指紋圖像特征提取和匹配算法研究與實現(xiàn)第1章緒論1.1指紋特征識別技術(shù)1.1.1指紋識別技術(shù)的歷史與背景二十一世紀以來，科技發(fā)展可謂是日新月異，尤其是計算機相關(guān)技術(shù)的飛速發(fā)展以及計算機網(wǎng)絡(luò)的普及，使得人類的生活面貌發(fā)生了極大的改觀，帶來了無數(shù)的便利。不管是人與人之間日常聯(lián)系與交流，還是工作上的協(xié)作，都變得更加的便捷與高效，古時的“天涯若比鄰”如今已成為了現(xiàn)實?，F(xiàn)在的時代，儼然是數(shù)字化的時代了。相應(yīng)的，人們數(shù)據(jù)和身份的隱私卻受到了一些威脅，這也是科技發(fā)展所附帶的負面影響。最近些年，數(shù)據(jù)隱私的泄露，使得個人或團體的利益受到了嚴重的損失，同時也帶來了極大的恐慌，對社會造成了極其不良的影響。如2017年的時候，美國有家名叫Dun&Bradstreet的商業(yè)服務(wù)公司泄露了約52GB大小的個人的私密信息，大概3400萬人的個人身份信息都包含其中，包括姓名、聯(lián)系方式、郵箱和家庭組織等極度隱私的信息。美國社交平臺如推特等社交網(wǎng)絡(luò)數(shù)據(jù)也都曾被大量泄露。甚至黑客會利用木馬和病毒等違法的技術(shù)手段侵入銀行賬戶，這嚴重損害了個人信息隱私，并致使人們的財產(chǎn)遭到損失。這樣的非法技術(shù)詐騙案件尤其在近些年國內(nèi)外愈來愈多。因此，信息的保密與安全和個人隱私的保護成了當前人們關(guān)注的焦點，并成為了研究人員的重點研究對象。在當前的社會中，為保護用戶的權(quán)益和隱私，通常需要安全系統(tǒng)來驗明用戶的身份來確認是否為本人。在日常的生活中，我們通常利用傳統(tǒng)的手段來鑒別和驗證身份。我們經(jīng)常用到身份證、護照和駕照等這類能夠顯示自己身份信息的證件，這些證件大多由政府部門或者相關(guān)機構(gòu)進行發(fā)放，具有重要的意義。我們回家或去辦公室的時候會用鑰匙開鎖，開車也需要車鑰匙來解鎖，我們因為生活的需要有著各個地方的鑰匙。在現(xiàn)在的互聯(lián)網(wǎng)時代，我們出于工作的需要或生活娛樂會經(jīng)常瀏覽各種網(wǎng)站，因此會注冊許多網(wǎng)站的賬號，比如社交網(wǎng)絡(luò)賬號和購物網(wǎng)站賬號等，這樣就避免不了對于密碼的設(shè)置。而且網(wǎng)站有時會要求我們的密碼中同時含有字母、數(shù)字和符號，有一定的長度，這樣可以保證賬號的安全強度，以避免被盜取。但是這些傳統(tǒng)的身份鑒別方式都有若干的缺點。對于身份證、駕照這類證件，若是過多的話并不便于攜帶，而且身份證是需要更新?lián)Q代的，需要花費時間去辦理新的身份證。我們的鑰匙也有攜帶上的不便，甚至有分辨不出的可能和丟失的風險，而且傳統(tǒng)的門鎖并不是十分安全的。現(xiàn)代的密碼，確實在一定程度上保證了用戶的安全權(quán)益，但是過多繁雜的密碼加重了我們的記憶負擔，如果設(shè)置相同的密碼就會變得不那么可靠，若是忘記了又給生活平添了一些麻煩。綜上，現(xiàn)代社會需要的是一種準確性、可靠性、安全性和穩(wěn)定性兼?zhèn)涞纳矸蓁b別技術(shù)來對當下的身份識別方式取而代之。隨著計算機技術(shù)的飛速發(fā)展以及計算機應(yīng)用范圍的擴大，也隨著人們對生物特征的研究，生物特征識別技術(shù)發(fā)展開來，逐漸應(yīng)用并得到廣泛普及。生物特征識別技術(shù)就是利用人體天生獨特的生理特征和行為特性來進行身份鑒別的一項技術(shù)。它通過現(xiàn)今發(fā)達的計算機技術(shù)得以實現(xiàn)，并和光學、聲學等物理學知識和生物統(tǒng)計學原理等知識和手段密切結(jié)合。初中政治書上寫著“世界上沒有完全相同的兩片葉子”，作為不同的個體，我們每個人都是與眾不同的，身體特征都不盡相同。我們的生理特性如人臉、虹膜和指紋，行為特征如聲音、筆跡和行走姿態(tài)都是不一樣的。考慮到生物特征技術(shù)的獨特性、穩(wěn)定性和不可復(fù)制性，它很適合作為鑒別身份的工具。不同的生物特征會適合不同的應(yīng)用場景。下表1.1列出了各種生物特征技術(shù)的各方面性能對比。表1.1不同生物特征技術(shù)的各方面性能對比（引用）生物特征獨特性穩(wěn)定性接受程度易采集性人臉低中高高虹膜高高中低指紋高高中中聲音低低中高可以看出，指紋是最有廣泛應(yīng)用潛力的一項生物特征識別技術(shù)。事實上也確實如此?！爸讣y識別”可以說有著比較悠久的歷史了，根據(jù)有關(guān)資料顯示，我國最早有關(guān)于指紋的應(yīng)用可以追溯到秦朝。唐朝時期，人們開始以指紋按印的方式廣泛應(yīng)用在文書和契約中來表明身份和誠意，這樣的情節(jié)我們在電視劇也經(jīng)常見到。到了宋朝時候，指紋開始作為物證作用于刑事訴訟中。指紋在古巴比倫也有著同樣的應(yīng)用。指紋的全局特征，又稱總體特征，指的是一片特殊模式區(qū)，位于人體指紋紋線的中心區(qū)域。全局特征較為明顯，用肉眼技能觀察了然，是對人體指紋形狀的總體表述，主要包括指紋紋線的類型、核心點、模式區(qū)和指紋的數(shù)目等等。常見的指紋的基本類型不外乎以下幾種：斗形紋、箕形紋和弓形紋。斗形紋看上去像是一簇又一簇的水流中的漩渦，呈螺旋或同心圓狀。箕形紋顧名思義，看起來像簸箕，一邊是開口的。弓形紋的形狀看似彎弓。但是為了對指紋進行識別，僅僅對指紋進行這樣大致的分類，肯定是遠遠不夠的。我們還需要進一步的細致的進行分類才能做到對海量指紋的準確搜索與比對。為此，我們需要介紹一下有關(guān)指模式區(qū)、三角點、核心點和指紋紋數(shù)的概念。模式區(qū)是一個特定的區(qū)域，它包含有全局特征中的紋線，通過對模式區(qū)的觀察，我們判斷出來指紋紋線的類型。核心點處在指紋紋線向前延伸的中心點，當進行指紋讀取和校對的工作時我們需要以位于指紋紋線的漸進中心的中心點作為參考基準。三角點提供了指紋紋路的計數(shù)和跟蹤的開始點，它位于從核心點開始的第一個分叉點或者斷點、或者兩條紋路的匯聚點、孤立點和轉(zhuǎn)折點，或者指向這些奇異點。指紋紋數(shù)顧名思義是指人體指紋圖像模式區(qū)內(nèi)指紋紋線的數(shù)量。交叉點的個數(shù)與指紋紋數(shù)是相同的。人體指紋的紋線是錯綜復(fù)雜的，其中包含打折、中斷和分叉等紋路現(xiàn)象，并不是平滑的連續(xù)曲線。指紋圖像中的部分具有特性的節(jié)點形成了指紋細節(jié)特征（通常還稱局部特征）。這些節(jié)點叫做指紋的特征點，它包涵了人體指紋中局部細節(jié)點的許多重要的參數(shù)，該些參數(shù)在指紋識別中具有重要的作用，它們能夠?qū)χ讣y的唯一性進行表征。這些參數(shù)主要有細節(jié)點的方向、相對位置，紋線的數(shù)目、指紋類型等。人體指紋的特征點有四種不同特性，分別為：分類、方向、曲率和位置。指紋節(jié)點的分類又有以下幾種類型：１）端點位于一條指紋紋線的一端，是一條紋線的終結(jié)點。２）孤立點并非是孤立的一個點，而是一條長度短至幾乎可以當作一點來看待的的指紋紋線，３）分叉點就是指兩條或兩條以上指紋紋路的交點。４）橋點是兩條較為靠近的平行的指紋紋線連接形成的交匯點。５）洞，顯然是指紋紋線圍起來的呈洞狀的指紋紋路。６）短脊與孤立點類似，都是長度極短的指紋紋線，但是不同的是短脊不能當作一個點來看待。指紋節(jié)點中的分叉點和末梢點有著良好的魯棒性，而且不容易附帶噪聲，所以在指紋細節(jié)特征點中存在有許多的分叉點和末梢點，出現(xiàn)的概率極高。所以，研究者們主要利用指紋細節(jié)特征點中的分叉點和端點的優(yōu)良特性來實現(xiàn)對指紋特征提取和匹配算法的設(shè)計。指紋不僅僅是簡單的分類，他們還有著具體的參數(shù)，如曲率、位置坐標、方向等等，這對于指紋識別的精度同樣有著十分重要的意義。位置參數(shù)與數(shù)學上點的坐標完全相同，采集到的指紋圖像是一個二維平面，要刻畫其所在具體位置，可以建立坐標系，通過特征點所處位置的橫軸和縱軸的坐標數(shù)值來確定；指紋紋線的方向參數(shù)代表著指紋紋線的走向和趨勢；曲率參數(shù)與數(shù)學上的曲率概念的幾何意義是相同的，它表征的是指紋紋線切線方向角對弧長轉(zhuǎn)動的變化速率。我們可以建立一個四維向量，四個維度分別為特征點的水平坐標、垂直坐標、方向參數(shù)和曲率參數(shù)，通過這個四維向量我們便可以確定指紋的細節(jié)特征，這對于指紋識別算法很重要。指紋的穩(wěn)定性很高，人類的指紋可以說是終生不變的，我們從胚胎時期的第四個月就形成了指紋，隨著年齡的增長，我們的指紋也只是放大了，但是紋形和紋數(shù)等特征是不會發(fā)生改變的。NehemiahGraw于1684年發(fā)表了一篇關(guān)于指紋的論文，這標志著現(xiàn)代指紋識別技術(shù)的工作從此拉開序幕。這篇文章從科學的角度研究了指紋的組成。隨后Mayer于1788年又從解剖學的角度介紹了指紋的構(gòu)成（基于圖像處理）。在這兩三百年的歷史中，指紋識別的發(fā)展歷史都是較為緩慢的。到了20世紀五十年代的時候，計算機這一偉大發(fā)明問世了。1963年《自然》雜志上發(fā)表了關(guān)于指紋自動識別的論文。隨著計算機的更新?lián)Q代，計算機擁有了圖像處理能力，指紋識別的研究步伐才開始加快。美國的FBI最早開始了指紋自動識別技術(shù)的研究，這是因為到了1969年的時候，F(xiàn)BI收集并存儲的指紋已經(jīng)達到了1600萬枚，無論是存儲還是搜索指紋，任務(wù)量已經(jīng)極其繁重，讓FBI員工感到苦不堪言，這才提出要研究指紋自動對比并識別的技術(shù)。隨后各國也出現(xiàn)了研究和開發(fā)此技術(shù)的浪潮，其中有日本、加拿大等國。到了20世紀70年代末，加拿大警方已經(jīng)開始利用指紋來進行身份的鑒別。日本的立石電機公司也于80年代末創(chuàng)造出了指紋核對機器。在我國的刑事案件中，辦案人員總是需要舉著放大鏡在含有幾十萬枚指紋素材的指紋庫中來對比指紋，任務(wù)量可謂是極其繁重。于是我國也緊隨其后，投入到了指紋識別技術(shù)的研發(fā)當中。20世紀末我國各大高校相繼啟動了指紋識別的相關(guān)研究。北京大學、清華大學、中國科學院自動化研究所等率先開設(shè)科研團隊進行指紋識別的研究工作，并有了自主產(chǎn)權(quán)的技術(shù)和產(chǎn)品。其中比較資深的研究機構(gòu)是中科院自動化研究所。這些研究都使得指紋識別技術(shù)在我國的發(fā)展越來越純熟。1.1.2指紋識別技術(shù)的現(xiàn)狀與前景指紋識別技術(shù)現(xiàn)在可以說已經(jīng)是十分普及了。無論是在日常的生活中，還是在企業(yè)、刑偵和金融等諸多領(lǐng)域都有著十分廣泛的應(yīng)用。在我們的日常生活里，指紋識別體現(xiàn)最多的地方當屬我們的智能手機的指紋解鎖。相比于前幾年的密碼解鎖，指紋解鎖顯得更加快捷，也節(jié)省了時間。現(xiàn)在手機的免密支付提供了同樣的便利。我們的最新一代身份證中，也是含有我們個人的指紋信息的，這在出行的時候為我們提供了許多便利，車站不再需要人工的檢驗身份的工作人員，只需要刷一下身份證即可通過。指紋識別技術(shù)甚至已應(yīng)用在了高考中，在我當年參加高考的時候，每次進考場都要重新在指紋采集器上采集指紋與原數(shù)據(jù)進行比對來驗證身份，有效防止了替考的問題，有力保障了國家考試的公平。在門禁系統(tǒng)中指紋識別技術(shù)同樣有著重要的應(yīng)用，指紋鎖取代了傳統(tǒng)的門鎖，避免了傳統(tǒng)門鎖易丟失和盜用的缺點，同時操作比較簡單，只需進行簡單的指紋比對，而且指紋鎖成本較低，價格相對低廉，安全性更高。指紋鎖有著樂觀的市場前景，在不久的將來，一定會改變傳統(tǒng)的用鑰匙開鎖的方式。指紋識別在企業(yè)考勤系統(tǒng)中發(fā)揮著重要作用。傳統(tǒng)的打卡方式和利用IC卡進行考勤的規(guī)章制度容易滋生一些弊端，如代打卡，而基于指紋識別的企業(yè)員工考勤系統(tǒng)徹底革除了這一弊端，而且十分便捷，提高了辦公效率，同時保證系統(tǒng)得到的都是真實的數(shù)據(jù)，能夠真正做到公開、公平和公正，促進了企業(yè)的發(fā)展。另外，由于指紋考勤產(chǎn)品價格十分便宜，性能穩(wěn)定且可靠，性價比很高，因此越來越多的中小型企業(yè)開始采購指紋考勤系統(tǒng)。據(jù)相關(guān)數(shù)據(jù)顯示，現(xiàn)今我國生物特征識別技術(shù)產(chǎn)品的市場上，指紋考勤產(chǎn)品的銷量獨占鰲頭，銷量占比超過40%，居于榜首。在刑事偵查領(lǐng)域，指紋識別發(fā)揮著關(guān)鍵的作用。小時經(jīng)常在《今日說法》欄目中看到這樣的情景，警方從作案現(xiàn)場提取到犯罪嫌疑人的指紋獲得關(guān)鍵線索，從而成功偵破案件。指紋校驗是重要的取證手段，它可以同時確認受害者和犯罪嫌疑人的身份，從而準確而快速地找到案件中的關(guān)鍵性證據(jù)，提高案件偵破幾率和效率，穩(wěn)定社會秩序。正是有了指紋識別技術(shù)在案件偵破中發(fā)揮的關(guān)鍵作用，數(shù)十年前的疑案難案獲得偵破。在金融領(lǐng)域，指紋識別同樣有著十分重要的應(yīng)用。比如在銀行的自動取款機取錢時，如果單單進行密碼驗證會給不法分子以作案的可乘之機，因此在一些地區(qū)，銀行已經(jīng)采取了銀行卡與對應(yīng)的指紋信息相綁定的措施，這樣在取款的時候，首先要驗證指紋，然后將數(shù)據(jù)傳遞給后臺，如果相符合，就可以成功取款。這一舉措是保障用戶財產(chǎn)安全的有力舉措。指紋識別在當前還存在著一些不足，比如指紋識別的算法精度問題可能導(dǎo)致錯誤的判斷、指紋采集器容易受到環(huán)境影響采集到的圖像的質(zhì)量和指紋識別設(shè)備的成本問題。這些都是需要慢慢去解決的問題。不過，指紋識別的前進還是很光明的在很多領(lǐng)域都有很大的發(fā)揮空間。在未來，指紋識別會與一個包含所有人信息的數(shù)據(jù)庫綁定，經(jīng)過指紋就可以查詢個人的登記信息生活中處處都有指紋識別，包括出行信息、獲獎信息等，信息一體化可以為人們的生活提供巨大的便利，同時也提高了安全性。隨著科技發(fā)展，指紋識別設(shè)備的可靠性和安全性都會隨之提高，而且成本也會降低，變得更加普及。未來我們也可以期待指紋識別更多的與可穿戴設(shè)備結(jié)合。指紋識別需要一個由眾多技術(shù)模塊組成的圖像識別系統(tǒng)。每個模塊對應(yīng)著相應(yīng)的指紋識別技術(shù)，基本分為四個模塊：指紋采集與分類；指紋圖像的預(yù)處理；指紋圖像的特征點提??；指紋匹配。在這其中，指紋采集是十分重要的一環(huán)，采集到的指紋圖像質(zhì)量的好壞也會直接影響后續(xù)步驟的進行。現(xiàn)在市場上常用的指紋采集設(shè)備有以下幾種：1.光電式指紋采集器是最早出現(xiàn)的指紋采集器，也是當前最為普及的一種指紋采集器。顧名思義，光電式指紋采集器是基于光學原理對指紋表層的紋理圖像進行采集的。采集器自帶有發(fā)光二極管，當手指與采集器表面接觸時，二級管提供的光源照射在手指上，因為手指上凹凸不平的紋路對光的反射效果不相同，所以不同的光線反射到光敏元件陣列上,便形成了電壓高低變化的電信號，然后進行A/D轉(zhuǎn)換，把接收到的電信號轉(zhuǎn)化為數(shù)字圖像并進行存儲，從而完成指紋的采集工作。光學指紋傳感器相對于其他種類的指紋采集器，采集到的圖像分辨率更高，且能夠有效避免受到靜電的干擾，使用壽命也較長。但其對表面有臟物或干燥的指紋圖像識別效果不好，對溫度、適度等環(huán)境因素的適應(yīng)能力較差。而且采集器中的電荷耦合器件若是因時間久老化，錄入的圖像質(zhì)量就會降低。光電式指紋采集器由于其低廉的價格有著較高的性價比，所以應(yīng)用最為普遍，技術(shù)現(xiàn)在也更加成熟。2、熱敏式指紋采集器。該采集器中含有熱敏元件，它能根據(jù)指紋上的溝和脊散發(fā)的熱量不同來進行成像的。不過熱敏式指紋采集器得到的指紋圖像并不直接是一副完整的指紋圖像，而是由許多指紋圖像塊拼接而成的。顯然，采集得到的指紋圖像質(zhì)量相對于其他類型的采集器較差，幾何失真較大。盡管價格便宜，體積小，但相對于其它類型的指紋采集器，熱敏式傳感器往往需要消耗更多的能量，而且對環(huán)境的耐受性不強，在炎熱或寒冷的環(huán)境里，采集得到的指紋圖像會很不清晰。3.電容式指紋采集器。電容式指紋采集器是根據(jù)電容的特性設(shè)計出的一種新型器件。雖然有關(guān)于電容指紋采集器的想法已經(jīng)存在了很多年，但直到上個世紀末期電容式指紋采集器才真正走入市場。電容式指紋采集器的核心部件是覆蓋在表面的一百多萬個由半導(dǎo)體材料制成的絕緣電容陣列。電容式指紋采集器同樣基于指紋表面凹凸不平的紋路。對指紋圖像進行采集時，手指按壓在采集器表面的半導(dǎo)體電容陣列上，手指皮膚的真皮層導(dǎo)電性能良好，指紋上紋線的凹陷與凸起，會導(dǎo)致紋面和采集器的半導(dǎo)體電容陣列之間產(chǎn)生不同的距離，根據(jù)電容元件的原理，其間距越大，電容值越小，兩者呈反比例關(guān)系，電容差又導(dǎo)致了電容陣列上不同的電壓數(shù)值，從而把電容上的電信號轉(zhuǎn)換為數(shù)字指紋圖像。電容式指紋采集器比較“智能化”，當我們在采集器上按壓手指的力度較為輕微，這樣會使得圖像的對比度較差，或者圖像局部范圍里不清晰，都能通過傳感器來傳達信號，從而增大與之對應(yīng)的電容的增益，提高指紋圖像的質(zhì)量。相對于前兩種指紋采集器的，電容式指紋采集器有一個優(yōu)點就是可以適應(yīng)不同的工作環(huán)境，而且若是因為采集者的手指出現(xiàn)磨損或者由于一些原因而造成的模糊，電容式指紋采集器可以進行一定程度上的修復(fù)。與光電式指紋采集器相比，電容式指紋采集器因沒有繁雜的管路系統(tǒng)體積比較小，這樣就有利于在移動設(shè)備上的集成，如有的保險箱上就安裝有電容式指紋采集器。但是電容式指紋采集器也存在一些缺點。受制于當前的半導(dǎo)體加工技術(shù)，采集器采集到的指紋區(qū)域會比較小。表面濕潤的指紋可能會對半導(dǎo)體電容單元導(dǎo)電性造成一定影響，進而導(dǎo)致采集指紋的效果不理想。傳感器的表面比較脆弱，容易受到機械損傷。如果傳感器表面受到損傷，維修時只能替換掉整個傳感器，成本較高。早期的電容式指紋采集器抗靜電能力較低，容易被擊穿，隨著技術(shù)的進步，現(xiàn)在的電容式指紋采集器的抗靜電干擾能力得到了一定程度的增強。3.射頻指紋采集器。射頻指紋采集器內(nèi)部嵌有射頻傳感器，傳感器能夠發(fā)射出少量的射頻信號，透過手指的表皮層直接探測內(nèi)層的紋路，這樣一來獲得的指紋圖像質(zhì)量會比較優(yōu)良，而且對有裂紋、有汗?jié)n或水等不易識別的手指也可以準確地識別。最關(guān)鍵的是射頻傳感器只對人的真皮皮膚有效果，這就避免了指紋造假地問題。另外，射頻指紋采集器可以在較為寬廣的溫度范圍內(nèi)工作。雖然射頻指紋采集器采集到的指紋圖像質(zhì)量很高，但是成本也很高昂，所以并不是那么普及。圖1-1三種指紋采集器（左一為光學式，中間為電容式，右一為射頻式）由于各種原因的影響，我們從指紋取象設(shè)備中獲取的是含有較多噪聲的灰度圖像，所以在指紋匹配之前需要先對指紋圖像進行預(yù)處理工作。指紋圖像預(yù)處理是對采集到的原始指紋圖像進行去除噪聲和加強對比度的處理，可以有效減少后續(xù)提取算法的復(fù)雜度并提高算法的效率。把原有圖像通過預(yù)處理便可以得到一幅清晰且易于進行匹配的二值點線圖，這樣就更有利于保留正確的圖像特征。這項技術(shù)的關(guān)鍵環(huán)節(jié)在于我們將噪聲消除的同時還可以盡可能的保證原圖像的真實特征得到最大保留，不受損失。圖像預(yù)處理技術(shù)中又包含幾個小模塊：歸一化、圖像分割、二值化和細化。為了便于后續(xù)進行的匹配工作，我們需要提取出特征點。提取的特征點一般包括奇異點：中心點、三角點，和交叉點、端點這兩種出現(xiàn)概率較高的點。由于采集設(shè)備隨機噪聲的影響，采集器表面的污漬，以及手指指紋的質(zhì)量不佳，都會產(chǎn)生虛假的特征點。指紋的虛假特征點過多會直接影響指紋的匹配結(jié)果，提取指紋特征點正確與否直接影響到匹配的精度。所以在提取特征點后還要去除偽特征點以便更好的進行匹配。提取到合適數(shù)量的特征點后，便可以進行指紋匹配了。指紋匹配的原理是通過原圖像和欲識別圖像中的圖像特征點的信息模板進行比對是否相匹配，從而判斷兩枚指紋是否同源?，F(xiàn)有的文獻中的匹配算法較常用的具體包括三種：基于點模式的匹配算法、基于紋理模式的匹配算法和基于圖的匹配算法。點模式匹配方法通過計算兩枚指紋圖像中細節(jié)點集合組成的幾何關(guān)系的相似度來判斷兩幅指紋圖像是否匹配，在不同的場合根據(jù)應(yīng)用來設(shè)定一個閾值，當相似度在閾值范圍內(nèi)近似相等時，則認為指紋圖像匹配成功，否則判定匹配不成功。現(xiàn)在的指紋匹配研究大都是以點匹配為基礎(chǔ)的。1.2本文的研究內(nèi)容和結(jié)構(gòu)安排本文基于MATLAB2018A的平臺，在廣泛閱讀了許多研究人員的文章后，設(shè)計出一種切實可行的指紋識別算法。指紋識別研究的內(nèi)容包括指紋圖像的采集，將采集到的圖像細化為單像素寬的二值圖像，在細化圖上提取指紋的局部特征點，根據(jù)局部特征點的分布判斷兩個指紋圖像是否匹配。將指紋原始圖像細化為單像素寬二值圖的過程，包括歸一化、圖像分割、圖像增強、二值化和細化，這是指紋圖像的預(yù)處理流程。指紋圖像的預(yù)處理工作為后面的局部特征點的提取和指紋匹配工作奠定了基礎(chǔ)。論文安排如下：第一章：緒論。講述了指紋識別的歷史與背景，并介紹了若干種指紋采集器，和指紋識別發(fā)展的不足與前景。第二章：指紋識別的預(yù)處理算法，包括歸一化、圖像分割、圖像增強、二值化、細化等步驟，最終成功得到一副清晰的二值點線圖。采用MATLAB來實現(xiàn)每個具體步驟的效果圖。第三章：指紋圖像的特征點提取。本文選擇的局部特征點為中心點，三角點，端點和分叉點，特征點提取工作是從細化后的指紋圖像上提取指紋的特征點，并建立基于特征點位置種類和方向的特征向量，為指紋圖像的匹配工作奠定基礎(chǔ)。第四章：指紋圖像的匹配。指紋圖像的匹配采用基于相似三角形的匹配算法，介紹了原理，并通過實驗結(jié)果展示該匹配算法的效果。指紋匹配特征點的提取指紋預(yù)處理指紋采集指紋匹配特征點的提取指紋預(yù)處理指紋采集結(jié)果輸出結(jié)果輸出圖像分割去除空洞和毛刺細化圖像增強規(guī)格化圖像分割去除空洞和毛刺細化圖像增強規(guī)格化圖1-2總體設(shè)計框圖了解指紋圖像的特征提取和匹配算法的重要意義了解指紋圖像的特征提取和匹配算法的重要意義對指紋圖像特征提取與匹配算法進行設(shè)計通過MATLAB仿真實現(xiàn)所設(shè)計的算法及流程匹配結(jié)果的評價指標設(shè)計得出結(jié)論收集整理相關(guān)文獻資料并了解流程預(yù)處理特征點提取匹配圖1-3技術(shù)路線圖第二章指紋預(yù)處理算法對于整個指紋識別系統(tǒng)來說,指紋圖像的質(zhì)量的重要性不言而喻。而指紋圖像的采集，便是影響圖像質(zhì)量的主要環(huán)節(jié)。指紋圖像采集過程可能會受諸多因素的干擾，如環(huán)境的溫度、采集環(huán)境的濕度、光照、采集器采集面積較小、采集器表面有殘留、被采集對象的皮膚干燥或潮濕或有污漬等等。這些主客觀因素都會影響到采集所得指紋的圖像質(zhì)量，可能使所得原始指紋圖像含有較多噪聲和模糊區(qū)域。我們后續(xù)是要進行指紋細節(jié)特征點的提取的，而這也必須要以細化圖像作為基礎(chǔ)支撐，因此想要獲得細化圖，將指紋的原始圖像做預(yù)處理工作是必不可少的。顧名思義，指紋圖像的預(yù)處理就是先采集得到原始指紋圖像，繼而通過MATLAB工具做一系列的處理，然后得到單像素寬的指紋骨架圖像的一個過程。這項工作要確保指紋紋路的連接性和拓撲性不變的前提下，將其紋理特征特別突出出來，抓住特征點的局部特征，一方面努力保存指紋的細節(jié)特征信息，與此同時還要將指紋轉(zhuǎn)換為單像素寬的二值圖，概況的說，這就是預(yù)處理需要完成的工作流程。2.1縮放處理與規(guī)格化首先將讀取的指紋圖像轉(zhuǎn)化為灰度圖像。MATLAB讀入圖像的數(shù)據(jù)是uint8，但是MATLAB中存儲和運算一般采用double型（64位）的數(shù)據(jù)，所以要將圖像進行縮放處理，轉(zhuǎn)為double格式的才能運算。圖2-1為原圖和經(jīng)過縮放處理得到的圖像。圖2-1（左圖為原圖像，右為經(jīng)縮放處理的圖像）由于指紋采集器的傳感器本身會含有較多噪聲，采集者按壓的力度的不同等原因，會使采集到的指紋圖像存在灰度差異。因此，在進行預(yù)處理工作時，需要先對指紋圖像進行規(guī)格化處理。指紋規(guī)格化(FingerprintNormalization)可以消除由前面所述原因造成的灰度差異,使不同原圖像的對比度、均值和方差等圖像統(tǒng)計特性保持在一個較為穩(wěn)定的水平上，有一個統(tǒng)一且規(guī)范的規(guī)格。從而為后續(xù)的預(yù)處理工作操作打下良好的基礎(chǔ)。由于采集到的指紋圖像像素點呈非均勻分布，所以采用的算法是：使采集獲得的原始指紋圖像的統(tǒng)計特性如對比度在這個圖像上均勻分布，將像素值重新分配。下面為具體的算法公式：設(shè)整個灰度圖像I的尺寸為N×N，其均值和反差分別設(shè)為M，V，分別由式3-1和式3-2確定M=1N2i=0V=1N2i=0規(guī)格化的公式為式3-3G（i，j）=M0+VAR（Ii，j?M0-VAR（Ii，j其中,I(i,j)代表原始圖像在點(i,j)的灰度值,G(i,j)代表規(guī)格化后的圖像在點(i,j)的灰度值,M0和VAR分別期望得到的均值和方差。對于實驗所用指紋圖像運用以上算法進行圖像均衡規(guī)格化，得到的實驗結(jié)果如下圖2-2所示，經(jīng)過規(guī)格化后的指紋圖像對比度得到了增強，脊線和谷線的紋路都變得更加清晰了。圖2-2規(guī)格化得到的圖像2.2圖像分割原始指紋圖像經(jīng)過均衡規(guī)格化后，指紋的圖像統(tǒng)計特性（灰度、均值和方差）都達到了統(tǒng)一的水平上。我們想得到有效的清晰的紋理信息，而這些紋理信息都存在于前景區(qū)域中。所謂前進區(qū)域，就是包含著豐富信息的指紋脊線和谷線，正是這些脊線和谷線構(gòu)成了紋理圖案。通常，我們將那些不包含指紋圖像的紋理信息的區(qū)域，命名為背景區(qū)域，它們一般呈現(xiàn)為白色。我們進行指紋算法研究所需要的主要特征信息集中在清晰可見的指紋區(qū)域和雖然模糊但是可以進行修復(fù)得到紋線信息的指紋區(qū)域。因此我們需要對指紋圖像進行圖像分割，剔除掉無用的信息，使我們感興趣的有效信息更加清晰可見，后續(xù)處理算法的處理效率和正確率都會得到極大的提高。隨著指紋識別技術(shù)的發(fā)展，圖像分割算法的研究也受到了人們更多的關(guān)注，因為比較好的分割算法有效保護指紋的信息和脊線及其走勢，方便后續(xù)的特征點提取工作。而且對于低質(zhì)量的指紋圖像具有很好的魯棒性。我們研究了指紋的統(tǒng)計特征，主要著眼于模式識別和計算機視覺的角度來進行。對于均值、方差、頻率和方向特性等要素，我們可以采用神經(jīng)網(wǎng)絡(luò)聚類分析、形態(tài)學聚類的特性等方法，以此來達到去除圖像中的噪聲的效果。比如利用圖像的灰度和方差信息來對圖像進行分割；Mehre利用灰度信息和方向信息對特定分辨率的圖像進行分割，這是一種綜合的指紋圖像方法；利用Gabor濾波器和分類算法來提取指紋圖像中有效的信息，并對其分類；還有一種思路，就是利用圖像的指紋脊線和谷線組成紋理圖案的頻率和方向特性對圖像進行分割；另外，在有的算法中掃描所有點，直接對采集到圖像信息的每個像素點進行統(tǒng)計特性計算，把無用的指紋區(qū)域分割出來，達到圖像分割的目的；唐對采集到的圖像信息進行分塊處理，計算每一塊的灰度值、方向場和方差，并以圖像明暗對比度和指紋脊線的方向場信息為依據(jù)建立分類器，對圖像的信息進行分類判決并分類；Bazen改進了唐的算法，他對圖像分塊后，計算了圖像的梯度信息、灰度和方差，用線性判別函數(shù)對原指紋的統(tǒng)計特性和梯度進行分類，后期也采用了形態(tài)學的處理方法來去除噪聲。以上所述的指紋分割算法，都是基于灰度值的相似性和不連續(xù)性這兩個基本性質(zhì)來實現(xiàn)的。本文將論述了兩種指紋圖像分割算法：(1)基于統(tǒng)計特征信息的二值化的指紋分割算法；(2)基于形態(tài)學的指紋分割算法。2.2.1基于統(tǒng)計特征信息分割方法（二值化）采集到的指紋信息包含著許多的沒有用處的信息，他們主要存在于噪聲污染比較嚴重的指紋區(qū)域和背景區(qū)域，這些信息并不是我們感興趣的。我們需要的是包含豐富紋理信息的前景區(qū)域。鑒于這兩種區(qū)域內(nèi)的統(tǒng)計特性特性信息不同，我們由此進行對指紋圖像的分割工作，利用了灰度方差、均值和梯度等圖像統(tǒng)計特性來對這兩類區(qū)域進行區(qū)分。雖然對指紋信息已經(jīng)進行了規(guī)格化處理，但是我們感興趣的指紋的有效信息的區(qū)域均值會比較低，而其他噪聲、無用信息區(qū)域的均值會比較大。在采集到的指紋圖像中，我們感興趣的區(qū)域含有大量的紋線和脊線，看上去呈黑白交叉，形成了許多錯綜復(fù)雜的紋路，它的灰度方差會遠遠大于含有噪聲區(qū)域的灰度方差。一副指紋圖像的梯度場反映了紋線方向上凸起最陡的部分，因此指紋的梯度信息也可以區(qū)分前景區(qū)域和含噪聲的指紋區(qū)域。因此，我們采用這三個統(tǒng)計特性來區(qū)分圖像，從而自適應(yīng)分割指紋圖像。具體的實現(xiàn)算法步驟如下：(1)首先我們把圖像進行分塊處理，把指紋圖像分割成互相不重疊的W×W等大小的圖像塊，每個子圖像塊的大小為N×N，分別求得每個圖像塊的灰度均值和灰度方差：GrayBMean（k，l）=1GrayBVar（k，l）=1k=1,2,3,…W;l=1,2,3,…W（2-4）(2)求得每個子圖像塊的灰度均值和方差后，由得到的數(shù)據(jù)判斷該塊是否是前景塊。而后采用自適應(yīng)閾值BTh來作門限。當大于門限Bth時，便作上圖像標記BFlag，令其值為1，否則則令其值為0，公式如下。GrayMean和GrayVarr為歸一化中得到的整幅指紋圖像的灰度均值和方差。Th=GrayMeanGrayVarBTh（k,l）=GrayBMean(k,l)GrayVar(k,l)BFlag(k,l)=1,ifBTh(k,l)<Th0,others（2-5）(3)求得指紋每個子圖像塊的梯度值GrayGd。GradGd(I,j,k,l)=|Gray(i+1,j)-Gray(i-1,j)|+|Gray(i,j+1)-Gray(I,j-1)|i=1,2,…N;j=1,2,…N;k=1,2,…W;l=1,2,…W;（2-6）(4)計算每個圖像塊內(nèi)的所有像素點的梯度和，并比較所有子圖像塊內(nèi)梯度和的值，得到梯度和最大的值為BGdSumMax。用這兩者的比率關(guān)系作為門限閾值來對圖像塊的梯度信息進行判定，用BGdFlag來標記所判定得到的結(jié)果。本文μ設(shè)為0.3。BGdSum(k,l)=i=BGdSumMax=maxk,lBGdFlag(k,l)=1,ifBGdSum(k,l)≥μ×BGdSumMax0,others（2-7）2.2.2基于形態(tài)學的指紋分割算法本文提出了一種基于形態(tài)學的指紋分割方法來獲得的指紋圖像進行分割。形態(tài)學的方法一般通過開操作和閉操作對消除圖像塊中的噪聲。開操作是先膨脹，后腐蝕，通過開操作可以解決掉圖像塊的噪聲問題，使原本略顯粗糙的圖像輪廓變得光滑一些，并使得狹細的間斷斷開，把細小的突出物消除掉，同時又不改變面積。閉操作是先腐蝕后膨脹，閉操作可以解決掉指紋圖像中紋線的斷裂和粘連的問題，并可以消除狹窄間斷和長細的鴻溝，消除小的孔洞，并連接臨近物體彌補輪廓線中的裂痕，也不會明顯地改變體積?；谛螒B(tài)學的指紋分割算法具體的步驟為：首先確定形態(tài)學操作的算子為10×10的模板，其次通10×10模板對二值化后的圖像進行閉操作，對閉操作后的結(jié)果進行開操作，消除噪聲，最后對進行過操作后的二值化圖像進行標號處理，選擇出最大的連通域作為指紋的前景區(qū)域，其他小的連通域作為掩膜，通過對原始指紋圖像和掩膜相乘就可以得出分割出來的圖像。實驗結(jié)構(gòu)如圖2-4所示圖(a)表示了對指紋的二值圖像進行閉操作，圖(b)表示了對(a)的結(jié)果再進行開操作，圖(c)表示通過掩膜相乘得到的分割圖像。圖2-3（左為前景區(qū)域，右為背景區(qū)域）圖2-4開運算和閉運算采用基于形態(tài)學的分割方法對圖像進行分割，實驗結(jié)果如圖所示。從圖中可以看出基于形態(tài)學的指紋分割方法對含有噪聲地低質(zhì)量指紋圖像具有良好的效果，同時可以連通斷裂的脊線。2.3圖像增強由于指紋采集器表面由污漬、參數(shù)設(shè)置問題和敏感度這些因素可能會引起指紋圖像上脊線和谷線粘連在一起，或者斷裂。同時若是采集者的手指比較干燥或潮濕或有創(chuàng)傷的話，會使指紋的脊線和谷線變得模糊，紋理信息不清晰。這樣就導(dǎo)致了從采集器上采集到的指紋信息會含有不同能量的噪聲。這些噪聲對指紋信息的影響主要表現(xiàn)在使得指紋感興趣的區(qū)域紋線信息模糊，含有許多噪聲點以及會出現(xiàn)一大片的黑色背景區(qū)域等等。一個好的指紋增強算法是提高指紋識別可靠性的根本保證。于是對指紋圖像的增強就顯得十分必要。對采集到的指紋圖像進行增強，就是在不破壞指紋脊線和谷線這些紋理信息的基礎(chǔ)上，使用特定的算法使得指紋圖像的紋理信息包括方向信息和特性信息得到最大程度的保留，并除去指紋圖像附帶的大量噪聲信息以免產(chǎn)生偽特征信息，顯著提高指紋圖像的質(zhì)量，從而使得后期工作中特征點的提取和匹配順利進行，提高工作效率。由此可見，一個好的指紋增強算法能夠提高指紋識別的可靠性。迄今為止，有許多的研究工作者對指紋增強算法進行了研究。由于灰度指紋圖像的脊線和谷線是按照正弦狀分布在局部的領(lǐng)域內(nèi)的，在頻率和方向性上都具有一定的特性。因此可以通過濾波的的方式對圖像進行增強。而按不同的濾波實現(xiàn)方法，可以把算法分為兩類：基于空域的濾波方法和基于頻域的濾波方法。其中Kim等人提出的Gabor濾波器基于指紋圖像整體特征，屬于頻域濾波方式。而Hong等人提出的Gabor濾波器算法與Kim的算法有所不同，它基于指紋圖像的局部特征，其中包含指紋圖像的方向信息和頻率信息。Tahmasebi等人沒有把重點放在指紋的脊線和谷線信息上，他們提出了通過改進濾波器的設(shè)計方式來對指紋圖像進行增強。Maio等人提出直接在灰度圖像上追蹤脊線提取細節(jié)點的方法，但該算法對質(zhì)量較差的指紋圖像實現(xiàn)的效果并不好因此有一定的局限性。近些年，基于各向異性擴散的算法由于其區(qū)別于傳統(tǒng)算法保留邊緣的優(yōu)越性廣受關(guān)注，如郝玉峰等人提出的各向異性逆擴散算法，該算法通過增強指紋圖像中的脊線和谷線的對比度來增強指紋圖像的特征點。蘇永利等人對擴散張量進行了研究，該算法很好的平衡了去噪和保邊這一相互矛盾的兩個方面。王丹和張小波結(jié)合了各向異性擴散和沖擊濾波兩種算法的優(yōu)點，提出了基于各向異性擴散和沖擊濾波指紋圖像增強算法，該算法分為兩個階段，首先對退化的指紋圖像進行各向異性擴散增強，而后在增強后的指紋圖像上進行沖擊濾波，既保留了原始的各向異性擴散算法修補斷紋的良好效果，又通過沖擊濾波銳化了指紋圖像的脊線邊緣，提高了指紋圖像的質(zhì)量。本文利用基于空域方向濾波的平均分離濾波器來對指紋圖像進行濾波增強,該算法所需時間相較于其他算法較短，而且不是那么復(fù)雜，且在填補空洞和修復(fù)斷裂紋路方面都很有成效。由于平均分離器只能按一個局部的方向增強,所以方向濾波過程必須將圖像分塊處理。分塊的大小由圖像的大小決定,目的是使各子塊的紋線方向基本平行。實驗采用的指紋素材尺寸為512×512，故分為32×32比較合適。本文對每一個子塊的濾波過程的具體算法如下:（1）第一步要計算該塊的方向圖。一般通過掩膜法和公式法進行方向場的計算。但是掩膜法計算精度較低。本文采用基于最小均方估計算法，即公式法來進行計算。?G(i-1,j+1)-2G(i,j+1)-G(i+1,j+1)?yi,j=G(G(i+1,j-1)-2G(i+1,j)-G(i+1,j+1)γx(i,j)=i?w2γy(i,j)=（2-8）其中，?xi,j、?y(i,j)分別使用Sobel算子求出的每個像素梯度的橫縱坐標,γx和γy（2）得到該塊的方向圖后,就能根據(jù)其方向設(shè)計出相應(yīng)的濾波器。（3）用得到的濾波器對該塊進行濾波增強。利用MATLAB中的imfilter(I,h)函數(shù)可以輕松地實現(xiàn)這個功能。（4）最后,如果濾波后的像素灰度值不是整數(shù)或者不在(0,255)范圍內(nèi),需要對其進行歸一化。實驗結(jié)果圖如下：圖2-5圖像增強2.4去除毛刺和空洞因為指紋上可能存在油脂或者水分等雜物，從而導(dǎo)致采集過程中指紋粘連或者斷裂，進而影響到后續(xù)的特征點的提取和匹配，接下來需去除指紋中的空洞和毛刺。圖2-6去除空洞和毛刺2.5細化在完成上述工作后，我們要進一步的對圖像的脊線和谷線進行處理工作，把圖像的紋線寬度變?yōu)橹挥幸粋€像素的寬度，這樣的過程稱為對圖像的細化處理過程。經(jīng)過細化后的圖像可以使得指紋脊線和谷線更加清晰可見，為后續(xù)對特征點的提取提高了效率，能夠很快地建立特征點模板，避免了由噪聲造成的多余的雜亂信息。因為指紋細化算法的過程是不可逆的，把紋線變?yōu)橐粋€像素的寬度，這樣會對圖像造成不可還原的影響。因此，指紋細化算法的優(yōu)劣會直接影響到整個系統(tǒng)的性能。指紋細化時應(yīng)滿足下列條件：（1）算法迭代的收斂性。（2）指紋紋線的連通性。（3）算法簡便高效。（4）細化后的圖像的紋線寬度變?yōu)閱蜗袼貙?。?）提取的指紋紋線原指紋的紋線中心盡量靠近。指紋細化算法一般有兩種：并行法和序列法。他們互有優(yōu)缺點，正所謂“魚和熊掌不可兼得”，并行算法的運行速度比較快，但是容易破壞指紋紋線的連通性。序列法則恰好相反，雖然可以很好保持紋線的連通性，但是速度卻相對緩慢。目前有許多研究者提出了關(guān)于指紋細化的算法，如極值形態(tài)學處理、OPTA等細化算法。一種最常用的算法為細化查表法，通過計算其鄰域像點的灰度值來達到細化的目的。本文采用快速并行的細化算法?？焖俨⑿屑毣惴ɡ脠D像某個像素點的八鄰域特性對指紋圖像進行細化。具體的算法流程如下：

(1)按照逆時針遍歷整幅圖像的像素點，并按照邊界點八鄰域的特點，找出圖像中的所有邊界點；(2)對第一步中找出的指紋圖像中所有邊界點P定義如下兩個特征量：asum和bsum。如果P點同時滿足bsum=2，asum≠1且asum＜6，則可將其刪除；asum=i=1bsum=i=1（2-9）(3)持續(xù)遍歷整幅圖像，直到第一步中找不到滿足八鄰域特性的邊界點。快速細化算法運行速度特別快，但是快速細化算法細化的不夠徹底，會使指紋特征信息的準確性受到嚴重的影響。圖2-7為細化結(jié)果圖?？梢钥闯黾毣Ч^好，保持了指紋紋線原有的拓撲結(jié)構(gòu)，較大程度地簡化了特征點的提取方式。圖2-7細化圖第三章特征提取的算法研究3.1特征點的提取指紋的特征提取是自動指紋識別整個系統(tǒng)中非常重要的一個環(huán)節(jié)，它提取到的特征點信息可謂是指紋算法的匹配的根據(jù)與基礎(chǔ)。采集到的圖像信息一般可以分為三部分：全局、局部和細微特征信息。中心點和三角點組成了指紋的全局特征。我們在特征提取的工作中主要提取端點和分叉點，他們構(gòu)成了指紋的局部特征，它們的坐標特性、方向特性等統(tǒng)計特性信息為指紋匹配算法的實現(xiàn)提供了依據(jù)。細微特征主要指的是指紋中脊線和谷線粘連和產(chǎn)生氣泡等特征現(xiàn)象，這是因為圖像中含有噪聲。這些特征信息的提取和分類都需要指紋的特征提取算法來完成。通過對指紋特征信息的描述，我們可以知道指紋特征一般具有以下幾個性質(zhì)：（1）能夠?qū)χ讣y圖像進行唯一性的判定；（2）對于指紋圖像受到噪聲等因素影響具有一定的抗干擾能力，有較好的魯班性；（3）可以為指紋匹配提供依據(jù)；我們最感興趣的特征點為端點、分叉點，其次是奇異點。我們提取到的細節(jié)點主要為指紋圖像的細節(jié)特征，由于噪聲等因素影響，指紋中的脊線和谷線經(jīng)過處理后并不理想，他們常含有一些環(huán)點、斷線等細節(jié)特征。近些年，有很多學者研究過指紋圖像的提取算法。如J.Liu等人提出了對灰度圖像獲取細節(jié)點信息的算法。AlessandroFarina等人提出了直接從指紋的骨架圖像中提取細節(jié)特征的算法。Xudong在此基礎(chǔ)上提出的基于脊線跟蹤的提取細節(jié)特征的算法。算法的性能越好，便越有利于后續(xù)匹配工作的順利進行。本文擬采用8鄰域模板的方法提取紋線中的兩種細節(jié)特征——端點和分叉點。8鄰域方法采用3×3的模板提取端點和分叉點，如下圖：PPPPPPPPP圖3-1八領(lǐng)域圖設(shè)P點為待處理的像素點，P1~8是該點的8個領(lǐng)域點。R1~CN=i=18|如果P點是分叉點，則他的八領(lǐng)域滿足：CN=i=18|Ri+1（3-1）3.2特征點的去偽經(jīng)過提取算法提取到的特征點，并不一定都是真特征點，其中一定會不可避免的含有一些偽特征點。這是由指紋圖像含有噪聲、不徹底的二值化或細化效果較差以及采集設(shè)備等因素造成的。如果不將這些偽特征點去除，很顯然，這會影響到后期的工作，增加后續(xù)算法的復(fù)雜度，影響到匹配的準確度、精度和效率，進而可能使鑒別發(fā)生錯誤的判斷。因此，我們必須采取措施對這些偽特征點進行剔除。常見的偽特征點種類有以下幾種：短線（由于指紋圖像中含有噪聲）、毛刺（由采集設(shè)備和二值化算法導(dǎo)致）、間斷點（可能由于按壓力度分布不均勻或者手指表面有損傷）、小孔和小橋（由于指紋紋線模糊或存有空洞）等等。對于不同種類的偽特征點有不同的剔除辦法。對于毛刺而言，本文采取紋線跟蹤技術(shù)來去除毛刺。具體原理：以上一步得到的細節(jié)特征點集中的任意一個端點為中心，設(shè)定的閾值范圍為5個像素，使其沿著紋線的方向移動5個單像素寬度，如果在五個像素之內(nèi)遇到交叉點，則判斷端點和分叉點是由毛刺構(gòu)成的，然后去除掉該點。短線也同毛刺一樣，可以用紋線跟蹤技術(shù)來剔除掉。我們在采集指紋的時候，由于采集器的原因，圖像的邊緣會存在一些斷點，不去除的話會影響到后續(xù)的匹配工作。圖像邊緣的顯著特征就是黑色多，白色少，均值小。本文定義了一個cut函數(shù)，將指紋圖像灰度圖分為31×31塊，然后求均值，如果低于70，就去掉這個區(qū)域的特征點。經(jīng)過處理后的特征點效果圖如下：顯然，經(jīng)過處理之后，效果良好，偽特征點的數(shù)量明顯減少了，而有效的細節(jié)特征點被保留。這樣就有利于后面的指紋匹配工作，很大程度的提高了效率和準確度。圖3-2處理后的效果圖第四章指紋圖像的匹配算法研究經(jīng)過前面特征點的提取和偽特征點的剔除，這一步進入到了指紋匹配的工作。簡單地說，指紋匹配就是通過特征點的比對，設(shè)定一個合理的閾值，如果高于這個閾值，就說明兩枚指紋是同源的。一個合適的指紋匹配算法，對匹配結(jié)果有著極其重要的影響。隨著指紋識別的普及，指紋數(shù)據(jù)庫的規(guī)模自然也越來越大，現(xiàn)在我國公民的新一代身份證中都含有我們個人的指紋信息?，F(xiàn)在也不同于以前，指紋的自動匹配算法代替人工校對來進行身份的鑒別，極大減少了工作量。匹配算法是指紋自動識別系統(tǒng)最根本的功能。指紋匹配中兩個模板間包括線性形變和非線性形變兩種變換。平移和旋轉(zhuǎn)都屬于線性形變，由于手指在采集器表面中放置方式會有不同，有可能導(dǎo)致指紋局部發(fā)生重疊。采集過程中的非線性形變同樣不可避免，因為采集指紋的時候要從三維立體映射到二位的平面上，具體的情況跟采集者的按壓的方式和力度、手指表面情況和采集設(shè)備有關(guān)。由于上次采集會造成指紋的殘留，指紋采集器的靈敏度等因素，模板會受到噪聲的影響，這還和皮膚表面情況和環(huán)境相關(guān)。這些問題都對指紋的匹配算法的好壞來說，是極大的考驗。在保證預(yù)處理算法可靠性以及特征提取的算法準確性的前提下，采用高效而又準確的匹配算法對指紋進行匹配，對匹配結(jié)果的精確度和穩(wěn)定性都有極大的提高。4.1指紋匹配算法現(xiàn)狀指紋匹配算法與自動指紋識別系統(tǒng)的好壞休戚相關(guān)。近年來已有許多研究者對指紋圖像匹配算法進行了廣泛而深入的研究。在大量的研究中，指紋的匹配算法基本可分為三類：基于點模式的匹配算法、基于紋理模式的匹配算法和基于圖的匹配算法。本小節(jié)將介紹大量近年來關(guān)于指紋匹配算法的研究成果。比如Ranade等人提出的松弛算法，這一方法定義兩個點集，針對一組匹配，為點集定義相對變換。以該變換條件下其它點實際匹配程度為依據(jù)，計算相對變換可靠度。若有一個變換能使點集科學匹配，如果這一變換和前一變換相近，則說明此變換比較可靠，但其它變換的可靠性較小。在對可靠度進行重復(fù)計算的過程中，其它變換具有的可靠度會對正處于計算過程的可靠度造成加權(quán)影響。完成迭代后，能使匹配達到科學的變換，其可靠度將較大，其它變小。這一方法由于需要對可靠度進行反復(fù)計算，故速度相對較慢。又比如Stockman提出以Hough為基礎(chǔ)的方式，將點模式通過匹配轉(zhuǎn)化為檢測Hough當中的峰值。該方法的缺點為：如果細節(jié)點的數(shù)量較少，則難以在空間內(nèi)積累足夠的特征點數(shù)完成準確而可靠的匹配。這一方法的計算量實在太大也是個問題。雖然有人從能量達到最小這一角度入手對點匹配問題進行表述，同時引入模擬退火方式，但是這一方法的實際計算量也很大。在此之后，Rand等提出了了更加細致的能對指紋特征進行分析的模型。這一模型區(qū)分了對10種指紋具有的特征，并以此為基礎(chǔ)，可通過疊加格柵的方式來完成特征識別。S-Sobajic等提出三種能對指紋進行匹配的方法，其中一種為通過光學儀器對指紋圖進行相關(guān)性的計算，這一算法運算速度快，但成本較高，便攜性太差；另一種方法為PCA法，從圖像識別角度講也就是KL變換，這一方法的指紋識別成效相對較少，其主要原因為指紋圖具有的特征屬于松散定義，同時有很多偽特征點。還有一種較為簡單的方法為神經(jīng)網(wǎng)絡(luò)法，但是計算量很大，需要付出較大代價。史晶提出了基于遺傳算法的指紋圖匹配算法，具有良好的效果。在考慮到所處環(huán)境、采集時手指的按壓程度等因素對指紋造成的線性和非線性形變等影響，本文提出了基于相似三角形原理的指紋匹配算法，它屬于點模式的匹配算法，能夠很好的解決采集得到的圖像數(shù)據(jù)特征由于信息平移、旋轉(zhuǎn)等線性形變造成的匹配難度過高的問題4.2基于相似三角形原理的指紋匹配算法很顯然基于點模式的匹配方法當進行平移和旋轉(zhuǎn)操作的時候會受到較大的影響，從而影響到結(jié)果的精確度。但是無論指紋圖像怎樣發(fā)生平移或者旋轉(zhuǎn)等線性形變抑或者尺寸上的改變，但是一個特征點和附近的特征點之間的關(guān)系是維系不變的。因此我們在本文中采取了基于相似三角形原理的指紋匹配方法，它是一種細節(jié)點匹配方法。它不僅有著優(yōu)秀的匹配速度，而且對于指紋采集過程中出現(xiàn)的那些操作時有很強的抗干擾性的。通過對特征點的提取，可以得到特征細節(jié)點得類型和細節(jié)點的坐標等信息。本文采用的相似三角形原理的匹配方法主要利用了提取到的分叉點組成的三角形相似來判斷兩幅指紋圖像是否匹配。由于受到噪聲、采集設(shè)備參數(shù)設(shè)置等因素的影響，使得采集到的指紋質(zhì)量比較低，不可避免的含有偽細節(jié)點——斷線、小橋和小環(huán)等，在指紋匹配中，端點和分叉點得可靠度是最高的而且數(shù)量也最多。研究發(fā)現(xiàn)，一枚指紋圖像中80%以上都是分叉點和端點。通過這些分叉點和端點任意的進行組合，可以組成上千個相似三角形，數(shù)量之多，對于特征點得匹配來講是足夠用的了，而且具有很好的魯棒性。三角形相似算法一般流程為：首先對于通過特征提取算法得到的端點，采用紋線跟蹤技術(shù)，通過計算脊線上像素點到端點的距離來判斷脊線在閾值內(nèi)是否近似相等，若相似，則保留這個端點，否則剔除掉。然后通過對保留下來的端點和提取到的分叉點任意構(gòu)造三角形，運用數(shù)學知識來判斷對應(yīng)角在閾值范圍內(nèi)是否近似相等、對應(yīng)邊的比值在閾值范圍內(nèi)是否相等。最后對兩幅圖像中相似三角形的個數(shù)進行統(tǒng)計，以及計算相似度來判斷在閾值范圍內(nèi)是否匹配。指紋名相似度校對時間192.37.9452s294.110.2546s395.78.1527s表4-1同一手指的對比結(jié)果指紋名相似度校對時間460.16.2341s547.65.1476s620.95.3241s表4-2不同手機的比對結(jié)果實驗結(jié)果證明，基于相似三角形的指紋匹配原理匹配精確度較高。閾值是人為設(shè)定的。本文將閾值設(shè)置在90。該算法具有良好的魯棒性，但是同時因為需要匹配的相似三角形個數(shù)極多，耗費的時間也會略長一些。參考文獻[1]胡曉霞，鄭三婷．基于shapecontext的指紋圖像識別研究[J]．電子設(shè)計工程，2019，27(17)：122-126．[2]袁穎．基于Matlab的小波紋理特征融合指紋識別系統(tǒng)[J]．電子技術(shù)與軟件工程，2019，76(14)：79-81．[3]史晶．基于遺傳算法的指紋圖匹配算法及應(yīng)用研究[J]．科學大眾(科學教育)，2019，73(09)：200-208．[4]陳靜．數(shù)字圖像處理中指紋識別技術(shù)的分析[J]．電子測試，2018，45(18)：116-117．[5]簡兵，莊鎮(zhèn)泉，李海鷹，基于脊線跟蹤的指紋圖像細節(jié)提取算法[J].電路與系統(tǒng)學報，6(3)：1-5.[6]平建創(chuàng)．指紋識別預(yù)處理和匹配算法的研究[D]．電子科技大學(成都)，2005．[7]王丹，張小波．基于各向異性擴散和沖擊濾波的指紋圖像增強算法[J]．智能計算機與應(yīng)用，2019，9(05)：320-322+325．[8]陳斯宇．指紋識別圖像預(yù)處理系統(tǒng)的設(shè)計和實現(xiàn)[D]．吉林大學，2015．[9]YinX，ZhuY．3DFingerprintRecognitionbasedonRidge-valley-guided3DReconst-ructionand3DTopologyPolymerFeatureExtraction[J]．IEEEtransactionsonpatternanalysisandmachineintelligence，2019，37(04)：455-457．[10]Ezhilmaran，Devarasan．Bio-medicalandlatentfingerprintenhancementandmatchingusingadvancedscalablesoftcomputingmodels[J]．JournalofAmbientIntelligenceandHumanizedComputing，2019，10(10)．532-541．[11]MunishKumar，Priyanka．Variousimageenhancementandmatchingtechniquesusedforfingerprintrecognitionsystem[J]．InternationalJournalofInformationTechnology，2019，11(04)：132-136．[12]LiMF，ZhaoLC，TanD．BLEFingerprintIndoorLocalizationAlgorithmBasedonEight-NeighborhoodTemplateMatching[J]．Sensors(Basel,，Switzerland)，2019，19(22)：376-380．致謝此時此刻，我完成了論文的初稿。我首先要衷心的感謝我的指導(dǎo)老師鄔老師。還有畢業(yè)設(shè)計期間為我解答疑惑的研究生學姐。我十分感謝他們對我的指導(dǎo)和對我的關(guān)懷。這個過程對我來說挺不容易的，我知識基礎(chǔ)不是很好，做畢業(yè)設(shè)計時曾經(jīng)遇到過很多困難。但是平易近人的鄔老師總會為我解答疑惑。這學期因為疫情的原因沒能開學，雖然在家里，但是鄔老師每周都會召我們開例會，讓我們每個人都說一說我們一周里的學習內(nèi)容和學習進度等等，了解我們的學習情況，對每個人的學習進行細致的點評和指導(dǎo)，對我們感到疑難的問題老師會為我們提供一個清晰的思路，引導(dǎo)我們?nèi)ソ鉀Q問題。我有時候會有些懈怠，老師和研究生學姐特別關(guān)心我的情況，并督促我完成設(shè)計任務(wù)，按時閱讀文獻。整個做畢業(yè)設(shè)計的過程下來，我收獲不少。轉(zhuǎn)眼間在東北電力大學已經(jīng)度過了四年的時間，馬上要畢業(yè)了。這四年的時間里，我和同學們一起生活一起學習，互幫互助，建立起深厚的友誼。我很感謝我的同學們。我也很感謝學校的老師們，傳授給我們知識。最后我也要感謝我的父母，感謝他們一直以來對我的支持和理解。感謝所有關(guān)心、幫助過我的老師和朋友們，祝你們生活幸福美滿，身體健康，萬事順利。附錄程序closeall;tic;clear;thin1=tuxiangyuchuli('zhiwen.png');thin2=tuxiangyuchuli('zhiwen.png');figure;txy1=point(thin1);txy2=point(thin2);[w1,txy1]=guanghua(thin2,txy2);[w2,txy2]=guanghua(thin2,txy2);thin1=w1;thin2=w2;txy1=cut(thin1,txy1);txy2=cut(thin2,txy2);[pxy31,error2]=combine(thin1,8,txy1,60);[pxy32,error2]=combine(thin2,8,txy2,60);error=1;num=20;cxy1=pxy31;cxy2=pxy32;d1=distance(cxy1(1,1),cxy1(1,2),num,thin1);d2=distance(cxy2(1,1),cxy2(1,2),num,thin2);f=(sum(abs((d1./d2)-1)));if(f<0.5)error=0;elseerror=1;endfc11=find_point(cxy1(1,1),cxy1(1,2),txy1,1);c12=find_point(cxy1(1,1),cxy1(1,2),txy1,2);c21=find_point(cxy2(1,1),cxy2(1,2),txy2,1);c22=find_point(cxy2(1,1),cxy2(1,2),txy2,2);cxy1(2,:)=c11;cxy1(3,:)=c12(2,:);cxy2(2,:)=c21;cxy2(3,:)=c22(2,:);x11=cxy1(1,1);y11=cxy1(1,2);x12=cxy1(2,1);y12=cxy1(2,2);x13=cxy1(3,1);y13=cxy1(3,2);x21=cxy2(1,1);y21=cxy2(1,2);x22=cxy2(2,1);y22=cxy2(2,2);x23=cxy2(3,1);y23=cxy2(3,2);dd1(1)=juli(x11,y11,x12,y12);dd1(2)=juli(x12,y12,x13,y13);dd1(3)=juli(x13,y13,x11,y11);dd2(1)=juli(x22,y21,x22,y22);dd2(2)=juli(x22,y22,x23,y23);dd2(3)=juli(x23,y23,x21,y21);ff=sum(sum(abs((d1./d2)-1)))ifff<1error=0elseerror=1endcxy1(2:41,:)=find_point(pxy31(1,1),pxy31(1,2),txy1,40);cxy2(2:41,:)=find_point(pxy32(1,1),pxy32(1,2),txy2,40);f11=length(find(cxy1(:,3)==2));f12=length(find(cxy1(:,3)==6));f21=length(find(cxy2(:,3)==2));f22=length(find(cxy2(:,3)==6));fff=abs(f11-f21)/(f11+f12)tocfunctionw=tuxiangyuchuli(image)f=imread('zhiwen.png');f=imresize(f,[362,311]);figure;imshow(f);gray=double(rgb2gray(f));figure;imshow(uint8(gray));[m,n]=size(gray);M=0;var=0;forx=1:mfory=1:nM=M+gray(x,y);endendM1=M/(m*n);forx=1:mfory=1:nvar=var+(gray(x,y)-M1).^2;end;end;var1=var/(m*n);forx=1:mfory=1:nifgray(x,y)>M1gray(x,y)=150+sqrt(2000*(gray(x,y)-M1)/var1);elsegray(x,y)=150-sqrt(2000*(M1-gray(x,y))/var1);endendendfigure;imshow(uint8(gray));M=3;H=floor(m/M);L=floor(n/M);aveg1=zeros(H,L);var1=zeros(H,L);forx=1:Hfory=1:Laveg=0;var=0;fori=1:Mforj=1:Maveg=gray(i+(x-1)*M,j+(y-1)*M)+aveg;end;end;aveg1(x,y)=aveg/(M*M);fori=1:Mforj=1:Mvar=(gray(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;Vmean=0;forx=1:Hfory=1:LGmean=Gmean+aveg1(x,y);Vmean=Vmean+var1(x,y);endendGmean1=Gmean/(H*L);Vmean1=Vmean/(H*L);gtemp=0;gtotle=0;vtotle=0;vtemp=0;forx=1:Hfory=1:LifGmean1>aveg1(x,y)gtemp=gtemp+1;gtotle=gtotle+aveg1(x,y);endifVmean1<var1(x,y)vtemp=vtemp+1;vtotle=vtotle+var1(x,y);endendendG1=gtotle/gtemp;V1=vtotle/vtemp;gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;forx=1:Hfory=1:LifG1<aveg1(x,y)gtemp1=gtemp1+1;gtotle1=gtotle1+aveg1(x,y);endif0<var1(x,y)<V1vtemp1=vtemp1+1;vtotle1=vtotle1+var1(x,y);endendendG2=gtotle1/gtemp1;V2=vtotle1/vtemp1;e=zeros(H,L);forx=1:Hfory=1:Lifaveg1(x,y)>G2&&var1(x,y)<V2e(x,y)=1;endifaveg1(x,y)<G1-100&&var1(x,y)<V2e(x,y)=1;endendendforx=2:H-1fory=2:L-1ife(x,y)==1ife(x-1,y)+e(x,y+1)+e(x+1,y+1)+e(x-1,y+1)+e(x+1,y)+e(x+1,y-1)+e(x,y-1)+e(x-1,y-1)<=4e(x,y)=0;endendendendIcc=ones(m,n);forx=1:Hfory=1:Life(x,y)==1fori=1:Mforj=1:Mgray(i+(x-1)*M,j+(y-1)*M)=G1;Icc(i+(x-1)*M,j+(y-1)*M)=0;endendendendendfigure,imshow(uint8(gray));figure,imshow(Icc);temp=(1/9)*[1,1,1;1,1,1;1,1,1];Im=gray;In=zeros(m,n);fora=2:m-1forb=2:n-1In(a,b)=Im(a-1,b-1)*temp(1,1)+Im(a-1,b)*temp(1,2)+Im(a-1,b+1)*temp(1,3)+Im(a,b-1)*temp(2,1)...+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b-1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3);endendgray=In;Im=zeros(m,n);forx=5:m-5fory=5:n-5sum1=gray(x,y-4)+gray(x,y-2)+gray(x,y+2)+gray(x,y+4);sum2=gray(x-2,y+4)+gray(x-1,y+2)+gray(x+1,y-2)+gray(x+2,y-4);sum3=gray(x-2,y+2)+gray(x-4,y+4)+gray(x+2,y-2)+gray(x+4,y-4);sum4=gray(x-2,y+1)+gray(x-4,y+2)+gray(x+2,y-1)+gray(x+4,y-2);sum5=gray(x-2,y)+gray(x-4,y)+gray(x+2,y)+gray(x+4,y);sum6=gray(x-4,y-2)+gray(x-2,y-1)+gray(x+2,y+1)+gray(x+4,y+2);sum7=gray(x-4,y-4)+gray(x-2,y-2)+gray(x+2,y+2)+gray(x+4,y+4);sum8=gray(x-2,y-4)+gray(x-1,y-2)+gray(x+1,y+2)+gray(x+2,y+4);sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8];summax=max(sumi);summin=min(sumi);summ=sum(sumi);b=summ/8;if(summax+summin+4*gray(x,y))>(3*b)sumf=summin;elsesumf=summax;endifsumf>bIm(x,y)=128;elseIm(x,y)=255;endendend%imshow(Im);fori=1:mforj=1:nIcc(i,j)=Icc(i,j)*Im(i,j);endendfori=1:mforj=1:nif(Icc(i,j)==128)Icc(i,j)=0;elseIcc(i,j)=1;endendendfigure;imshow(double(Icc));title('Icc');u=Icc;forx=2:m-1fory=2:n-1ifu(x,y)==0ifu(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3u(x,y)=1;endelseu(x,y)=u(x,y);endendendfigure;imshow(u);title('去除毛刺');fora=2:m-1forb=2:n-1ifu(a,b)==1ifabs(u(a,b+1)-u(a-1,b+1))+abs(u(a-1,b+1)-u(a-1,b))+abs(u(a-1,b)-u(a-1,b-1))...+abs(u(a-1,b-1)-u(a,b-1))+(abs(u(a,b-1)-u(a+1,b-1)))+abs(u(a+1,b-1)-u(a+1,b))...+abs(u(a+1,b)-u(a+1,b+1))+abs(u(a+1,b+1)-u(a,b+1))~=1if(u(a,b+1)+u(a-1,b+1)+u(a-1,b))*(u(a,b-1)+u(a+1,b-1)+u(a+1,b))+(u(a-1,b)+u(a-1,b-1)+u(a,b-1))...*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0u(a,b)=0;endendendendendfigure;imshow(u);title('去除空洞');v=~u;figure;imshow(v);se=strel('square',3);fo=imopen(v,se);figure;imshow(fo);title('開運算')v=imclose(fo,se);figure;imshow(v);title('閉運算')w=bwmorph(v,'thin',Inf);figure;imshow(w);title('細化圖')function[pxy3,error2]=combine(thin,r