生物醫(yī)學(xué)圖像處理研究報(bào)告指紋識別班級：姓名：學(xué)號：指紋識別的發(fā)展

我們手掌及其手指、腳、腳趾內(nèi)側(cè)表面的皮膚凸凹不平產(chǎn)生的紋路會形成各種各樣的圖案。這些紋路的存在增加了皮膚表面的摩擦力，使得我們能夠用手來抓起重物。人們也注意到，包括指紋在內(nèi)的這些皮膚的紋路在圖案、斷點(diǎn)和交叉點(diǎn)上各不相同，也就是說，是唯一的。依靠這種唯一性，我們就可以把一個人同他的指紋對應(yīng)起來，通過對他的指紋和預(yù)先保存的指紋進(jìn)行比較，就可以驗(yàn)證他的真實(shí)身份。這種依靠人體的身體特征來進(jìn)行身份驗(yàn)證的技術(shù)稱為生物識別技術(shù)，指紋識別是生物識別技術(shù)的一種。

19世紀(jì)初，科學(xué)研究發(fā)現(xiàn)了至今仍然承認(rèn)的指紋的兩個重要特征，每一個手指指紋的圖案布局是永久存在的并且始終不改變的，直到在人死后指紋才會腐爛。全世界沒有兩個人的指紋是完全一樣的，即使是雙胞胎也不例外(即指紋的唯一性和不變性)。這個研究成果使得指紋在犯罪事件的鑒別中得以正式應(yīng)用(主要代表性的事件有：1896年阿根廷首次應(yīng)用，然后是1901年的蘇格蘭，20世紀(jì)初其他國家也相繼應(yīng)用到犯罪事情的鑒別中。20世紀(jì)60年代，由于計(jì)算機(jī)可以有效地處理圖形，人們開始著手研究利用計(jì)算機(jī)來處理指紋。從那時起，自動指紋識別系統(tǒng)AFIS在法律實(shí)施方面的研究和應(yīng)用在世界許多國家展開。

我國利用指紋來識別身份的歷史非常悠久，但是我國指紋自動識別系統(tǒng)研究開發(fā)的歷史是從20世紀(jì)80年代初開始的，北京大學(xué)信息中心、清華大學(xué)自動化系、北京郵電大學(xué)、中科院、長春光機(jī)所等都在此領(lǐng)域做了一定工作，并取得了一定的成果，其中較為突出的是清華大學(xué)自動化系和北京大學(xué)信息中心兩家。北京大學(xué)兩位著名院士程民德和石青云率先開展了這方面的研究工作Pl。1982年至1985年，在石青云院士主持的國家自然科學(xué)基金項(xiàng)目中，率先對數(shù)字圖像的離散幾何進(jìn)行了深入研究，提出了從指紋灰度圖像精確計(jì)算指紋局部方向，進(jìn)而提取指紋特征信息的理論與算法，具有很高的學(xué)術(shù)價值和獨(dú)創(chuàng)性。隨后，在她主持的國家七五科技攻關(guān)項(xiàng)目中，研究成功了適于民用身份鑒定的全自動指紋鑒定系統(tǒng)以及適于公安刑事偵破的指紋鑒定系統(tǒng)，從而開創(chuàng)了我國指紋自動識別系統(tǒng)應(yīng)用的先河。清華大學(xué)自動化系研究成功的犯罪指紋識別系統(tǒng)已經(jīng)被北京市公安局使用。田捷博士領(lǐng)導(dǎo)的中國科學(xué)院自動化研究所fmgerpass指紋識別實(shí)驗(yàn)室對指紋識別技術(shù)及其應(yīng)用領(lǐng)域的一些關(guān)鍵問題進(jìn)行了廣泛的理論研究和應(yīng)用開發(fā)。

隨著國內(nèi)外學(xué)者們對自動指紋識別系統(tǒng)研究的不斷深入，其主要的幾個研究問題也逐漸明朗化。目前國內(nèi)外有關(guān)自動指紋識別系統(tǒng)的研究主要包括以下幾個方面：(1)指紋圖像預(yù)處理；(2)指紋分類；(3)指紋特征點(diǎn)提?。?4)指紋匹配。指紋識別實(shí)現(xiàn)

我參考了一些指紋識別方面的論文，弄清了指紋識別具體各個步驟的原理及其實(shí)現(xiàn)，形成了以下報(bào)告內(nèi)容。指紋圖像的預(yù)處理

采集獲得的指紋圖像通常都伴隨著各種各樣的噪聲。一部分是由于采集儀造成的，如采集儀上的污漬、采集儀的參數(shù)設(shè)置不恰當(dāng)?shù)葅另外一部分是由于手指的狀態(tài)造成的，如手指的過干、太濕、傷疤、脫皮等。第一類噪聲相對來說是固定的系統(tǒng)誤差，比較容易恢復(fù)：第二類噪聲與個體手指密切相關(guān)，比較難于恢復(fù)。所以指紋圖像預(yù)處理在指紋識別過程中成為非常重要的一環(huán)，這部分的算法的優(yōu)劣將對整個系統(tǒng)的性能產(chǎn)生至關(guān)重要的影響。指紋圖像預(yù)處理的目的是去除指紋圖像中的各種噪聲，連接脊線的斷裂，消除指紋圖像形變，恢復(fù)清晰完整的指紋脊線結(jié)構(gòu)。處理結(jié)果的好壞直接影響到特征提取的精確性和穩(wěn)定性，進(jìn)而決定指紋自動識別系統(tǒng)的性能。指紋圖像指紋圖像指紋圖像增強(qiáng)指紋圖像增強(qiáng)指紋圖像二值化指紋圖像二值化指紋圖像細(xì)化指紋圖像細(xì)化指紋圖像預(yù)處理的一般過程圖像增強(qiáng)介紹一種濾波器：Gabor濾波器。由于指紋的紋理在每一局部具有很強(qiáng)的方向性和周期性，因而我們應(yīng)該采用一種能根據(jù)局部紋理特征具有方向和頻率選擇特性的自適應(yīng)的濾波方法Gabor函數(shù)正好具備頻率選擇和方向選擇的特性，并且已經(jīng)證明，Gabor基函數(shù)的空域?qū)挾群皖l域?qū)挾鹊某朔e能在測不準(zhǔn)法則下達(dá)到最小，在空域和頻域下?lián)碛凶钚〉穆?lián)合不確定性。Gabor濾波效果：Gabor濾波后結(jié)果指紋圖像原圖Gabor濾波后結(jié)果指紋圖像原圖指紋圖像二值化圖像的二值化是指通過設(shè)定閾值把灰度圖像變成僅用兩個值0和1分別表示圖像的前景和背景的二值圖像。對一幅圖像進(jìn)行二值化，首先必須選取閾值。由于不同圖像的灰度基值不同，以及同一幅圖像中各部分的明暗不同，所以閾值的設(shè)置是二值化操作的關(guān)鍵所在。在二值化的處理與分析過程中，首先需要把灰度圖像二值化，得二值圖像，這樣做的目的是對圖像做進(jìn)一步處理時，圖像的幾何性質(zhì)只與0和1的位置有關(guān)，不再涉及到像素的灰度值，進(jìn)而使圖像處理變得簡單。提高了系統(tǒng)的經(jīng)濟(jì)實(shí)用性。二值化效果：原圖二值化后原圖二值化后指紋圖像細(xì)化一般的特征提取都是在細(xì)化的基礎(chǔ)上進(jìn)行的，如果細(xì)化不好，將無法使用常規(guī)的特征提取算法提取細(xì)節(jié)特征信息。指紋圖像二值化后，紋線仍具有一定的寬度，而指紋識別只對紋線的走向感興趣，不關(guān)心它的粗細(xì)。為了進(jìn)一步壓縮數(shù)據(jù)，提高識別的準(zhǔn)確性，需要對指紋圖像進(jìn)行細(xì)化處理。細(xì)化是圖像分析、信息壓縮、特征提取和模式識別常用的基本技術(shù)，刪除指紋紋線的邊緣像素。使之只有一個像素寬度。細(xì)化應(yīng)保證紋線的連接性、方向性和特征點(diǎn)不變，還應(yīng)保持紋線的中心基本不變。細(xì)化結(jié)果：細(xì)化后原圖細(xì)化后原圖指紋圖像特征點(diǎn)提取指紋的特征可以反映在給定的人類群體里來自不同手指的指紋之間相似的程度，指紋的特征信息很多，這些所有的指紋特征信息構(gòu)成了龐大的指紋特征集合。這些特征有細(xì)節(jié)點(diǎn)、奇異點(diǎn)、紋理特征等等。特征提取是指紋圖像識別中的關(guān)鍵一步，指紋識別技術(shù)的核心在于特征的匹配，特征提取的準(zhǔn)確程度直接關(guān)系著匹配的正確性。能否從指紋圖像中可靠地提取細(xì)節(jié)點(diǎn)，直接影響指紋匹配的精度。因此，細(xì)節(jié)特征點(diǎn)的提取是整個識別系統(tǒng)的關(guān)鍵環(huán)節(jié)。理想的指紋細(xì)節(jié)點(diǎn)提取方法應(yīng)該不產(chǎn)生虛假細(xì)節(jié)點(diǎn)、不遺漏真實(shí)細(xì)節(jié)點(diǎn)以及細(xì)節(jié)點(diǎn)的位置和方向沒有誤差。指紋的特征描述我們可以根據(jù)指紋的特征來辨別人類群體里來自不同手指的指紋之間相似的程度。然而指紋有很多特征信息，所有的這些指紋特征信息就構(gòu)成了龐大的指紋特征集合。自動指紋識別系統(tǒng)特征層需要研究和解決的問題主要是與這些特征信息有關(guān)，例如，特征是否是終生不變的、唯一的、特征之間存在什么樣的相互關(guān)系、什么樣的特征子集可以使某種算法達(dá)到最佳的識別效果、指紋特征用于身份鑒別是否更安全等。對于自動指紋識別技術(shù)而言，選擇一種合適的、能表達(dá)指紋唯一性的特征量是非常重要的。指紋的全局特征所謂全局特征是指那些用人眼直接就可以觀察到的特征基本包括以下一些特征：基本紋路圖案斗型(100p)、弓型(arch)、箕型(whorl)。一般的指紋圖案都基于這三種基本圖案，現(xiàn)有的這種分類規(guī)則是為指紋專家進(jìn)行人工分類而定義的，但僅僅依靠這些類型來分辨指紋是遠(yuǎn)遠(yuǎn)不夠的，這只是一個粗略的分類，并不適合計(jì)算機(jī)來實(shí)現(xiàn)，但通過分類可使在大型數(shù)據(jù)庫中搜尋指紋更為方便。模式區(qū)模式區(qū)是指指紋上包括了總體特征的區(qū)域，即從模式區(qū)就能夠分辨出指紋是屬于哪一種類型的。有的指紋識別算法只使用模式區(qū)的數(shù)據(jù)，而有的指紋識別算法使用了所取得的完整指紋而不僅僅是模式區(qū)進(jìn)行分析和識別。核心點(diǎn)核心點(diǎn)位于指紋紋路的漸進(jìn)中心，它通常作為讀取指紋和比對指紋時的參考點(diǎn)。三角點(diǎn)三角點(diǎn)位于從中心點(diǎn)開始的第一個分叉點(diǎn)或者斷點(diǎn)、或者兩條紋路會聚處、孤立點(diǎn)、折轉(zhuǎn)處，或者指向這些奇異點(diǎn)。三角點(diǎn)提供了指紋紋路的計(jì)數(shù)和跟蹤的開始之處。式樣線式樣線是在指包圍模式區(qū)的紋路線開始平行的地方所出現(xiàn)的交叉紋路。紋數(shù)指模式區(qū)內(nèi)指紋紋路的數(shù)量。在計(jì)算指紋的紋數(shù)時，一般先連接中心點(diǎn)和三角點(diǎn)，這條連線與指紋紋路相交的數(shù)量即可認(rèn)為是指紋的紋數(shù)。指紋的局部特征指紋上的細(xì)節(jié)特征就是局部特征，是指紋脊線的突變。兩枚指紋經(jīng)常會具有相同的總體特征，可它們的局部特征卻幾乎不可能完全相同。指紋的細(xì)節(jié)特征一般常見的主要有：端點(diǎn)、分叉點(diǎn)、交叉、橋形和口形等。統(tǒng)計(jì)實(shí)驗(yàn)表明：端點(diǎn)和分歧點(diǎn)是指紋中最常見的細(xì)節(jié)特征，它們出現(xiàn)的機(jī)率分別為68．2％和23．8％。像交叉、橋形、口形特征實(shí)際上都可以看作是端點(diǎn)和分歧點(diǎn)特征的合成，如交叉可認(rèn)為是兩個分歧點(diǎn)的重合，橋形和口形都可以被當(dāng)作兩個分離的分歧點(diǎn)，因此在大部分指紋識別系統(tǒng)中都只把端點(diǎn)和分歧點(diǎn)作為細(xì)節(jié)特征。人類的手指平均有100個左右的特征點(diǎn)，但只要比對10到l5個左右的特征點(diǎn)，就可以判斷這兩枚指紋是否出于同一個手指。指紋圖像特征提取算法特征提取是指紋圖像識別中的關(guān)鍵一步，指紋識別技術(shù)的核心在于特征的匹配，特征提取的準(zhǔn)確程度直接關(guān)系著匹配的正確性。能否從指紋圖像中可靠地提取細(xì)節(jié)點(diǎn)，直接影響指紋匹配的精度。因此，細(xì)節(jié)特征點(diǎn)的提取是整個識別系統(tǒng)的關(guān)鍵環(huán)節(jié)。理想的指紋細(xì)節(jié)點(diǎn)提取方法應(yīng)該不產(chǎn)生虛假細(xì)節(jié)點(diǎn)、不遺漏真實(shí)細(xì)節(jié)點(diǎn)以及細(xì)節(jié)點(diǎn)的位置和方向沒有誤差。細(xì)節(jié)點(diǎn)提取方法目前主要有兩類：從細(xì)化圖像上提?。哼@種方法首先對指紋圖像進(jìn)行細(xì)化處理，然后通過分析細(xì)化紋線像素點(diǎn)的8鄰域來判斷細(xì)節(jié)點(diǎn)的類型、位置，通過分析所連接的紋線段來判定細(xì)節(jié)點(diǎn)的方向。該方法的優(yōu)點(diǎn)是原理簡單，便于實(shí)現(xiàn)；其缺點(diǎn)是細(xì)化處理較慢，且當(dāng)圖像質(zhì)量較差時，細(xì)化處理往往會產(chǎn)生很多畸變。如小毛刺、小環(huán)島等，導(dǎo)致提取出很多虛假細(xì)節(jié)點(diǎn)。從原始指紋圖像上直接提?。哼@種方法的基本原理是在指紋方向圖引導(dǎo)下跟蹤指紋紋線，每前進(jìn)一定的距離，根據(jù)圖像在與跟蹤方向垂直的線段上的投影的極值確定紋線的位置，當(dāng)遇到端點(diǎn)和分叉點(diǎn)時跟蹤過程終止。算法思路采用基于局部結(jié)構(gòu)信息的指紋偽特征濾除算法?；诰植拷Y(jié)構(gòu)信息的指紋偽特征濾除算法，首先利用紋線跟蹤的結(jié)果，提取特征點(diǎn)的各個屬性，然后結(jié)合特征點(diǎn)的統(tǒng)計(jì)和結(jié)構(gòu)信息，總結(jié)出各種偽特征結(jié)構(gòu)，如短線、斷紋、毛刺、叉形、孤立島嶼，小橋、連環(huán)島嶼、三角等局部特征，進(jìn)而對其進(jìn)行識別，達(dá)到濾除偽特征點(diǎn)的目的。算法原理及實(shí)現(xiàn)本文主要是利用指紋的局部特征來進(jìn)行指紋匹配，如上所述端點(diǎn)和分叉點(diǎn)是指紋中最常見的細(xì)節(jié)特征，占所有細(xì)節(jié)特征總數(shù)的92％。因此為了快速有效地實(shí)現(xiàn)算法，我們只提取指紋的端點(diǎn)和分叉點(diǎn)這兩個細(xì)節(jié)特征。1)特征點(diǎn)坐標(biāo)。對于圖像處理后的指紋細(xì)化圖，采用脊線跟蹤的方法標(biāo)定特征點(diǎn)的坐標(biāo)。定義l(8鄰域像素和)令N9(x,y)為包括點(diǎn)(x,y)與其8鄰域的3×3點(diǎn)集，定義sum(x，y)為計(jì)算N9(x,y)上所有像素值的和。則對于脊線上任意點(diǎn)(i,j)，有：公式中，f(i,j)=1表示該點(diǎn)為分叉點(diǎn)，d(i,j)=l表示該點(diǎn)為端點(diǎn)。sum(i.j)取其它值時不予考慮。2)特征點(diǎn)方向。將預(yù)處理后的指紋細(xì)化圖分成WxW的小塊。采用Sobel算子計(jì)算特征點(diǎn)在x和Y方向上的梯度Gx和Gy。則特征點(diǎn)的方向θ為：特征提取完成后得到的特征點(diǎn)集肘，其中每一個特征點(diǎn)對應(yīng)唯一的坐標(biāo)(i,j)和方向θ。指紋偽細(xì)節(jié)點(diǎn)的處理由于指紋圖像預(yù)處理本身會產(chǎn)生一些偽特征，也會處理掉一些真正的特征，特別是對于質(zhì)量較差的指紋圖像，會產(chǎn)生大量的口形和橋形偽特征。細(xì)節(jié)點(diǎn)提取之后，它們的真?zhèn)螌⒅苯佑绊懫ヅ湫ЧＪ聦?shí)上，指紋輸入時，由于汗?jié)n、干燥、按壓輕重不同等影響，得到的圖像通常含有斷紋、褶皺、模糊、灰度不均勻等質(zhì)量問題，而且預(yù)處理算法對各個指紋的適應(yīng)性和有效性也會不同，因此得到的細(xì)化二值圖像往往含有大量的偽細(xì)節(jié)點(diǎn)。偽細(xì)節(jié)點(diǎn)的存在會同時提高指紋圖像匹配的誤識率和拒識率，因此，在特征提取時，往往需要進(jìn)行偽細(xì)節(jié)點(diǎn)特征刪除。一般情況下，對于一個分叉點(diǎn)的分支如果小于某個給定閾值，就將其當(dāng)作毛刺刪除。如果脊線的兩個端點(diǎn)很近，那么該脊線有可能是噪聲引起的，應(yīng)該刪除，在指紋圖像邊緣的脊終點(diǎn)也應(yīng)該刪除。采用跟蹤脊線的方法去除偽特征點(diǎn)，即從特征點(diǎn)(i,j)開始順著脊線尋找最遠(yuǎn)非特征點(diǎn)(i,j)，通過這兩個坐標(biāo)可以計(jì)算這條脊線的切線方向angle(i,j)，對于分叉點(diǎn)還需要記錄三個分支上是否遇到特征點(diǎn)以及遇到的特征點(diǎn)的坐標(biāo)。修復(fù)斷的脊線：首先從一對斷點(diǎn)開始跟蹤脊線得到脊線方向，如果angle(i,j)角之間的差約為π，則初步確定屬于同一脊線，然后計(jì)算兩點(diǎn)的連線方向，與脊線方向相比較，取得差值最小的兩個點(diǎn)相配對，連接斷點(diǎn)得到修復(fù)后的脊線從特征點(diǎn)集M中刪去端點(diǎn)對。去除小橋：首先從分叉點(diǎn)開始跟蹤三條脊線，如果一個分支上跟蹤到分叉點(diǎn)且與另外兩個分支的夾角約為兀／2則認(rèn)為是小橋，去掉這個分支。從特征點(diǎn)集M中刪去分叉點(diǎn)對。去除小孔：從分叉點(diǎn)開始跟蹤三條脊線，在閾值內(nèi)如果兩個以上分支上有分叉點(diǎn)且有兩個分叉點(diǎn)相同，則判斷為小孔，去掉一條脊線。從特征點(diǎn)集M中刪去分叉點(diǎn)對。從特征點(diǎn)集M中刪去距離小于閾值的點(diǎn)對?？梢苑譃槿コ齼蓚€相近的終結(jié)點(diǎn)，相近的終結(jié)點(diǎn)和分叉點(diǎn)以及相近的分叉點(diǎn)。其中相近的終結(jié)點(diǎn)用來去除孤立的短線，相近的終結(jié)點(diǎn)和分叉點(diǎn)用來去除脊線上的毛刺，相近的分叉點(diǎn)是為了適應(yīng)算法的需要，因?yàn)樘膬蓚€分叉點(diǎn)對算法的誤差過大，不宜采用。提取細(xì)節(jié)點(diǎn)及去偽后結(jié)果如下：濾除偽細(xì)節(jié)提取細(xì)節(jié)點(diǎn)原圖濾除偽細(xì)節(jié)提取細(xì)節(jié)點(diǎn)原圖指紋圖像匹配指紋圖像匹配是指通過兩枚指紋特征集問的相似性進(jìn)行比較，來判斷對應(yīng)的指紋圖像是否來自同一手指的過程。目前，指紋圖像匹配算法分類有多種，根據(jù)指紋識別的目的可以分為一對一匹配和一對N匹配，根據(jù)操作過程的差異可分為自動匹配和人機(jī)交互匹配。許多研究者已經(jīng)對指紋的匹配問題做出了大量的工作，提出了許多匹配算法口，有基于圖形圖像的、有基于脊結(jié)構(gòu)的、其中許多是基于特征點(diǎn)(細(xì)節(jié)點(diǎn))匹配的?；谔卣鼽c(diǎn)的匹配算法具有簡單、快速、較強(qiáng)的魯棒性等優(yōu)點(diǎn)。目前最常用的方法是FBI提出的細(xì)節(jié)點(diǎn)坐標(biāo)模型來做細(xì)節(jié)匹配，它利用脊末梢與脊線分支點(diǎn)這兩種關(guān)鍵點(diǎn)來鑒定指紋。基于點(diǎn)模式的匹配算法模式匹配算法預(yù)先從指紋圖像中提取出特征點(diǎn)集，并與輸入的待匹配指紋圖像中提取出的特征點(diǎn)集進(jìn)行匹配。如果兩幅指紋圖像是匹配的，那么這兩個點(diǎn)集通過某些變換，如旋轉(zhuǎn)、伸縮及平移，可以得到較好的匹配。細(xì)節(jié)點(diǎn)對應(yīng)的脊線用該脊線上的采樣點(diǎn)來表示，采樣的距離約為脊線間的平均距離；脊線分支點(diǎn)對應(yīng)的脊線是與該細(xì)節(jié)點(diǎn)的方向最近的那條；脊線末梢對應(yīng)的脊線就是該細(xì)節(jié)點(diǎn)所在的脊線。采樣點(diǎn)用該點(diǎn)與對應(yīng)細(xì)節(jié)點(diǎn)的距離珥和連接該點(diǎn)與對應(yīng)細(xì)節(jié)點(diǎn)的直線與對應(yīng)細(xì)節(jié)點(diǎn)方向的夾角口，來表示，％的取值范圍是一萬．萬。在細(xì)節(jié)匹配中，對應(yīng)脊線將被用來對待匹配的兩個平面點(diǎn)集進(jìn)行校準(zhǔn)，而且校準(zhǔn)的參數(shù)，即兩個點(diǎn)集中任意一對脊線間的旋轉(zhuǎn)角度，被用來作為判斷他們所對應(yīng)的細(xì)節(jié)點(diǎn)能否看作匹配的細(xì)節(jié)點(diǎn)的條件。保存脊線信息會加大存儲量，在自動指紋識別系統(tǒng)中，司法領(lǐng)域的應(yīng)用一般是針對大規(guī)模數(shù)據(jù)庫的，對存儲空間的要求比較高，此時在細(xì)節(jié)點(diǎn)中加入脊線信息會加大系統(tǒng)的存儲量，似乎顯得不太合適，但是硬件的發(fā)展正在不斷降低對存儲空間的要求，在一般的應(yīng)用(如網(wǎng)絡(luò)安全、指紋門控系統(tǒng)、指紋考勤系統(tǒng)等)中，數(shù)據(jù)庫沒有達(dá)到對存儲空間提出嚴(yán)格要求的程度，而脊線信息的加入可以有效地處理指紋圖像的校準(zhǔn)。點(diǎn)模式匹配是基于相似度的經(jīng)典的指紋細(xì)節(jié)點(diǎn)匹配算法。一般利用幾何關(guān)系判斷兩組細(xì)節(jié)點(diǎn)集位置特性的相似度，采用打分的方法輸出匹配結(jié)果，相似度越高得分越高，然后根據(jù)實(shí)際應(yīng)用的需要給定閾值：匹配分?jǐn)?shù)大于閾值，認(rèn)為兩幅指紋圖像匹配成功：反之，匹配失敗。將匹配分為兩個階段：1)初匹配階段：利用相鄰點(diǎn)問的結(jié)構(gòu)關(guān)系建立局部特征向量進(jìn)行初步匹配。這一步可以比較準(zhǔn)確的找到兩個指紋點(diǎn)集間的坐標(biāo)校準(zhǔn)參數(shù)(即：平移和旋轉(zhuǎn)參數(shù))。這在某種程度上是模仿指紋專家手工匹配指紋的操作，專家們通過尋找指紋上一些局部特征的相對位置來對兩枚指紋進(jìn)行重新定位。2)二次匹配階段：以初匹配的最優(yōu)點(diǎn)對為參考，對所有特征點(diǎn)進(jìn)行全局坐標(biāo)調(diào)整，并轉(zhuǎn)化到極坐標(biāo)系表示。在判斷兩點(diǎn)是否匹配時使用了可變大小的限界盒，解決了一定范圍內(nèi)的變形問題。最后整合多種判決門限完成全局特征匹配。1．1初匹配初匹配不但可以減少拒判時間，而且可以準(zhǔn)確獲得對點(diǎn)集進(jìn)行重新定位的校準(zhǔn)參考點(diǎn)，該環(huán)節(jié)分兩步實(shí)現(xiàn)。1．1．1建立局部特征向量經(jīng)過特征提取得到指紋圖像上的所有分叉點(diǎn)和末梢點(diǎn)，每一個特征點(diǎn)記錄了三方面信息：點(diǎn)的位置(x,y),點(diǎn)的類型s(分叉點(diǎn)，末梢點(diǎn))；該點(diǎn)所在脊線的方向角度θ∈[0,360)。在指紋圖像發(fā)生平移、旋轉(zhuǎn)或局部變形時，特征點(diǎn)的絕對位置信息會有很大變化。但相鄰點(diǎn)間的距離、穿過的脊線數(shù)目和相對角度等卻不會有太大的改變。因此，利用特征點(diǎn)間的脊線數(shù)目、方向差等結(jié)構(gòu)關(guān)系建立局部特征向量，可以很好的解決平移及旋轉(zhuǎn)問題。對每個特征點(diǎn)，以該點(diǎn)為中心建立一個用于匹配的局部鄰域特征向量，結(jié)構(gòu)如圖2所示。從圖中看出，取與該中心點(diǎn)距離大于R(這里R=10)的最近5個點(diǎn)作為其鄰域特征點(diǎn)，距離小于等于R的點(diǎn)則不取。這5個鄰域點(diǎn)和該中心點(diǎn)一起用來構(gòu)造局部特征向量。每個局部特征向量記錄的信息及其存儲結(jié)構(gòu)。局部特征向量存儲模型局部特征向量結(jié)構(gòu)模局部特征向量存儲模型局部特征向量結(jié)構(gòu)模型1．1．2特征向量匹配假設(shè)有待識別指紋A和模版庫中的任意指紋B，用點(diǎn)集A表示指紋A上的M個特征點(diǎn)，用點(diǎn)集B表示指紋B上的N個特征點(diǎn)。則對指紋A上的每個特征點(diǎn)建立局部特征向量可得到一個M維的局部特征向量組，對指紋B可得到一個N維的局部特征向量組。初匹配的過程就是將指紋A的M維向量組和指紋B的N維向量組進(jìn)行比較：把A中每一個特征點(diǎn)的局部特征向量與B中每一個特征點(diǎn)的局部特征向量進(jìn)行一一匹配，相應(yīng)的匹配分?jǐn)?shù)記錄在矩陣Score[M,N]中。匹配分?jǐn)?shù)的計(jì)算方法為：若A,B向量的中心點(diǎn)類型不一致，則Score[i,j]=0;若A,B向量的中心點(diǎn)類型一致，即sA=sB，且其5個鄰域分量中有n個鄰域點(diǎn)匹配，則Score[i,j]=n。（1≤n≤5）。完成匹配后，在矩陣Score的每一行中標(biāo)記出匹配分?jǐn)?shù)最大且不為零的元素，這些元素的位置可以確立特征點(diǎn)A與B的一一對應(yīng)，其分?jǐn)?shù)總和稱為總匹配分?jǐn)?shù)記作G。這里使用相對匹配分?jǐn)?shù)S=100×G×G／M×N作為初匹配的判決條件。為減少據(jù)判時間，設(shè)置初匹配門限，即最高匹配分?jǐn)?shù)Smax和最低匹配分?jǐn)?shù)Smin。若S≤Smin,則直接判為不匹配，不再進(jìn)入第二階段；若Smin≤S≤Smax,則需進(jìn)行二次匹配；若S>Smax則直接認(rèn)為A、B來自同一指紋。初匹配階段主要完成了兩個任務(wù)：1)標(biāo)記出匹配矩陣Score[M,N]中分?jǐn)?shù)值最大的元素Score[p,q],在第二階段的匹配中將以指紋A的第p個點(diǎn)Ap和B的