專利名稱：一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法。

背景技術(shù)：
指紋識別是一種非常可靠的身份識別方法，近年來也越來越受到相關(guān)領(lǐng)域的關(guān)注。自動指紋識別系統(tǒng)應(yīng)用廣泛，它在法庭取證和日常生活中都發(fā)揮了重要的作用，如網(wǎng)絡(luò)安全、罪犯鑒定、門禁系統(tǒng)和ATM的身份認證。因此，進行指紋識別技術(shù)方面的研究，具有較高的理論意義和現(xiàn)實意義。
指紋圖像匹配算法的優(yōu)劣直接影響著自動指紋識別系統(tǒng)的性能，傳統(tǒng)的特征匹配有兩種一種是基于點模式匹配，即將細節(jié)特征點表示成點模式進行匹配；另一種是基于紋理信息的匹配模式，通過紋理特征模型將圖像匹配轉(zhuǎn)化成模式識別的紋理匹配問題。當前所采用的指紋匹配算法大體上都采用點模式匹配方法。
理想情況下，如果滿足下面的三個條件 (1)知道了匹配的兩枚指紋的對應(yīng)關(guān)系； (2)二者之間沒有諸如偏移、旋轉(zhuǎn)、非線性形變等因素影響； (3)指紋圖像中每一個細節(jié)特征點都能很準確地定位。
那么指紋匹配的問題就簡單到累加兩枚指紋中匹配上的點對的個數(shù)。然而實際情況卻往往是這樣的 (1)事先并不知道兩枚指紋的對應(yīng)關(guān)系； (2)待匹配的兩枚指紋間的偏移、旋轉(zhuǎn)和非線性形變是不可避免的； (3)指紋圖像中會存在偽細節(jié)特征點； (4)真實的細節(jié)特征點有可能會丟失。
在這種情況下，傳統(tǒng)的指紋匹配算法就存在一定的局限性，不能較好支持指紋的旋轉(zhuǎn)和偏移問題，對非線性變形也比較敏感，同時在進行指紋匹配時，取得細節(jié)特征點的對應(yīng)關(guān)系、恢復形變、檢測偽細節(jié)特征點也成為必須。


發(fā)明內(nèi)容
為了克服已有的指紋圖像匹配方法存在的不能較好支持指紋旋轉(zhuǎn)和偏移問題，對非線性變形也比較敏感等不足，本發(fā)明提供一種利用指紋圖像的結(jié)構(gòu)信息，采用點模式匹配算法準確地找到兩個點集之間的對應(yīng)關(guān)系并結(jié)合紋理分析的指紋圖像匹配算法，與指紋的平移和旋轉(zhuǎn)無關(guān)，有很強的抗噪聲，能解決一定范圍內(nèi)的非線性變形問題的基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是 一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，包括如下步驟 1)、對原始指紋圖像進行預處理和特征提取，將原始指紋圖像轉(zhuǎn)化為由有限個特征點組成的數(shù)據(jù)鏈表，對特征點及其周圍的鄰近點進行處理，生成匹配用的特征向量，所述特征向量表示各個特征點之間的結(jié)構(gòu)關(guān)系； 2)、定義兩個點集A和B分別表示輸入指紋圖像和模板指紋圖像的特征向量集合，其中點集A表示從輸入指紋圖中提取出來的M個細節(jié)點，點集B表示從模板圖像中提取出來的N個細節(jié)點，用s表示兩個指紋圖像匹配的細節(jié)點個數(shù)，則細節(jié)點集A和B的匹配程度計算如下 c＝s/min(M，N) (1) 式(1)中，c表示匹配的特征點個數(shù)在兩個點集中所占的比例； 3)、對經(jīng)過Gabor濾波的指紋圖像采用穩(wěn)定的圓形網(wǎng)格，以指紋中心為基準點，將該網(wǎng)格覆蓋的范圍按角度劃分為若干區(qū)域，分別提取各個區(qū)域的特征信息，使得網(wǎng)格所覆蓋的區(qū)域內(nèi)的特征信息應(yīng)該滿足指紋圖像出現(xiàn)的小尺度平移和小角度旋轉(zhuǎn)時，特征信息保持不變； 4)、將指紋局部紋理特征圖像分區(qū)后，以區(qū)為單位建立特征編碼；所述特征編碼是每個子區(qū)內(nèi)的像素灰度值與子塊的平均灰度之間的絕對差值的平均值，即灰度標準偏差，特征編碼的計算公式為 式(2)中，Gki為第m幅局部紋理特征圖中，第k個子塊第i個像素點灰度值；Gk為第m幅局部紋理特征圖中，第k個子塊所有點的平均灰度值；nk為第m幅局部紋理特征圖中，第k個子塊內(nèi)像素點的總數(shù)； 按上述方法編碼，每一個指紋圖像的對應(yīng)一個特征向量，該特征向量為 C1＝{Ckm} (3) 式中k為圖像子塊的編號；m為Gabor濾波器的編號； 將所有濾波后的局部紋理特征圖像順序編號，濾波圖像子塊灰度值的標準偏差構(gòu)成m×k個向量元素，所述向量元素即為指紋圖像的特征編碼，存儲到數(shù)據(jù)庫中； 5)、對得到的指紋圖像特征編碼進行比對，即做向量減法運算，計算兩個指紋的特征差，通過兩個指紋特征向量的“距離”值描述指紋圖像特征的相似程度；依據(jù)所有局部紋理特征圖像子塊距離總和判斷兩個指紋圖像的匹配程度，距離總和計算公式如下 其中，Ckm為目標指紋圖像的特征編碼，

為指紋數(shù)據(jù)庫中編號為F的指紋特征編碼，D為目標指紋圖像的特征編碼與編號為F的指紋特征編碼的特征差； 遍歷指紋數(shù)據(jù)庫，計算各模板指紋圖像與輸入指紋圖像的特征差； 6)、將步驟2)的指紋圖像結(jié)構(gòu)特征匹配程度c和步驟5)的指紋圖像紋理特征差D輸入BP神經(jīng)網(wǎng)絡(luò)；輸出為參與匹配的兩個指紋的綜合相似度。
作為優(yōu)選的一種方案所述步驟1)中述及的對經(jīng)過預處理和特征提取的原始指紋圖像的特征點及其周圍的鄰近點進行處理，生成匹配用的特征向量，包括如下步驟 (1.1)對于分布在二維平面上的每一個特征點，在以此點為圓心，以R為半徑的圓內(nèi)共存在α個端點和β個分叉點，它們與中心特征點的距離分別為(d1，d2，…，dα)和(d1，d2，…，dβ)，每個中心點選取n個特征點為特征向量點，記錄下相關(guān)數(shù)據(jù)，與中心點構(gòu)成一個共n+1個點的向量； (1.2)特征向量的數(shù)學表達式為 FV＝(Center-type，R，group_d[4]，group_f[4]，group_b[4])(5) 式(5)中 Center-type中心特征點的類型； R以該中心點為圓心的圓的半徑； group_d[4]所選端點的信息向量組； group_f[4]所選分叉點的信息向量組； group_b[4]所選“補點”的信息向量組； (1.3)三個信息向量組的構(gòu)成分別如下 group_d[4]＝(α，CrossNumd，d_d，Ad)； group_f[4]＝(β，CrossNumf，d_f，Af)； group_b[4]＝(b_type，CrossNumb，d_b，Ab)； 其中 α，β分別為鄰點中的端點總數(shù)和分叉點總數(shù)； b_type為“補點”的類型； CrossNumX(X＝d，f，b)分別表示對應(yīng)鄰點與中心特征點間所跨越的紋線數(shù)； d_X(X＝d，f，b)分別表示對應(yīng)鄰點到中心特征點的距離； AX(X＝d，f，b)分別表示對應(yīng)鄰點與中心特征點方向的夾角； (1.4)根據(jù)已知點的坐標和方向角度計算出鄰點到中心特征點的距離、夾角和跨越的紋線數(shù)，鄰點到中心點的距離可以通過測度空間的兩點間距離計算方法得到；鄰點與中心點間所跨越的紋線數(shù)可以根據(jù)算法求得，先求出該聯(lián)機所穿過的各點的坐標，再統(tǒng)計出其中為指紋二值圖像點前景點的個數(shù)，就得到所跨越的紋線數(shù)；夾角即為兩點的連線與中心點方向間的夾角，結(jié)果保證在0到π之間。
進一步，所述步驟2)中述及的細節(jié)點集P和Q的匹配程度計算，包括如下步驟 (2.1)點集A和B分別表示為其中FViA記錄點集A中第i個特征點的特征向量； (2.2)當一鄰點落在另一相對鄰點的界限盒范圍內(nèi)時，則稱兩對鄰點到各自中心點的距離和夾角“相等”，記為DA-diff＝0，否則記為1； (2.3)假設(shè)點a屬于點集A，點b屬于點集B，則點a與點b中三對應(yīng)向量組成點的匹配條件為 (abs(a.Countd-b.Countd)+abs(a.Countf-b.Countf))＜2 &&a.b_type＝b.b_type &&(abs(a.CrossNumd-b.CrossNumd)+ (6) abs(a.CrossNumf-b.CrossNumf)+ abs(a.CrossNumb-b.CrossNumb))＜2 &&DA-diff＝0 將三對應(yīng)向量組成點聯(lián)系起來匹配，為判斷點的匹配留下松弛量；當匹配時返回值flag為“1”，否則為“0”； (2.4)點a與點b的具體匹配過程為 f(a.Center-type＝b.Center-type) {if(a.R＝b.R){if(flag) {s++； b.Center-type＝0； Break；} } } s是一個輸入細節(jié)點集A與范本細節(jié)點集B的匹配細節(jié)點數(shù)，當點a與點b匹配時，s的值加1；點集A和點集B中所有特征點匹配結(jié)束后，用c＝s/min(M，N)來表示這兩個點集的匹配程度；若c越大，則兩枚指紋來自同一個指頭的可能性越大。
更進一步，所述步驟(3)中述及的對于含信息量適中的殘缺指紋或者中心部分不存在的指紋圖像，進行Gabor濾波和圓形網(wǎng)格分割，具體為如下過程 將經(jīng)Gabor濾波器濾波處理后所得的8個方向指紋局部信息圖，均分成3×12份的圓形網(wǎng)格，把每幅指紋局部信息，以指紋中心點確定的基準點為圓心，分為38個區(qū)域其中1-12區(qū)的半徑為12＜R＜32，沿逆時針方向隔π/6依次排列；13-24區(qū)半徑32＜R＜52，沿逆時針方向隔π/6依次排列；25-36區(qū)半徑52＜R＜72，沿逆時針方向隔π/6依次排列；半徑R＜12的區(qū)域為37區(qū)；半徑R＞72的圖像區(qū)域為38區(qū)。每隔π/6劃分一個區(qū)域，提高指紋識別系統(tǒng)的旋轉(zhuǎn)不變性。
本發(fā)明利用了每個特征點與其周圍特征點之間的相互位置關(guān)系，在以每一個特征點為中心，以動態(tài)R為半徑的圓形范圍內(nèi)選取三個“特別”特征點作為該中心點的向量組成點，從而使兩指紋的匹配轉(zhuǎn)變?yōu)橄蛄拷M間的匹配，不僅算法簡單，也增大了指紋的信息量，保證了匹配的可靠性。而且，在匹配過程中，又將三對應(yīng)向量組成點聯(lián)系起來進行匹配，為判斷點的匹配留下了一定的松弛量。實驗結(jié)果證明，該算法具有完全的圖像旋轉(zhuǎn)和平移不變性，充分利用指紋圖像的全局特征和局部特征，能有效地抵抗指紋圖像的噪聲，匹配速度快。結(jié)合紋理特征匹配，算法中沒有用到指紋的中心點信息，對含信息量適中的殘缺指紋和中心部分不存在的指紋也具有很好的識別能力。



圖1是與中心點組成結(jié)構(gòu)特征向量的相鄰特征點示意圖。
圖2是鄰點與中心點的結(jié)構(gòu)圖。
圖3是圓形網(wǎng)格示意圖。
圖4是可視化圓形網(wǎng)格。
圖5是局部特征紋理可視化的斗形紋線指紋紋理圖。
圖6是Gabor濾波后方向(0)的紋理特征圖。
圖7是圖6對應(yīng)的紋理特征編碼示意圖。
圖8是Gabor濾波后方向(π/8)的紋理特征圖。
圖9是圖8對應(yīng)的紋理特征編碼示意圖。
圖10是Gabor濾波后方向(π/4)的紋理特征圖。
圖11是圖10對應(yīng)的紋理特征編碼示意圖。
圖12是Gabor濾波后方向(3π/8)的紋理特征圖。
圖13是圖12對應(yīng)的紋理特征編碼示意圖。
圖14是Gabor濾波后方向(π/2)的紋理特征圖。
圖15是圖14對應(yīng)的紋理特征編碼示意圖。
圖16是Gabor濾波后方向(5π/8)的紋理特征圖。
圖17是圖16對應(yīng)的紋理特征編碼示意圖。
圖18是Gabor濾波后方向(3π/4)的紋理特征圖。
圖19是圖18對應(yīng)的紋理特征編碼示意圖。
圖20是Gabor濾波后方向(7π/8)的紋理特征圖。
圖21是圖20對應(yīng)的紋理特征編碼示意圖。

具體實施例方式 下面結(jié)合附圖對本發(fā)明做進一步描述 參照圖1-圖21，一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，該方法包括以下步驟 1)、經(jīng)過預處理和特征提取的原始指紋圖像轉(zhuǎn)化為由有限個特征點組成的數(shù)據(jù)鏈表，對特征點及其周圍的鄰近點進行處理，生成匹配用的特征向量用來表示各個特征點之間的結(jié)構(gòu)關(guān)系。
2)、定義兩個點集A和B分別表示輸入指紋圖像和模板指紋圖像的特征向量集合，其中點集A表示從輸入指紋圖中提取出來的M個細節(jié)點，點集B表示從模板圖像中提取出來的N個細節(jié)點，這樣兩枚指紋的匹配就變成了對它們所對應(yīng)的特征點向量進行匹配。用s表示兩個指紋圖像匹配的細節(jié)點個數(shù)，則細節(jié)點集A和B的匹配程度計算如下 c＝s/min(M，N) (1) c表示匹配的特征點個數(shù)在兩個點集中(取點數(shù)較少的集合)所占的比例。
3)、對于含信息量適中的殘缺指紋或者中心部分不存在的指紋圖像進行基于紋理特征的匹配。對經(jīng)過Gabor濾波的指紋圖像采用穩(wěn)定的圓形網(wǎng)格，以指紋中心為基準點，將該網(wǎng)格覆蓋的范圍按角度劃分為若干區(qū)域，分別提取各個區(qū)域的特征信息，使得網(wǎng)格所覆蓋的區(qū)域內(nèi)的特征信息應(yīng)該滿足指紋圖像出現(xiàn)的小尺度平移和小角度旋轉(zhuǎn)時，特征信息保持基本不變。
4)、將指紋局部紋理特征圖像分區(qū)后，以區(qū)為單位建立特征編碼。所述特征編碼是每個子區(qū)內(nèi)的像素灰度值與子塊的平均灰度之間的絕對差值的平均值，即灰度標準偏差，特征編碼的計算公式為 其中，Gki為第m幅局部紋理特征圖中，第k個子塊第i個像素點灰度值；Gk為第m幅局部紋理特征圖中，第k個子塊所有點的平均灰度值；nk為第m幅局部紋理特征圖中，第k個子塊內(nèi)像素點的總數(shù)。
按上述方法編碼，每一個指紋圖像的對應(yīng)一個特征向量，該特征向量為 C1＝{Ckm} (3) 式中k為圖像子塊的編號；m為Gabor濾波器的編號； 將所有濾波后的局部紋理特征圖像順序編號，濾波圖像子塊灰度值的標準偏差構(gòu)成了m×k個向量元素，此向量元素即為指紋圖像的特征編碼，存儲到數(shù)據(jù)庫中，以備用于指紋特征比對運算。
5)、對得到的指紋圖像特征編碼進行比對，即做向量減法運算，衡量兩個指紋特征向量的“距離”，計算兩個指紋的特征差，通過“距離”值描述指紋圖像特征的相似程度。依據(jù)所有局部紋理特征圖像子塊距離總和判斷兩個指紋圖像的匹配程度，距離總和計算公式如下 其中，Ckm為目標指紋圖像的特征編碼，

為指紋數(shù)據(jù)庫中編號為F的指紋特征編碼，D為目標指紋圖像的特征編碼與編號為F的指紋特征編碼的特征差。遍歷指紋數(shù)據(jù)庫，計算各模板指紋圖像與輸入指紋圖像的特征差。
6)、設(shè)計BP神經(jīng)網(wǎng)絡(luò)對指紋圖像進行綜合匹配，神經(jīng)網(wǎng)絡(luò)的輸入是步驟2)的指紋圖像結(jié)構(gòu)特征匹配程度c和步驟5)的指紋圖像紋理特征差D；輸出為參與匹配的兩個指紋的綜合相似度。訓練階段，對于兩個相同的指紋，輸出為1，否則輸出為0；在識別階段，網(wǎng)絡(luò)輸出值介于0和1之間，相似度越大，則兩個指紋越相似。
原始指紋圖像經(jīng)過預處理和特征提取之后，已經(jīng)變成了由有限個真特征點(端點和分叉點)組成的數(shù)據(jù)鏈表。為了表示各個特征點之間的結(jié)構(gòu)關(guān)系，就需對特征點及其周圍的鄰近點進行處理，從而生成匹配用的特征向量。
本發(fā)明在傳統(tǒng)的基于指紋結(jié)構(gòu)特征的匹配方法上作了三方面的改進 (1)在傳統(tǒng)的基于指紋結(jié)構(gòu)特征的匹配方法中，特征點及鄰近點所處的圓半徑R常取定值。當R取值過小時，在特征點稀疏區(qū)域中就不容易采到鄰點，向量中只有中心特征的屬性，很容易使僅有類型相同的兩個特征點錯誤匹配；同樣，當R取值過大時，在特征點密集的地方又很容易受噪聲等的影響。因此，本發(fā)明中R是一個動態(tài)變量首先依照經(jīng)驗將R賦值為30，若在以R＝30為半徑的圓內(nèi)存在鄰點，則進行后面向量生成；若不存在鄰點，即α＝β＝0，則將R賦值為40；同樣，若在以R＝40為半徑的圓內(nèi)仍舊不存在鄰點，則再次將R擴大到50。根據(jù)實驗測試結(jié)果可知，此做法能保證匹配可靠性。
(2)在選取動態(tài)R之后，圓形范圍內(nèi)中心特征點的內(nèi)鄰點一般都在3個以上，6個以下，這已經(jīng)不適宜傳統(tǒng)作法中的t＝2或t＝5，因此，這里選取3個“特殊”鄰點為中心點的向量組成點。除了能減少計算量以外，對少量特征點的缺失和少量偽特征點的存在也具有一定的容錯性。
(3)三個向量組成點分別選擇一個距離中心特征點最近的端點、分叉點和、“補點”。“補點”的選擇方法為當鄰點中端點總數(shù)α大于或等于分叉點總數(shù)β時，“補點”就選取與中心點的距離最遠的端點；相反，當α小于β時，“補點”就選取與中心點的距離最遠的分叉點。如圖1所示，O為中心特征點，A、B、C分別為O的3個向量組成點。此方法可以避免傳統(tǒng)作法中“遠程”特征點信息的遺失，提高了識別的準確率。
向量生成時，除了利用鄰點的總數(shù)和中心點與鄰點的距離不變性來描述中心點的唯一性外，還可以通過提取特征點的其它屬性來增強這種唯一性。例如點的類型，鄰點到中心點的方向夾角以及兩點所跨越的紋線數(shù)等，這從特征向量FV的數(shù)學表達式中有所體現(xiàn)。
這里，由于已知點的坐標和方向角度，因此可以直接計算出鄰點到中心特征點的距離，夾角和跨越的紋線數(shù)。鄰點與中心點間所跨越的紋線數(shù)可以根據(jù)算法求得，先求出該聯(lián)機所穿過的各點的坐標，再統(tǒng)計出其中為指紋二值圖像點前景點的個數(shù)，就可以得到所跨越的紋線數(shù)。圖1中，點A，點B與中心點O之間所跨越的紋線數(shù)分別為2，2，1。鄰點到中心點的距離可以通過測度空間的兩點間距離計算方法得到；夾角即為兩點的連線與中心點方向間的夾角，結(jié)果保證在0到π之間。如圖2所示，dOA、dOB分別為鄰點A和鄰點B到中心點O的距離，θOA和θOB分別為鄰點A和鄰點B與中心點O的方向夾角。
從特征向量FV的構(gòu)造可以看出，在結(jié)構(gòu)特征向量的鄰點之間進行比對時，都會涉及到距離和夾角的比較問題。由于指紋圖像變形現(xiàn)象的存在，即使它們是匹配的，距離和夾角也很難嚴格相等，而是彼此在對方的一定范圍內(nèi)，因此這里采用了大小可變的界限盒方法。這樣，當一鄰點落在另一相對鄰點的界限盒范圍內(nèi)時，稱這兩鄰點到各自中心點的距離和夾角“相等”。根據(jù)三對應(yīng)向量組成點的匹配條件對點集A和B中的各個特征點進行匹配，最終匹配成功的點的數(shù)量就代表了兩幅指紋圖像結(jié)構(gòu)特征的匹配程度。
對于含信息量適中的殘缺指紋或者中心部分不存在的指紋圖像進行基于紋理特征的匹配。原始指紋圖像經(jīng)過Gabor濾波器濾波處理后，得到8個方向的紋理特征圖像，增強了興趣方向的信息，保留了真正的脊和谷結(jié)構(gòu)，降低了非興趣區(qū)的強度。但濾波后圖像是原始圖像信息的8倍，噪聲信息也大大增加，如此大量的信息不能直接用于匹配，要進一步通過統(tǒng)計的方法緩解噪聲帶來的影響，突出局部特征信息在指紋匹配中的作用。本方面運用圓形網(wǎng)格特征編碼方式來滿足上述要求，避免了旋轉(zhuǎn)定位問題，有利于匹配時保持旋轉(zhuǎn)不變。
圖3是一個穩(wěn)定的圓形網(wǎng)格的示意圖，指紋圖像出現(xiàn)的小尺度平移和小角度旋轉(zhuǎn)時，該網(wǎng)格內(nèi)的特征信息保持基本不變。如果以指紋中心為基準點，在指紋切割圖內(nèi)，劃分此圓形網(wǎng)格可以滿足一定的平移特征信息不變性，同時Gabor濾波器濾波后產(chǎn)生8個方向的局部信息圖，如果旋轉(zhuǎn)角度小于π/8，局部信息不會出現(xiàn)明顯錯位。因此，本發(fā)明方法以指紋中心為基準點，將8個方向的指紋局部信息圖，均分成3×12份的圓形網(wǎng)格，把每幅指紋局部信息，以指紋中心點確定的基準點為圓心，分為38個區(qū)域其中1-12區(qū)的半徑為12＜R＜32，沿逆時針方向隔π/6依次排列；13-24區(qū)半徑32＜R＜52，沿逆時針方向隔π/6依次排列；25-36區(qū)半徑52＜R＜72，沿逆時針方向隔π/6依次排列；半徑R＜12的區(qū)域為37區(qū)；半徑R＞72的圖像區(qū)域為38區(qū)。其中每隔π/6劃分一個區(qū)域，計算該區(qū)域的均值統(tǒng)計后，可以提高指紋識別系統(tǒng)的旋轉(zhuǎn)不變性。
本發(fā)明采用了圓形網(wǎng)格將濾波后的指紋局部紋理特征圖像分隔為38個區(qū)域，并進行指紋特征編碼與比對。為驗證算法的有效性，本發(fā)明進行了可視化圓形網(wǎng)格實驗、指紋紋理特征編碼可視化實驗和存在信息偏差指紋的匹配實驗。
圖4為由計算機實現(xiàn)的可視化圓形網(wǎng)格，該網(wǎng)格把175×175的灰度圖像分隔為38個區(qū)域，其灰度從第33區(qū)沿順時針開始呈線性增加，形成如圖所示的圓形網(wǎng)格。
圖5-21所示是指紋紋理特征編碼可視化實驗，圖5為斗形紋線指紋紋理圖；圖6、8、10、12、14、16、18、20為Gabor濾波后8方向(0，π/8，π/4，3π/8，π/2，5π/8，3π/4，7π/8)的紋理特征圖；圖7、9、11、13、15、17、19、21為8個方向(0，π/8，π/4，3π/8，π/2，5π/8，3π/4，7π/8)的紋理特征對應(yīng)紋理特征編碼示意圖，該示意圖是將數(shù)據(jù)庫中指紋圖像特征編碼經(jīng)簡單數(shù)學處理，表征在0-255之間的灰度圖像。從特征編碼示意圖可以直觀的看到圓形網(wǎng)格38個區(qū)域灰度標準偏差，這種紋理特征編碼為指紋匹配提供了數(shù)字依據(jù)。
綜合上述步驟得到的指紋圖像結(jié)構(gòu)特征匹配程度c和紋理特征差D，運用BP神經(jīng)網(wǎng)絡(luò)提取出與輸入指紋圖像最為匹配的模板指紋。
本發(fā)明基于指紋結(jié)構(gòu)特征與紋理分析的匹配算法充分利用了指紋圖的結(jié)構(gòu)信息，采用點模式匹配算法比較準確地找到兩個點集之間的對應(yīng)關(guān)系。這種方法與指紋的平移和旋轉(zhuǎn)無關(guān)，有很強的抗噪能力，能解決一定范圍內(nèi)的非線性變形問題，對于含信息量適中的殘缺指紋和中心部分不存在的低質(zhì)量指紋也具有很好的識別能力。
權(quán)利要求
1、一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，其特征在于所述匹配方法包括如下步驟
1)、對原始指紋圖像進行預處理和特征提取，將原始指紋圖像轉(zhuǎn)化為由有限個特征點組成的數(shù)據(jù)鏈表，對特征點及其周圍的鄰近點進行處理，生成匹配用的特征向量，所述特征向量表示各個特征點之間的結(jié)構(gòu)關(guān)系；
2)、定義兩個點集A和B分別表示輸入指紋圖像和模板指紋圖像的特征向量集合，其中點集A表示從輸入指紋圖中提取出來的M個細節(jié)點，點集B表示從模板圖像中提取出來的N個細節(jié)點，用s表示兩個指紋圖像匹配的細節(jié)點個數(shù)，則細節(jié)點集A和B的匹配程度計算如下
c＝s/min(M，N)(1)
式(1)中，c表示匹配的特征點個數(shù)在兩個點集中所占的比例；
3)、對經(jīng)過Gabor濾波的指紋圖像采用穩(wěn)定的圓形網(wǎng)格，以指紋中心為基準點，將該網(wǎng)格覆蓋的范圍按角度劃分為若干區(qū)域，分別提取各個區(qū)域的特征信息，使得網(wǎng)格所覆蓋的區(qū)域內(nèi)的特征信息應(yīng)該滿足指紋圖像出現(xiàn)的小尺度平移和小角度旋轉(zhuǎn)時，特征信息保持不變；
4)、將指紋局部紋理特征圖像分區(qū)后，以區(qū)為單位建立特征編碼；所述特征編碼是每個子區(qū)內(nèi)的像素灰度值與子塊的平均灰度之間的絕對差值的平均值，即灰度標準偏差，特征編碼的計算公式為
式(2)中，Gki為第m幅局部紋理特征圖中，第k個子塊第i個像素點灰度值；Gk為第m幅局部紋理特征圖中，第k個子塊所有點的平均灰度值；nk為第m幅局部紋理特征圖中，第k個子塊內(nèi)像素點的總數(shù)；
按上述方法編碼，每一個指紋圖像的對應(yīng)一個特征向量，該特征向量為
C1＝{Ckm}(3)
式中k為圖像子塊的編號；m為Gabor濾波器的編號；
將所有濾波后的局部紋理特征圖像順序編號，濾波圖像子塊灰度值的標準偏差構(gòu)成m×k個向量元素，所述向量元素即為指紋圖像的特征編碼，存儲到數(shù)據(jù)庫中；
5)、對得到的指紋圖像特征編碼進行比對，即做向量減法運算，計算兩個指紋的特征差，通過兩個指紋特征向量的“距離”值描述指紋圖像特征的相似程度；依據(jù)所有局部紋理特征圖像子塊距離總和判斷兩個指紋圖像的匹配程度，距離總和計算公式如下
其中，Ckm為目標指紋圖像的特征編碼，
為指紋數(shù)據(jù)庫中編號為F的指紋特征編碼，D為目標指紋圖像的特征編碼與編號為F的指紋特征編碼的特征差；
遍歷指紋數(shù)據(jù)庫，計算各模板指紋圖像與輸入指紋圖像的特征差；
6)、將步驟2)的指紋圖像結(jié)構(gòu)特征匹配程度c和步驟5)的指紋圖像紋理特征差D輸入BP神經(jīng)網(wǎng)絡(luò)；輸出為參與匹配的兩個指紋的綜合相似度。
2、如權(quán)利要求1所述的一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，其特征在于所述步驟1)中述及的對經(jīng)過預處理和特征提取的原始指紋圖像的特征點及其周圍的鄰近點進行處理，生成匹配用的特征向量，包括如下步驟
(1.1)對于分布在二維平面上的每一個特征點，在以此點為圓心，以R為半徑的圓內(nèi)共存在α個端點和β個分叉點，它們與中心特征點的距離分別為(d1，d2，…，dα)和(d1，d2，…，dβ)，每個中心點選取n個特征點為特征向量點，記錄下相關(guān)數(shù)據(jù)，與中心點構(gòu)成一個共n+1個點的向量；
(1.2)特征向量的數(shù)學表達式為
FV＝(Center-type，R，group_d[4]，group_f[4]，group_b[4]) (5)
式(5)中
Center-type中心特征點的類型；
R以該中心點為圓心的圓的半徑；
group_d[4]所選端點的信息向量組；
group_f[4]所選分叉點的信息向量組；
group_b[4]所選“補點”的信息向量組；
(1.3)三個信息向量組的構(gòu)成分別如下
group_d[4]＝(α，CrossNumd，d_d，Ad)；
group_f[4]＝(β，CrossNumf，d_f，Af)；
group_b[4]＝(b_type，CrossNumb，d_b，Ab)；
其中
α，β分別為鄰點中的端點總數(shù)和分叉點總數(shù)；
b_type為“補點”的類型；
CrossNumX(X＝d，f，b)分別表示對應(yīng)鄰點與中心特征點間所跨越的紋線數(shù)；
d_X(X＝d，f，b)分別表示對應(yīng)鄰點到中心特征點的距離；
AX(X＝d，f，b)分別表示對應(yīng)鄰點與中心特征點方向的夾角；
(1.4)根據(jù)已知點的坐標和方向角度計算出鄰點到中心特征點的距離、夾角和跨越的紋線數(shù)，鄰點到中心點的距離可以通過測度空間的兩點間距離計算方法得到；鄰點與中心點間所跨越的紋線數(shù)可以根據(jù)算法求得，先求出該聯(lián)機所穿過的各點的坐標，再統(tǒng)計出其中為指紋二值圖像點前景點的個數(shù)，就得到所跨越的紋線數(shù)；夾角即為兩點的連線與中心點方向間的夾角，結(jié)果保證在0到π之間。
3、如權(quán)利要求1或2所述的一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，其特征在于所述步驟2)中述及的細節(jié)點集P和Q的匹配程度計算，包括如下步驟
(2.1)點集A和B分別表示為其中FViA記錄點集A中第i個特征點的特征向量；
(2.2)當一鄰點落在另一相對鄰點的界限盒范圍內(nèi)時，則稱兩對鄰點到各自中心點的距離和夾角“相等”，記為DA-diff＝0，否則記為1；
(2.3)假設(shè)點a屬于點集A，點b屬于點集B，則點a與點b中三對應(yīng)向量組成點的匹配條件為
(abs(a.Countd-b.Countd)+abs(a.Countf-b.Countf))＜2
&&a.b_type＝b.b_type
&&(abs(a.CrossNumd-b.CrossNumd)+(6)
abs(a.CrossNumf-b.CrossNumf)+
abs(a.CrossNumb-b.CrossNumb))＜2
&&DA-diff＝0
將三對應(yīng)向量組成點聯(lián)系起來匹配，為判斷點的匹配留下松弛量；當匹配時返回值flag為“1”，否則為“0”；
(2.4)點a與點b的具體匹配過程為
f(a.Center-type＝b.Center-type)
{if(a.R＝b.R)
{if(flag)
{s++；
b.Center-type＝0；
Break；}
}
}
s是一個輸入細節(jié)點集A與范本細節(jié)點集B的匹配細節(jié)點數(shù)，當點a與點b匹配時，s的值加1；點集A和點集B中所有特征點匹配結(jié)束后，用c＝s/min(M，N)來表示這兩個點集的匹配程度；若c越大，則兩枚指紋來自同一個指頭的可能性越大。
4、如權(quán)利要求3所述的一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，其特征在于所述步驟(3)中述及的對于含信息量適中的殘缺指紋或者中心部分不存在的指紋圖像，進行Gabor濾波和圓形網(wǎng)格分割，具體為如下過程
將經(jīng)Gabor濾波器濾波處理后所得的8個方向指紋局部信息圖，均分成3×12份的圓形網(wǎng)格，把每幅指紋局部信息，以指紋中心點確定的基準點為圓心，分為38個區(qū)域其中1-12區(qū)的半徑為12＜R＜32，沿逆時針方向隔π/6依次排列；13-24區(qū)半徑32＜R＜52，沿逆時針方向隔π/6依次排列；25-36區(qū)半徑52＜R＜72，沿逆時針方向隔π/6依次排列；半徑R＜12的區(qū)域為37區(qū)；半徑R＞72的圖像區(qū)域為38區(qū)。每隔π/6劃分一個區(qū)域，提高指紋識別系統(tǒng)的旋轉(zhuǎn)不變性。
全文摘要
一種基于指紋結(jié)構(gòu)特征與紋理分析的指紋圖像匹配方法，包括如下步驟1)對指紋圖像的特征點及其鄰近點進行處理，生成結(jié)構(gòu)特征向量；2)進行結(jié)構(gòu)特征向量匹配，落入界限盒則認為細節(jié)點匹配成功，用成功匹配的細節(jié)點個數(shù)代表指紋匹配程度；3)對含信息量適中的殘缺指紋或中心部分不存在的指紋圖像進行Gabor濾波，采用圓形網(wǎng)格分為若干區(qū)域，分別提取紋理特征；4)將各區(qū)域的灰度標準偏差作為特征編碼，用指紋圖像間的特征差表示匹配程度；5)運用BP神經(jīng)網(wǎng)絡(luò)綜合結(jié)構(gòu)特征和紋理特征找出最匹配的指紋圖像。本發(fā)明與指紋的平移和旋轉(zhuǎn)無關(guān)，有很強的抗噪聲，能解決一定范圍內(nèi)的非線性變形問題。
文檔編號G06K9/00GK101408932SQ20081006046
公開日2009年4月15日 申請日期2008年4月11日 優(yōu)先權(quán)日2008年4月11日
發(fā)明者朱信忠, 趙建民, 徐慧英, 胡承懿 申請人:浙江師范大學