自动指纹识别中的图像增强和细节匹配算法_罗希平

格式：pdf
大小：788.63 KB
文档页数：11

下载文档原格式

基于Gabor滤波器的指纹图像增强研究

基于Gabor滤波器的指纹图像增强研究吴夏平;王福明;赵景媛【摘要】为了能够正确提取指纹图像中的关键特征,除了有效的方向计算和图像分割方法之外,指纹图像的纹路增强也是指纹识别中提高特征提取正确率的一个重要手段.在Gabor滤波器的基础上,使用平均频率的指纹增强方法,并在运算过程中时滤波算法进行优化,有效地减少了运算量.实验证明,该方法对低质量图像具有显著的增强效果.【期刊名称】《现代电子技术》【年(卷),期】2008(031)020【总页数】3页(P145-147)【关键词】Gabor滤波器;指纹增强;指纹识别;低质量图像【作者】吴夏平;王福明;赵景媛【作者单位】中北大学信息与通信工程学院,山西,太原,030051;中北大学现代教育技术与信息中心,山西,太原,030051;中北大学信息与通信工程学院,山西,太原,030051【正文语种】中文【中图分类】TP391.411 引言在自动指纹识别系统中,指纹特征提取对指纹的质量有着很强的依赖。

由于指纹采集设备的不完善性,对于干、湿、脏、老化、磨损的指纹,往往难以采集到清晰的图像。

严重影响了指纹特征值的提取,影响指纹识别系统的正确识别率。

因此指纹图像增强技术便成了指纹识别系统关键技术之一,增强算法的优劣,直接决定着整个系统性能的好坏。

因此对指纹增强算法的研究有着十分重要的意义。

指纹增强的方法有基于纹理滤波的方法、基于傅里叶分析的方法、基于小波分析的方法、基于知识的方法等。

指纹图像增强的主流方法是纹理滤波方法，计算指纹图像每个局部区域的方向和频率特征，用纹理滤波器对指纹图像进行滤波增强。

Hong提出一种基于Gabor滤波器的指纹增强方法，Gabor滤波器可以在空域和频域上获得最佳的分辨率,具有良好的带通性和方向选择性。

但该方法有时存在块效应或方向效应，并且对不同频率的图像有不同的增强程度。

本文在Gabor滤波器的基础上,提出一种改进的Gabor滤波器算法。

指纹细节特征区域和数量对似然比评价方法的影响

指纹细节特征区域和数量对似然比评价方法的影响李康;罗亚平【期刊名称】《中国司法鉴定》【年(卷),期】2024()1【摘要】目的探析不同指纹细节特征的区域和数量对基于指纹自动识别系统(automatic fingerprint identification system,AFIS)得分的指纹证据似然比评价方法的影响,为指纹证据似然比评价模型的构建提供科学可靠的AFIS得分数据。

方法筛选并制作200枚模拟现场指纹,按照指纹中心和左、右三角3种不同特征区域以及5~16个的12种不同数量的细节特征进行组合,通过AFIS发送到自行构建的同源指纹数据库和千万人级的异源指纹数据库中查询比对,采用统计学方法量化分析不同细节特征区域和数量下的同源和异源比对得分。

结果对于不同细节特征区域,同源指纹相似度得分的集中趋势、高分段区间和最大值均明显优于异源指纹,异源指纹不同区域均表现出相近的数据集中趋势。

对于不同细节特征数量,随着细节特征数量的增加,同源指纹得分变化区间比异源要大,同源得分的分散度逐渐增加,但异源指纹得分数据在不同数量范围内的细节特征表现出不同的特点,呈现出分段情况。

结论运用AFIS对影响指纹证据评价方法的细节特征区域和数量进行“黑箱”实验,该量化分析方法简便易行,也符合当前超大容量数据库环境下的指纹证据影响因素量化分析的实际。

数据分析结果有助于丰富鉴定人对细节特征区域和数量的认识,有利于构建科学可靠的指纹证据似然比评价模型。

【总页数】8页(P66-73)【作者】李康;罗亚平【作者单位】中国人民公安大学侦查学院;浙江警察学院刑事科学技术系【正文语种】中文【中图分类】DF794.1【相关文献】1.常用指纹细节特征标注方法的比较研究2.指纹三角周边区域细节特征分布相似现象研究3.基于细节点局部结构与LBP的指纹特征融合方法4.基于细节点柱形编码和深度卷积特征的指纹检索方法5.细节点指纹特征提取、匹配方法研究因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的指纹图像增强算法

! 引言
在现代社会中 ! 随着计算机技术和网络技术的高速发展 ! 电子商务的日趋普及 ! 信息安全越来越显示出前所未有的重要性 " 生物识别技术逐渐应用于身份验证和识别领域 ! 指纹识别是到目前为止唯一被法律认可 # 可以自动识别的生物识别技术 " 近年来 ! 有关指纹自动识别的研究已成为模式识别 # 图像处理及计算机视觉等领域中关注的热点 " 自动指纹识别系统 $!" #$% &’() *+,-(./ .+, ’ 0) 1,’+2+34’+$, 567’(8 !9*:5 % 包括指纹提取 # 指纹分类和指纹匹配三部分内容 " 在自动指纹识别技术中 !提取出正确 # 可靠而有效的特征信息是进行最终的指纹匹配的基础 ! 而特征信息提取的准确性又直接依赖于指纹图像自身的质量 " 在实际应用中 ! 由于受采集设备和活体指纹采集条件等因素的限制 ! 所采集到的指纹图像不能保证都很清晰 ! 图像中可能出现纹线粘连 # 纹线断裂或对比度不均匀等情形 " 在这种情况下很难从图像中正确分离出指纹纹线 ! 导致指纹特征的可靠提取变得非常困难 ! 很难达到较高的指纹匹配精度 " 为了确保指纹特征的提取正确 ! 需要对原始指纹图像进行增强处理 ! 增加指纹纹线的清晰度 ! 增强脊线和谷线的对比度 ! 减少噪声 " 指纹图像的增强一般由规格化 # 方向图的计算 # 滤波几个部分组成 "
后的图像在点处的灰度值 !@ 代表原始图像的均值 !A9B 代表原始图像的方差 !C D 代表期望均值 !A9B D 代表期望方差 $ A9B D 和 @ D 的值根据图像采集时分辨率的高低确定 !不同的指纹库可取不同的值 " % 归一化由式 ;E > 确定 &

指纹识别系统中的图像增强与特征提取

指纹识别系统中的图像增强与特征提取指纹识别作为一种常用的生物识别技术，已经广泛应用于安全系统、移动设备和金融行业等领域。

它通过对指纹图像进行图像增强和特征提取，来实现对个体指纹的准确识别。

在指纹识别系统中，图像增强和特征提取是两个重要的步骤，对于提高识别准确率和效率具有关键作用。

图像增强是指通过一系列的图像处理技术，对原始指纹图像进行去噪、增强边缘、提升对比度等操作，以改善图像的质量和清晰度。

它可以帮助我们有效地消除图像中的噪声和模糊度，提高指纹图像的可视化效果，从而有助于后续的特征提取和匹配过程。

在图像增强的过程中，常用的方法包括直方图均衡化、滤波、增强边缘检测等。

直方图均衡化是一种常见的增强方法，它通过重新分布图像的灰度级，增强图像的对比度。

滤波技术则可以通过去除高频噪声和平滑图像，提高图像的清晰度。

而增强边缘检测则是通过寻找图像中的边缘信息，使图像的轮廓更加明确。

除了上述方法外，还可以利用基于深度学习的图像增强算法对指纹图像进行处理。

深度学习可以通过训练大量的图像样本，学习到图像中的特征表示，进而提高图像增强的效果。

例如，卷积神经网络可以通过多层卷积和池化操作，有效地提取图像中的纹理和结构信息，达到优化指纹图像的目的。

特征提取是指从经过增强的指纹图像中提取出与个体相关的关键特征，用于后续的比对和识别过程。

指纹图像中的特征主要包括细节点、方向和亮度等信息。

其中，细节点是指指纹图像中的细小的点状特征，方向是指指纹图像中纹线的走向，亮度则是指指纹图像中灰度的分布情况。

在特征提取的过程中，最常用的方法是利用小波变换、Gabor滤波器等技术。

小波变换可以将图像分解成不同频率的子带，并提取其中的纹理和结构信息。

而Gabor滤波器则可以模拟人脑中的视觉特性，对纹线进行检测和提取。

此外，近年来深度学习在指纹特征提取方面也取得了显著的成果。

通过训练一个深度神经网络，可以直接从指纹图像中学习到特征的表示。

深度神经网络具有较强的拟合能力和学习能力，可以自动提取图像中的关键特征，避免了手工设计特征的繁琐过程。

一种基于参考点方向的指纹极坐标匹配算法

最新大班语言我眼中的小学教案一、教学内容本节课选自大班语言领域教材第四章《我眼中的小学》。

详细内容包括：通过观察、描述和想象，让幼儿用语言表达自己对小学生活的认识和期待；学习用简单的句子描述小学的场景和活动；培养幼儿对小学生活的向往和积极情感。

二、教学目标1. 让幼儿能够用语言描述自己眼中小学的样子，提高幼儿的语言表达能力。

2. 培养幼儿对小学生活的热爱和向往，激发幼儿积极向上的情感。

3. 通过观察、思考和讨论，培养幼儿的想象力和合作精神。

三、教学难点与重点教学难点：让幼儿用完整的句子描述小学的场景和活动。

教学重点：培养幼儿对小学生活的热爱和向往，提高幼儿的语言表达能力。

四、教具与学具准备1. 教具：小学生活图片、画纸、画笔、彩泥等。

2. 学具：画纸、画笔、彩泥等。

五、教学过程1. 实践情景引入（5分钟）邀请一位小学生来到课堂上，让幼儿观察小学生并与他交流，引导幼儿关注小学生活。

让幼儿谈谈自己对小学生活的了解和期待。

2. 例题讲解（10分钟）出示小学生活图片，引导幼儿观察并描述图片中的场景和活动。

指导幼儿用简单的句子描述图片，如：“小学生正在上课，他们认真听讲。

”3. 随堂练习（10分钟）分组讨论，让幼儿互相交流自己眼中小学的样子。

每组选一名代表进行分享，其他幼儿认真倾听并给予评价。

4. 创作环节（15分钟）让幼儿用画纸、画笔和彩泥创作出自己眼中的小学。

教师巡回指导，帮助幼儿完善作品。

5. 展示与评价（10分钟）让幼儿展示自己的作品，并分享创作过程中的心得体会。

六、板书设计1. 《我眼中的小学》2. 内容：小学生活图片描述小学场景和活动的句子幼儿作品展示七、作业设计1. 作业题目：画一画你眼中的小学，并用简单的句子描述。

2. 答案示例：我眼中的小学是一个宽敞明亮的地方，有很多同学在一起学习、玩耍。

八、课后反思及拓展延伸2. 拓展延伸：组织幼儿参观小学，让他们亲身体验小学生活。

家园共育，让家长参与幼儿的学习，共同关注幼儿的成长。

图像增强技术在指纹识别中的改进

图像增强技术在指纹识别中的改进图像增强技术在指纹识别中的改进指纹识别作为一种常见的生物识别技术，已经广泛应用于各个领域，如手机解锁、门禁系统和身份验证等。

然而，由于指纹图像的质量受到多种因素的影响，如皮肤干燥、污垢和伤口等，导致了识别算法的精度和鲁棒性方面的挑战。

为了解决这些问题，图像增强技术在指纹识别中发挥了重要的作用。

本文将介绍图像增强技术在指纹识别中的改进。

首先，图像增强技术可以帮助提高指纹图像的质量。

由于指纹图像受到环境光线的影响，往往存在光照不均匀和阴影等问题。

传统的增强方法包括直方图均衡化和滤波等，但这些方法往往会导致细节丢失或噪声增加。

近年来，基于深度学习的图像增强方法被广泛研究，并取得了显著的改进。

例如，使用卷积神经网络（CNN）可以学习到图像的特征表示，从而提取出高质量的指纹图像。

其次，图像增强技术还可以提高指纹图像的对比度。

对比度是指指纹图像中的亮度差异程度，对于指纹特征的提取和匹配非常重要。

传统的对比度增强方法包括直方图拉伸和gamma校正等，但这些方法往往会引入噪声或导致图像细节丢失。

近年来，基于深度学习的对比度增强方法得到了广泛应用。

例如，使用生成对抗网络（GAN）可以生成具有高对比度的指纹图像，从而提高指纹识别的准确性。

此外，图像增强技术还可以减少指纹图像中的噪声。

由于指纹图像的获取过程中常常受到传感器噪声的干扰，导致图像的质量下降。

传统的噪声消除方法包括中值滤波和高斯滤波等，但这些方法往往会导致图像细节模糊。

近年来，基于深度学习的噪声模型得到了广泛研究，并取得了显著的改进。

例如，使用自编码器可以学习到噪声的统计特性，从而实现噪声的自适应去除。

综上所述，图像增强技术在指纹识别中发挥着重要的作用。

通过提高指纹图像的质量、对比度和减少噪声，可以有效提高指纹识别的准确性和鲁棒性。

未来，随着深度学习和图像处理技术的不断发展，图像增强技术将进一步改进，并在指纹识别领域发挥更大的作用。

低高质量指纹图像预处理与增强-图像处理课程论文设计

低质量指纹图像预处理与增强摘要指纹识别是目前研究最热的生物特征识别技术之一，对于提高身份识别的准确性和可靠性具有重要意义。

但是，由于指纹干湿程度、摁压力度等原因，采集的指纹图像存在纹线断裂或模糊，这严重地影响指纹特征提取和识别的准确性。

为此，必须对指纹图像进行增强，改善指纹图像质量。

本文首先对指纹图像处理技术作简要的介绍，然后具体分析了指纹图像预处理以及图像增强的步骤，在MATLAB下对实际的低质量指纹图像进行处理。

接着，对图像处理的结果进行分析，并提出对低质量指纹图像的改进算法，最后，对指纹图像处理技术做一个总结与展望。

目录低质量指纹图像预处理与增强 (1)一．绪论 (2)1.1指纹识别技术概述 (2)1.2自动指纹识别系统原理 (3)二．指纹图像预处理 (4)2.1 指纹图像归一化和分割 (4)2.2 指纹图像滤波 (7)2.3 指纹图像细化 (8)2.4 低质量指纹图片分析以及改进思路 (9)三．总结与展望 (12)一．绪论1.1指纹识别技术概述指纹是指手指末端正面凹凸不平的纹路，纹路由相互平行的脊线和谷线组成。

这些纹路的存在有助于增加了手指表面的摩擦力，这样我们抓起重物就比较容易。

尽管指纹只占了人类皮肤中很小的一部分，却蕴含了大量的特征信息，如：端点、分叉点、中心点、三角点等。

不同的指纹，这些特征是各不相同的，利用指纹特征的唯一性特点，就可以将指纹和个人一一对应起来。

对一个人的指纹特征进行提取并与预先保存的指纹特征进行匹配、比较就可以识别个人身份。

指纹识别技术是生物特征识别技术中的一种。

生物特征识别技术（Biometrics，字面含义为生物测定学）是指通过计算机利用人体所固有的身体特征或行为特征来进行个人身份认证的一种技术。

生物特征可以分为：身体特征和行为特征。

前者包括：指纹、掌形、人脸、虹膜、视网膜和人体气味等；后者包括：步态、签名、语音和敲打键盘的力度等，和其他生物特征识别技术相比，指纹识别是一种更为理想的身份确认技术，原因如下：（1）每个人的指纹都是独一无二的，任意两个人不具有相同的指纹；（2）每个人的指纹在胚胎期就已经固定，具有永久不变的特点，指纹不会随着个人年龄的增长或身体健康状况的变化而变化；（3）指纹样本便于采集，具有很强的实用性，易于系统的开发。

指纹识别算法综合比较.

SZU－TI DSP Lab 9
梯度值计算
采用sobel算子计算各象素点I(i,j)的梯度值Gx(i,j),Gy(i,j)
-1 -2 -1 (i,j)
121
-1
1
-2 (i,j) 2
-1
1
改进
-2 -5 -2 (i,j)
252
-2
2
-5 (i,j) 5
-2
2
Gx (i, j) = −I (i −1, j −1) − 2I (i −1, j) − I (i −1, j +1) + I (i +1, j −1) + 2I (i +1, j) + I (i +1, j +1) Gy (i, j) = −I (i −1, j −1) − 2I (i, j −1) − I (i +1, j −1) + I (i −1, j +1) + 2I (i, j +1) + I (i +1, j +1)
m=− w−1 n=− w−1
2
2
其它几种表达式(我认为不严谨)
ww
பைடு நூலகம்
∧
22
I (i, j) = ∑ ∑ h(m, n : ϕ, f ) • I (i − m, j − n)
m=−w n=−w 22
∧
w−1 w−1
I (i, j) = ∑ ∑ h(m, n : ϕ, f ) • I (i − m, j − n)
V ×[I (i, j) − M 0 ]2 V0
若I (i, j) > M 0 若I (i, j) ≤ M 0
M0,V0为预置的规格化后的图像的灰度均值和方差(通常均取为100)

(完整word版)指纹识别毕业设计

基于飞思卡尔X128的指纹采集识别系统目录1、摘要…………………………………………………………………。

.。

12、方案论证 (2)3、方案说明………..。

..。

.。

...……………………………………………。

24、硬件方案设计………………………………………………………….。

.. 35、软件方案设计..................................................................。

(5)6、调试 (12)7、技术小结（结束语)…………………………………………………。

.。

138、参考文献 (14)9、附录(源程序代码、电路图等）…………………………………………...。

..。

.。

..。

15摘要人的指纹具备唯一性、终身不变性、易获取和难以复制等特点，使得指纹识别很早就成为身份识别中的一种技术手段。

随着科学技术的发展，指纹识别已经成为目前最为实用、应用最为广泛的生物识别技术，指纹识别技术已经在金融、医疗、公安、门禁系统等领域得到了广泛的应用.人们注意到，指纹在图案、断点和交叉点上是唯一的。

根据这种唯一性，我们就可以把一个人同他的指纹对应起来。

这种依靠人体的身体特征来进行身份验证的技术称为生物识别技术,指纹识别是生物识别技术的一种.本文所设计的指纹识别系统由指纹图像采集、指纹图像预处理、指纹特征提取、指纹特征匹配、特征数据库等几部分组成。

由于指纹采集模块较贵,此处采用美国AuthenTec公司的AF—S2指纹传感器,首先由指纹采集设备采集到指纹图像并用16位的飞思卡尔X128单片机进行图像处理，转化为数字图像,然后对指纹数字图像进行预处理,再通过图像增强、分割、平滑、细化等处理过程得到便于指纹特征提取的数字图像.最后将提取到的特征与特征数据库中的特征数据进行匹配，并将识别结果送入STC89C52单片机中进行显示。

关键字指纹采集，AF-S2指纹传感器，图像处理，STC89C52单片机1方案论证指纹识别技术相对于其他识别方法有许多独到之处，具有很高的实用性和可行性。

基于细节点频谱的指纹图像匹配算法研究

基于细节点频谱的指纹图像匹配算法研究
陈汉涛;胡旭晓
【期刊名称】《浙江理工大学学报》
【年(卷),期】2015(033)006
【摘要】为了提高指纹识别系统对存在位移、缩放和旋转等线性变化的指纹图像识别率,提出一种基于指纹细节点频谱的指纹匹配算法.首先介绍了从频率域提取指纹细节点的频谱特征,利用傅里叶-梅林变换的特性来消除平移、缩放和旋转等线性变化,从而获得稳定的无需再次校准的指纹特征;由于新的频谱特征是以矩阵形式存储的,因此可以直接用欧氏距离来评估两个指纹特征的相似程度,进而完成指纹图像的匹配;最后利用Matlab搭建了一个系统平台,在FVC2002 DB2数据库中进行实验.结果表明:与其他方法相比,笔者提出的方法明显提高了自动指纹识别系统的识别率.
【总页数】6页(P858-863)
【作者】陈汉涛;胡旭晓
【作者单位】浙江理工大学机械与自动控制学院,杭州310018;浙江理工大学机械与自动控制学院,杭州310018
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.指纹细节匹配中细节点方向算法研究 [J], 刘汉英;赵明昌
2.一种基于细节点局部描述子的指纹图像匹配方法 [J], 陈晖;殷建平;祝恩;胡春风;李永
3.指纹图像匹配的算法研究及其实现 [J], 赵娟;王典洪
4.基于细节点柱形编码和深度卷积特征的指纹检索方法 [J], 宋德华;封举富
5.基于细节点投影的可撤销指纹模板生成算法 [J], 惠妍; 张雪锋
因版权原因，仅展示原文概要，查看原文内容请购买。

一种针对低质量指纹证据图像的增强算法设计

一种针对低质量指纹证据图像的增强算法设计
卢超超
【期刊名称】《现代计算机》
【年(卷),期】2024(30)7
【摘要】指纹图像采集过程中存在旋转、平移以及图像采集不全等内在差异,导致每次提取到的细节点数目是不固定的,这种特征形式后期匹配计算复杂度较高。

当前基于模板匹配的图像增强算法针对低质量指纹证据图像匹配计算复杂度较高的情况,以固定阈值完成原始图像滤波处理,未考虑单像素细化方向场特征丢失问题。

提出基于卡尔曼滤波的低质量指纹证据图像增强方法。

根据图像高斯噪声分布函数,选用VisuShrink阈值降噪,构建卡尔曼滤波器,完成指纹图像预处理。

将原始图像转化为单像素细化图,提取滤波后指纹图像的奇异点与特征点。

划分指纹图像,根据奇异点与方向向量确定指纹的方向场,进行图像增强滤波处理,完成基于卡尔曼滤波的低质量指纹证据图像增强方法设计。

构建实验环节,验证该方法应用效果,实验方法表明:该方法使用后,低质量指纹图像变得更加清晰,并且平均错误率最高仅为6.21%,评估分数均值达到了0.85,该方法有效提高了图像的增强效果。

【总页数】7页(P17-23)
【作者】卢超超
【作者单位】山西警察学院侦查系
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种基于指纹线方向的指纹图像增强算法
2.Matlab GUI在低质量指纹图像增强中的应用
3.低质量指纹图像的增强算法研究
4.面向低质量指纹图像的增强算法及应用
5.一种织物背景上的指纹图像增强方法
因版权原因，仅展示原文概要，查看原文内容请购买。

一种指纹识别的细节特征匹配的方法

一种指纹识别的细节特征匹配的方法
吴建明;施鹏飞;周洋
【期刊名称】《测控技术》
【年(卷),期】2002(021)005
【摘要】介绍了指纹识别的处理步骤,提出了一种基于细节特征匹配的自动指纹识别算法,分别给出了图像预处理、二值化、细化、纹路提取、确定指纹中心点以及指纹匹配的特征和算法步骤,并用实验进行了证明.
【总页数】4页(P19-21,38)
【作者】吴建明;施鹏飞;周洋
【作者单位】上海交通大学,图像处理与模式识别研究所,上海,200030;上海交通大学,图像处理与模式识别研究所,上海,200030;上海交通大学,图像处理与模式识别研究所,上海,200030
【正文语种】中文
【中图分类】TP242.6
【相关文献】
1.一种基于方向场和细节特征匹配的指纹识别方法 [J], 吴建明;施鹏飞
2.一种改进形状上下文特征匹配的线要素Morphing方法 [J], 李彩霞; 翟仁健; 杜佳威; 万瑞康
3.一种基于结构特征匹配的道路标识线分类方法 [J], 刘硕;刘如飞;柴永宁
4.一种改进SURF特征匹配的装配工件快速识别方法 [J], 张明路;王帅;张小俊;高
涵
5.一种动态特征匹配的部分重叠点云配准方法 [J], 杜辉;郑长亮;苗春雨;张小孟因版权原因，仅展示原文概要，查看原文内容请购买。

嵌入式系统中指纹图像细节特征自适应增强识别算法

嵌入式系统中指纹图像细节特征自适应增强识别算法
王济生
【期刊名称】《微电子学与计算机》
【年(卷),期】2017(34)7
【摘要】提出基于Gabor滤波器的指纹识别算法研究,先对采集到的指纹图像进行预处理,获取指纹有效区域的大小、指纹图像灰度等信息;基于Gabor滤波器对均衡化、归一化的指纹图像分割处理,并进行滤波增强;最后对增强处理后的指纹进行特征提取、分类和细节匹配,实现嵌入式系统中指纹的精确识别.实验结果表明,提出的指纹识别算法具有更高识别效率和识别精度,在嵌入式系统中的应用效果良好.【总页数】4页(P141-144)
【关键词】嵌入式系统;指纹识别;Gabor滤波器;特征提取;细节匹配
【作者】王济生
【作者单位】琼台师范学院信息技术系
【正文语种】中文
【中图分类】TN495
【相关文献】
1.一种自适应红外图像细节增强算法 [J], 景元萍;张永胜
2.面向人脸识别的复杂光照下图像细节增强算法 [J], 卓志宏
3.色调保持的自适应图像视频细节增强算法 [J], 凌云;严彩萍;刘春晓;李红;王勋
4.基于小波变换的彩色图像自适应细节增强算法 [J], 徐涛;李冠章
5.时空特征结合相机关联自适应特征增强的视频行人再识别算法研究 [J], 胡正平; 张敏姣; 邱悦; 潘佩云; 郑媛
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

罗希平等:自动指
4 细节匹配
4.1 细节点集的校准
P P P T Q Q T 令 P = ( x1P , y1P ,θ1P ) T ,..., ( x M , yM ,θ M ) 表示模板图像中的 M 个细节点, Q = ( x1Q , y1Q ,θ 1Q ) T ,...,( x Q 表 N , y N ,θ N )
员,博士生导师,主要研究领域为医学图像处理,模式识别,计算机图形学.
罗希平等:自动指纹识别中的图像增强和细节匹配算法
947
人[3]在针对指纹匹配中的点模式匹配问题提出了一种算法, 该算法将直角坐标系中的细节点转换到极坐标系中,通过串匹配算法来进行点匹配.
Off-Line① Enhanced ⑤ image
P3 Associated ridge ① P2 P4 Minutiae direction② P1 Associated ridge P2 P3
P1
Ridge bifurcation④
Ridge ending③ ①对应脊线,②细节点方向,③脊线末梢,④脊线分支.
Fig.3 Associated ridge 图 3 细节点的对应脊线
Fig.1 图1
Block diagram of AFIS 自动指纹识别系统框图
我们参考 Anil Jain 等人 [3]的算法,并对其作较大的修改, 提出一种新的基于极坐标下的点模式匹配的指纹匹配算法.修改将主要体现在 3 个方面.首先,我们采用一种更为简单而有效的指纹图像校准方法.其次,与 Anil Jain 等人的算法仅在校准阶段使用脊线信息的做法不同 , 我们将脊线信息引入随后的匹配过程中. 最后 ,Anil Jain 等人的算法在匹配过程中使用了一个固定大小的界定盒, 而我们的算法将采用一个大小可变的界定盒 ,从而使算法能更有效地处理被匹配的两幅指纹图像之间的非线性形变 ,被匹配的两幅指纹图像之间的非线性形变是指纹匹配中最难解决的问题,是对指纹匹配算法最大的挑战.本文的前期工作见文献[10]. 本文第 2 节介绍指纹图像增强算法.第 3 节介绍细节提取.第 4 节介绍细节匹配算法.第 5 节给出实验结果. 第 6 节是总结和相关的讨论. 2
Fingerprint image ② acquisition
Image
③
Image ④ enhancement
Minutiae ⑥ extraction
Minutiae
⑦
Database
⑧
Fingerprint image acquisition
Image
Image enhancement
Enhanced image On-Line
i
则方向 iMax 和 iMax+4 为该像素处可能的脊线方向,若该像素处的灰度值为 Gray,则脊线方向为
948 iMax iDir = iMax + 4
Journal of Software
软件学报
2002,13(5)
if abs(Gray − Gmean[iMax]) < abs(Gray − Gmean[iMax + 4]) , otherwise
3 细节提取
经过上述图像增强步骤之后 , 再对二值图像进行细化, 检测细节点及进行细节点后处理 , 在此不详叙. 对最终检测出来的每一个细节点,我们记录如下信息:(1) 细节点的 x, y 坐标 ;(2) 细节点的方向,这个方向定义为该细节点所在的局部脊线的方向 ;(3) 细节点的类型,即脊线末梢或脊线分支 ;(4) 细节点对应的脊线(di,α i).这样就将一副指纹图像转化成了一个由细节点组成的平面点集. 细节点对应的脊线用在与该脊线上的采样点来表示, 采样的距离约为脊线间的平均距离. 脊线分支点对应的脊线是距该细节点的方向最近的那条. 脊线末梢对应的脊线则是该细节点所在的脊线. 采样点用该点与对应细节点的距离 di 和连接该点与对应细节点的直线与对应细节点方向的夹角 α i 来表示 ,α i 的取值范围是 −180°~180°.图 3 给出了细节点对应的脊线及脊线上的采样点的例子.在细节匹配中,对应脊线将被用来对需要进行匹配的两个平面点集进行校准, 而且校准的参数,也就是两个点集中任意一对脊线间的旋转角度, 将被用作为判断它们所对应的细节点能否看做是匹配的细节点的条件.
即取 iMax 和 iMax+4 方向中灰度平均值与该像素的灰度值比较接近的方向作为该像素处的脊线方向. 为了减少噪声的影响, 保证方向场估计的准确性,我们采用通用的做法,将图像分成 16× 16 的小块,以小块内所有像素的方向的平均值作为该小块的脊线方向, 该小块内每个像素的脊线方向都取为该小块的脊线方向, 具体做法为,先计算该小块内方向估计为 i( i=0,1, … , 7 分别代表 8 个方向) 的像素个数 Num[i ],然后将该小块图像的脊线方向取为 Dir = arg( Max ( Num[i ]) .
⒀
Minutiae extraction
Input ⑨ minutiae
Template minutiae
⑾
Minutiae ⑩ matching
Result⑿
①离线部分,②指纹图像采集,③指纹图像,④图像增强,⑤增强后图像,⑥细节提取,⑦细节点, ⑧细节点数据库,⑨输入细节点,⑩细节匹配,⑾模板细节点,⑿匹配结果,⒀在线部分.
[4]
á
收稿日期: 2001-04-06; 修改日期: 2001-07-06 基金项目: 国家自然科学基金资助项目(69875019;60071002;60072007;69931010;60172057) 作者简介: 罗希平 (1974－),男 ,湖南娄底人 ,博士,主要研究领域为图像处理, 模式识别 ;田捷 (1960－),男 ,安徽芜湖人 ,博士,研究
Fig.2 图2
Eight ridge directions of a pixel
在一个像素处的 8 个指纹脊线方向
对于图像的每一个像素,为了确定在该像素处脊线的方向, 在以该像素为中心的 9×9 窗口内, 分别计算 8 个方向上的灰度平均值 , 即将图 2 中标有 i( i=0,1, … ,7 分别代表 8 个方向 ) 的位置的像素灰度值取平均得到 Gmean[i], 然后将这 8 个平均值按两两垂直的方向分成 4 组,0 和 4 一组,1 和 5 一组,2 和 6 一组,3 和 7 一组, 计算每组中两个平均值的差值 Gdiff[j]=abs(Gmean[j]−Gmean[j+4]), j=0,1,2,3 为脊线方向, 取差值的绝对值最大的两个方向为可能的脊线方向,若 iMax = arg( Max(Gdiff (i )) ,
á
摘要: 对自动指纹识别系统 (automated fingerprint identification system,简称 AFIS)的两个重要问题—— 指纹图像增强和细节匹配进行研究, 给出了一种基于方向场的指纹图像增强算法, 对 Anil Jain 等人提出的细节匹配算法进行了修正 .采用一种新的更简单的方法进行指纹图像的校准, 并以一种简单而有效的方式将脊线信息引入匹配过程中, 这样做的好处之一是以较低的计算代价有效地解决了匹配中参照点对的选取问题.另外, 采用大小可变的限界盒来适应指纹的非线性形变. 在 FVC2000 公布的指纹图像数据库上, 按照 FVC2000 测试标准所做的实验显示,该算法比原算法有较大的改进. 关键词: 自动指纹识别系统(AFIS);图像增强;细节匹配中图法分类号: TP391 文献标识码: A
1000-9825/2002/13(05)0946-11
©2002 Journal of Software
软件学报
Vol.13, No.5
自动指纹识别中的图像增强和细节匹配算法
罗希平, 田捷
(中国科学院自动化研究所人工智能实验室,北京 E-mail: tian@ 100080)
i
2.2 二值化得到图像每个像素处的方向场后,再依据方向场来对图像进行二值化. 若该像素处的脊线方向为 i,先用估计方向场时用到的方法计算该像素处在方向 i 和垂直方向 iVar=(i+4) mod 8 的灰度平均值 Gmean[i]和 Gmean[iVar],然后将该像素二值化为 255 if Gmean[ i] ≥ Gmean[iVer ]) iVal = , 0 otherwise 其中 iVar 表示二值图像中该像素处的值,255 为二值图像中图像背景和谷线的灰度值,0 为二值图像中图像脊线的灰度值.
(
)
(
)
示输入图像中的 N 个细节点. 为了把细节点转换到极坐标系中去, 要在模板细节点集和输入细节点集中各选一个参照点作为相应的极坐标系中的原点,并算出其他细节点相对于参照点的极坐标. 对模板点集中的每一点 Pi (1 ≤i ≤M )和输入点集中的每一点 Q j(1 ≤j ≤N),定义 rotate [ i][j ]为将 Pi 和 Qj 当作参照点对时, 从输入图像到模板图像的旋转角度.如果 Pi 与 Qj 可以被当成一对对应点,即它们分别对应的脊线相似性到一定程度,则 rotate[i ][ j] 将取 0° ~360°间的一个值,否则我们定义 rotate[ i][j ]取值为 400 以表示 Pi 与 Q j 不能作为一对对应点.注意,rotate[i][j]<400 表示 Pi 与 Qj 对应的脊线相似性到了一定程度. 如果 Pi 和 Q j 是相同类型的细节点, 且记录的对应脊线中的点个数相同, 则它们 (Pi 与 Q j) 是不是对应点对及 rotate[i][j]的取值将由如下算法决定. 用 R 表示细节点 Pi 对应的脊线, r 表示细节点 Qi 对应的脊线.匹配 r 与 R,用式(1) 计算这两条脊线间的差异: 1 L ∑ R(di ) − r (di ) , L i =0 1 L Diff _ ang = ∑i =0 R(αi ) − r (αi ) , L Diff _ dist = r(α i)分别表示连接脊线 R 与 r 上的点 i 与对应的细节点的直线与对应细节点的方向的夹角,如图 4 所示.