指纹分析图像及方法研究.docVIP

指纹分析图像及方法研究 　　摘要：作为模式识别的一个分支，指纹的宏观特征分析成为一个需要研究和完善的课题，由于图像信息量大，和对图像进行点运算的耗时费力，对指纹首先进行模式匹配然后再对比细节特征将会大大提高对比和匹配效率。鉴于此，该文利用数字图像处理技术：图像增强，图像二值化，图像细化等算法尝试一种对指纹图像进行分类并统计指纹图像的一些特征。 中国论文网 /8/view-7164576.htm 　　关键词：模式分析；指纹；宏观特征；指纹分类；数字图像处理 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2015）06-0173-02 　　指纹识别技术是通过计算机实现的身份识别手段，近几年来，它逐渐走向市场更为广泛的民用市场[1]。每个人包括指纹在内的皮肤纹路在图案、断点和交叉点上各不相同，呈现唯一性且终生不变。据此，通过将指纹和预先保存的指纹数据进行比较，就可以验证真实身份，这就是指纹识别技术[2]。 　　本文主要研究了指纹的模式识别算法。将指纹宏观模式识别分类后可以有效减少指纹比对时所比对的指纹图像数，从而节约大量图像处理与对比时间，提高指纹对比和查找效率。 　　1 指纹图像分类 　　指纹有三种基本图形：环型（loop）、弓型（arch）、螺旋型（whorl），其他的指纹图案都基于这三种基本图案。如图1所示： 　　2 指纹图像特征点 　　指纹图像特征点可分为6类，最典型的是终结点和分叉点，示意图如图2所示： 　　1）终结点（Ending）一条纹路在此终结。 　　2）分叉点（Bifurcation）一条纹路在此分开成为两条或更多的纹路。 　　3）分歧点（Ridge Divergence）两条平行的纹路在此分开。 　　4）孤立点（Dot or Island）一条特别短的纹路，以至于成为一点。 　　5）环点（Enclosure）一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点。 　　6）短纹（Short Ridge）一端较短但不至于成为一点的纹路。 　　3 指纹图像增强 　　通过扫描仪直接提取的指纹图像其图像质量还不能很好地达到图像分析的要求，因此采用Gabor滤波对指纹图像进行增强以提高指纹图像特征，提高可分析性[3]。Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。另外Gabor函数与人眼的生物作用相仿，所以经常用作纹理识别上，并取得了较好的效果，GABOR图像增强效果如下图3所示， 　　 　　图3 指纹增强图像 　　4 指纹图像二值化 　　图像的二值化处理就是将图像上的像素点的灰度值设置为0或255，在指纹处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，由于指纹图像更多的信息与其纹线的方向、形状、位置有关，因此合理设置阈值将图像二值化后会提高指纹图像分析效率。（本文通过实验后采用的阈值为100）二值处理结果如图4所示。 　　5 指纹图像细化 　　所谓的细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。为了进一步减少无关信息的信息量，我们采用对指纹脊线细化的方法，使得图像特征更加明显，如图5所示。 　　6 特征点提取 　　为了提高提取效率并且提取比较多的特征点信息，本程序只提取了前面提到的终结点和分叉点[4]。提取原理如下。 　　1）终结点（ending）提取：图像细化后，与终结点直接相连的点只有一个，由此特征可以确定该点为终结点。初次提取的终结点含有很多边界点，因此根据图像统计信息确定边界后去掉在边界上的点。 　　2）分叉点（fifurcation）提取：图像细化后，与之相连的点有三个，由此特征可判断该点为分叉点。获取特征点程序代码示意图如图6所示： 　　7 指纹类型分析 　　1）类型分析原理：这里主要尝试通过创造一种非核心点算法分析指纹的整体类型。 　　2）算法原理如下：首先通过扫描特征点数组m（int**）统计结束点，分叉点，纹数信息。然后由每个结束点开始沿脊线扫描至边界或者下一个特征点为止，记录转过的角度和脊线长度，选取合适长度的线分析后统计入环形线或螺旋形线或弓形线的数量中。由此信息进而为下面分析指纹属于的类型（环形，螺旋形，弓形）提供必要数据。根据统计的终结点，分叉点，纹数信息，得出指纹类型如图7所示。 　　8 结束语 　　本文通过图像分析指纹宏观特征的算法识别指纹类型。指纹宏观特征识别的主要目的在于为指纹图像分类，来减少分析比对图像的时间，为指纹的查找比对节约大量时间和计算机资源。 　　指纹分析算法是自己尝试的方法，经过一些实验，能够识别一些指纹的模式