类似指纹的纹理【一种结合细节点和纹理信息的指纹匹配算法】

　　摘要：提出了一种新的指纹联合匹配算法。该算法基于细节点周围的纹理结构信息和细节点构造出指纹特征向量。对指纹纹理进行滤波平滑，提取纹理方向信息，进而利用指纹块的纹理信息简化数据处理过程，从而提高匹配速度。该算法计算速度快，具有较高的识别率，且能较好的正确识别偏移、信息残缺等质量较差的指纹图像，具有很强的鲁棒性，在实际应用中取得了良好的效果。
　　关键词：指纹匹配；指纹纹理；纹理方向
　　中图分类号：TP391.41 文献标识码：A文章编号：1009-3044(2007)17-31432-02
　　A Fingerprint Matching Algorithm Combining Minutiae with the Texture Feature
　　YAN Yong-long1,LI Jian-wei1, LI Ren-zhuo1, HUANG Xue-qing1, HE Wei2
　　(1.Key Lab of Optoelectronic Technology & Systems, Ministry of Education, Chongqing University, Chongqing 400030, China;2.Chongqing Communications institute, chongqing 400035, China)
　　Abstract:A new fingerprints joint matching method is presentd. This algorithm is based on fingerprint feature vector generated by texture information around minutia and minutia information. For the sake of reducing data process and improving matching speed, fingerprint texture is filtered and smoothed and texture direction information is extracted. The algorithm has a good effect in practical applications for the fast computation, high recognition and better recognition of drift and information deformity etc.with the worse quality of fingerprints.
　　Key words:fingerprint matching;fingerprint texture;texture direction
　　
　　1 概述
　　
　　指纹是人体的重要特征之一，它具有唯一性和终身不变性。随着指纹识别技术的不断发展和成熟，自动指纹识别系统(automated fingerprint identification system，简称AFIS)以其高度的精确性应用到有关个人身份认证的各个领域，它是一门集多种技术为一体的高新技术。
　　指纹匹配是自动指纹识别系统(AFIS)的核心研究内容之一，它在指纹特征提取之后，是自动指纹识别的最后一步，也是非常关键的一步。指纹匹配要解决的问题是对从两幅给定的指纹图像提取的特征信息进行匹配，判断这两枚指纹是否来自同一个指头。目前已知的指纹匹配方法有基于图像的方法、基于指纹纹线结构的方法、基于图匹配的方法和基于特征点模式匹配的方法。目前对指纹的最终匹配一般是基于细节点(Minutiae)实现的。最常用的细节点有两种：纹线端点(Ridge ending)和纹线分叉点(Ridge bifurcation)[1]。本文采用一种将指纹纹理信息和特征点信息融合在一起进行特征匹配的算法。
　　图1 端点与分叉点
　　
　　2 指纹纹理特征和细节点模式简介
　　
　　纹理分析的最普遍的原理如下：对所有的像素(i,j)定义一个尺寸和形状适当的邻域Vij；在邻域Vij上测量图像的特殊性质：设πk为被测得N个结构中的第k个结构的测度，将这些测度赋给像素(i,j)；一种或者多种模式识别的方法得到πk以构成矢量，用该矢量对像素进行分类；必要时，或者当测度矢量过大时，就在分类之前对分析空间进行减维，这里可以用判别并选择最重要的分量，或者用主元分析法。
　　利用如上基本原理，从根本上讲指纹就是在指尖表面的脊线和谷线的图样。指纹的脊线和谷线常常平行，有时分叉和终止而形成指纹纹理。当指纹图像在全局程度被分析，指纹图样展现一个或多个区域，在这些区域脊线呈现特别的形状[2][3]。这些形状的特点是曲率大，终止，分歧，交叉等等。这些区域称为奇异区。在指纹中的脊线结构被认为是一个方向性的纹理图样，这种纹理图样有着重要的空间频率和局部邻域方向性。这种频率是由于在指纹中的内部脊线空间分布性，方向性是由于脊线展现的流向性。通过获取指纹局部区域脊线的频率和方向，一种新的唯一的指纹描述形式是可能的。指纹的纹理特征注重指纹的整体流向和较好的局部方向性，正是利用这两个特点，因此对指纹图像的平移和旋转不敏感，对于少量特征点的缺失、少量伪特征点的存在和轻微的特征点定位偏差也具有一定的容错性，有很强的抗噪声能力。
　　下面简单介绍一下指纹细节点模式匹配的原理。在理想情况下，如果输入细节点模式和模板细节点模式之间满足以下条件：(1)已知模板细节点模式和输入细节点模式之间的对齐关系；(2)输入细节点模式和模板细节点模式之间不存在平移、旋转和尺度变形；(3)指纹图像中的每个细节点都被准确获取。则指纹细节点匹配仅需对平面上对应的点对进行计数，然后与预先设定的阈值进行比较即可判定两个指纹是否匹配。然而诸多客观因素，比如手指按压位置、方向和力度的不一致，皮肤表面干湿度以及指纹采集设备带来的噪声等，这些因素就使得指纹细节点匹配问题变得困难。即使在准确获取细节点一些基本特征的情况下，比如，特征点类型、特征点位置和方向。细节点匹配一般原理如下：首先利用一些对旋转、平移变换具有不变性的局部特征（如两点之间的连线，3点构成的三角形等）得到两个细节点模式之间可能存在的对齐关系，求出在这种对齐假设下的变换参数，并用求出的变换参数将模式进行对齐。然后采用某种距离度量方法计算对齐后模式之间的相似度。最后根据相似度判定两个指纹是否匹配。如Jain等人的算法[4]。点模式匹配在寻找变换参数时需要通过多次反复迭代寻找最优的校正参数，极大影响算法的速度。
　　
　　3 指纹匹配算法
　　
　　本文算法主要由指纹图像的纹理方向提取算法，指纹特征向量的匹配算法组成。
　　3.1 纹理方向提取算法
　　(1)用最小均方方向估计算法来估计方向域。
　　(2)划分I（输入图像）成大小为w*w的非重叠块。
　　(3)用垂直和水平方向的sobel算子在图像块(i,j)计算梯度。
　　(4)用如下等式以图像块(i,j)的中心点像素(m,n)估计每一块的统计局部方向：
　　其中O(i,j)是图像块(i,j)局部脊线方向的最小平方估计。从数学上讲，它描述的方向垂直w*w窗口的傅立叶频谱的方向。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　(5)在局部邻域块里平滑块的方向场。让被平滑的方向场表示为O。为了平滑（低通滤波），方向图需要被转换为一个连续的向量场，定义如下：
　　式中W是5*5的单位积分低通滤波器，因此wo是5。说明平滑操作时以块为单位进行的。
　　如上步骤获得指纹图像每个块内的指纹纹理方向。
　　3.2 指纹特征向量的匹配算法
　　利用所抽取的指纹特征点信息，细节点坐标(x,y)、细节点方向（即该细节点所在局部脊线的方向）、细节点类型（脊线端点和脊线分叉点）和细节点所在邻域指纹纹理信息构建指纹特征向量，由于前3种信息在点模式匹配中有较详细的论述就不赘述了，着重阐述指纹特征向量的纹理信息。
　　如前所述的纹理方向提取算法，已将指纹图像分块且已获得每块的指纹纹理方向。由于已经获取细节点的坐标(x,y)，可以得到以细节点为中心的9个小块的纹理方向信息，块组织如图2。
　　图2 块组织图
　　其中，块f(i,j)为具有特征点的中心块。
　　具体来说，上述特征向量的数学表达式为：
　　VECTOR=(fx,fy,ftype,frotation,fdir0,fdir1,…,fdir8)
　　其中：
　　fx,fy为细节点坐标；
　　ftype为细节点类型；
　　frotation为细节点所在脊线方向信息；
　　fdir0,fdir1,…fdir8为细节点邻域块(如图2)的方向信息。
　　具体算法如下：
　　(1)利用输入指纹和模板的所有特征点向量的fdir0,fdir1,…fdir8信息进行反复的迭代运算，在纹理方向角度的阈值内快速搜索到类似邻域，加大中心块权重或者与中心块斜交叉的块权重，此时会搜索出为“真”特征邻域和几个伪特征领域，并纪录下“真”特征邻域和伪特征邻域，转入下一步骤，此部分算法描述如下：
　　for(i=0;iVAL)保留此模板特征向量，留待下一步处理，设定VAL阈值
　　else 对应该输入特征向量时以后步骤不考虑此模板向量
　　}
　　在此段程序处理过程中，为每个保留的模板特征向量一个权重因子选择最类似部分的邻域(模板特征向量)，同时将K0、K1、…K7分成多级阈值，逐级加大所对应的特征向量的权重因子，此时的权重因子是构成后面全局权重因子的一部分。
　　(2)根据fx，fy在规定阈值范围内搜索特征点，如果无特征点，证明输入指纹图像与指纹模板差别太大，直接拒绝，若有特征点转入下一步；
　　(3)根据ftype对比特征类型，若无对应特征则拒绝，若有两种特征则删除非对应特征点，若有一个相同类型特征点或一个以上则转入下一步；
　　(4)根据frotation在规定阈值范围内鉴别特征点，若无阈值范围内特征点则拒绝，若有且不止一个则转入下一步；
　　(5)根据以上四个步骤构造一个全局的权重因子，设定阈值鉴别该特征向量是否匹配成功。
　　通过几个步骤鉴别了输入指纹图像的一个特征点与模板特征点是否匹配，上述算法使输入特征点向量和所有模板特征点向量来进行迭代，同时每匹配成功一对特征点后，下次迭代时已经匹配成功的模板特征点将不进入下一轮迭代，这样每次迭代运算将比上一次迭代运算快。由于利用了特征点周围的纹理结构信息搜索对应的模板特征点，加快了算法处理速度。
　　
　　4 实验结果
　　
　　在Pentium4-20G，256M内存的PC机上，利用FPS200半导体指纹图像传感器采集到的256×300，500dpi指纹图像进行模拟试验，建立指纹样本库。本算法测试的实验对象为80个不同手指的指纹，对每个手指指纹进行3次采样，得到240幅指纹图像。由于本算法不需要确定指纹的参考点，节省了寻找参考点的处理时间，所以整个匹配速度有了大幅度提高。在匹配方面，基于本文中的将特征点周围纹理信息融入到点模式匹配中，并且通过纹理结构信息搜索到特征点，即缩短了匹配时间又提高了匹配的准确度，每组为80个来自不同手指的指纹，三组交叉匹配，在试验中共进行240次自动匹配，第一组和第二组匹配正确率为98.8%，第一组和第三组匹配正确率为98.4%，第二组和第三组匹配正确率为98.7%，平均为98.6%，可以看出本文的指纹匹配算法取得了较好的效果。
　　
　　5 结论
　　
　　该文主要研究了指纹认证中的细节点与指纹纹理结构的联合匹配问题，提出了一种新颖的指纹匹配算法。该算法主要提取了细节点周围的纹理结构进行处理，并借鉴以往的点模式匹配算法，得到模板指纹和待识指纹的匹配度(通过权重因子实现)，如果匹配度高于某个阈值，则认为两幅指纹图像来自同一个手指；否则，匹配失败。该算法计算速度快，能较好地正确识别偏移、信息残缺等质量较差的指纹图像，正确率较高，适合小样本库的指纹处理。今后本算法的改进方向主要集中在指纹纹理滤波器的设计和匹配算法的优化上。
　　
　　参考文献：
　　[1]Yin Y L,Ning X B, Zhang X M.Development and application
　　of automatic fingerprint identification technology.Joumal of NaNing University ( Natural Science ) ,2002, 38(1):29-35.(尹义龙，宁新宝，张晓梅.自动指纹识别技术的发展与应用．南京大学学报(自然科学),2002,38(1):29-35).
　　[2]D. Maltoni, D. Maio, A. K. Jain, and S. Prabhakar, Handbook of Fingerprint Recognition, Springer-Verlag, June 2003.
　　[3]A. K. Jain， S. Prabhakar， and L. Hong， "A Multichannel Approach to Fingerprint Classification"， IEEE Transactions on PAMI， Vol. 21, No. 4, pp. 348-359, April 1999.
　　[4]Jain A, Hong L, Bollc R. On-line Fingerprint Verification. IEEE Trans. Pattern Anal. and Machine Intell., 1997, 19(4):302-314.
　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文