的向四周16個(gè)方向(分別為0，π/8，π/4，…，15π/8)引射線，求出這些射線與有效區(qū)域外邊界的交點(diǎn)。具體實(shí)現(xiàn)的時(shí)候，只要檢查射線上的點(diǎn)由有效變成無(wú)效，則說(shuō)明該點(diǎn)為邊界交點(diǎn)。我們只需要存儲(chǔ)這些交點(diǎn)的坐標(biāo)，即十六邊形的頂點(diǎn)，就可以恢復(fù)出近似的有效區(qū)域，如圖3(c)。由圖3可以看出，用這種方法表示的有效區(qū)域與真實(shí)有效區(qū)域基本一致。實(shí)驗(yàn)結(jié)果也表明，兩者的差別對(duì)后面的比對(duì)影響極小。圖10(b)是整個(gè)流程的中間結(jié)果。二、方向場(chǎng)估計(jì)方向場(chǎng)是表示指紋脊線走向的一幅圖像，其中每點(diǎn)的數(shù)值代表了指紋圖像中對(duì)應(yīng)點(diǎn)的局部脊線方向。方向圖刻畫(huà)了指紋的全局信息，在指紋識(shí)別中起著重要的作用。本方法中采用的是基于梯度統(tǒng)計(jì)的金字塔形算法，效果如圖10(c)所示。算法如下1、利用Soble算子的水平方向算子Sx和豎直方向算子Sy(見(jiàn)圖4)求取點(diǎn)(x，y)的灰度梯度水平方向Gx(x,y)=18Σj=y-1y+1Σi=x-1x+1Sx(x-i,y-j)I(i,j);]]>豎直方向Gy(x,y)=18Σj=y-1y+1Σi=x-1x+1Sy(x-i,y-j)I(i,j);]]>其中I(，j)為(i，j)點(diǎn)的灰度值。2、把指紋圖劃分成大小為W×W的方格，W＝7，再依次進(jìn)行以下步驟2.1用下式求取每一方格對(duì)應(yīng)的局部方向θθ(i,j)=12tan-1(Σi=1W‾Σj=1W‾2Gx(i,j)Gy(i,j)Σi=1W‾Σj=1W‾(Gx2(i,j)-Gy2(i,j)));]]>2.2計(jì)算方向場(chǎng)一致性水平E0=1NΣ(i′,j′)∈Ω|θ(i′,j′)-θ(i,j)|2,]]>其中，Ω是第(i，j)方格的鄰域，取為5×5，N是Ω中所含方格的個(gè)數(shù)，N＝25。θ(i′，j′)和θ(i，j)分別為第(i′，j′)和第(i，j)方格的局部方向；若E0＞Tc，則令W＝1.5W，重新估計(jì)Ω中各方格的方向，重復(fù)步驟(2.1)和(2.2)。直至E0≤Tc。這里Tc＝1.5。三、圖像增強(qiáng)圖像增強(qiáng)算法采用Gabor濾波方法，即根據(jù)各點(diǎn)方向場(chǎng)取值，用Gabor濾波器進(jìn)行濾波。濾波后效果如圖10(d)所示。濾波算法如下1、求取指定大小的空域掩膜Gabor濾波器空域表達(dá)形式為其中θ∈),]]>其中L＝12為統(tǒng)計(jì)數(shù)據(jù)區(qū)域長(zhǎng)度，D＝2為統(tǒng)計(jì)步長(zhǎng)，進(jìn)行脊線提取如果F(i，j)＞flag(i，j)，則(i，j)點(diǎn)位于谷(背景)，否則位于脊(前景)。四、細(xì)節(jié)點(diǎn)提取細(xì)節(jié)點(diǎn)提取的方法有多種，我們只舉出一種常用的算法，將本算法換成其他算法對(duì)本發(fā)明仍然有用。細(xì)節(jié)點(diǎn)可分為兩種，一種是脊線的端點(diǎn)，另一種是脊線的分岔點(diǎn)。如圖5所示。細(xì)節(jié)點(diǎn)的提取方法我們采用的是基于細(xì)化圖的方法。分別對(duì)前景和背景進(jìn)行細(xì)化，得到兩張細(xì)化圖。最終結(jié)果如圖10(e)(f)所示。具體的細(xì)化方法如下對(duì)增強(qiáng)后的指紋圖像，我們將其二值化(直接選擇閾值為128即可)。每個(gè)點(diǎn)取值為1或者0，1表示前景；0表示背景。細(xì)化的目標(biāo)就是考察每一個(gè)值為1的點(diǎn)，根據(jù)其8鄰域的取值來(lái)決定是否將這個(gè)待考察的點(diǎn)置為0(即將該點(diǎn)變成背景)，通過(guò)對(duì)全圖的幾次遍歷，不斷將一些前景(值為1)的點(diǎn)變成背景點(diǎn)，從而達(dá)到細(xì)化的目的。我們根據(jù)待測(cè)點(diǎn)8鄰域的不同狀態(tài)來(lái)決定待測(cè)點(diǎn)的“去”或“留”。這8個(gè)鄰域點(diǎn)的所有可能取值組合有28＝256種(每個(gè)點(diǎn)只能取1或者0)。我們將每種可能設(shè)定為一條規(guī)則對(duì)應(yīng)結(jié)果為“1”(保留)或“0”(去除)，規(guī)則設(shè)定的原則是保持原圖的骨架。對(duì)于指紋脊線細(xì)化，我們定義的骨架，可以理解為圖像的中軸，例如一個(gè)長(zhǎng)方形的骨架是它的長(zhǎng)方向上的中軸線，圓的骨架是它的圓心，環(huán)的骨架是類似圓的封閉曲線，直線的骨架是它自身，孤立點(diǎn)的骨架也是自身。不同應(yīng)用場(chǎng)合，對(duì)骨架的定義可能有不同，我們通過(guò)幾個(gè)例子說(shuō)明，圖8中給出了幾個(gè)例子，其中(1)不能刪，因?yàn)樗莻€(gè)內(nèi)部點(diǎn)，如果刪去，就沒(méi)有了骨架；(2)不能刪，這是一個(gè)特殊要求，盡量保留直線；(3)不能刪，這點(diǎn)是骨架，刪掉后，改變拓?fù)浣Y(jié)構(gòu)；(4)不能刪，因?yàn)閯h掉后，原來(lái)相連的部分?jǐn)嚅_(kāi)，改變拓?fù)浣Y(jié)構(gòu)；(5)不能刪，因?yàn)樗侵本€的端點(diǎn)；(6)可以刪，該點(diǎn)不是骨架；(7)不能刪，該點(diǎn)是骨架；(8)可以刪，該點(diǎn)不是骨架。我們簡(jiǎn)單總結(jié)一下，有如下的判據(jù)(1)直線端點(diǎn)不能刪除；(2)改變拓?fù)浣Y(jié)構(gòu)的點(diǎn)不能刪除，例如內(nèi)部點(diǎn)不能刪除、孤立點(diǎn)不能刪除等。對(duì)所有情況按照上面的例子總結(jié)，可以得到256個(gè)規(guī)則，將其結(jié)果編碼為一張表(其實(shí)就是一個(gè)1維數(shù)組，標(biāo)記0～255，共256個(gè)元素)，每個(gè)待測(cè)點(diǎn)的8鄰域的值對(duì)應(yīng)一個(gè)0到255的數(shù)，將這個(gè)數(shù)作為索引，查表中對(duì)應(yīng)的值，如果是1表示保留；0表示該點(diǎn)被去掉(即將這個(gè)待測(cè)點(diǎn)的值置為0)。索引方法如圖6，Aij代表8個(gè)鄰域中的點(diǎn)，索引定義為index＝A32×20+A31×21+A21×22+A11×23+A12×24+A13×25+A23×26+A33×27；按照索引值找到表table中對(duì)應(yīng)的元素table[index]，其中索引值index的取值范圍在內(nèi)的整數(shù)，如果table[index]為1，則保留該點(diǎn)(值不變)；如果為0，則將該點(diǎn)置0。我們采用的表如圖7所示。我們從圖8中選出兩個(gè)圖作為示例圖8(2)中心(待測(cè))點(diǎn)不能刪，因?yàn)閕ndex＝1×20+0×21+0×22+0×23+1×24+0×25+1×26+0×27＝81，table[81]＝1，所以表示該點(diǎn)不能去掉。圖8(8)中心(待測(cè))點(diǎn)可以刪，因?yàn)閕ndex＝1×20+1×21+0×22+0×23+0×24+0×25+0×26+0×27＝3，table[3]＝0，所以表示該點(diǎn)可以去掉。我們總結(jié)一下細(xì)化的步驟第一步，給出索引方法，例如按照?qǐng)D6中設(shè)定的方法；第二步，根據(jù)規(guī)則給出索引表，例如按照?qǐng)D7中設(shè)定的表；第三步，遍歷全圖所有值為1的點(diǎn)，計(jì)算索引，判斷是否保留；第四步，如果第三步?jīng)]有去掉任何點(diǎn)，則下一步，否則重復(fù)第三步。第五步，后處理，我們將在下面詳細(xì)介紹求出細(xì)化圖后的操作如下I，按照細(xì)化圖，初步確定細(xì)節(jié)點(diǎn)中的端點(diǎn)(本身為1且周圍8個(gè)點(diǎn)中有且僅有一個(gè)點(diǎn)為1)和分岔點(diǎn)(本身為1且周圍8個(gè)點(diǎn)中有且僅有三個(gè)點(diǎn)為1)。II，沿著細(xì)節(jié)點(diǎn)生長(zhǎng)，對(duì)細(xì)節(jié)點(diǎn)進(jìn)行后處理(a)，對(duì)于端點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)端點(diǎn)的方向與之接近(角度差小于Tha＝30度)，則將這兩個(gè)端點(diǎn)都去掉；(b)，將形成環(huán)形的鄰近分叉點(diǎn)連接起來(lái)，對(duì)于一個(gè)分叉點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)分叉點(diǎn)的方向與之接近(角度差小于Tha＝30度)，則將這兩個(gè)端點(diǎn)都去掉；(c)，去除一些小短棒對(duì)應(yīng)的兩個(gè)端點(diǎn)，對(duì)于一個(gè)端點(diǎn)，如果沿著它所在脊線經(jīng)過(guò)12個(gè)像素之內(nèi)就碰到另一個(gè)端點(diǎn)，則將兩個(gè)端點(diǎn)都去掉；III，篩除方向與該點(diǎn)方向場(chǎng)角度差大于30度的特征點(diǎn)。如圖10(g)所示為細(xì)節(jié)點(diǎn)提取結(jié)果。五、密度圖特征提取首先我們給出在增強(qiáng)圖中某一給定點(diǎn)處的脊線密度的定義作垂直于該點(diǎn)在方向場(chǎng)中對(duì)應(yīng)方向的直線，與兩條相鄰脊線相交，該直線處于兩條脊線上的兩條線段各自中點(diǎn)之間的距離即為該點(diǎn)脊線密度，如圖9(a)所示，點(diǎn)P處的脊線密度即為線段AB的長(zhǎng)度d，其中A、B分別是兩條線段(圖中粗線所示)的中心。所謂脊線密度圖就是遍歷圖像有效指紋區(qū)域的所有點(diǎn)求出的脊線密度分布圖。顯然，脊線密度圖可以反映指紋脊線紋理的疏密程度及其分布。1、原始密度圖的提取在二值化后的增強(qiáng)圖的基礎(chǔ)上，遍歷有效區(qū)域內(nèi)的所有點(diǎn)，設(shè)脊線灰度為0，背景灰度為1，對(duì)每個(gè)點(diǎn)求取脊線密度。對(duì)于P點(diǎn)的脊線密度的求取方法為1)對(duì)有效區(qū)域內(nèi)某一點(diǎn)P，首先通過(guò)方向場(chǎng)取得P點(diǎn)處的方向，如果P點(diǎn)灰度值為0，表明P點(diǎn)處于脊線上，進(jìn)入2)，否則進(jìn)入3)；2)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，直到探測(cè)到灰度為1的點(diǎn)，記作A1、A2，即脊線的邊界點(diǎn)；向距離P點(diǎn)距離近的邊界點(diǎn)(即A1、A2其中之一)一側(cè)方向繼續(xù)遍歷，直到探測(cè)到灰度為0的點(diǎn)(B1)，即到達(dá)相鄰脊線，繼續(xù)遍歷直到探測(cè)到灰度為1的點(diǎn)(B2)，如圖9(b)所示，進(jìn)入4)；3)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，直到探測(cè)到灰度為0的點(diǎn)，分別記作A1，B1，即脊線的邊界點(diǎn)，分別繼續(xù)遍歷，直到探測(cè)到灰度為1的點(diǎn)，分別記作A2，B2，如圖9(c)所示，進(jìn)入4)；4)求取相鄰兩條脊線各自在沿垂直于P點(diǎn)方向的直線上的線段的中心點(diǎn)，分別記作A和B，其中，A為A1、A2的中點(diǎn)，B為B1、B2的中點(diǎn)，線段A和B之間的距離就是P點(diǎn)處的脊線密度。我們將得到的結(jié)果圖用Rraw表示。對(duì)原始脊線密度圖我們進(jìn)一步采用3×3的中值濾波器進(jìn)行一次平滑處理，去掉一些不合理的值(噪聲)，以方便后續(xù)處理。所謂中值濾波器，就是在以某一待測(cè)點(diǎn)為中心的3×3鄰域內(nèi)，對(duì)這9個(gè)點(diǎn)的密度值按大小排序，選擇排名最中間(也就是第5位)的值作為該待測(cè)點(diǎn)濾波后的值。對(duì)Rraw中的每個(gè)點(diǎn)作中值濾波，得到結(jié)果圖R′raw，R′raw中坐標(biāo)為(i，j)的點(diǎn)R′raw(i，j)的求取步驟如下1)對(duì)Rraw中以點(diǎn)(i，j)為中心的3×3鄰域內(nèi)的9個(gè)點(diǎn)，即{Rraw(i+i1，j+j1)}i1＝0，1，2；j1＝0，1，2進(jìn)行大小排序；2)找出排名最中間(也就是第5位)的值，這個(gè)值即為所求。為了減小計(jì)算量，我們將濾波后的脊線密度圖R′raw劃分為4×4像素大小的方格，對(duì)每個(gè)方格求平均值，我們將此新圖用D表示，其長(zhǎng)和寬分別為原圖的1/4，其中D圖中坐標(biāo)為(x，y)的點(diǎn)的值D(x，y)為D(x,y)=116Σk1=03Σk2=03Rraw′(4x+k1,4y+k2)]]>圖10(h)所示為原始密度圖提取結(jié)果。2、密度圖建模指紋密度圖能夠反映指紋的全局性信息，而且具有魯棒性，因此對(duì)指紋識(shí)別非常重要。對(duì)于原始密度圖，即使通過(guò)上面方法進(jìn)行平滑濾波，它仍然有幾個(gè)缺陷1、魯棒性差，即求取的時(shí)候受噪聲影響很大；2、在細(xì)節(jié)點(diǎn)附近，密度變化不規(guī)則，特征不穩(wěn)定；3、不能直接進(jìn)行存儲(chǔ)，因?yàn)樾枰目臻g過(guò)大。因此需要對(duì)指紋密度圖進(jìn)行建模，這樣可以在很大程度上解決上面3個(gè)缺陷，使密度圖信息更加可靠，并且需要的存儲(chǔ)空間也會(huì)非常小，我們采用的是多項(xiàng)式模型。建模的核心思想是采用加權(quán)最小二乘的方法，最小化通過(guò)多項(xiàng)式擬合生成的密度圖和原始的脊線密度圖的平方誤差來(lái)得到多項(xiàng)式系數(shù)。具體實(shí)現(xiàn)如下2.1權(quán)重設(shè)置按照對(duì)上面的結(jié)果圖D在3×3鄰域內(nèi)的方差信息作為權(quán)重信息依據(jù)。對(duì)于點(diǎn)(x，y)，我們用Var(x，y)表示該點(diǎn)方差值，w(x，y)表示該點(diǎn)權(quán)重，計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的均值Davg(x,y)=19Σx1=02Σy1=02D(x+x1,y+y1);]]>計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的方差Var(x,y)=19Σx1=02Σy1=02(D(x+x1,y+y1)-Davg(x,y))2;]]>計(jì)算點(diǎn)(x，y)處的權(quán)重w(x，y)＝exp(-Var(x，y)/8)；2.2利用公知的加權(quán)最小二乘方法，最小化Σ(x,y)w(x,y)|D(x,y)-p(x,y)|2]]>來(lái)求解出二元四次多項(xiàng)式p(x，y)的系數(shù)。其中(x，y)是指紋圖像D中有效區(qū)域中任意一點(diǎn)，w(x，y)為點(diǎn)(x，y)的權(quán)重，多項(xiàng)式形式為p(x,y)=Σi=04Σj=04aijxiyj,]]>其中aij(i＝0，…，4；j＝0，…，4)就是我們要求的系數(shù)；2.3保存特征aij(i＝0，…，4；j＝0，…，4)。圖10(i)所示為建模后的密度圖結(jié)果。對(duì)所有注冊(cè)指紋進(jìn)行上述一至五步特征提取操作并將所得特征存入數(shù)據(jù)庫(kù)。特征比較首先對(duì)申請(qǐng)指紋(待測(cè)指紋)進(jìn)行上述的一至五步特征提取操作，然后將其與數(shù)據(jù)庫(kù)中注冊(cè)指紋的特征進(jìn)行比較。一、細(xì)節(jié)點(diǎn)比對(duì)細(xì)節(jié)點(diǎn)的比對(duì)過(guò)程分為細(xì)節(jié)點(diǎn)配準(zhǔn)和細(xì)節(jié)點(diǎn)匹配兩個(gè)步驟。由于用于比對(duì)的兩枚指紋間存在旋轉(zhuǎn)和平移，必須利用細(xì)節(jié)點(diǎn)配準(zhǔn)的方法補(bǔ)償旋轉(zhuǎn)和平移偏差。我們采用的是基于Hough變換的配準(zhǔn)方法。簡(jiǎn)單解釋為將兩個(gè)指紋的各自的細(xì)節(jié)點(diǎn)分別構(gòu)成兩個(gè)點(diǎn)集(各有M和N個(gè)細(xì)節(jié)點(diǎn))，從兩個(gè)點(diǎn)集中各選一個(gè)細(xì)節(jié)點(diǎn)分別表示為(x1，y1，θ1)和(x2，y2，θ2)，利用它們之間的坐標(biāo)、方向可以求出一個(gè)平移量和旋轉(zhuǎn)量Δθ＝θ2-θ1。遍歷所有細(xì)節(jié)點(diǎn)對(duì)(共M×N對(duì))，將所有的平移和旋轉(zhuǎn)量進(jìn)行投票，即統(tǒng)計(jì)(Δx，Δy，Δθ)出現(xiàn)的次數(shù)，得票最高的平移旋轉(zhuǎn)量就是最終使用的平移旋轉(zhuǎn)量，同時(shí)記錄得票數(shù)vote。用下面的公式計(jì)算平移旋轉(zhuǎn)后的新坐標(biāo)x″＝x′×cos(Δθ)-y′×sin(Δθ)+Δx；y″＝x′×sin(Δθ)-y′×cos(Δθ)+Δy；其中(x′，y′)是旋轉(zhuǎn)平移前的坐標(biāo)，(x″，y″)是旋轉(zhuǎn)平移后的坐標(biāo)。將兩枚指紋有效區(qū)變換之后就可以計(jì)算兩枚指紋(記為r，t，并假設(shè)r為基準(zhǔn)，t向r旋轉(zhuǎn)平移)之間的公共有效區(qū)域。求取方法如下設(shè)兩幅配準(zhǔn)好的指紋有效區(qū)域分別為Rr、Rt，則公共有效區(qū)域?yàn)镽＝Rr∩Rt，其中Rt是由指紋t的未配準(zhǔn)的有效區(qū)域按上面求得的參數(shù)(Δx，Δy，Δθ)根據(jù)新坐標(biāo)求取公式旋轉(zhuǎn)平移得到，實(shí)際上是旋轉(zhuǎn)平移了十六個(gè)頂點(diǎn)的坐標(biāo)。對(duì)于這兩枚已經(jīng)配準(zhǔn)好的指紋，進(jìn)行細(xì)節(jié)點(diǎn)比對(duì)。最終得出的是0～1之間的一個(gè)數(shù)，表示兩枚指紋細(xì)節(jié)點(diǎn)集合的相似度。當(dāng)兩幅配準(zhǔn)好的指紋圖中的兩個(gè)細(xì)節(jié)點(diǎn)距離小于某一閾值(取為8像素)時(shí)，認(rèn)為這兩個(gè)點(diǎn)比對(duì)成功，匹配成功點(diǎn)對(duì)計(jì)數(shù)加1。最終可以求出Mrt=countmax(countt,countr)×min(voteTh,1),]]>其中count表示比對(duì)成功的細(xì)節(jié)點(diǎn)對(duì)數(shù)，countr表示指紋r在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)，countt表示指紋t在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)。Th為經(jīng)驗(yàn)閾值，取為12。為了后面融合方便，我們令M′n＝1-Mn為細(xì)節(jié)點(diǎn)方法的比對(duì)結(jié)果作為輸出，這樣，比對(duì)值大小在0和1之間，比對(duì)值越小表明匹配程度越高，即0代表完全匹配，而1代表完全不匹配。二、密度圖比對(duì)對(duì)兩個(gè)待比對(duì)的指紋圖像，分別通過(guò)各自的密度圖特征(包括有效區(qū)域特征和多項(xiàng)式系數(shù))恢復(fù)其各自的密度圖，我們利用細(xì)節(jié)點(diǎn)的配準(zhǔn)結(jié)果進(jìn)行兩幅圖的配準(zhǔn)，記作A和B，設(shè)C代表A和B相交的區(qū)域，N表示C中的總點(diǎn)數(shù)，則基于密度圖的指紋比對(duì)分?jǐn)?shù)由下式給出其中A(i，j)，B(i，j)分別表示圖A和B中點(diǎn)(i，j)處的值。為了便于融合，我們將比對(duì)值進(jìn)行標(biāo)準(zhǔn)化，根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果，我們采用了簡(jiǎn)單的非線性函數(shù)將ε1(A，B)標(biāo)準(zhǔn)化到，即下面的公式其中，th為預(yù)先給定的閾值，在實(shí)驗(yàn)中，我們?nèi)h＝2.5。根據(jù)上式得到的比對(duì)值大小在0和1之間，比對(duì)值越小表明匹配程度越高，即0代表完全匹配，而1代表完全不匹配。三、決策融合在分別利用細(xì)節(jié)點(diǎn)和密度圖對(duì)指紋進(jìn)行比對(duì)后，通過(guò)分類器融合可以得到最終的識(shí)別結(jié)果。這兩種特征從不同的方面刻畫(huà)了指紋細(xì)節(jié)點(diǎn)刻畫(huà)了指紋局部的脊線分布特征；密度圖刻畫(huà)了指紋全局的脊線疏密分布。因此，它們的融合可以形成對(duì)指紋的更好的特征表示。在識(shí)別階段，由它們構(gòu)造的分類器相輔相成，互為補(bǔ)充，例如基于密度圖的識(shí)別，可以克服傳統(tǒng)的基于細(xì)節(jié)點(diǎn)的識(shí)別方法由于偽細(xì)節(jié)點(diǎn)過(guò)多而造成的誤識(shí)別(特別是將正確匹配的識(shí)別為不匹配)；細(xì)節(jié)點(diǎn)方法本質(zhì)是點(diǎn)集的比對(duì)，對(duì)紋理很不敏感，密度圖特征能在這方面對(duì)其給出有效的補(bǔ)充。我們?cè)?616幅指紋數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，融合可以大幅度提高指紋識(shí)別的準(zhǔn)確性和魯棒性。決策融合的具體方法很多，我們采用的融合策略如下設(shè)采用細(xì)節(jié)點(diǎn)和密度圖進(jìn)行識(shí)別的輸出分別為X1，X2(兩個(gè)數(shù))，這兩個(gè)識(shí)別過(guò)程可以看為兩個(gè)分類器，假設(shè)它們是相互獨(dú)立的，即X1，X2相互獨(dú)立，則它們的聯(lián)合概率密度可以利用兩個(gè)分類器的概率密度相乘得到P(X1，X2|w1)＝P(X1|w1)P(X2|w1)，P(X1，X2|w2)＝P(X1|w2)P(X2|w2)，其中，P(X1，X2|w1)表示在樣本(X1，X2)(即一個(gè)輸入指紋與一個(gè)參考指紋之間的兩個(gè)比對(duì)結(jié)果)屬于w1類(即輸入指紋與參考指紋實(shí)際上屬于同一個(gè)手指)時(shí)的概率，P(X1，X2|w2)表示在樣本(X1，X2)屬于w2類(即輸入指紋與參考指紋實(shí)際上屬于不同手指)時(shí)的概率。P(X1|w1)表示屬于w1類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度，P(X2|w1)表示屬于w1類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度，P(X1|w2)表示屬于w2類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度，P(X2|w2)表示屬于w2類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度。我們可以通過(guò)一定數(shù)量的訓(xùn)練樣本，計(jì)算出“真實(shí)的指紋比對(duì)”和“虛假的指紋比對(duì)”的概率分布，即P(X1|w1)、P(X2|w1)、P(X1|w2)和P(X2|w2)。方法采用Parzen窗進(jìn)行非參數(shù)估計(jì)，窗函數(shù)推薦采用高斯窗，對(duì)于一維分布，公式如下其中N′為訓(xùn)練樣本個(gè)數(shù)，視實(shí)際數(shù)據(jù)量而定，推薦2000以上；hN為窗寬，取為0.02；xi為第i個(gè)訓(xùn)練樣本的比對(duì)結(jié)果。具體算法如下將相似度的區(qū)間100等分，令上式中的x分別取0，0.01，0.02，…，1(實(shí)際計(jì)算出的相似度要按照這個(gè)精度進(jìn)行近似)，按照上式計(jì)算細(xì)節(jié)點(diǎn)比對(duì)相似度的類條件概率密度P(X1|w1)、P(X1|w2)和密度圖比對(duì)的類條件概率密度P(X2|w1)和P(X2|w2)，這四個(gè)量計(jì)算中存儲(chǔ)為四個(gè)包含101個(gè)元素的數(shù)組，用float型(4字節(jié))存儲(chǔ)，共需要1616字節(jié)。最后寫(xiě)成文件，以用于后面的在線決策融合過(guò)程。在線的決策融合只需要從文件中讀取相應(yīng)的數(shù)值，計(jì)算出聯(lián)合概率密度即可，不需要在線估計(jì)概率密度。在線應(yīng)用時(shí)，我們?cè)诘玫絻蓚€(gè)指紋之間細(xì)節(jié)點(diǎn)比對(duì)的相似度和密度圖比對(duì)的相似度后，利用已事先估計(jì)出的P(X1|w1)、P(X1|w2)、P(X2|w1)和P(X2|w2)得到P(X1，X2|w1)和P(X1，X2|w2)。再采用下面的分類器判斷這兩個(gè)指紋是否屬于同一手指(即屬于w1類還是w2類)其中λ為似然比閾值，根據(jù)實(shí)際要求選擇。推薦使用1400。這時(shí)錯(cuò)誤接受率(即將其他手指的指紋認(rèn)為是這個(gè)手指的)一般在0.005％附近，而錯(cuò)誤拒絕率(將同一手指的指紋認(rèn)為是其他手指的)在15％-25％之間，比單用細(xì)節(jié)點(diǎn)比對(duì)時(shí)可以降低15％左右。λ增大會(huì)使FAR減小，同時(shí)使FRR增大。實(shí)際使用中應(yīng)適當(dāng)權(quán)衡。圖11顯示了不同λ值下對(duì)應(yīng)的FAR和FRR的值，曲線上每一個(gè)點(diǎn)對(duì)應(yīng)一個(gè)λ值，曲線越低表明識(shí)別效果越好。權(quán)利要求1.基于密度圖模型的指紋識(shí)別方法，其特征在于，它依次含有以下兩個(gè)階段注冊(cè)階段，計(jì)算機(jī)在離線狀態(tài)下對(duì)所有注冊(cè)的指紋進(jìn)行特征提取和存儲(chǔ)，這個(gè)階段依次含有以下步驟(1).對(duì)計(jì)算機(jī)進(jìn)行初始化設(shè)定以下用定長(zhǎng)編碼方式存儲(chǔ)的特征細(xì)節(jié)點(diǎn)特征，包括它的X坐標(biāo)、Y坐標(biāo)和方向角度，每個(gè)細(xì)節(jié)點(diǎn)用3個(gè)字節(jié)表示，細(xì)節(jié)點(diǎn)數(shù)小于100，最多需用300字節(jié)；有效區(qū)域特征用十六邊形表示指紋有效區(qū)域邊界，存儲(chǔ)16個(gè)頂點(diǎn)的X坐標(biāo)、Y坐標(biāo)，共需32字節(jié)表示有效區(qū)域鏈碼；密度圖特征設(shè)定增強(qiáng)圖中各點(diǎn)的脊線密度作為反映該點(diǎn)指紋脊線紋理的疏密程度的特征，所述一個(gè)點(diǎn)的脊線密度是指作垂直于該點(diǎn)在方向場(chǎng)中對(duì)應(yīng)方向的直線，使它與兩條相鄰脊線相交，該直線處于兩條脊線上的兩條線段各自中點(diǎn)之間的距離即為該點(diǎn)脊線密度，用它作為密度圖模型參數(shù)；采用最小二乘法建模，最小化通過(guò)二元四次多項(xiàng)式模型擬合生成的密度圖和原始的脊線密度圖的平方誤差來(lái)得到多項(xiàng)式系數(shù)，每個(gè)多項(xiàng)式有25個(gè)參數(shù)，保存一個(gè)最大值和一個(gè)最小值，各用4字節(jié)，再把所有參數(shù)標(biāo)準(zhǔn)化到0～65535之間，每個(gè)參數(shù)用2字節(jié)存儲(chǔ)，共需50字節(jié)，合計(jì)58字節(jié)；存儲(chǔ)以上三個(gè)指紋特征共占用390字節(jié)；在指紋有效區(qū)域的檢測(cè)步驟中，對(duì)于已經(jīng)按4×4大小方格分割的原始指紋圖像而言，當(dāng)以點(diǎn)(i，j)為左上角的一個(gè)方格內(nèi)的灰度均值Iavg(i，j)和方差Var(i，j)處于下述范圍內(nèi)，該方格為有效，標(biāo)記為1，否則無(wú)效，標(biāo)記為0，即th1＜Iavg(i，j)＜th2且同時(shí)Var(i，j)＞th3，其中th為閾值，th1＝20，th2＝220，th3＝6；在密度圖建模的步驟中，多項(xiàng)式模型中多項(xiàng)式階次為4；在圖像增強(qiáng)的步驟中，Gabor濾波器空域表達(dá)形式G(x掩，y掩，θ)中的參數(shù)值δx′＝δy′＝5.0，f＝0.6，空域掩模大小為7×7像素；(2).計(jì)算機(jī)通過(guò)取指器采集所有注冊(cè)指紋的原始圖像并存儲(chǔ)；(3).檢測(cè)指紋的有效區(qū)域，它依次含有以下步驟(3.1)把原始圖像分割成大小為4×4像素的方格；(3.2)計(jì)算機(jī)按下式計(jì)算以點(diǎn)(i，j)為左上角的一個(gè)方格內(nèi)的灰度均值Iavg(i，j)和方差Var(i，j)Iavg(i,j)=116Σx=03Σy=03I(i+x,j+y)]]>Var(i,j)=116Σx=03Σy=03(I(i+x,j+y)-Iavg(i,j))2]]>其中I(i+x，j+y)為(i+x，j+y)點(diǎn)的圖像灰度值；(3.3)計(jì)算機(jī)按下式判斷上述每一個(gè)方格是否有效若th1＜Iavg(i，j)＜th2且同時(shí)Var(i，j)＞th3，則該方格有效，標(biāo)記為1，否則為0；(3.4)去噪聲處理(3.4.1)對(duì)上述圖像進(jìn)行3×3濾波，即對(duì)圖像上所有的點(diǎn)，檢查其3×3鄰域內(nèi)9個(gè)點(diǎn)，若只有該點(diǎn)是有效的，而其它8個(gè)點(diǎn)是無(wú)效的，則該點(diǎn)判斷為噪聲，標(biāo)記改為0；若只有該點(diǎn)是無(wú)效的，而其他8個(gè)點(diǎn)是有效的，則該點(diǎn)標(biāo)記改為1；(3.4.2)去掉有效區(qū)域中的“洞”即逐行對(duì)上述圖像掃描，填補(bǔ)最左邊和最右邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，把它們的標(biāo)記為有效；逐列掃描，填補(bǔ)最上邊和最下邊的有效點(diǎn)之間的所有無(wú)效點(diǎn)，把它們的標(biāo)記為有效；這樣得到了指紋圖像的有效區(qū)域，長(zhǎng)、寬分別為原圖的1/4；(3.5)求取真實(shí)的有效區(qū)域的質(zhì)心(x0，y0)x0=1NΣ(i,j)∈Ei,]]>y0=1NΣ(i,j)∈Ej,]]>其中，E代表有效區(qū)域，N代表有效區(qū)域內(nèi)的點(diǎn)數(shù)；(3.6)從質(zhì)心(x0，y0)處等角度地向四周16個(gè)方向引射線，求出這些射線與有效區(qū)域外邊界的交點(diǎn)，并存儲(chǔ)；(4).用基于梯度統(tǒng)計(jì)的金字塔形算法進(jìn)行方向場(chǎng)估計(jì)，它依次含有以下步驟(4.1)利用Soble算子的水平方向算子Sx和豎直方向算子Sy求取點(diǎn)(x，y)的灰度梯度水平方向Gx(x,y)=18Σj=-y-1y+1Σi=x-1x+1Sx(x-i,y-j)I(i,j)]]>豎直方向Gy(x,y)=18Σj=y-1y+1Σi=x-1x+1Sy(x-i,y-j)I(i,j)]]>I(i，j)為(i，j)點(diǎn)的灰度值；(4.2)把指紋圖劃分成大小為W×W的方格，W＝7，再依次進(jìn)行以下步驟(4.2.1)用下式求取每一方格對(duì)應(yīng)的局部方向θθ(i,j)=12tan-1(Σi=1W‾Σj=1W‾2Gx(i,j)Gy(i,j)Σi=1W‾Σj=1W‾(Gx2(i,j)-Gy2(i,j)));]]>(4.2.2)計(jì)算方向場(chǎng)一致性水平E0=1NΣ(i′,j′)∈D|(i′,j′)-θ(i,j)|2,]]>其中，D是第(i，j)方格的鄰域，取為5×5，N是D中所含方格的個(gè)數(shù)，N＝25；θ(i′，j′)和θ(i，j)分別為第(i′，j′)和第(i，j)方格的局部方向；若E0＞Tc，則令W＝1.5W，重新估計(jì)D中各方格的方向，重復(fù)步驟(4.2.1)和(4.2.2)；直至E0≤Tc，這里Tc＝1.5；(5).用Gabor濾波方法增強(qiáng)圖像，其步驟如下(5.1)Gabor濾波器空域表達(dá)形式為其中θ∈);]]>其中L＝12為統(tǒng)計(jì)數(shù)據(jù)區(qū)域長(zhǎng)度，D＝2為統(tǒng)計(jì)步長(zhǎng)，進(jìn)行脊線提取如果F(i，j)＞flag(i，j)，則(i，j)點(diǎn)位于谷，即背景，否則位于脊，即前景；(6).基于細(xì)化圖的細(xì)節(jié)點(diǎn)提取和存儲(chǔ)，它依次包含以下步驟(6.1)在保持原圖的骨架即不改變拓?fù)浣Y(jié)構(gòu)和不刪除直線端點(diǎn)的前提下，根據(jù)以待測(cè)點(diǎn)為中心的8鄰域的不同狀態(tài)來(lái)決定待測(cè)點(diǎn)的“去”或“留”，“去”用“0”表示，“留”用“1”表示；(6.2)建立1維索引表table，標(biāo)記索引為0～255，共256個(gè)元素，每個(gè)元素取1表示保留，0表示去掉；(6.3)遍歷有效區(qū)域內(nèi)所有點(diǎn)，考察其8鄰域，對(duì)所有排列組合通過(guò)下面的公式映射到0～255之間index＝A32×20+A31×21+A21×22+A11×23+A12×24+A13×25+A23×26+A33×27；其中，Aij代表8個(gè)鄰域中的點(diǎn)的值，然后通過(guò)查詢索引表中索引值為index的元素即table[index]，決定該待測(cè)點(diǎn)是否保留或者去掉；(6.4)重復(fù)(6.3)直到?jīng)]有被去掉的點(diǎn)出現(xiàn)；(6.5)細(xì)化后處理(6.5.1)，按照細(xì)化圖，初步確定細(xì)節(jié)點(diǎn)中的端點(diǎn)，即本身為1且周圍8個(gè)點(diǎn)中有且僅有一個(gè)點(diǎn)為1，和分岔點(diǎn)，即本身為1且周圍8個(gè)點(diǎn)中有且僅有三個(gè)點(diǎn)為1；(6.5.2)，沿著細(xì)節(jié)點(diǎn)生長(zhǎng)，對(duì)細(xì)節(jié)點(diǎn)進(jìn)行后處理(a)，對(duì)于端點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)端點(diǎn)的方向與之接近，即角度差小于Tha＝30度，則將這兩個(gè)端點(diǎn)都去掉；(b)，將形成環(huán)形的鄰近分叉點(diǎn)連接起來(lái)，對(duì)于一個(gè)分叉點(diǎn)，如果在其12×12的鄰域內(nèi)有另一個(gè)分叉點(diǎn)的方向與之接近，即角度差小于Tha＝30度，則將兩者都去掉；(c)，去除一些小短棒對(duì)應(yīng)的兩個(gè)端點(diǎn)，對(duì)于一個(gè)端點(diǎn)，如果沿著它所在脊線經(jīng)過(guò)12個(gè)像素之內(nèi)就碰到另一個(gè)端點(diǎn)，則將兩個(gè)端點(diǎn)都去掉；(6.5.3)，篩除方向與該點(diǎn)方向場(chǎng)角度差大于30度的特征點(diǎn)；(7).密度圖特征提取和存儲(chǔ)，它依次包含以下步驟(7.1)原始密度圖的提取遍歷二值化后的增強(qiáng)圖上有效區(qū)域內(nèi)的所有點(diǎn)，設(shè)脊線灰度為0，背景灰度為1，按以下步驟求取各點(diǎn)的脊線密度(7.1.1)對(duì)有效區(qū)域內(nèi)某一點(diǎn)P，通過(guò)方向場(chǎng)取得該點(diǎn)處的方向，如果該點(diǎn)灰度值為0，則執(zhí)行步驟(7.1.2)，否則執(zhí)行步驟(7.1.3)；(7.1.2)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，分別一直探測(cè)到灰度由0變1的點(diǎn)，即脊線的邊界點(diǎn)；向距離P點(diǎn)距離近的邊界點(diǎn)一側(cè)的方向繼續(xù)遍歷，直到探測(cè)到灰度由1變0的點(diǎn)，即到達(dá)相鄰脊線，繼續(xù)遍歷直到探測(cè)到灰度由0變1的點(diǎn)，執(zhí)行步驟(7.1.4)；(7.1.3)沿垂直于P點(diǎn)方向的直線從P點(diǎn)開(kāi)始分別向兩邊遍歷，直到探測(cè)到灰度由1變0的點(diǎn)，即脊線的邊界點(diǎn)，分別繼續(xù)遍歷，直到探測(cè)到灰度由0變1的點(diǎn)，找到脊線另一側(cè)的邊界點(diǎn)；(7.1.4)求取相鄰兩條脊線各自在沿垂直于P點(diǎn)方向的直線上的線段的中心點(diǎn)，其中，這兩個(gè)中心點(diǎn)之間的距離就是P點(diǎn)處的脊線密度；(7.1.5)由此對(duì)二值化后的增強(qiáng)圖上有效區(qū)域內(nèi)的所有點(diǎn)按步驟(7.1.1)～(7.1.4)來(lái)求取每點(diǎn)的脊線密度，得到一張?jiān)技咕€密度圖，用Rraw表示；(7.1.6)對(duì)上述原始脊線密度圖采用3×3的中值濾波器進(jìn)行一次平滑濾波(7.1.6.1)對(duì)原始脊線密度圖中以點(diǎn)(i，j)為中心的3×3鄰域內(nèi)的9個(gè)點(diǎn)，即{Rraw(i+i1，j+j1)}i1＝0，1，2；j1＝0，1，2按照脊線密度值進(jìn)行大小排序，選擇其中排名最中間的值作為該待測(cè)點(diǎn)(i，j)的濾波后的值；(7.1.6.2)對(duì)原始脊線密度圖中的所有點(diǎn)按步驟(7.1.6.1)進(jìn)行處理，各待測(cè)點(diǎn)濾波值，將結(jié)果用R′raw表示；(7.1.7)把上述(7.1.6)得到的濾波后的脊線密度圖R′raw劃分為4×4像素大小的方格，對(duì)每個(gè)方格求平均值，我們將此新圖用D表示，其長(zhǎng)和寬分別為原圖R′raw的1/4，其中D圖中坐標(biāo)為(x，y)的點(diǎn)的值D(x，y)為D(x,y)=116Σk1=03Σk2=03Rraw′(4x+k1,4y+k2)]]>(7.2)密度圖建模，依次含有以下步驟(7.2.1)權(quán)重設(shè)置對(duì)于圖D上點(diǎn)(x，y)處的權(quán)重為w(x，y)，計(jì)算機(jī)可用下面步驟計(jì)算(7.2.1.1)計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的均值Davg(x，y)Davg(x,y)=19Σx1=02Σy1=02D(x+x1,y+y1);]]>(7.2.1.2)計(jì)算D在點(diǎn)(x，y)處的3×3鄰域內(nèi)的方差Var(x，y)Var(x,y)=19Σx1=02Σy1=02(D(x+x1,y+y1)-Davg(x,y))2;]]>(7.2.1.3)計(jì)算點(diǎn)(x，y)處的權(quán)重w(x，y)w(x，y)＝exp(-Var(x，y)/8)；(7.2.2)最小化Σ(x,y)w(x,y)|D(x,y)-p(x,y)|2]]>來(lái)求解二元四次多項(xiàng)式p(x，y)的系數(shù)，其中多項(xiàng)式p(x,y)=Σi=04Σj=04aijxiyj,]]>aij，i＝0，…，4；j＝0，…，4即為多項(xiàng)式系數(shù)；(7.2.3)保存特征aij，i＝0，…，4；j＝0，…，4；(8)對(duì)所有注冊(cè)指紋進(jìn)行上述特征提取操作(1)～(7)并將所得到的有效區(qū)域16邊形頂點(diǎn)和多項(xiàng)式系數(shù)，特征存入數(shù)據(jù)庫(kù)；驗(yàn)證階段，依次含有以下步驟(1)計(jì)算機(jī)對(duì)每個(gè)輸入的指紋按照上述(1)～(7)進(jìn)行特征在線提取操作(2)細(xì)節(jié)點(diǎn)比對(duì)值計(jì)算(2.1)用基于Hough變換的細(xì)節(jié)點(diǎn)配準(zhǔn)方法補(bǔ)償旋轉(zhuǎn)和平移偏差，即把兩個(gè)指紋各自的細(xì)節(jié)點(diǎn)分別構(gòu)成各自含有M和N個(gè)細(xì)節(jié)點(diǎn)的點(diǎn)集，從兩個(gè)點(diǎn)集中各選一個(gè)細(xì)節(jié)點(diǎn)分別表示為(x1，y1，θ1)和(x2，y2，θ2)，利用它們之間的坐標(biāo)、方向求出一個(gè)平移量Δt=ΔxΔy=x2-x1y2-y1,]]>一個(gè)旋轉(zhuǎn)量Δθ＝θ2-θ1，遍歷所有M×N對(duì)細(xì)節(jié)點(diǎn)對(duì)，統(tǒng)計(jì)(Δx，Δy，Δθ)出現(xiàn)的次數(shù)，得票最高的平移旋轉(zhuǎn)量就是最終使用的平移旋轉(zhuǎn)量，同時(shí)記錄得票數(shù)vote；用下面的公式計(jì)算平移旋轉(zhuǎn)后的新坐標(biāo)x″＝x′×cos(Δθ)-y′×sin(Δθ)+Δx；y″＝x′×sin(Δθ)-y′×cos(Δθ)+Δy；其中(x′，y′)是旋轉(zhuǎn)平移前的坐標(biāo)，(x″，y″)是旋轉(zhuǎn)平移后的坐標(biāo)；(2.2)公共有效區(qū)域提取記注冊(cè)指紋r和申請(qǐng)指紋t配準(zhǔn)后的有效區(qū)域分別為Rr、Rt，設(shè)以r為基準(zhǔn)，t向r旋轉(zhuǎn)平移，則公共有效區(qū)域?yàn)镽c=Rr∩Rt,]]>其中Rt是由指紋t的有效區(qū)域按(2.1)求得的參數(shù)(Δx，Δy，Δθ)根據(jù)新坐標(biāo)求取公式旋轉(zhuǎn)平移得到；(2.3)按(2.1)中公式旋轉(zhuǎn)平移指紋t中所有細(xì)節(jié)點(diǎn)的坐標(biāo)，并將其與指紋r中所有細(xì)節(jié)點(diǎn)進(jìn)行比對(duì)，記錄比對(duì)成功即距離小于8像素的細(xì)節(jié)點(diǎn)的對(duì)數(shù)；(2.4)計(jì)算指紋r，t細(xì)節(jié)點(diǎn)集合的相似度Mrt，0≤Mrt≤1Mrt=countmax(countt,countr)×min(voteTh,1);]]>其中count表示比對(duì)成功的細(xì)節(jié)點(diǎn)對(duì)數(shù)，countr表示指紋r在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)，countt表示指紋t在兩幅指紋公共有效區(qū)域內(nèi)的細(xì)節(jié)點(diǎn)個(gè)數(shù)，Th為經(jīng)驗(yàn)閾值，取為12；(2.5)輸出M′n＝1-Mn作為細(xì)節(jié)點(diǎn)比對(duì)的比對(duì)值，比對(duì)值大小在0和1之間，比對(duì)值越小表明匹配程度越高；(3)密度圖比對(duì)值計(jì)算(3.1)對(duì)于兩枚待比對(duì)的圖像，分別通過(guò)各自的密度圖特征，包括有效區(qū)域和多項(xiàng)式系數(shù)，恢復(fù)他們各自的密度圖；(3.2)設(shè)A，B分別為兩幅已經(jīng)通過(guò)細(xì)節(jié)點(diǎn)的配準(zhǔn)結(jié)果進(jìn)行配準(zhǔn)的指紋的密度圖，相交區(qū)域內(nèi)各自點(diǎn)集中各點(diǎn)的值用A(i，j)|(i，j)∈C，B(i，j)|(i，j)∈C表示，其中C代表A和B相交的區(qū)域；(3.3)按下式計(jì)算兩幅密度圖A，B的距離ε1(A，B)其中，N表示C中的總點(diǎn)數(shù)；(3.4)按下式將ε1(A，B)標(biāo)準(zhǔn)化得到比對(duì)值ε(A，B)其中，th為預(yù)先給定的閾值，在實(shí)驗(yàn)中，我們?nèi)h＝2.5；(4)用分類器進(jìn)行決策融合首先定義w1類事件為輸入指紋與參考指紋實(shí)際上屬于同一個(gè)手指的情況；w2類事件為輸入指紋與參考指紋實(shí)際上屬于不同手指的事件；(4.1)概率密度估計(jì)過(guò)程令P(X1|w1)表示屬于w1類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度；P(X2|w1)表示屬于w1類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度；P(X1|w2)表示屬于w2類的指紋對(duì)，用細(xì)節(jié)點(diǎn)比對(duì)結(jié)果為X1的概率密度；P(X2|w2)表示屬于w2類的指紋對(duì)，用密度圖比對(duì)結(jié)果為X2的概率密度；P(X1|w1)、P(X2|w1)、P(X1|w2)和P(X2|w2)用表示，并用如下公式求取其中N′為訓(xùn)練樣本個(gè)數(shù)，及相應(yīng)的比對(duì)結(jié)果的個(gè)數(shù)，四組數(shù)據(jù)數(shù)量推薦均在2000以上，這些比對(duì)是離線進(jìn)行的；hN為窗寬，取為0.02；x分別取0，0.01，0.02，…，1，即將相似度的區(qū)間100等分，分別按照上式計(jì)算P(X1|w1)、P(X2|w1)、P(X1|w2)和P(X2|w2)這四個(gè)量計(jì)算中存儲(chǔ)為四個(gè)包含101個(gè)元素的數(shù)組，用float型(4字節(jié))存儲(chǔ)，共需要1616字節(jié)；最后寫(xiě)成文件；(4.2)在線決策過(guò)程按照細(xì)節(jié)點(diǎn)和密度圖比對(duì)得出的結(jié)果比對(duì)的結(jié)果從存儲(chǔ)概率密度的文件中讀取相應(yīng)的數(shù)值，計(jì)算出聯(lián)合概率密度P(X1,′X2′|w1)=P(X1′|w1)P(X2′|w1),]]>P(X1,′X2′|w2)=P(X1′|w2)P(X2′|w2),]]>運(yùn)用下述決策規(guī)則進(jìn)行決策若P(X1,′X2′|w1)P(X1,′X2′|w2)≥λ,]]>則判定指紋屬于同一手指；若P(X1,′X2′|w1)P(X1,′X2′|w2)<λ,]]>則判定指紋屬于不同手指；其中λ是決策閾值，建議選用1400。全文摘要基于密度圖模型的指紋識(shí)別方法屬于指紋識(shí)別
技術(shù)領(lǐng)域：
，其特征在于它把傳統(tǒng)的細(xì)節(jié)點(diǎn)特征與有效區(qū)域特征、密度圖特征結(jié)合在一起作為指紋識(shí)別的特征，同時(shí)又把密度圖比對(duì)結(jié)果與傳統(tǒng)的細(xì)節(jié)點(diǎn)比對(duì)結(jié)果加以融合從而大大提高指紋識(shí)別率。這種方法更便于實(shí)用，而且需要的存儲(chǔ)空間也只有很少的增加。它更適用于質(zhì)量較差的指紋進(jìn)行識(shí)別。文檔編號(hào)G06K9/00GK1595428SQ20041006897公開(kāi)日2005年3月16日申請(qǐng)日期2004年7月15日優(yōu)先權(quán)日2004年7月15日發(fā)明者周杰,萬(wàn)定銳申請(qǐng)人:清華大學(xué)