自动指纹系统的指纹图像增强和细节匹配研究.docxVIP

自动指纹系统的指纹图像增强和细节匹配研究 1 指纹图像增强算法 自动识别系统（afis）有着广泛的应用背景。目前，对自动识别系统的研究主要集中在三个方面：图像放大、指纹分类和详细匹配。指纹分类通常用于大多数大的指纹库，以减少搜索区域的步骤。在这项工作中，不包括指纹分类。 我们的自动指纹识别系统框图如图1所示,系统由离线和在线部分两部分组成.在系统的离线部分,用指纹采集仪采集指纹,提取出细节点,然后将细节点保存到数据库中,形成指纹模板库.在系统的在线部分,用指纹采集仪采集指纹,提取出细节点,然后将这些细节点与保存在数据库中模板细节点进行匹配,判断输入细节点与模板细节点是否来自同一个手指的指纹. 在实践中,由于受手指本身的因素和采集条件的影响,采集到的指纹图像会不同程度地受到各种噪声的干扰,在进行分类和细节匹配之前一般要对采集到的指纹图像做增强处理.指纹图像增强算法多数是基于方向场估计的图像滤波算法[1~3],我们采用的也是一种基于方向场估计的图像滤波算法. 指纹匹配是指纹识别系统的核心步骤,也是一个重要的研究课题,人们在这方面作了很多工作,D.K.Isenor等人提出了一种用图匹配来对两幅指纹图像进行匹配的方法.Andrew K.Hrechak等人用结构匹配来做指纹识别.但目前最常用的方法是用FBI提出的细节点坐标模型来做细节匹配.它利用脊线末梢(我们称为端点)与脊线分支点这两种关键点来鉴定指纹.通过将细节点表示为点模式,一个自动指纹认证问题可以转化为一个点模式匹配(细节匹配)问题.一般的点模式匹配问题是模式识别中的一个有名的难题,人们对一般的点模式匹配问题提出过很多的算法,像Sanjay Ranade等人的松弛算法、Shih-hsu Chang等人的基于二维聚类的快速算法、Zsolt Miklós等人的三角匹配的算法、Xudong Jiang等人的基于局部和全局结构的匹配算法.Anil Jain等人在针对指纹匹配中的点模式匹配问题提出了一种算法,该算法将直角坐标系中的细节点转换到极坐标系中,通过串匹配算法来进行点匹配. 我们参考Anil Jain等人的算法,并对其作较大的修改,提出一种新的基于极坐标下的点模式匹配的指纹匹配算法.修改将主要体现在3个方面.首先,我们采用一种更为简单而有效的指纹图像校准方法.其次,与Anil Jain等人的算法仅在校准阶段使用脊线信息的做法不同,我们将脊线信息引入随后的匹配过程中.最后,Anil Jain等人的算法在匹配过程中使用了一个固定大小的界定盒,而我们的算法将采用一个大小可变的界定盒,从而使算法能更有效地处理被匹配的两幅指纹图像之间的非线性形变,被匹配的两幅指纹图像之间的非线性形变是指纹匹配中最难解决的问题,是对指纹匹配算法最大的挑战.本文的前期工作见文献. 本文第2节介绍指纹图像增强算法.第3节介绍细节提取.第4节介绍细节匹配算法.第5节给出实验结果.第6节是总结和相关的讨论. 2 指纹形象有待改进 2.1 图像方向估计 一般的指纹图像都有比较清晰的方向场,方向场估计的准确性直接决定了图像增强算法的效果. 为估计方向场,我们把指纹脊线的走向分为8个方向,如图2所示. 对于图像的每一个像素,为了确定在该像素处脊线的方向,在以该像素为中心的9×9窗口内,分别计算8个方向上的灰度平均值,即将图2中标有i(i=0,1,…,7分别代表8个方向)的位置的像素灰度值取平均得到Gmean[i],然后将这8个平均值按两两垂直的方向分成4组,0和4一组,1和5一组,2和6一组,3和7一组,计算每组中两个平均值的差值 Gdiff[j]=abs(Gmean[j]-Gmean[j+4]),j=0,1,2,3为脊线方向, 取差值的绝对值最大的两个方向为可能的脊线方向,若 则方向i Max和i Max+4为该像素处可能的脊线方向,若该像素处的灰度值为Gray,则脊线方向为 即取i Max和i Max+4方向中灰度平均值与该像素的灰度值比较接近的方向作为该像素处的脊线方向. 为了减少噪声的影响,保证方向场估计的准确性,我们采用通用的做法,将图像分成16×16的小块,以小块内所有像素的方向的平均值作为该小块的脊线方向,该小块内每个像素的脊线方向都取为该小块的脊线方向,具体做法为,先计算该小块内方向估计为i(i=0,1,…,7分别代表8个方向)的像素个数Num[i],然后将该小块图像的脊线方向取为 2.2 iva的估计方向场 得到图像每个像素处的方向场后,再依据方向场来对图像进行二值化. 若该像素处的脊线方向为i,先用估计方向场时用到的方法计算该像素处在方向i和垂直方向i Var=(i+4)mod 8的灰度平均值Gmean[i]和Gmean[i Var],然后将该像素二值化为 其中i Var表示二值图像中该像素处的值,2