陳振偉，趙亞琴，蔣林權，張益翔

　?。暇┝謽I(yè)大學 機械電子工程學院，江蘇 南京，210037）

　　摘要：指紋圖像是由交錯排列的脊線和谷線組成，包含了豐富的紋理信息。為了獲得更為有效的紋理信息，首先將圖像分解為3個級別的區(qū)域塊，來校正小尺寸塊的方向角，以確定指紋的中心點位置，進而提高算法的運算速度；然后利用小波變換將指紋圖像由空間域轉換到頻率域，在頻率域進行多尺度分析，提取指紋圖像在不同頻率和方向上的局部紋理信息，提高指紋識別的準確率。該算法在以ARM11為處理器的嵌入式系統中實現。實驗結果表明，該算法能夠快速有效地識別指紋圖像。

　　關鍵詞：指紋識別；小波變換；中心點；紋理信息

　　0引言

　　指紋是生活中應用最多的生物特征，再加上它的唯一性以及不變性等這些獨特的優(yōu)點，并且指紋的采集獲取方便，抗干擾性很強，使得指紋識別技術在嵌入式領域得到了廣泛的應用。MAIO D與MALTIONI D［1］ 提出了由脊線從灰度指紋圖像提取指紋特征點的算法，去掉二值化和細化的過程；之后又由楊小冬［2］等人提出直接從灰度指紋圖像中提取特征點信息，略過了二值化和細化的過程從而提高了運算速度；而KAWAGOE M和TOJO A提出的Poincare Index算法［3］是基于指紋的細節(jié)特征或者紋理特征提出的算法。

　　雖然研究者們在指紋識別算法方面做了大量的研究工作，然而上述幾類算法對于某些不是很清晰的指紋，最終的測試結果都不是很理想，并且大多適用在PC上或者某些高端機上，不適合運用在嵌入式領域，因此，本文從提高算法運算速度的角度出發(fā)，提出一種快速有效的指紋識別算法，并將其應用在ARM11開發(fā)的嵌入式系統中。

1指紋中心點區(qū)域提取

　　1.1指紋圖像增強和邊緣處理

　　由于指紋原始圖像的全數據計算量過大，不能移植在嵌入式系統中，而且指紋圖像的邊緣附近不夠清晰，因此，本文對指紋原始圖像提取中心點區(qū)域，不僅可以提高運算速度，而且可以達到更高的匹配精確度。常用的指紋圖像中心點提取算法多數出于KAWAGOE M和TOJO A提出的Poincare Index算法，該算法以圍繞一個點順時針旋轉一個閉環(huán)方向上的變化總和作為基準，當總和為180°為中心點，-180°為三角點，0°為一般點時提取指紋圖像中心點的［4］。而本文設計是采用高斯低通濾波器對指紋圖像增強，最后裁剪指紋圖像中心點區(qū)域。中心點區(qū)域提取流程如圖1所示。

　　指紋圖像矩陣用A(i,j)表示，首先用高斯低通濾波器對指紋圖像增強，二維高斯低通濾波（GLPF）的形式［4］：

　　H(u,v)=e－D2(u,v)/2σ2(1)

　　其中，D(u,v) 是距離傅里葉變換的距離，σ表示高斯曲線擴展的程度。本文利用高斯低通模板h(x,y)(低通濾波器的脈沖響應函數) 對指紋圖像進行去噪處理后得到指紋圖像矩陣A′(i,j)。然后再利用Roberts算子模板對A′(i,j)處理，處理后得到方向矩陣A″(i,j)。Roberts算子模板［5］如下所示：

　　1.2中心塊的搜索步驟

　　(1)將方向矩陣A″(i,j)進行三級分割，劃分為32×32、16×16和8×8的三個尺寸級別的非重疊方向塊；

　　(2)對每一級別的所有方向塊，計算每一塊的方向角θk；

　　(3)如果小尺寸塊（如8×8）的方向角與它所在的上一級別塊（如16×16）的方向角度的差大于閾值θh,則用大尺寸塊的方向角代替小尺寸塊方向角；

　　(4)從每個8×8的方向塊開始，搜索θk<π2的方向塊，直到θk≥π2停止，標記停止位置(i,j) ［6］；

　　(5)將標記次數最多的位置設定為指紋圖像的中心位置。

　　根據上面5個步驟得到的區(qū)域塊所在方向就是中心點的方向圖。然后用綠色圓圈標記出中心點位置，圖2為MBF200采集到的幾幅大小為256×300像素的指紋圖像運用這套算法的效果圖，可以看到效果還是比較好的。

　　然后再對找到中心點的指紋圖像進行裁剪，以中心點為中心裁剪100×100指紋圖像塊，作為指紋圖像的有效區(qū)域進行指紋的特征值提取圖3最終裁剪的有效區(qū)域 ，指紋圖像中心點預測位置部分矩陣數據如表1所示，指紋裁剪效果圖如圖3所示。

2指紋圖像紋理特征提取

　　2.1指紋圖像的小波多尺度分解

　　現對一幅用MBF200采集到的大小為256×300像素的指紋圖像進行小波3層分解。如圖4所示，前者是采集到指紋圖像的原始圖像，后者是經過小波分解后的圖像，后者左上角圖像是原始圖像最低頻圖像，與原始圖像最為相似。從圖4中可以看出，圖像經3級分解后低頻子圖的能量要比同級其余的3個高頻子圖以及上一級三高頻子圖的能量大很多，可以看出原始圖像的能量最終集中在左上角的圖像中，而高頻子圖能量的細節(jié)系數幅度值比較小。進而提取出指紋圖像的指紋特征向量。

　　2.2指紋圖像局部紋理信息提取

　　三層小波分解共得到9幅高頻子圖，設高頻子圖的系數為Dln，其中n=1,2,3分別表示水平、垂直和對角方向的高頻系數，l=1,2,3表示分解的層數。對每一幅高頻子圖的系數進行歸一化處理，因此，每個子圖包含1個特征值，9幅子圖得到一個9維的特征向量?，F在對MBF200采集到的兩幅指紋圖提取的特征向量進行比圖5兩幅指紋對（如圖5所示），以證明用特征向量作為指紋匹配的正確性和高效性。

　　經過計算的特征向量如表2所示。

3指紋圖像的特征值匹配

　　本文使用歐式距離計算空間之間的距離，設D1(x1,x2,…,x9)與D2(x1,x2,…,x9)分別表示兩個指紋特征向量,則它們之間的相似度度量公式如下:

　 設置一個合適的閾值Th，當Sim(D1,D2)≤Th時，則指紋圖像匹配成功。

4算法性能測試

　　本文采用FVC2004［7］（國際標準測試庫）進行測試，其中由110只不同的手指，每個手指采集8個樣本，共包含了880幅指紋圖像256個灰度級，并以TIF格式保存在指紋數據庫中，從測試庫中取出300個樣本對算法性能進行驗證。指紋匹配性能測試是通過FRR（False Rejection Rate）和FAR（False Acceptance Rate）對指紋識別算法性能進行評估。公式［7］如下：

　　式(4)中，NGRA是類內測試的總數，NIRA是類間測試的總數。NFR和NFA是錯誤拒絕次數和錯誤接受次數。利用不同的閾值，可以得到多組FRR和FAR數據，FRR和FAR的關系圖如圖6所示。當兩個曲線相交時對應的橫坐標或縱坐標就是EER（Equal Error Rate），這時對應的閾值就是最優(yōu)的閾值Th2。圖7為匹配次數對應的時間圖。　　

5結論

　　本文從應用于嵌入式系統的角度出發(fā)，提出了一種快速有效的指紋識別方法。首先提出了一種基于多級塊劃分的指紋圖像中心位置確定方法，準確地確定了指紋圖像的中心位置，截取指紋中心區(qū)域，提高算法的運算速度；其圖7匹配次數對應的時間圖次對中心區(qū)域運用小波分解提取指紋特征向量，提高了算法的識別性能。

參考文獻

　?。?］ MAIO D, MALTIONI D. Direct grayscale minutiae detection in fingerpirt［J］.IEEE Transanction on Pattern Analysis and Matching Intelligence,1997,19(1):2739.

　?。?］ 楊小冬,寧新寶,譚臺哲.基于紋線跟蹤的指紋細節(jié)提取算法［J］.計算機應用, 2004, 24(3) : 12.

　　［3］ 梁連偉,趙紅東,何平,等.指紋圖像中心點提取算法［J］.河北工業(yè)大學學報,2007,36(1): 12.

　?。?］ 梁連偉.指紋圖像增強與中心點的提取［D］.天津:河北工業(yè)大學,2006.

　?。?］ ROBERTS L D.Machine perception of threedimension solids in optical and electroptimal information processing ［C］.Cambridge,Massachusetts:Massachusette Institure of Technology Press, 1966:157197.

　?。?］ 劉偉,楊圣.基于haar小波的快速指紋識別算法［J］.中國圖象圖形學報,2007,12(4): 13.

　?。?］ FVC2004: Fingerprint Verification Competition 2004［EB/OL］.（20040710）. ［20160305］.http: // bias. csr. unibo. it /fvc2004/.