1、畢業設計畢業論文題目 基于matlab的指紋識別院 系 班 級 學生姓名 學 號 指導教師 時間 目錄摘要4Abstract4第一章 緒論51.1研究背景51.2國內外研究現狀61.3研究的目的和意義81.4研究內容9第二章 指紋識別系統概述102.1指紋識別的基本原理102.2指紋識別系統工作流程102.3指紋識別技術的方法122.3.1神經網絡指紋識別算法122.3.2濾波特征和不變矩指紋識別算法122.3.3指紋匹配算法13第三章 指紋圖像預處理153.1圖像規格化153.2圖像分割163.3圖像二值化193.4圖像增強213.5圖像細化23第四張 特征點提取264.1找出所以的端點和交

2、叉點264.2紋線光滑處理284.3去除圖像邊緣和端點294.4找出特征點304.4.1 single_point函數304.4.2 walk 函數324.4.3 last1 函數.33第五章 特征點匹配.355.1紋線長度匹配355.2三角形邊長匹配355.3點類型匹配36第六章 實驗過程.38第七章 總結.45參考文獻45致謝47摘要隨著生物識別技術不斷發展，人們發現每個人的指紋都有唯一性和不變性的特點。因此指紋識別技術正在逐步發展為一種新的身份識別方式，并且憑借它良好的安全可靠性，大有可能取代傳統身份識別方式的趨勢。本文簡單介紹了指紋識別的基本步驟，分別是指紋的圖像預處理、指紋特征提取、

3、指紋匹配。在圖像預處理中，依次介紹了規格化處理、圖像增強、二值化處理和細化處理的方法。預處理后將得到一幅寬度為一個像素的細化二值圖像，然后通過特定的端點和交叉點的特征進行指紋匹配。論文中采用MATLAB編程實現全部算法。關鍵詞：指紋識別，圖像處理，特征提取，特征匹配AbstractWith the continuous development of Biometric Identification Technology,People found that each person's fingerprint has uniqueness and invariant.Therefore F

4、ingerprint Identification Technology gradually developed as a new identity recognition mode，and with its good safety and reliability，it has replaced the traditional identification way trends. This paper briefly introduces the basic step of Fingerprint Identification，they are Fingerprint image prepro

5、cessing, Fingerprint characteristic extraction,Fingerprint matching.In the Fingerprint image preprocessing,in turn introduced the normalized processing, Image enhancement, Binary treatment and Refining processing method.After pretreatment will get a picture for a pixel width of twenty-first-century

6、binary image,then through the particular endpoint and intersection on the characteristics of the Fingerprint matching.This paper using Matlab programs all algorithm.Key words Fingerprint identification Image processing Feature extraction Feature matching第一章 緒論1.1 研究背景隨著網絡信息化時代不斷的迅速的發展，個人身份信息的數字化和隱性化

7、水平也得到了很大的提高。如何準的確鑒定一個人的身份，保護信息安全也就成為了當今信息化時代中一個必須解決的關鍵性的社會問題。在目前，我國的各種信息的管理大部分還使用證件、磁卡、IC卡和密碼等，然而這些手段卻無法避免偽造或遺失，而且密碼也很容易被別人竊取或者遺忘。這些都會給管理者和使用者帶來極大的不方便。而生物特征身份識別的方法卻可以避免這些麻煩。因此，生物特征識別技術已經成為身份鑒別領域和研究的新熱點。生物特征識別(BiometriCS)技術是指通過計算機利用人體所固有的生理特征或行為特征來進行的對個人的身份鑒別。因為生理特征是與生俱來，多為先天性的;而行為特征則是習慣使然，多為后天性的。所以將

8、生理和行為特征統稱為生物特征，而用于身份鑒別的生物特征應具有普遍性，即所有人都具有這一特征; 而且生物特征識別技術還具有唯一性，是因為不同人的生物特征都各不相同; 生物特征識別技術還具有穩定性，這就意味著它不隨時間、外界環境等的變化而發生改變;此外生物特征識別技術還具有可接受性，利用這一特征來進行人體身份鑒別可以被人們接受和認可; 最后生物特征識別技術還具有防偽性，是因為它這一特征不易被仿造和竊取。目前，常見的生物特征識別的手段主要有人臉、指紋、聲音、手形、手部血管分布、虹膜、視網膜、手寫體、和臉部熱量圖等等。它們當中有的已逐步得到應用和推廣，有的還僅僅處于實驗研究的階段。其中，人臉、指紋、虹

9、膜、視網膜、手形、手部血管分布和臉部熱量圖等這些屬于生理特征，手寫體屬于行為特征，而聲音則兼有這兩方面的屬性。下面主要是對其中的指紋識別技術作的介紹和研究。指紋識別技術的原理是根據不同人的指紋不同，同一個人的不同手指的指紋也不同，而且紋線走向及紋線的斷點和交叉點等都是各不相同的，也就是說，每一個人的指紋都具有唯一性。此外，人的指紋不會隨年齡的增長而發生變化，是終生不變的。所以依靠這種唯一性和穩定性，可以將一個人身份和信息同他的指紋對應起來，只要通過對他的指紋和預先保存的指紋進行比較，用計算機進行快速的識別，就能很快的驗證他的真實身份。達到一種身份識別認證的效果。指紋用于身份鑒定的歷史悠久。在很

10、早的古敘利亞和中國，指紋鑒別早就己經開始應用了。在19世紀初，科學家通過研究發現了至今仍然承認的指紋的兩個重要的特征，第一個是兩個不同手指的指紋紋線的式樣不同，第二個是指紋紋線的式樣終生不變。這個研究成果使得指紋在犯罪鑒別中得以正式應用。在早期的指紋識別僅僅依靠人工對比方式進行。但因為指紋結構的復雜性及對指紋識別要求的嚴格性，從而導致了人工識別指紋的難度性變得很大、速度變得很慢而且識別準確性也受專家經驗的制約，這種人工識別技術遠遠不能適應實際工作的需要。在20世紀60年代，隨著計算機圖像處理技術的誕生、不斷發展和進步，新的圖像處理模式識別方法的日臻完善，人們開始著手研究如何利用計算機來處理指紋

11、識別。從那時起，自動指紋識別系統(AFIS：Automated FingerprintIdentification System)在法律實施方面的研究和應用在世界許多國家開始展開。在20世紀80年代，個人電腦、光學掃描這兩項技術的突破性發展，使得它們作為指紋取像的工具成為了現實，從而使指紋識別可以在其他領域中得以很大的應用，比如代替IC卡，普通鎖等。在20世紀90年代后期，低價位的取像設備引入及其飛速發展，可靠的比對算法的發現為個人身份識別應用的增長提供了舞臺。據統計，到了20世紀末，全世界生物識別技術市場約為1.56億美元，其中指紋識別技術約為1.2億美元，這標志著指紋識別是當前最成熟最穩定

12、的技術之一，并且是應用領域最廣泛的生物識別技術。1.2國內外研究現狀 指紋的應用可以追溯到幾千年以前,而指紋學真正成為一門學科,卻只有百余年的歷史。指紋應用可以分為以下三個時期。第一時期：摸索時期；據考證,我國已經發現6千多年前的陶器上留下的指紋。中國是運用指紋最早的國家之一,古代軍隊就設有箕斗花名冊。在古代罪犯的供詞也以通過捺印指紋為證。在周代,指紋被用于民間契約的簽署等。指紋在偵察斷案中也有著2千余年的應用歷史。而外國的指紋應用要比我國晚得多,巴比倫與西臘人,在公元前2世紀在陶器上捺印指紋, 用于鑒別。據考證,埃及、羅馬、印度這些具有悠久歷史的國家應用指紋也有上千年的歷史。第二時期：指紋科

13、學化時期；這一時期是從17世紀80年代開始的。1684年,英國醫學博士格留第一次對指紋做了詳細的分類。1860年英國駐印殖民地行政長官威廉.赫謝爾,也開始進行犯罪指紋登記實驗,提出了指紋“人各不同,至死不變”的觀點,他對指紋進行了詳細的分析和建立了明確的分類方法。從此,指紋研究逐步走向科學化的軌道。然而指紋正式作為一種刑事登記制度最先始于英國。1892年英國的高爾頓研究指紋,最早提出了利用指紋進行刑事登記的方法。1895年,英國采用高爾頓的研究成果,開始實行指紋登記制度。1897年,英國愛德華.享利發明了指紋二部分析法,使指紋的分析、儲存、查對逐漸趨于完善。1901年,英國政府正式采用了享利指

14、紋分析法。從此以后,指紋的登記制度逐漸被世界各國重視和廣泛運用,并沿襲至今。而在1903年,中國青島市警察局首次應用漢堡式指紋法。此后我國相繼開展了指紋的研究及應用,還曾建立過“指紋學會”。劉紫宛編寫的中華指紋法一書是我國最早的指紋專著。全國解放后,我國對指紋識別技術研究一直比較重視。1955年編制了中華人民共和國十指紋分析法。這可以說是我國指紋的科學時期。第三時期：現代化、自動化時期；這一時期是從本世紀60年代開始的。隨著現代科學技術的不斷發展，指紋技術的應用迅速地實現了現代化和自動化，例如：指紋的電子計算機應用，使儲存、查對、鑒定開始走向半自動化和自動化的軌道。半自動管理：是采用人工或人與

15、機器相結合的半自動方式分析指紋，把人工鑒定方法計算機化。實施的步驟是：借助于帶有投影屏幕的指紋分析儀或光筆，將十指紋型、中心紋線的形態、中心花紋的特征數字加以表述。再用電子計算機自動化儲存和查對。全自動化管理：不僅指紋儲存和查對采用自動化的方式，而且指紋分析也由電子計算機自動進行圖像識別。利用電子計算機管理指紋的方法早已在美國、日本、南非、羅馬尼亞、德國等國實施,采用的方法有圖像檢查法和編碼檢索法這兩種。法國的CIMSA公司和M0R-PH0SYSTEMS公司為了提高工作的效率，還研制出了用于獲取指紋、處理存貯和比較檢索的整套指紋處理裝置，主要用于對犯罪記錄、圖像存貯、傳輸照片、指紋、十指卡和現

16、場指紋的犯罪檢索等方面。該系統還包括對指紋自動化分析系統和數字數據系統。指紋自動分析系統的基本功能是獲取指紋（圖像處理）、編碼（特征點檢索）、識別（根據參照指紋檢索）、證實（難證檢索結果）。數字數據系統的主要功能是能滿足主管民事案件或刑事案件調查的各種指紋處理要求。這種設計的主要優點是系統化、簡便化、靈活化，而且改進安裝；同時，集中和分散的控制結構，具有添加處理器和專用外圍設備的擴展能力；由于它的安全性和開發利用的方便，使得非專業人員也能輕松運用這種系統開展工作，在不必全部重新組織原有系統的情況下，也能適應用戶的工作方式和滿足開發等需要。日本的電氣公司(NEC)發明了由計算機控制的指紋取樣裝置

17、(FAIS),可使調查人員在極短的時間內將現場提取的指紋與過去有犯罪前科犯人的指紋檔案進行快速比較,速度達到每秒鐘檢索650枚指紋。掃描器可以用不到3秒鐘的時間進行分析、記錄下乳突紋線和紋形等指紋的細微特征。然后,調查人員將分析到的資料輸入帶有圖像屏幕的具有高分辨能力的監控器中,操作者根據監控器和計算機提供的大量資料處理模糊的指紋,糾正變形,采用外推法將一枚殘缺指紋修復成一枚完整的指紋。經過處理后的模糊指紋,被另外貯存于“光盤”中。操作者再將“光盤”輸入由微處理機驅動的分析器作指紋比較。分析器每分鐘可濾過萬枚指紋,并告訴調查人員哪一級十指指紋與現場提取的指紋最接近，以便于指紋專家做最后的判斷。

18、1984年2月,美國舊金山警察局用160萬美元裝備了“指紋自動識別系統”,六年成功識別指紋一千多例。而在1990年以前，舊金山警察局平均每年查對指紋案例僅僅能成功70例。這套“指紋自動識別系統”還配有遠距離終端，警察在終端也能進行指紋檢索。我國從60年代起，也開始了對手指紋管理現代化的工作，而在目前，我國已經基本上形成了一個指紋工作網，在指紋理論研究上也取得了重要的成果，指紋的應用已經日益廣泛起來。如民間把捺印指印作為合同和證件的憑證；在公安司法部門已經把指紋作為證實犯罪的證據；在醫學方面，指紋還用于診斷遺傳病癥等。特別是在90年代后期，西安交大、清華大學先后開發了指紋自動識別系統，指紋門禁系

19、統、指紋考勤系統等。使指紋個人身份識別系統得到了實際運用，此外，美國國家銀行還根據這一技術將在21世紀初建成全國的個人身份認證網絡系統。1.3 研究的目的和意義指紋識別作為一種現代生物鑒定技術，為人類的個體身份的鑒定提供了一個到目前為止最為快捷和最為可信的方法。隨著指紋識別的應用和普及，人們之間的信任成本將大大降低，也大大提高了人類社會活動的效率。在信息時代的今天，一種安全便捷的身份認證方式顯得越發重要。“在網絡上，沒有人知道你是一只狗”在這種情況下，任何基于網絡環境下的交往活動都被蒙上了一層技術意義的灰色。這是不可避免的，所有基于這種網絡技術基礎之上的經濟活動也因此被深深打上了不真實性和不被

20、信任的烙印。面對如此偉大的技術，而人類對它的應用卻僅僅局限于虛擬網絡群落中的狂歡，而不能真正對經濟交往模式和效率起到推動作用，對此實在是遺憾。對于想從事和已經從事網絡商務的公司來講，確認交易人的身份是解決信用問題的第一步，而且也是最重要的一步。例如：對于網上交易最大的商家-淘寶來說，它能做的僅僅是通過身份證注冊來保證交易人身份，這樣的確是降低了身份冒用的及率，但不能不說這道防線是非常脆弱的。盜用他人身份證到淘寶上注冊來騙取貨款的案例也是層出不窮。再例如：阿里巴巴這樣的大型B2B網站，即使他們在授予“誠信通”之前會對企業的注冊資料等方面做詳盡評估和考察，但是誰又能保證后續的交易者就是企業本身呢？

21、畢竟，“誠信通”不能保證使用者的帳號和密碼不會被不法分子盜取。這正是電子商務所面臨的困境和瓶頸。Paypal已經推出了通過指紋識別來進行網絡支付。相信隨著技術成熟和應用成本降低，除了支付之外的任何網絡信任問題都可以指紋識別得到極大改善，從而會大大提高人們在信息時代的行動效率。從生物測量的角度而言，指紋識別將會是一種非常理想的工具，用來定位一個人基本的社會坐標原點。每一個人，都具有非常復雜的社會角色和社會關系。在公司的時候，你可能是經理、員工等工作性角色；回到家，你就是丈夫、孩子、爸爸、叔叔、哥哥等血緣性角色；當參加公司年度運動會時，你又是一名百米跑運動員。所有這些角色都是基于你的生物測量基礎上

22、的。所以社會公共管理中，必須有一個基礎變量來確認一個人的基本身份。在過去的很長一段時間里，我們是通過戶籍制度來進行管理和定義一個人的，每一個人從出生到死亡都是根據其出生地來定義和追溯其身份的。這種方式的隨意性很大，防偽性也很差，容易引起管理上的漏洞。在現實生活中，有些內地考生為了取得成績優勢，到偏遠省份重新辦理一套身份系統，包括戶口、身份證、檔案等。在這種情況下，一個人的真實身份是很難被分辨的。而指紋識別作為一個人基本社會角色定位點，其方便性和準確性已經得到了全世界范圍內的認可。可以通過各種各樣的指紋識別系統，使社會公共管理的職能得到強化，效率得到提高。例如原來的養老保險系統，冒領保險金現象較

23、為嚴重。但隨著越來越多的地方實施了指紋養老金發放系統，這一現象得到了徹底的改善，沒有當事人的指紋，對應的養老金是不可能被領取的。在深圳羅湖口岸，指紋認證的出入境系統實施大大的提高了通關效率，過關的旅客再也不需要拿著身份證排著長隊等待檢查了。指紋識別技術承載了很多的社會意義，從最根本上來講，指紋識別技術是可以良好的來判斷和定義一個人的真實生物身份。從而大大降低了社會活動中的信任成本，從根本上改變經濟交易和社會交往模式改變，大大提高效率。指紋識別作為一種新的生物鑒定技術，為人類的個體的定義提供了一個到目前為止最為快捷和最可信的方法。隨著指紋識別技術的越來越成熟，圖像處理及模式識別界曾一度被認為自動

24、指紋識別問題已經得到很好的解決。但實際上，指紋識別的核心技術仍然存在許多尚未解決的難題，尤其是對殘缺、污損指紋圖象進行識別的魯棒性和適應性方面還遠遠不能令人滿意。而指紋識別系統將會隨著更小更廉價的指紋輸入設備的出現、計算能力更強更廉價的硬件以及互聯網的廣泛應用而得到進一步拓寬應用。其中，能適應在線應用的自動指紋識別系統的算法還有待進一步改進和提高，多種指紋識別方法的集成應用以及包括指紋識別在內的多種生物特征鑒定技術的集成應用也將會是今后研究的發展方向。因此，自動指紋識別技術現在是，未來幾年仍將是一個非常重要的、極具挑戰性的模式識別研究的課題。1.4 研究內容1）本文簡要介紹了指紋識別的歷史及研

25、究現狀，并針對當前實際情況，提出了指紋識別研究的目的和研究意義。2）本文對指紋識別技術進行了詳細的論述，其中包括：指紋識別系統的流程；指紋圖像的預處理方法（灰度分割、圖像濾波、二值化、細化等）；指紋圖像特征提取；指紋圖像匹配（中心點定位、建立特征模板、特征點向量匹配）。3）本文通過Matlab7.0軟件對指紋識別系統進行軟件仿真。得到的實驗結果效果良好。經過一系列的識別過程，基本能體現出良好的匹配結果。第二章 指紋識別系統概述在十九世紀初，科學研究發現了至今仍然承認的兩個重要特征：一個是兩個不同手指的指紋紋脊的樣式（Ridge Pattern）不同，另外一個是指紋紋脊的樣式終生不變。這個研究成

26、果使得指紋在犯罪鑒別中得以正式應用。到了二十世紀六十年代，由于計算機可以有效地處理圖形，于是人們開始著手研究計算機來處理指紋，自動指紋識別系統AFIS在法律實施方面的研究與應用有就由此誕生了。2.1指紋識別的基本原理指紋識別其實是比較復雜的。與人工識別處理方法不同，許多生物識別技術公司并不直接存儲指紋圖像。多年來在各個公司及其研究機構產生了很多數字化的算法（美國有關法律認為，指紋圖象屬于個人隱私，因此不能直接存儲指紋圖象）。但指紋識別算法最終都歸結為在指紋圖象上找到并比對指紋的特征。1指紋的特征我們定義了指紋的兩類特征來進行指紋的驗證：總體特征和局部特征。在考慮局部特征的情況下，英國學者E.R

27、.Herry認為，只要比對13個特征點重合，就可以確認為是同一個指紋。總體特征：總體特征是指那些用人眼直接就可以觀察到的特征，包括：基本紋路圖案環型（loop）,弓型（arch）,螺旋型（whorl）。其他的指紋圖案都基于這三種基本圖案。因此僅僅依靠圖案類型來分辨指紋是遠遠不夠的，這只是一個粗略的分類，但通過分類后使得在大數據庫中搜尋指紋更加方便。局部特征：局部特征是指指紋上的節點的特征，這些具有某種特征的節點稱為特征點。兩枚指紋常常會具有相同的總體特征，但它們的局部特征-特征點，卻不一定完全相同。2指紋的特征點指紋紋路并不是連續的、平滑筆直的，而是經常出現中斷、分叉或打折。這些斷點、分叉點和

28、轉折點就稱為“特征點”。就是這些特征點提供了指紋唯一性的確認信息。2.2指紋識別系統工作流程指紋識別技術主要涉及四個功能：讀取指紋圖象、提取特征、保存數據和比對。首先，指紋要通過指紋采集設備(常見的有光學取像設備、超聲波掃描取像設備、晶體傳感器，現在廣泛使用的是晶體傳感器)轉化為計算機內的數字圖像(一般為灰度圖)。由于采集過程中難免因手指或儀器的原因而使圖像存在較多的噪聲，所以為了使圖像更清晰以便于后續特征提取，必須對采集到的圖像進行增強和濾波，并進一步二值化、細化5。之后，在細化后的點線圖上提取特征值，刪除偽特征值，最終得到用于匹配的細節點。采集到的圖像細節點與模板中的細節點進行比對，最終完

29、成指紋匹配。各個環節環環相扣，對整個系統都起著十分重要的作用。本文著重研究了圖像預處理和細節特征提取這兩個關鍵部分。接下來，指紋辨識軟件會建立指紋的數字表示特征數據，一種可以單方向的轉換，將指紋轉換成特征數據但不能從特征數據轉換成為指紋，而兩枚不同的指紋不會產生相同的特征數據。軟件從指紋上找到被稱為（minutiae）的數據點，也就是那些指紋紋路的分叉、終止或打圈處的坐標位置，這些點同時具有七種以上的唯一性特征。因為通常手指上平均具有70個節點，所以這種方法會產生大約490個數據。有的算法把節點和方向信息組合產生了更多的數據，這些方向信息表明了各個節點之間的關系，也有的算法還處理整幅指紋圖像。

30、總的來說，這些數據，通常稱為模板，保存為1K大小的記錄。無論它們是怎樣組成的，至今仍然沒有一種模板的標準，也沒有一種公布的抽象算法，而是各個廠商自行其是。最后，通過計算機模糊比較的方法，把兩個指紋的模板進行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結果。指紋識別系統框圖如圖2.1所示。圖2.1 指紋識別系統工作原理框圖2.3指紋識別技術的方法本文重點研究了基于神經網絡的指紋識別算法、濾波特征和不變矩指紋識別算法和指紋匹配算法，針對已有的三種指紋識別算法進行編程識別，通過Matlab7.0軟件仿真，從而進一步論證三種算法的優缺點。用Matlab實現這種方法，既能分步對指紋圖像預處理算法進

31、行仿真測試，又可以很直觀地看到圖像預處理算法的效果。實驗證明，用Matlab實現的處理結果比較理想，滿足識別的應用性。本文介紹用Matlab實現了指紋圖像的對比度增強、有效區域的選取、指紋圖像的二值化、指紋的特征值提取，特征點匹配等。并選取較好的處理步驟和算法參數解決指紋圖像預處理的問題。2.3.1神經網絡指紋識別算法用神經網絡的方法進行識別選用哪種特征是個關鍵問題而考慮到本文這里的識別過程是在同類型指紋間進行的這些指紋具有相似的紋線走向指紋的方向信息在這里就顯得無關緊要了，通過對同類型指紋的分析，發現了它們差別主要體現在具體的每個細節點上，因此本文就提取了指紋的細節點特征作為識別特征每個樣本

32、提取的細節點特征是一個80×1維的向量包含20個特征點每個特征點的特征值是個4維的向量分別是特征點的類型特征點與參考點的紋線方向差值特征點與參考點的距離特征點與參考點的角度我們認為特征點的這些信息即可充分體現同類型指紋間的細微差別也同時具有一定的抗平移和抗旋轉性。本文采用的是學習矢量量化LVQ神經網絡模型LVQ神經網絡由于其自身的自組織和聚類特性可以很好地給出模式在多維空間的概率分布估計從而可較好地完成指紋的識別,其識別模型如圖2.2所示.圖2.2 基于神經網絡的自動指紋識別模型2.3.2 濾波特征和不變矩指紋識別算法濾波特征識別算法：指紋圖像特征的表示要求必須滿足尺度不變性、 位移

33、不變性和旋轉不變性這3個特征。尺度不變性是滿足的。在濾波提取算法中,位移不變性是通過確定指紋圖像的中心參考點來實現的。 圖像的旋轉不變性可以通過在匹配階段建立多角度旋轉特征向量來實現。濾波特征的提取算法包括4 個步驟: 一是：確定指紋圖像的中心參考點，以及要處理的指紋區域，記為ROI 區域； 二是：以參考點為中心， 對ROI 區域進行劃分， 得到一定大小的塊；三是： 用一組Gabor 濾波器在八個不同的方向對ROI 區域進行濾波運算（在指紋圖像中,完全獲取指紋的局部脊線特征需要使用8 個方向濾波器, 獲取全局結構信息僅需要4 個方向濾波器）；四是：在濾波圖像中，計算每一塊中灰度值相對于均值的平

34、均絕對偏差， 進而得到特征向量或特征編碼。基于濾波特征的指紋識別算法，首先對指紋圖像進行濾波特征提取，然后在濾波特征值構成的特征向量的基礎上進行匹配。不變矩識別算法：算法的基本思路是：搜索預處理后的二值圖像中所有可能成為目標的區域，計算區域的7個不變矩特征，認為與模板匹配程度最高的區域為目標。其中相似度度量采用歐式距離。2.3.3指紋匹配算法指紋匹配指的是指紋特征值比對過程。它是把當前取得的指紋特征值集合與事先存好的指紋特征值模板進行匹配的過程。指紋匹配是一個模式識別的過程，指紋匹配判定的標準不是相等或不等，而是相似的程度。這個程度的判定依賴于事先設定的閾值，以及與判定時比較的特征點的個數。閾

35、值取的合理，特征點取的越多，誤判的機率就越小。指紋匹配的方法有很多，包括基于奇異點的匹配、嵴模式的匹配、特征點的匹配、特征點線對（兩個特征點的連線）匹配，以及特征點組的匹配方法等等。在指紋匹配之前需要作出指紋定位。指紋定位是使待驗證指紋的數個細節點的坐標值與指紋庫中的數個細節點的坐標值一一相互對準的過程，從而使兩個指紋圖像對準重合。由于在指紋采樣時，用戶手指每次放置的位置和角度不同，形成的指紋圖像也略有不同，因此各個指紋特征值的坐標值也就不同。主要表現為手指平移和旋轉的差異，形成平移誤差和旋轉誤差。解決指紋圖像的平移誤差和旋轉誤差是指紋比對算法面對的首要問題。可以選取奇異點作為對準參數，也可以

36、選擇某一區域內的特征點及嵴方向、嵴密度作為對準參數。實際上，在除了處理兩種誤差之外，在指紋采集過程中，由于每次按壓的力度不同而形成的指紋圖像擠壓變形和拉伸變形，同樣是指紋匹配之前需處理的。下圖為基于混合模式的指紋識別算法的流程圖。圖2.3 混合模式匹配算法流程圖第三章 指紋圖像預處理3.1圖像規格化因為受采集設備參數和環境的影響，采集到的指紋圖像可能總體的對比度會比較差。圖像歸一化的作用就是使所有指紋圖像具有相同的灰度均值和方差，從而使每一幅圖像的灰度調整到統一的范圍，方便后續的處理。歸一化的算法是：（1） 先計算圖像的平均值和方差。這部分工作主要通過統計圖像中各點像素值得到該圖像的直方圖完成

37、的，然后利用直方圖來計算指紋圖像的相關指標。（2） 指定期望經過處理后的圖像均值和方差，計算歸一化后的圖像G。圖像規格化的Matlab程序如下（其中方差取Var0=2000,M0=150）：% 歸一化M=0;var=0;for x=1:m for y=1:n M=M+I(x,y); endendM1=M/(m*n);for x=1:m for y=1:n var=var+(I(x,y)-M1).2; endendvar1=var/(m*n);for x=1:m for y=1:n if I(x,y)>=M1 I(x,y)=150+sqrt(2000*(I(x,y)-M1)/var1);

38、else I(x,y)=150-sqrt(2000*(M1-I(x,y)/var1); end endendfigure, imshow(uint8(I) ;帶入指紋圖像zhiwen1.bmp后得到的原始圖像和歸一化圖像見圖3-1和圖3-2： 圖3-1原始指紋圖像圖3-2規格化后的指紋圖像3.2圖像分割指紋圖像通常包括紋線區域和周邊的無用區域。如果保留這些無用區域，就會致使計算冗余度增加。因此要先將其從待處理區域中去除。通常用的分離方法有像素領域特征的方法和基于像素分布概率的方法等。本文采取對各像素鄰域特征進行分析，然后分割圖像算法。把圖像分成T*T的非重疊塊，計算每一塊的灰度均值M和方差Va

39、r，通過下列條件區分前景與背景：（1） 如果M>M1且Var<Var1，則認為背景（2） 如果M<=M1且Var>=Var1，則認為前景，否則待定；（3） 對所有分塊劃分完畢后，在對待定塊進行判決。如果在8鄰域中，背景景小于等于4則認為是前景，否則是背景在編程過程中通過幾次調試后對圖像進行3*3分塊處理Matlab程序如下：% 分割M =3; %3*3H = m/M; L= n/M;aveg1=zeros(H,L);var1=zeros(H,L);% 計算每一塊的平均值for x=1:H; for y=1:L; aveg=0;var=0; for i=1:M; for

40、j=1:M; aveg=I(i+(x-1)*M,j+(y-1)*M)+aveg; end end aveg1(x,y)=aveg/(M*M);% 計算每一塊的方差值 for i=1:M; for j=1:M; var=(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y).2+var; end end var1(x,y)=var/(M*M); endendGmean=0;Vmean=0;for x=1:H for y=1:L Gmean=Gmean+aveg1(x,y); Vmean=Vmean+var1(x,y); endendGmean1=Gmean/(H*L);%所有塊的平

41、均值Vmean1=Vmean/(H*L);%所有塊的方差 gtemp=0;gtotle=0;vtotle=0;vtemp=0;for x=1:H for y=1:L if Gmean1>aveg1(x,y) gtemp=gtemp+1; gtotle=gtotle+aveg1(x,y); end if Vmean1<var1(x,y) vtemp=vtemp+1; vtotle=vtotle+var1(x,y); end endendG1=gtotle/gtemp;V1=vtotle/vtemp; gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;for

42、x=1:H for y=1:L if G1<aveg1(x,y) gtemp1=gtemp1-1; gtotle1=gtotle1+aveg1(x,y); end if 0<var1(x,y)<V1 vtemp1=vtemp1+1; vtotle1=vtotle1+var1(x,y); end endendG2=gtotle1/gtemp1;V2=vtotle1/vtemp1; e=zeros(H,L);for x=1:H for y=1:L if aveg1(x,y)>G2 && var1(x,y)<V2 e(x,y)=1; end if ave

43、g1(x,y)< G1-100 && var1(x,y)< V2 e(x,y)=1; end endend for x=2:H-1 for y=2:L-1 if e(x,y)=1 if e(x-1,y) + e(x-1,y+1) +e(x,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) <=4 e(x,y)=0; end end endend Icc = ones(m,n);for x=1:H for y=1:L if e(x,y)=1 for i=1:M for j=1:M

44、I(i+(x-1)*M,j+(y-1)*M)=G1; Icc(i+(x-1)*M,j+(y-1)*M)=0; end end end endendfigure, imshow(uint8(I);title('分割');得到的圖像如圖3-3：圖3-3經過分割處理后的圖像3.3圖像二值化一般的指紋圖像都會有比較清晰的方向場，方向場估計得準確性直接決定了圖像增強算法的效果。為估計方向場，我們把指紋脊線的走向分為如下8個方向，如下圖：圖3-4 在一個像素處的8個指紋脊線方向我們先對分割后的圖像進行了平均濾波，然后對圖像的每一個像素，為確定在該像素的脊線方向，在以該像素為中心的9*9窗口

45、內，分別計算8個方向上的經過處理后的灰度值，即將圖5中標了i（i=0,1,7分別代表8個方向）的位置的像素灰度值去他們中最大summax和最小值summin，若滿足(summax+summin+ 4*I(x,y)> (3*summ/8),則該像素點的脊線方向為summin,否則為summax.確定完方向后就根據該向場對圖像進行二值化。Matlab程序如下：%二值化¯temp=(1/9)*1 1 1;1 1 1;1 1 1;%模板系數 均值濾波 Im=double(I); In=zeros(m,n);for a=2:m-1; for b=2:n-1; In(a,b)=Im(a-1

46、,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); endend I=In;Im=zeros(m,n);for x=5:m-5; for y=5:n-5; sum1=I(x,y-4)+I(x,y-2)+I(x,y+2)+I(x,y+4); sum2=I(x-2,y+4)+I(x-1,y+2

47、)+I(x+1,y-2)+I(x+2,y-4); sum3=I(x-2,y+2)+I(x-4,y+4)+I(x+2,y-2)+I(x+4,y-4); sum4=I(x-2,y+1)+I(x-4,y+2)+I(x+2,y-1)+I(x+4,y-2); sum5=I(x-2,y)+I(x-4,y)+I(x+2,y)+I(x+4,y); sum6=I(x-4,y-2)+I(x-2,y-1)+I(x+2,y+1)+I(x+4,y+2); sum7=I(x-4,y-4)+I(x-2,y-2)+I(x+2,y+2)+I(x+4,y+4); sum8=I(x-2,y-4)+I(x-1,y-2)+I(x+1,

48、y+2)+I(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*I(x,y)> (3*summ/8) sumf = summin; else sumf = summax; end if sumf > b Im(x,y)=128; else Im(x,y)=255; end endend for i=1:m for j =1:n Icc(i,j)=Icc(i,

49、j)*Im(i,j); endend for i=1:m for j =1:n if (Icc(i,j)=128) Icc(i,j)=0; else Icc(i,j)=1; end; end end figure,imshow(double(Icc);title('二值化');得到的二值化圖像如圖3-5：圖3-5二值化后的圖像3.4圖像增強在當前的指紋采集條件下，不可避免的會受到環境，包括皮膚上的油脂、水分、污漬的影響等，使采集到的指紋圖像出現紋線粘連、紋線斷裂等缺陷，這會對后續的指紋特征提取帶來很大困難。所以我們必須對指紋圖像進行圖像增強處理，例如分離粘連的紋線，連接斷裂的紋

50、線，平滑紋線的邊緣等，以保證指紋特征提取的可靠性。實驗中進行了初步去除空洞和毛刺的處理，程序如下：u=Icc;m,n=size(u) %去除空洞和毛刺for x=2:m-1for y=2:n-1if u(x,y)=0if u(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3u(x,y)=1;endelse u(x,y)=u(x,y);endendendfigure,imshow(u)%title('去除毛刺')for a=2:m-1for b=2:n-1if u(a,b)=1if abs(u(a,b+1)-u(a-1,b+1)+abs(u(a-1,

51、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)=1%尋找端點if (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)=0 %去除空洞和毛刺u(a,b)=0;e