指纹识别技术应用研究论文-.docVIP

指纹识别技术研究 摘要：随着生物识别技术的不断发展，人们发现每个人的指纹具有唯一性和不变性。因此指纹识别技术逐步发展为一种新的身份识别方式，并且凭借其良好的安全可靠性，大有取代传统身份识别方式的趋势。 本文简要介绍了指纹识别的基本步骤，分别是指纹图像预处理、指纹特征提取、指纹匹配。在图像预处理中，依次介绍了规格化处理、图像增强、二值化处理和细化处理的方法。预处理后将得到一幅宽度为一个像素的细化二值图像，然后通过特定的端点和交叉点的特征进行指纹匹配。实验表明，该方法效果良好。 论文中采用Matlab编程实现全部算法。 关键词：指纹识别，图像处理，特征提取，特征匹配 1．引言 传统的身份识别技术包括基于密码的身份识别技术和基于令牌的身份识别技术。但是这两种方式都存在着一定的安全风险：令牌容易丢失，密码容易忘记，且它们都容易被窃取或冒充。近年来，依赖人体特征的新型身份识别技术正在兴起，凭借其唯一且不变的特点，生物识别技术逐步成为人们研究的热点。 而在生物识别技术中，指纹识别技术已经被广泛的研究和应用。它的基本原理框图如图一所示。 图1指纹识别的基本原理框图 2.1图像规格化 受采集设备参数和环境的影响，采集到的指纹图像可能总体对比度较差。图像归一化的作用就是使所有指纹图像具有相同的灰度均值和方差，从而将每一幅图像的灰度调整到统一的范围，方便后续处理。归一化的算法是： 先计算图像的平均值和方差。这部分工作主要通过统计图像中各点像素值得到该图像的直方图，然后利用直方图来计算指纹图像的相关指标。 指定期望经过处理后的图像均值和方差，计算归一化后的图像G。 图像规格化的Matlab程序如下（其中方差取Var0=2000,M0=150）： % 归一化 M=0;var=0;%图像的平均值和方差开始进行初始化 for x=1:m for y=1:n M=M+I(x,y); end end M1=M/(m*n);%计算图像的平均值 for x=1:m for y=1:n var=var+(I(x,y)-M1).^2;%计算图像的方差 end end var1=var/(m*n); for x=1:m for y=1:n if I(x,y)=M1 I(x,y)=150+sqrt(2000*(I(x,y)-M1)/var1);%处理后的图像均值 else I(x,y)=150-sqrt(2000*(M1-I(x,y))/var1);%处理后的图像方差 end end end figure, imshow(uint8(I)) ;%显示归一化后的图像 带入指纹图像’zhiwen1.bmp’后得到的原始图像和归一化图像见图2和图3： 图图 2.2图像分割 指纹图像通常包括纹线区域和周边的无用区域。如果保留这些无用区域，会致使计算冗余度增加。为此要先将其从待处理区域中去除。通常用的分离方法有像素领域特征的方法和基于像素分布概率的方法等。本文采取对各像素邻域特征进行分析，然后分割图像算法。 吧图像分成T*T的非重叠块，计算每一块的灰度均值M和方差Var，通过下列条件区分前景与背景： 如果MM1且VarVar1，则认为背景 如果M=M1且Var=Var1，则认为前景，否则待定； 对所有分块划分完毕后，在对待定块进行判决。如果在8邻域中，背景景小于等于4则认为是前景，否则是背景 在编程过程中通过几次调试后对图像进行3*3分块处理 Matlab程序如下： % 分割 M =3; %3*3 H = m/M; L= n/M; aveg1=zeros(H,L); var1=zeros(H,L); % 计算每一块的平均值 for x=1:H; for y=1:L; aveg=0;var=0; for i=1:M; for j=1:M; aveg=I(i+(x-1)*M,j+(y-1)*M)+aveg; end end aveg1(x,y)=aveg/(M*M); % 计算每一块的方差值 for i=1:M; for j=1:M; var=(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)).^2+var; end end var1(x,y)=var/(M*M); end end Gmean=0;Vm