未来智讯 > 人脸语音识别论文 > 自动指纹识别系统概述
    关键词:指纹识别;特征提取;特征匹配
    中图分类号:TP391.41
    随着社会的进步,科学技术也日新月异,各种安全性问题也随着时代科技的变化而变化。传统的用户名+密码验证方式在具有高速运算能力的计算机或者云计算面前很容易被暴力破解。而以生物特征为基础的指纹识别技术,将生物技术和信息技术有机地结合在一起,具有稳定性、实用性和安全性等特征。这些特征使得该技术在现代社会成了研究的热点之一[1]。
    1 自动指纹识别系统基本组成
    自动指纹识别系统是以指纹识别技术为核心的模式识别系统,该类系统一般分为注册和识别两个阶段[2]。为了减少对系统存储空间的占用以及简化后期的计算,在注册阶段通常存储的是从用户输入指纹中提取出来的指纹特征和对应的用户名。识别阶段则把从任意用户指纹中提取出来的特征和注册阶段存储的指纹特征进行匹配。其一般结构如图1所示。
    该图1可以看到,为了实现识别功能,自动指纹识别系统至少需要图像采集、特征提取、特征匹配这样三个模块。由于设备及环境等因素的影响,在实际应用中采集到的指纹图像一般都含有不同的噪声,使得指纹的脊线出现断裂、桥接、模糊等现象。因此,在实际应用中,一般会在特征提取之前有一个预处理的步骤,用于除去图像中的噪声干扰,恢复指纹的脊线结构,以便可靠提取正确的指纹特征[3]。
    2 主要功能模块及相关技术
    2.1 图像采集。图像采集是指利用指纹采集器将用户的指纹信息采集并转化成数字图像,以便后期进行处理。现在的指纹采集器主要分为以下三类:光学传感器、硅传感器和超声波传感器[4]。其中采用超声传感技术的指纹采集器成像效果最好,但是价格也最贵。采用光学传感器的指纹采集器非常耐用,但是对脏手指或干手指成像效果较差,汗多的手指成像模糊;而采用硅传感器的采集器则干手指采集效果较好,但是对于汗多的手指不能成像采集到的图像很不清晰。
    2.2 指纹预处理。在实际应用中,由于受到采集设备和环境的影响,采集到的图像通常含有噪声。为了简化后期的处理和提高指纹特征提取的可靠性,通常在指纹特征提取之前需要进行指纹的预处理。指纹的预处理通常由图像分割、图像增强、二值化和细化等步骤组成。(1)图像分割。采集到的图像指纹大致可以分为前景和背景两个部份。而指纹的有效区域主要在前景部份,背景则含有大量的噪声和无效信息。进行图像分割,可以使得系统进行有针对性的处理,节约大量的处理时间。一般的分割方法有基于方差阈值、方向场信息、频域或者是几种方法的混合;(2)图像增强。指纹图像增强目的是断裂的指纹连接上、粘连的指纹分开,同时使模糊的指纹纹线变得更清晰,减少伪特征点的提取,避免丢失大量的真特征点。一般有基于纹理滤波的方法、基于傅里叶的方法、基于小波变换的方法等;(3)二值化。二值化是把指纹灰度图像变成黑白二值图像的过程,其关键点在于阈值的选取。把指纹灰度图像二值化有利于提高图像中脊线和谷线之间的对比度,有利于细节点的提取。常见的二值化方法有局部阈值自适应法、平滑阈值自适应法、方向二值化等;(4)细化。细化是指在不改变脊线连通性的基础上,通过形态学中的腐蚀操作将原有的脊线转换至单像素宽,从而使得指纹图像的数据量减少,纹线结构也变得更清晰明了。理想的细化操作需要满足一些条件。细化算法的种类较多,典型的有Hilditch算法、OPTA算法、E.S.Deutsch算法等,经过细化后的指纹图像就比较容易提取指纹特征。
    2.3 特征提取。指纹的特征主要分为总体特征和局部特征两类。总体特征主指那些可以直接观察到的特征,如基本纹路图案、纹数等。局部特征是指指纹中的细节特征,如端点、分叉点、孤立点、环点等。由于细节特征中的其它特征存在不易检测的特点,现在大部分自动指纹识别系统都仅利用细节特征中的端点和分叉点来鉴定指纹。这些细节特征通常包含了坐标、类型、方向等属性。
    2.4 特征匹配。特征匹配是依据一定的算法对两枚指纹的特征进行比对,以确定它们是否来自同一个手指。到目前为止,已经出现了大量的指纹特征匹配算法。在早期的算法中,Moayer将指纹表示成一维字符串或二维树,然后用句法匹配来验证两个指纹。使用图来表示指纹的特征点结构,并使用图的相似性来进行匹配。使用方向场和图匹配相结合的算法来进行匹配。现在很多指纹匹配算法则基于点模式进行匹配,把指纹的匹配转换为特征点之间的匹配。其中,特征点可以从细化后的图像中提取,也可以从原始灰度图像中提取。
    3 自动指纹识别系统性能评估
    除了采用一般的评价指标对自动指纹识别系统进行评价外,还有两个重要的指标对自动指纹识别系统进行评价,即错误接受率(FAR,False Acceptance Rate)和错误拒绝率(FRR,False Rejection Rate)。
    错误接受率(FAR)指不属于同一手指的指纹错误地匹配成功的次数和所有匹配次数的比值,它是系统的安全性指标。错误拒绝率(FFR)指属于同一手指的指纹错误地匹配失败的次数和所有匹配次数的比值。这两个指标是相关的,当错误拒绝率较低时,错误接受率就较高,反之亦然. 用ROC曲线(Receiver Operating Curve)能够较好地反映两个指标之间的关系,如图3所示。因此,在一个具体的应用中,系统的设计应该根据需要对这两个指标做出权衡取舍。
    尽管目前已经有许多的自动指纹识别系统已经用于实践,但是这些系统还存在着某些问题。如,对于低质量图像,识别的准确性会显著降低,尤其是采集到的是干、湿、老化或者是有疤痕的指纹图像;对于指纹发生了位移、旋转、形变等问题也还不能很好地解决。因此,对于这些问题仍然有进一步研究的必要。
    5 结束语
    本文对自动指纹识别系统的一般流程做了论述。概述了自动指纹系统中的几个主要模块及相关方法,并指出了现在的自动指纹识别系统中仍然存在的问题。
    参考文献:
    [1]夏振华.指纹识别算法及小规模指纹识别系统的开发[D].南京航空航天大学,2006.
    [2]祝恩,殷建平,张国敏.自动指纹识别技术[D].国防科技大学,2006.
    [3]韩伟红,黄子中,王志英.指纹自动识别系统中的预处理技术[J].计算机研究与发展,1997(34):913-920.
    [4]张纪生.基于指纹身份识别平台系统设计与实现[D].电子科技大学,2013.
    作者单位:广东科技学院 计算机系,广东东莞 523083
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0707/21279/
 与本篇相关的热门内容: