未来智讯 > 人脸语音识别论文 > 指纹识别算法仍有优化空间

指纹识别算法仍有优化空间

发布时间:2018-11-24 01:06:04 文章来源:未来智讯    
    指纹识别算法仍有优化空间作者:未知   指纹识别算法是实现指纹识别的关键,它直接决定了识别率的高低,是指纹识别技能的核心。虽然这些算法日臻完善,但仍有进一步降低错误率的空间。
    目前,指纹识别技能的研讨无论是在前端的数据采集上还是在后端的指纹识别算法上都已经取得了巨大的进展。于是,很多人认为如今的指纹识别技能已经很完善了,不再需要研讨了。但这种观点是错误的,在指纹识别技能上仍然有一些没有解决好的问题,如: 低质量指纹图像的处理、形变指纹图像的匹配、活体指纹的检测等。这些都是经常遇到、相当重要和亟待解决的问题。在国际指纹识别比赛(FVC2004)中,指纹数据库DB1中有些指纹图像的形变就很大,而位于第一名的指纹识别算法的等错误率(EER)是1.97%,从中能够看出形变指纹图像的处理仍然不是很理想,有着很多事务要做。
  自动指纹识别系统(Automatic Fingerprint Identification System,简称AFIS)是通过特殊的光电转换设备和计算机图像处理技能,对活体指纹进行采集、分析和比对,能够自动、迅速、正确地辨别出个人身份的。一般能够分成“离线局部”和“在线局部”两个局部。如图1所示。
  其中离线局部包括用指纹采集仪采集指纹、提取出细节点、将细节点保存到数据库中变成指纹模板库等主要步骤。在线局部包括用指纹采集仪采集指纹、提取出细节点、然后将这些细节点与保存在数据库中模板细节点进行匹配,判断输入细节点与模板细节点是否来自同一个手指的指纹。一般来说,离线处理允许人工因素介入,可根据需要手动调整系统参数,而在线处理应完全由系统自动完成所有操作。
  
  本文主要对指纹图像增强、特征点提取、匹配以及分类和压缩算法进行介绍。
  
  指纹图像增强算法
  
  采集获得的指纹图像常常都伴随着各种各样的噪声,一局部是由于采集仪造成的,比如采集仪上的污渍,采集仪的参数设置不恰当等。另外一局部是由于手指的状态造成的,比如手指的过干、太湿、伤疤、脱皮等等。第一种相对来说是固定的系统误差,对照容易恢复。另外一类和个体手指亲密相关,对照难于恢复。指纹增强在指纹图像的识别过程中是最为重要的一环,这局部算法的优劣将对整个系统的本能产生至关重要的影响。如果这一局部没有处理好,也很难通过改进后面的细节提取过程而获得好的效果。
  指纹图像是连续脊线和谷线组成的(在细节点处除外),具有丰富纹理信息的图像。对于灰度指纹图像,脊线和谷线在部分的小邻域内能够认为是正弦波形状,具有一定的频率和方向。使用方向场和Gabor滤波器来进行增强的算法便是基于这样的特点进行。
  指纹专家常常是根据视觉上的脊线信息来正确地识别出真正的细节点。这些脊线的关系有部分脊线的方向、脊线的连续性、脊线的曲率、光滑度、脊线走向趋势等等。而诸如指纹的脊线连接、部分脊线方向和脊线的光滑度这样的结构信息是有可能在计算机中表示出来的。所以也能够把人对指纹结构的认识引入指纹图像处理的过程中,用计算机来模拟指纹专家做图像增强的算法。
  图像的预处理指的是在指纹进行图像增强前使用一些大略的图像处理手段对图像进行初加工的过程。常见的预处理有: 灰度的均衡化,这能够消除不同图像之间对比度的差异; 使用大略的低通滤波消除斑点噪声、高斯噪声; 计算出图像的边界,进行图像的裁剪,这样能够削减下一步的计算事务量,提高系统的速度。
  用计算机的语言完整地描述稳定而又有区别的指纹特征是实现自动指纹识别的一个关键问题。选择什么特征以及如何表示这种特征既关系指纹本身的特点,又和具体的指纹匹配算法紧密联系,同时还要考虑所选取的指纹采集设备的特点。目前的自动指纹识别系统普遍选取的指纹特征是细节点(minutiae),分为极限末梢和分叉点。
  指纹的特征能够反映给定的人类群体里来自不同手指的指纹之间相似的程度。指纹的特征信息很多。这些所有的指纹特征信息构成了庞大的指纹特征聚集。那么,特征层需要研讨和解决的问题主要与这些特征信息有关,比如: “特征是否是终生不变的、惟一的”,“特征之间存在什么样的相互关系”,“什么样的特征子集能够使某种算法达到最佳的识别效果”,“指纹特征用于身份辨别是否更平安”等等。一组好的特征不但要能达到身份识别的基本要求,而且对噪声、畸变和环境条件不敏感。
  围绕指纹特征展开研讨是伴随着人们对指纹进行身份辨别的认识而进行的,现在已经有很长的历史。1892年英国Sir Francis Galton对指纹进行了系统研讨,首次提出了指纹特征惟一性的问题。随着信息技能的发展,人们对身份认证的正确性要求明显提高,同时也对指纹有效鉴定身份的能力产生质疑。2002年1月,美国联邦法官路易斯・波拉克做出的“凭借指纹鉴定不能定罪”的裁决促动了针对指纹特征的两个方面的研讨事务: (1)在实践中为指纹定出能够作为有效特征的标准,使得两幅指纹是否相符不依赖于鉴定人员的主观判断; (2)研讨指纹特征产生误差的根源,从技能角度将出现的误差量化。
  
  指纹匹配
  
  指纹匹配指的是通过对两枚指纹特征集间的相似性对照,来判断对应的指纹图像是否来自同一手指的过程,它是一种相当经典而又亟待解决的模式识别问题。
  目前,指纹细节点匹配算法分类有多种: 根据指纹识别的目的能够分为一比一匹配和一比N匹配; 根据操作过程的差异可分为自动匹配 和人机交互匹配; 根据匹配适应性能够分为弹性匹配和刚性匹配。根据指纹细节点定义和相似性判断函数采用的不同,指纹匹配方法更是多种多样的,比如基于奇异点的、基于三角形的、基于极坐标变换的,基于动态规划的、基于图匹配的等等方法,不胜枚举。需要说明的是这些分类方法都难以囊括所有的指纹匹配算法,因为同时有很多算法互相交叉。
  需要指出的是,上述分类方法并不是绝对的,各种方法是相互联系的,每个算法都有自己的特点,并针对特殊的应用。比如: 图匹配的方法对质量差指纹图的噪声抗干扰能力较好,但方法未经大规模实验的证实; 细节点匹配对质量好的指纹图像计算正确,纹理特征的可区分性不强; 基于纹理信息和串匹配的混合匹配方法在一定程度上提高了识别率,然而计算代价相当高; 基于三角匹配和动态规划的混合匹配方法能够解决非线性形变的问题,然而提取的特征过大,难以满足在线实用的要求。总而言之,指纹图像的几何影像形变及错位等问题是匹配算法需要做的首要事务。因此,在指纹识别中必须考虑这些指纹图像中可能存在的线性或非线性形变。目前已有的算法依赖一个前提条件: 待匹配的两幅指纹图像是使用相同配置、相同采集仪来采集的,即同模态,并且,这些指纹允许存在一定程度的噪声。而匹配算法的最后目的是对给定的两幅指纹,寻求使这两幅图像的灰度(或特征)相似度之间差异达到最小的方法。在这种情况下,主要的事务通常是对指纹形变问题的研讨,建立一个定义在有穷的形变参数空间的带参数的形变变换模型,最终进行形变参数最优化处理。
  
  指纹分类与压缩
  
  识别一个人需要将他的指纹与数据库中的所有指纹做对照。在某些民用或刑侦局面,数据库可能相当大(比如几百万枚指纹)。在这种情况下,识别就需要耗费很长的时间,这是无法接受的。这一识别过程能够通过削减必须执行的匹配次数来提高速度。在某些情况下,如果投入诸如性别、种族、年龄等与个体有关的信息能显著降低搜索数据库的范围,但是这些信息并不老是存在的,比如在犯罪现场的指纹。常常的策略是将指纹数据库划分成几个子类,这样识别指纹时只需将此指纹与数据库中同一类的指纹做对照。
  指纹分类便是研讨如何以稳定而且可靠的方式将指纹划为某一类别。指纹匹配多根据指纹的部分特征(如细节点)来判别,而指纹分类则根据指纹的全局特征(如全局脊线结构、奇异点)来判别。由于各指纹模式具有较小的类间差距和较大的类内差距,指纹分类是一个相当难的模式识别问题。指纹图像常常还有噪声,这使得分类任务更加困难,因此指纹分类问题一直是模式识别领域中的难点问题,一直以来也吸引了科研人员的极大兴趣。
  指纹压缩技能也是自动指纹识别系统中的一项重要技能,在大容量的指纹库中,为了节省存储空间必须对指纹图进行压缩存储,使用时再进行解压缩。图像压缩编码的目的是以尽量少的比特数表示图像,同时保持复原图像的质量,使它适合预定应用局面的要求。基于小波的指纹压缩算法,是目前技能较成熟、应用较广泛的指纹图像压缩算法。
  

转载请注明来源。原文地址:https://www.7428.cn/page/2018/1124/46296/
 与本篇相关的热门内容: