摘  要： 為克服傳統(tǒng)細(xì)節(jié)點(diǎn)匹配模型的不足，對(duì)指紋的紋理結(jié)構(gòu)進(jìn)行了分析，利用指紋紋線的不同結(jié)構(gòu)作為指紋圖像的特征。提出了一套基于指紋紋線輪廓的特征提取和匹配算法，并且采用了分步匹配，減少了拒判時(shí)間，該算法具有平移、旋轉(zhuǎn)不變性。由于利用了指紋的結(jié)構(gòu)信息，對(duì)低質(zhì)量指紋圖像有一定的適應(yīng)度。實(shí)驗(yàn)結(jié)果表明，該算法具有相當(dāng)高的識(shí)別率和較強(qiáng)的魯棒性。
關(guān)鍵詞： 紋理結(jié)構(gòu)；特征匹配；分步匹配

    自動(dòng)指紋識(shí)別系統(tǒng)(AFIS)一般包括指紋圖像采集、指紋圖像增強(qiáng)、特征提取和特征匹配幾部分，其中，特征提取和匹配在整個(gè)系統(tǒng)中占有很重要的地位。目前，大多采用基于細(xì)節(jié)點(diǎn)的匹配模型，這種方法用細(xì)節(jié)特征來表示指紋圖像，具有存儲(chǔ)量小、算法簡單、匹配速度快等特點(diǎn)，但僅對(duì)質(zhì)量較好的圖像有很好的效果，并且只利用了指紋的局部特征，沒有利用指紋豐富的結(jié)構(gòu)信息，忽略了大量可用于識(shí)別的宏觀特性。由于指紋是一個(gè)紋理圖像，其方向場穩(wěn)定、規(guī)律，蘊(yùn)含了紋線的軌跡、曲率等重要信息，受變形噪聲等因素的影響較小，因此本文利用指紋紋線的結(jié)構(gòu)信息，提出了一套基于紋線結(jié)構(gòu)的特征提取和匹配算法。
1 圖像預(yù)處理
    指紋圖像的預(yù)處理包括圖像分割、圖像增強(qiáng)、二值化、細(xì)化等環(huán)節(jié)，可以使其紋線結(jié)構(gòu)清晰化，盡量突出和保留固有的特征信息，避免產(chǎn)生偽特征信息，得到指紋圖像的紋理圖。
    由于噪聲和邊界的影響，經(jīng)過預(yù)處理后的指紋紋理圖像中有些紋線是孤立的或分小段連續(xù)的，而這些紋線不屬于指紋的有效紋線結(jié)構(gòu),因此，可以將這兩種斷開的紋線連接起來組成連續(xù)的紋線。算法如下：如果兩條紋線段A和B之間是斷開的，但紋線A的端點(diǎn)(Xa,Ya)在紋線B的端點(diǎn)(Xb,Yb)的鄰域內(nèi)(一般取7×7的鄰域)，就認(rèn)為這兩條紋線有可能合并為一條紋線，是否能合并為一條紋線取決于這兩條紋線在各自端點(diǎn)處的斜率k是否相等。以計(jì)算紋線A在端點(diǎn)處的斜率k為例，其計(jì)算如下:

2 選擇脊線并采樣
　　一幅指紋圖像中有20～30個(gè)分叉點(diǎn)，模板指紋圖像和待識(shí)別指紋若有13個(gè)以上的分叉點(diǎn)對(duì)應(yīng)匹配，則可以認(rèn)為兩幅指紋圖像匹配。如果有分叉點(diǎn)所在的脊線匹配,則認(rèn)為分叉點(diǎn)對(duì)應(yīng)匹配,即兩幅指紋圖像匹配。在此選擇分叉點(diǎn)所在的脊線進(jìn)行匹配,主要基于以下兩點(diǎn)考慮:第一,如果對(duì)所有脊線均進(jìn)行離散采樣,就會(huì)使算法較為復(fù)雜和繁瑣,存儲(chǔ)的數(shù)據(jù)量較大;第二,考慮到從指紋圖像中提取的分叉點(diǎn)可信度要高于端點(diǎn),所以選擇分叉點(diǎn)所在脊線進(jìn)行離散采樣。脊線采樣點(diǎn)示意圖如圖1所示。

    采樣過程如下：O點(diǎn)為脊線分叉點(diǎn),沿著分叉點(diǎn)所在的三條脊線分別進(jìn)行采樣,每隔D個(gè)像素點(diǎn)采樣一次,并記錄采樣點(diǎn)坐標(biāo)。A1、A2、A3、B1、B2、B3、C1、C2、C3分別是三條脊線上的采樣點(diǎn)。由圖1可以看出采樣間隔越小越接近真實(shí)脊線，若間隔D=1則可恢復(fù)原脊線，但采樣間隔越小數(shù)據(jù)量越大，故在此選擇D=5。
3 特征提取
3.1脊線特征
    以分叉點(diǎn)為標(biāo)準(zhǔn)點(diǎn)，計(jì)算出第k+1個(gè)采樣點(diǎn)和第k個(gè)采樣點(diǎn)所在直線與第k個(gè)采樣點(diǎn)和第k-1個(gè)采樣點(diǎn)所在直線的夾角θk,故由θk和D值唯一確定第k+1個(gè)點(diǎn)，依次可以確定唯一的脊線，所以將θk作為整條脊線的特征,如圖2所示。

3.2分叉點(diǎn)特征
    分叉點(diǎn)脊線夾角如圖3所示。

    圖中A(xa,ya)、B(xb,yb)、C(xc,yc)分別是每條脊線上的第一個(gè)采樣點(diǎn)，則(xi,yi)相對(duì)于X軸的夾角為:

    統(tǒng)計(jì)每條脊線上符合上述條件的采樣點(diǎn)的數(shù)目n，若n/m≥T(T為設(shè)定的閾值)，則認(rèn)為此脊線對(duì)匹配，重復(fù)以上步驟，統(tǒng)計(jì)紋線匹配對(duì)的數(shù)量M，若M/N≥Q，(N是參與匹配的所有紋線數(shù)量)則可以判定這兩幅指紋圖像是匹配的。
5 實(shí)驗(yàn)結(jié)果    
    一個(gè)自動(dòng)指紋識(shí)別系統(tǒng)的性能評(píng)價(jià)參數(shù)有：識(shí)別速度、正確率CR(Correct Rate)、誤識(shí)率FAR(False Accepted Rate)和拒識(shí)率FRR(False Reject Rate)。其計(jì)算公式分別為：    FAR=不該識(shí)別而識(shí)別的次數(shù)/匹配總次數(shù)；
    FRR=該識(shí)別而沒有識(shí)別的次數(shù)/匹配總次數(shù)；
    CR=1-(FAR+FRR)；
    FAR和FRR是相互矛盾的,當(dāng)FAR增大時(shí)FRR就會(huì)減小。對(duì)于不同的系統(tǒng)需求，可通過改變判決閾值來滿足。為了驗(yàn)證本文算法的有效性，采用FVC2002公布的指紋庫進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)庫包含了800枚灰度指紋圖像，圖像來自100個(gè)不同的手指，每個(gè)手指有8個(gè)采樣圖像。本文實(shí)測總數(shù)為[(8×7)/2]×100=2 800次，得到的實(shí)驗(yàn)結(jié)果識(shí)別率為97.74%，誤識(shí)率為0.36%，拒識(shí)率為1.9%，并且相對(duì)于直接匹配算法本算法減少了拒判時(shí)間。實(shí)驗(yàn)結(jié)果證明了該算法的有效性。
    本文在研究前人算法的基礎(chǔ)上，利用指紋紋線的結(jié)構(gòu)特征來表示指紋圖像,由于利用了指紋的結(jié)構(gòu)信息，彌補(bǔ)了傳統(tǒng)的利用細(xì)節(jié)點(diǎn)方法進(jìn)行匹配的缺陷，克服了圖像平移和旋轉(zhuǎn)所帶來的影響，對(duì)低質(zhì)量圖像表現(xiàn)出了很好的適應(yīng)性，并且采用了分步匹配，減少了拒判時(shí)間，綜合了多種判別條件，在一定程度上降低了拒識(shí)率。通過與傳統(tǒng)算法的比較，本算法在整體上表現(xiàn)出了很好的魯棒性，但是如果指紋粘連和斷裂很多，對(duì)紋理結(jié)構(gòu)影響很大時(shí)，該算法的識(shí)別率會(huì)有所下降，所以提高抗噪和抗干擾能力是需要進(jìn)一步研究的內(nèi)容。
參考文獻(xiàn)
[1] 張洪光，劉雪梅.指紋識(shí)別中的一種局部向量匹配算法[J].計(jì)算機(jī)工程，2002,28(4):106-108.
[2] 范俐捷,王巖飛,高鑫.一種新的基于灰度的圖像匹配方法[J].微計(jì)算機(jī)信息,2007,23(10-3):296-297,8.
[3] 尹義龍,寧新寶,張曉梅,等.一種基于紋線相似度的指紋匹配算法[J].模式識(shí)別與人工智能,2002,15(4):502-506.
[4] 孟祥萍，武增光，趙玉蘭.基于紋理結(jié)構(gòu)的指紋識(shí)別算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2009,30(13):3136-3138.
[5] 羅西平,田捷.自動(dòng)指紋識(shí)別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法[J].軟件學(xué)報(bào),2002,13(5):942-956.
[6] CHEN Z, KUO C H. A toplogy-based matching-algorithm  fingerprint authentication[J].IEEE International Carhanan Conference on Security Technology,1991,31(2):84-87.
[7] 王秋平.自動(dòng)指紋識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].揚(yáng)州：揚(yáng)州大學(xué)，2006:45-48.