指纹识别系统(文献综述)

指纹识别方法的综述

摘要 : 对在指纹的预处理和特征提取、指纹分类、指纹的匹配过程中的方向图、滤波器、神经网络等关

键性原理和技术做了详细的说明, 并对在各个过程中用到的方法做了进一步的比较, 讨论了各种方法的优越性。

0引言

自动指纹识别是上世纪六十年代兴起的,利用计算机取代人工来进行指纹识别的一种方法。

近年

来, 随着计算机技术的飞速发展,低价位指纹采集仪的出现以及高可靠算法的实现,更使得自动指纹识

别技术越来越多地进入到人们的生活和工作中, 自动指纹识别系统的研究和开发正在成为国

内外学术

界和商业界的热点。相对于其他生物特征鉴别技术例如语音识别及虹膜识别, 指纹识别具有许多独到

的优点 ,更重要的是它具有很高的实用性和可行性,已经被认为是一种理想的身份认证技术

有着十分

广泛的应用前景, 是将来生物特征识别技术的主流。

,

1指纹取像

图1 是一个自动指纹识别系统 AFIS(Automated Fingerprint Identification System)的简单流程。

指纹取像→

图像预处理

→ 特征提取

→ 指纹识别

↓↑

数据库管理————

将一个人的指纹采集下来输入计算机进行处理是指纹自动识别的首要步骤。指纹图像的获取主要利用设备取像,方便实用 , 比较适合 AFIS 。利用设备取像的主要方法又利用光学设备、晶

体传感器和超声波来进行。光学取像设备是根据光的全反射原理来设计的。晶体传感器取像是根据谷线和脊线皮肤与传感器之间距离不同而产生的电容不同来设计的。超声波设备取像也是采用光波来取像,但由于超声波波长较短,抗干扰能力较强,所以成像的质量非常好。

2图像的预处理与特征提取

无论采取哪种方法提取指纹 ,总会给指纹图像带来各种噪声。预处理的目的就是去除图像中的

噪

音,把它变成一幅清晰的点线图 ,以便于提取正确的指纹特征。预处理是指纹自动识别过程的第

一步 ,

它的好坏直接影响着指纹识别的效果。常用的预处理与特征提取( Image Preprocessing and Feature Ex2

t raction) 方法的主要步骤包括方向图计算、图像滤波、二值化、细化、提取特征和后处理。

当然这些步骤

可以根据系统和应用的具体情况再进行适当变化。文献[ 1 ] 提出了基于脊线跟踪的方法能够

从灰度指纹图像中直接抽取细节点及其相关信息。

21 1常用的方法

21111方向图的计算

65432

7654321

71

00*0

17

123467

23456

图2计算灰度和的 9 × 9 模板

Fig. 2The 9×9 mask to compute

the slit sums

预处理常基于方向图[2 ] 。方向图是利用指纹纹线的方向信息, 把指

纹的脊线和谷线分离。一般采用 9× 9 模板 ,基准点位于模板的中心。

从水平位置开始 , 每隔π P8 确定一个方向 ,分别在每一个方向计算该点

的灰度和 S i(slit sums , i = 0 ,1 , ?,7) , I ( i , j ) 代表点 ( i , j ) 的灰度值。

例如计算 S 3的公式如下 :

S 3= I ( i - 2 , j - 4) + I ( i - 1 , j - 2) +

I ( i + 1 , j+ 2) + I ( i + 2 , j + 4)(1)

设S p和S q分别代表8个方向中最小的与最大的灰度和。该点的方

向一般只可能在 p 和q 这两个方向上。用 C 代表该点的灰度值,那么可

通过公式 (2) 得到该点的方向d。如果该点位于脊沟上 ,那么该点的方向定义为p否则为q。如此可以得到每一个像素点的方向。

37

dp if (4 c s p s q )s i

8i 0

q 其他（ 2）

文献 [3 ] 介绍了另外一种估计方向场的方法。这种方法也将指纹脊线的走向分为类似图 2 的8个方

向。但在处理上大为不同。他首先计算8 个方向的灰度平均值G mean[ i ] ( i = 0 ,1 , ?,7) ,然后将这8个平均值按两两垂直的方向分为4 组 (0 和4 、1 和 5 、2 和 6 、3 和 7) ,计算每组中两个

平均值的差值 , 取差值的绝对值比较大的两个方向为可能的脊线方向,然后再取这两个方向中

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。

由于这些方向图的噪声很大 , 所以还必须进行平滑处理。为便于进行下一步处理 ,计算各像素点方向角α ( α ? [ 0 ,180 ]) , 并用一个单位矢量υ = [cos2α ,sin2α ] 来表示该点的方

向。

对于低质量的图像,不经过一定的图像增强,很难进行后续的处理工作。指纹增强的目的

是对低质量的灰度指纹图进行增强,得到清晰的脊线结构。一般对灰度图的增强算法都要用

到方向场和频率场的计算,如文献 [ 4 ] 提出的基于 Gabor 滤波器的增强算法。由于增强算法

计算量很大 ,通常是整个系统时间性能上的瓶颈.

21112图像滤波

图像滤波的方法很多,而且应用到指纹识别的很多步骤中。对于噪声很大的指纹,还要在计算方向图之前对原始图像进行一次滤波,一般采用高斯滤波初步除噪。在进行后续处理中常用

的滤波方法有均值滤波、中值滤波、最小均方差滤波等。

由于高斯函数的傅立叶变换仍是高斯函数,因此高斯函数能构成一个在频域具有平滑

性能的低通滤波器。可以通过在频域做乘积来实现高斯滤波。

均值滤波是对是对信号进行局部平均,以平均值来代表该象素点的灰度值。矩形滤波器(AveragingBox Filter) [2 ]对这个二维矢量的每一个分量进行独立的平滑处理。通过计算和转

化, 得到一幅单位矢量图。这个512 ×512 的矢量图被划分成一个8 × 8 的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向,亦即将对该区域内点方向数进行统计, 最多的方向作为区域的主方向。于是就得到了一个新的64 ×64 的矢量图。这个新的矢量图还可以采用

一个 3 × 3 模板进行进一步的平滑。

中值滤波是常用的非线性滤波方法,也是图像处理技术中最常用的预处理技术。它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘。加权中值滤波能够改进中值滤

波的边缘信号保持效果。但对方向性很强的指纹图像进行滤波处理时,有必要引入方向信息,即利用指纹方向图来指导中值滤波的进行。文献 [5 ] 采用方向加权中值滤波运用指纹方向图

和模糊理论的思想来构造滤波模板,不同的前景点方向选择不同权值的模板。

最小均方差滤波器, 亦称维纳滤波器,其设计思想是使输入信号乘响应后的输出,与期望输出的均方误差为最小。文献[ 6 ] 通过在不同区域内计算该区域的标准差和灰度平均值,取标准差最小区域的灰度平均值作为点( i , j) 的灰度。

21113二值化和细化

以上所得的是增强后的256 级灰度图像 ,还需要将其进一步转变为二值图像(前景点取作景点取作 0) , 提取指纹脊线 ,便于后续处理。

指纹纹线的细化从实现上可分为两大类:一类是从外到内逐点剥去二值图像的边界点1 , 背, 如

Hildth [7 ]算法 ; 另一类是从内到外 ,找到某一中间点 ,然后按扫描方向寻找其八邻域内也为纹条纹中

间象素的点 , 逐次取得细化线。前种方法中间定位性较好 ,易于实现 ,但往往要经过若干次

迭代算法 ,速度较慢。后种方法能保持较好的连通性,但情况复杂 ,中间定位不准 ,较难实现。

对于细化后的图像 , 经过一定的光滑处理后 ,进一步去噪 (如去处孤立点、毛刺、跨接短桥、

小环等 )后 ,就可以初步提取指纹细节点。

21114特征提取

在指纹图中出现频度较高的细节特征有8 种 ,即点、纹线端点、分支、眼、枝叉、交叉、小桥和短线 ,其中纹线端点和分支是两种基本的特征 ,而其他的特征可看作由其组合而成。取纹线

端点和分支作为指纹的细节特征。

指纹特征的提取采用链码搜索法对指纹纹线进行搜索, 提取出各种特征及其特征的坐标位置。最终形成指纹特征文件 ,文件中包含指纹特征点的种类、大小、坐标、方向等有用的识别信息。在

有的系统中 ,还将细节特征与中心之间、或细节特征之间的纹线数提取并记录

下来。

扫描完整幅图像后,可得其全部的特征点,这些特征点绝大部分是真实的, 但其中也包括由噪音引入的伪特征点,因此 , 还需进一步根据以下规则去除伪特征点:

①纹线断点删除:若具有同一方向的两个端点之间的距离小于某一阀值,则认为是伪特征点。

②毛刺删除 :若连接于分支上的端点且其到分支的距离小于某一阀值,则认为是伪特征点。

③位于前景区域边界的特征点应删除。

经以上步骤的处理,可删除大部分假特征点。

21 2基于脊线跟踪的方法

基于脊线跟踪的方法[1 ,8 ] 是直接从灰度及图像获取细节信息的新颖算法, 试验结果表明这种直接从灰度图像提取细节特征的方法比传统的先二值化再细化的方法具有明显的优点。

算法的基本思想是沿纹线方向自适应地追踪指纹脊线, 在追踪过程中 , 局部增强指纹图像, 最后得到一幅细化后的指纹脊线骨架图和附加在其上的细节点信息。由于该算法只在占全图比

例很少的点上估算方向并滤波处理,计算量相对较少,在时间复杂度上具有一定的优势。

3指纹分类

,指纹识别常常需要在大规模的数据库上进行计算。如果没有一种有效的数据库分类机制

输入的指纹图像将不得不同数据库中大量的指纹数据逐一进行比对,系统工作将非常繁重。

为了减少时间和计算的复杂度 ,必须对指纹进行分类。这样查询只需在指纹数据库中的一个相

应子集中进行 , 从而节省了运算时间并降低了复杂度。

按照西方学者的惯例,在这篇文章中将指纹分为 5 类 :螺旋型 (Whorl)、右旋型(Right Loop) 、左旋型 (Left Loop)、弓型(Arch)、帐型( Tented Arch)。

指纹分类的实现方法很多,大致上可以分为 4 类:基于神经网络的分类方法、基于奇异点进行

分类的方法、语法分析的方法和其他的方法。

3 . 1 基于神经网络的分类方法

[9 ,10 ]

神经网络的方法一般是基于多层感知器或Kohonen 自组织网络。由于人工神经网络具

有与人脑相似的高度并行性和良好的容错性,特别是以改进型 BP 网络为代表的神经网络具

有良好的自学习能力、强大的分类能力和容错能力。运用 BP 网络进行指纹分类是很可行的,但是在采用 BP 算法训练连接权值时,由于 BP 算法存在易于陷入局部极值的缺点,因而可能使最终的分类结果达不到理想状态。遗传算法( GA)是一种自适应的启发式全局搜索算法,能从问题的解空间而不是单个解开始进行鲁棒性搜索,可以有效地防止寻优结果收敛于局部

最优解。该算法不依赖于问题模型特性,没有解析寻优算法要求目标函数连续光滑的限制, 具有较好的自适应性。文献 [ 9 ] 提出了一种利用多个多层感知器来进行分类。每个感知器都试

图将指纹图像分类到不同的类中, 然后再通过感知器对前面的分类结果进行分析处理。

31 2 基于奇异点进行分类的方法

[2 ,11 ]

相对于指纹图像的其它区域而言、奇异点有许多特殊性质。比如对于给定指纹图像的

任意一点 ,在其邻域内作一条包围该点的闭合曲线,沿该闭合曲线旋转一周计算所得到的方向

向量的旋转总和 , 对于不同性质的点,这个总和值是不同的 ,涡轮形 (whorl)对应的值为 360° ,中心点 (core) 对应的值为 180°,三角区 (delta)对应的值为 - 180°,而一般 (ordinary) 的图像区域对应值为 0°。利用这一特性,可找出图像中的奇异点[11 ]。

基于奇异点的数量和位置的启发式规则被用来进行指纹分类。其他的一些诸如脊线形状和方向的细节特征被用来改善分类的性能。由于这些方法严重依赖奇异点,所以在一些噪声比较大和局部图像和残缺图像中, 这种方法会出现比较大误差。在文献 [2] 中提出了一种迭代

方法来降低噪声以增强分类的准确性,取得了一定的效果。

31 3语法分析的方法和其他的方法

语法分析的方法是根据预定义的语法规则来表示指纹和对指纹进行分类的。在分类的过

程中 ,根据各类规则对图像进行处理和分类。

此外， Chong 等[12 ]提出了一种基于脊线几何形状的分类方法。利用 B 样条曲线来模拟指纹脊线。还利用其他的曲线来降低人为误差。分类是通过跟踪曲线得到纹线的旋转来实现的。

文献 [ 13 ] 采用了隐含马科夫模型分类器 (hidden Markov model classification) 的方法。文献[ 14]提出了一种基于指纹方向图分区和遗传算法的连续分类方法。根据各种典型指纹类别

的拓扑结构而引进了一组动态分区模板和代价函数用于引导方向图分区,并将寻找最佳匹配划分的过程转化成一个 N 维向量空间的函数优化问题。由于这种方法是一种连续分类方法,取得了很好的实验结果和较强的算法鲁棒性。

4指纹库的建立与指纹的比对

提取的指纹存储在数据库中。指纹识别系统中数据的存放方式不仅需要像一般数据库中

的数据一样 ,保障其安全性和一致性,还应能以高速读取, 以满足高速查询比对的需要。大型指纹识别系统的数据库很大 ,并行分布式数据库和指纹分类技术可以减少检索时间。建立指纹

数据库 ,一般要采集同一枚指纹的3～ 5 个样本 ,分别对这些样本进行预处理和特征抽取,从所有样本图像中找出权值大于一给定阀值的特征点,以这些特征为模板建立指纹数据库样本。

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、文献 [ 15 ] 提出了一种用图匹配来对两幅指纹图像进行匹配的方法。文献[16]用结构匹配来做指纹识别。但目前最常用的方法是用美国联邦调查局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 , 像松弛算法[17 ]、基于二维聚类的快速算法[18 ] 、三角匹配的算法[19 ] 、基于局部和全局结构的匹配算法[20 ] 。文献[ 3] 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。

指纹识别系统的特定应用的重要衡量标志是识别率。主要由两部分组成, 拒判率 FRR ( False Re2jection Rate) 和误判率 FAR ( False Acceptance Rate) 。可以根据不同的用途来调整

这两个值。FRR 和FAR 是成反比的。用 0～ 1. 0 或百分比来表达这个数。图3 的 ROC (Receiver 曲线给出 FAR 和 FRR 之间的关系。一个良好的系统应该在 FRR 和 FAR 之 Operating Curve)

间取得很好的平衡。

5结论

由于指纹独特的特点,指纹识别技术正在被运用到越来越多的领域。在信息安全领域、

数据通讯领域、公共安全方面、金融安全等方面都有很不错的表现和应用。但基本上这些应用都是一对一的指纹鉴别,而对于一对多的指纹识别,还存在着比对时间比较长, 正确率不高的特点。为了加快指纹识别的速度,还应该考虑简化图像的预处理。指纹识别算法也要能够

根据最少的特征对指纹进行匹配, 并能减少由于各种原因引入的偏差,增强算法的鲁棒性。

参考文献 :

[ 1 ]MAIO D ,MAL TONI D. Davide Matloni. Direct gray2 scale minutiae detection in fingerprints[J] .IEEE PAMI ,1997 ,19 (1) :27 - 39.

[ 2 ]KALL E K,ANIL KJ . Fingerprint classification[J ] . Pattern Recognition , 1996 ,29 (3) :389- 404.

[ 3 ]ANIL J , L IN H , RUUD B. On2line fingerprint verification[J ] . IEEE PAMI ,1997 , 19 (4) :302 - 313.

[ 4 ]L IN H , YIFEI W, ANIL J . Fingerprint image enhancement : algorithm and performance valuation[J ] . IEEE

PAMI ,1998 ,20 (8) :777 - 789.

[ 5 ]冯星奎 ,肖兴明 . 方向加权中值滤波算法 [J ] . 中国图像图形学报 ,2000 (5) :609 - 611.

[ 6 ]HARDIC R C ,BONCEL ET C A. Class of rank 2order2 based filters for smoothing and sharping[J ] .IEEE Transaction on Signal Processing ,1993 ,41 (3) :1061 - 1075.

[ 7 ]LAM L ,SUE C Y. A dynamic shape reserving thinning algorithm[J ] . Signal Processing ,1991 ,22 (2) :199- 208. [ 8 ]简兵 ,庄镇泉 ,李海鹰 ,等. 基于脊线跟踪的指纹图细节提取算法[J].电路与系统学报 , 2001 ,6 (3) :1 - 5. [ 9 ]KAMIJO M. Classifying fingerprint images usin g neural network : deriving the classification state[J ] . Proc Third

Int ’ l Conf Neural Network ,1993. 1932 - 1937.

[10]ANIL KJ , SAL IL P , L IN H. A multichannel approach to fingerprint classification[J ] . IEEE PAMI ,1999 ,21

(4) :348- 358.

[11 ]黄韧 ,陆亨立 , 张维新 . 基于方向角度变化的指纹奇异点提取的快速算法[J].华东师范大学学报,2002 (1) :52 –55

[12 ]CHONG, M M S , NGEE T H ,JUN L , et al . Geometric framework for fingerprint image classification [J ] . Pattern Recoginition ,1997 ,30 (9) :1475 - 1488.

[13 ]SENIOR A. A hidden markov model fingerprint classifier[J ] . Proc. 31st Asilomar Conf . Signals ,Systems and

Comput 2 ers ,1997 ,306 - 310.

[14 ]CAPPELL I R ,LUMINI A , MAIO D ,et al . Fingerprint classification by directional image partitioning[J ] . IEEE

PA2 MI ,1999 ,21 (5) :402 - 421.

[15]ISNOR D K,ZAKY S G. Fingerprint identification using graph matching[J ] . Pattern Recognition ,1986 ,19 (2) :113 -122.

[16 ]HRECHAK A K,MCHU GH J A. Automated fingerprint recognition using structural matching[J ] . Pattern Recognition ,1990 ,23 (8) :893 - 904.

[17]RANADE S ,ROSENFELD A. Point pattern matching by relaxation[J ] . Pattern Recognition , 1980 ,12 (4) :269-274.

[18 ]CHENG S H , CHENG F H ,HSU W H , et al . Fast algorithm for point pattern matching : invariant to translation , rotaions and scale changes[J ] . Pattern Recognition , 1997 ,30 (2) :311 - 316.

[19 ]MIKLOS Z ,V AJNA K. A fin gerprint verification system based on triangular matching and dynamic time warping[J ] .IEEE PAMI ,2000 ,22 (11) :1266 - 1276.

[20 ]J IANG X D , YAU W Y. Fingerprint minu tiae matching based on local and global structures[J ] . Proceeding of the 15th International Conference on Pattern Recognition. 2000 :1042 - 1045.

本文来源：https://www.bwwdw.com/article/zqie.html