基于Voronoi图的指纹图像特征提取方法研究.docVIP

基于Voronoi图的指纹图像特征提取方法研究 　　摘要：随着社会的发展需要，基于指纹的生物识别技术应用越来越广泛。而许多生物识别技术公司并不直接存储指纹的图像而是将其特征数字化，所以多年来相关研究机构中产生了许多数字化的算法，但指纹识别算法最终都归结为将指纹进行预处理后做特征抽取然后进行比对，该文就是针对基于Voronoi图的指纹图像特征提取方法及相关算法进行研究。 　　关键词：特征提取；Voronoi图；Delaunay三角网 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)08-1869-02 　　传统的身份识别技术如钥匙、密码、口令卡等容易丢失、被盗用，所以基于人体特征的生物识别技术越来越为人们认知和接受。现阶段人们所采用的生物识别技术多种多样，由于指纹具有普遍性、互异性、易于采集、不涉及隐私等特点，综合考虑可靠、高效、低成本等几方面因素，以指纹识别应用最为广泛[1]。一般来说，指纹图像识别分为以下几步：指纹采集、预处理、特征提取、匹配[2]。采集到指纹后，通过图像分割、增强、二值化、细化、去噪[3]等方式对指纹图像进行预处理，以便于更好的进行特征提取，本文的重点在于介绍特征提取的相关算法和Voronoi图的应用。 　　指纹识别并不是直接对图像进行识别，而是在图像中提取最能反映指纹特征的特征点。指纹最主要的特征点有两大类，即端点和分叉点。若不考虑特征点的方向，这两种特征点占了所有特征点的 90%以上[4]，并且其他特征点如交叉点、环形、桥形特征实际上都可以看成是端点和分叉点的合成。因此一般只需要提取出这两种特征点就足够用于特征匹配。考虑到指纹预处理过程中存在的误差，对特征点只做标记并不区分细节类型属于分叉点还是端点。目前大多数系统都是从细化指纹图像中提取特征，只需要3×3的模板就可以将端点和分叉点提取出来[5]。算法描述如下： 　　首先，确定一个特征提取模板，如图1所示。中心点p为待检测点， p1至p8是p点的八邻域的像素值，沿顺时针方向排列。然后判断待检测点的类型，待检测点可分为四类：孤立点、端点、连续点和分叉点[6]。 　　若中心点为孤立点，则其八邻域点分布如图2所示遍历时可标记为孤立点。 　　若中心点为端点：采用穷举法可知有且只有有以下8种情况，如图3，满足其中一种则可标记为端点。C18=8 　　图3 端点的八邻域分布 　　同理可推断若中心点为连续点则有以下情况：c13×c13+c13×2-1+2=16 　　图4 　　若中心点为分叉点则有以下情况：c14+c14+c14+c14=16 　　图5 　　以此方法对细化后指纹骨架图像上的所有点进行遍历，标记出特征点。然后我们需要提取特征点的之间的某种关系（例如位置关系、角度关系等）对所采集到的指纹做出数据表达，此步骤可以称为特征后抽取[7]。本文使用Voronoi图对已经提取的特征点进行区域划分，得出点与点之间的相关信息，将此信息作为指纹图像抽取完毕之后的新特征。 　　Voronoi图，又叫泰森多边形，它是由一组两邻近点连线的垂直平分线组成的连续多边形。N个在平面上有区别的点，按照最邻近原则划分平面；每个点与它的最近邻区域相关联。为了使用方便，可同时采用Delaunay三角形， Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形，其外接圆圆心是与三角形相关的Voronoi多边形的一个顶点，Voronoi三角形是Delaunay图的偶图[8]。举例如下：任取一组不规则散点，根据相关算法分别生成Voronoi图和Delaunay三角网，为了便于说明问题，将二者置于同一图中作对比，如图六中所示，由于Voronoi图是由垂直平分线组成，所以这些不规则散点划分的区域是固定不变的，即同一组散点确立的Voronoi图是唯一的，其偶图Delaunay三角网也具有唯一性。 　　 图6不规则散点构成的Voronoi图 图7 相同的散点构成的Delaunay三角图 图8 置于同图中作对比 　　同理，当我们对指纹上所有点进行遍历并标记出特征点后，可以采用上述方法将散点生成Delaunay三角网，由于Delaunay三角网在生成时是本着每个三角形中最小角最大化的原则[9]，所以可以记录图中每个独立三角形的最小角，将这些角度按照从小到大的顺序进行排序并存储，存储后的角度数值序列可作为指纹特征提取完毕后的特征值用于指纹匹配。 　　参考文献： 　　[1] 何余良,田捷,张晓鹏.基于马尔科夫随机场的指纹图像分割方法[C]//北京:第四届中国计算机图形学大会（ChinaGraph 2002)会议论文集,2002:149-156. 　　[2] 耿茵茵,唐良瑞.指纹图像分级分割算法团二北方工业大学学报,