下载文档原格式
WSN中基于指纹匹配的室内定位方法竺超明;华子雯;陈立建;徐慧;毛科技【摘要】定位技术在无线传感器网络应用中发挥着重要的意义.GPS等室外定位方法在室内环境中信号差,在场景复杂的室内环境中很难有效定位,因此本文实现的一种基于指纹匹配的WSN室内定位方法.首先构建定位区域中的信号强度指纹地图,利用Kriging插值算法构建分辨率较高的定位指纹地图,然后进行匹配指纹地图定位,采用余弦相似度和空间索引进行目标定位,最后采用K-means提高定位精度并进行优化.基于该定位方法开发了一套WSN室内定位系统,采用Micaz节点作为基站节点,通过实际实验和仿真实验验证了定位方法在室内定位场景中具有较好的抗障碍物干扰性,定位误差在5 cm左右.【期刊名称】《传感技术学报》【年(卷),期】2019(032)003【总页数】7页(P451-457)【关键词】无线传感器网络;指纹匹配;室内定位;Kriging插值;K-means聚类【作者】竺超明;华子雯;陈立建;徐慧;毛科技【作者单位】浙江广播电视大学萧山学院,杭州310000;浙江工业大学计算机科学与技术学院,杭州310032;浙江工业大学计算机科学与技术学院,杭州310032;浙江广播电视大学萧山学院,杭州310000;浙江工业大学计算机科学与技术学院,杭州310032;浙江工业大学计算机科学与技术学院,杭州310032【正文语种】中文【中图分类】TP393无线传感器网络WSN(Wireless Sensor Networks)主要用来监测网络部署区域中各种环境特性,比如温湿度、光照强度、磁场强度、受力强度、速度或加速度、化学物质浓度等等,但是只有在知道节点位置信息的情况下很多监测的数据才有意义。
换句话说,传感器节点的定位在无线传感器网络的诸多应用中有着十分重要的意义。
目前室外定位方法主要是通过全球定位系统GPS(Global Positioning System),GPS卫星通过发射电磁波信号计算距离,从而实现定位功能,然而GPS信号在室内环境或信号穿透比较差的场景中,不能实现高精度定位,因此很难满足室内定位的需求。
基于指纹密码提取建立的指纹识别模型发布时间：2021-09-13T00:31:18.375Z 来源：《基层建设》2021年第17期作者：康文润吴梅韩秋月[导读] 摘要：指纹具有唯一性、稳定性和可采集性的特点，是人类重要的生物特征，实际应用非常广泛。
1.佳木斯大学生命科学学院2.青岛科技大学经济与管理学院3.佳木斯大学理学院摘要：指纹具有唯一性、稳定性和可采集性的特点，是人类重要的生物特征，实际应用非常广泛。
一个完整的指纹识别系统从图像采集包含：图像处理、特征提取、特征编码、模型匹配四个环节。
针对问题一，将指纹图像中心点和特征点的分布关系作为指纹密码，并把坐标数据保存在不超过200字节的文本文件当中。
针对问题二，通过比较两指纹间的特征三角形得出不同指纹的异同及相似程度。
针对问题三，依据庞加莱指数将16个指纹分为左环形、螺旋形、弓形三种类型。
关键词：指纹识别系统；特征三角形；模糊综合评价；庞加莱指数一、问题重述指纹的形成是基因与环境相互作用的结果，一个完整的指纹识别系统应包含图像采集-图像处理-特征提取-特征编码-模式匹配等流程。
为了实现计算机自动识别的功能，寻求一种方法来描述指纹的内在结构、具体形态和其它特征并将其用最少的字节数来存储于计算机中。
1：（编码）给出一种不超过200个字节（下面称为“指纹密码”）刻画描述指纹的基本特征的表示方法，并介绍原理2：（匹配）编程实现所用的表示方法，对附件中的指纹都用其“指纹密码”来表示，并给出一种方法比较不同指纹间的异同及相似程度。
3：（应用）对附件中的指纹进行对比和归类，并给出对比分类的依据和结果。
二、问题分析2.1问题一的分析前提我们选取了附件中的01图作为例子来构建方法。
首先对选取的01图做预处理，运用指纹增强的算法，即归一化、均衡化、图像分割、二值化等对图像处理之后，再运用基于稀疏矩阵指纹识别算法对指纹进行特征提取包括中心点提取和特征点提取（端点、分叉点），便得到了不超过200个字节表示指纹的基本特征的表示方法。
基于MDT指纹特征库的IAOA定位算法研究和应用林剑领;吴月文;田上力【摘要】随着近几年LTE基站的大规模建设,LTE网络结构变得异常复杂,弱覆盖区域的精准定位将是面临的难题,若不能很好的解决弱覆盖区域,将会直接影响用户的感知体验.另外弱覆盖定位精度的提升可改善建站的有效性,节约建站成本.分析对比各种定位算法的优劣,结合移动通信的特性,利用终端上传的MR数据,研究应用IAOA结合MDT指纹特征库的定位算法,经验证可有效提升LTE弱覆盖的定位精度.【期刊名称】《通信技术》【年(卷),期】2019(052)007【总页数】4页(P1671-1674)【关键词】MDT;IAOA;LTE;定位算法【作者】林剑领;吴月文;田上力【作者单位】中国移动温州分公司,浙江温州 325000;中国铁塔温州分公司,浙江温州 325000;中国移动温州分公司,浙江温州 325000【正文语种】中文【中图分类】TP3930 引言当前移动互联网引领时代发展的浪潮，我们每天都生活在各种信息爆炸中，移动互联网给我们的生活带来诸多便利，如移动支付、共享单车、电子商务等等。
LTE（Long Term Evolution，长期演进）无线网覆盖的质量直接关系到移动互联网体验，LTE弱覆盖区域用户的体验感知将明显下降，所以非常有必要研究一种定位算法精准定位LTE弱覆盖区域，指导基站规划有效解决弱覆盖问题。
利用终端用户反馈的MR数据和携带位置信息的MDT（Minimized Drive Test，最小化路测）数据，研究基于指纹特征库的IAOA（Improved Angle-of-Arrival，改进的到达角）定位算法进行解析处理并精准定位LTE弱覆盖区域。
1 定位技术介绍当前的定位技术主要依赖于基站位置信息和用户上报的MR（Measure Report，测量报告）数据以及OTT（Over The Top，通过互联网向用户提供各种应用服务）数据。
基于中心点定位的指纹匹配算法研究叶雪军1,2(1.华中科技大学 湖北武汉 430074;2.湖北经济学院 湖北武汉 430074)摘 要:指纹识别算法是自动指纹识别系统的核心技术,基于细节匹配的算法是广泛采用的算法,但是其识别率受到中心点定位精度的限制。借鉴基于滤波的指纹识别算法的中心点识别方法,解决基于细节匹配的指纹识别算法的中心点匹配问题。对实际指纹传感器采集的指纹测试的结果表明,该指纹识别算法的识别率得到提高,具有一定的实用性。关键词:指纹识别;匹配算法;中心点定位;自动指纹识别系统中图分类号:TP391141 文献标识码:A 文章编号:1004373X(2006)1109803
ResearchonFingerprintMatchingAlgorithmBasedonLocationoftheCoreYEXuejun1,2(1.HuazhongUniversityofScienceandTechnology,Wuhan,430074,China;2.HubeiUniversityofEconomics,Wuhan,430074,China)
Abstract:Thefingerprintmatchingalgorithmisoneofthekeytechnologyofautomatedfingerprintidentificationsystem.Theminutiaebasedalgorithmiswidelyused,whilethediscriminationmainlyaffectedbytheaccuracyofthelocationoffin-gerprintcore.Thefilterbasedalgorithmisanotherfrequentlyusedalgorithm,whoselocationofcoreismoreefficient.Amatchingalgorithmcombinebothalgorithmsareintroduced,whichsolvethecorelocationproblemoftheminutiaebaseda-lgorithm.Theexperimentsprovethatthediscriminationoftheidentificationalgorithm,whichiseasytorealizeisimproved.Keywords:fingerprintidentification;matchingalgorithm;locationofthecore;automatedfingerprintidentificationsystem
收稿日期:200511281 引 言随着计算机技术的发展,自动指纹识别系统(Auto-matedFingerprintIdentificationSystem,AFIS)得到了广泛的重视和应用。作为一种生物特征识别技术,人的指纹具有惟一性和稳定性的特点。相比其他生物特征识别技术,指纹识别技术具有识别效率高,采集方便,成本低廉等优点。随着指纹传感器的价格不断降低,指纹技术已经逐渐走向民用市场,应用到很多嵌入式设备中。在嵌入式设备加入指纹识别功能,其核心是嵌入式指纹识别算法。如何将好的指纹识别算法移植到嵌入式指纹识别系统上,并且不损失算法的各项性能,成为该类设备设计的核心问题。笔者设计了一款嵌入式指纹识别系统。指纹识别算法部分大胆地将基于滤波的匹配方法中的手段应用于细节匹配法中,实现了一种基于中心点定位的指纹匹配算法。
2 指纹识别算法指纹识别算法是自动指纹识别系统(AFIS)的核心技术,这方面的研究早在19世纪初就开始了,20世纪90年代末到现在,由于半导体指纹传感器的出现,使得指纹识别广泛地应用在个人电脑、个人数字助理、掌上电脑、手记、门禁系统、考勤系统、保险箱控制系统等很多领域,这对算法的性能也提出了更高的要求。通过比较和实践各种指纹识别技术,笔者总结出一套具有快速和较高识别率的指纹识别系统。
指纹识别算法主要分为2类:一类是基于细节特征点(MinutiaeBased)的指纹识别算法;另一类是基于滤波(FilterBased)的指纹识别算法,如图1所示。
图1 两类指纹识别算法基于细节特征点的指纹识别算法是在采集到指纹图像后,经过灰度滤波、二值化、二值滤波、细化、细化后的去噪等对图像进行预处理,然后提取特征点,也就是指纹特征向量的提取,最后进行特征匹配,将其和模板的特征点进行比对。而基于滤波的指纹识别算法,主要是充分利用指纹图像纹理结构信息,抓住图像全局特征,体现细节特点。指纹图像的脊和谷具有局部平行性和特定的纹理频率,基于滤波器的算法利用Gabor滤波器,选择合适的参数,可以获取局部和全局特征,增强特定方向的信息,保留真正的脊和谷结构,降低其他方向上的强度。笔者设计采用基于细节特征点的指纹识别算法,经证明指纹图像预处理部分是比较成功的,特征点求取也相当准确,但是还存在一个问题,由于匹配算法是利用网格以中心点为圆心进行旋转匹配的,所以匹配的结果很大程度依赖于中心点求的准确度。当对同一指纹2次取图并确
98
自动化技术叶雪军:基于中心点定位的指纹匹配算法研究定的中心点位置不一样时,匹配就会失效。所以研究的重点就是如何使中心点定位更准确,实现指纹特征匹配的问题。下面重点讨论基于中心点定位的指纹特征匹配算法。3 指纹匹配算法笔者设计的指纹特征匹配是指基于细节特征的特征匹配算法。对于给定的两个指纹特征(待测特征和参考特征),指纹匹配的目的是判别二者是否由同一指纹所得。实际上也就是获得两副指纹的相似度,并根据测得的相似度给出一个门限以得出一个二值的匹配结论。前人在特征匹配算法做了很多工作,IsenorDK.等人提出了图匹配方法,AndrewK.Hrechak等人用结构匹配法。目前最常用的方法是用FBI提出的细节点坐标模型来做细节匹配。他利用脊线末梢(我们称为端点)与脊线分支点这两种关键点来鉴定指纹。通过将细节点表示为点模式,一个自动指纹认证问题可以转化为一个点模式匹配(细节匹配)问题。本文采用的就是这种指纹匹配方法。点模式匹配问题是模式识别中的一个有名的难题,人们对一般的点模式匹配问题提出过很多的算法,像SanjayRa-nade等人的松弛算法,此方法要反复迭代,计算量大;hihhsuChang等人的基于二维聚类的快速算法、ZsoltMikl等人的三角匹配的算法、XudongJiang等人的基于局部和全局结构的匹配算法,这些算法可靠度适用性有待提高。指纹匹配中的点模式匹配问题需要解决指纹图像的平移、旋转和缩放的问题。由于在验证型的指纹识别系统(如门禁系统)中,指纹采集设备是一致的,缩放的问题不是很严重,但平移和旋转是指纹匹配需要考虑的两个重要因素。此外,还需考虑指纹采集过程中的指纹特征点丢失和增加,特征提取过程中点坐标的误差等,也就是在匹配时要考虑特征匹配对在数量和位置上的容限问题。要解决指纹的平移和旋转问题,如果不在预处理过程中就通过变换的方法将待测指纹和参考指纹通过Hough转换等方法保持一致,就需要在指纹匹配的时候将这些因素考虑进去,通常的方法是寻找指纹的中心点,匹配以中心点为基础进行,求出特征点相对于中心的位置,再进行匹配。笔者采用后一种方法,在本算法中中心点定位就显得很重要。4 中心点的定位中心点定义为指纹的脊曲线曲率最大的点,在基于点模式的匹配算法中,将中心点作为匹配的参考点具有一致性比较强的特点。中心点定位算法可以在方向图中进行,如基于灰度梯度的算法,此种算法对于拱形指纹效果不佳;也有在细化图中跟踪得到中心点,跟踪算法比较复杂,且对指纹质量要求高,适用比较清晰的指纹图,如果指纹中心区噪声比较大甚至有的中心点已经丢失,在细化图上依赖比较严格的算法往往搜不到中心点,或搜到错误的点,从而使这种算法的可靠性降低,若有的指纹图噪音大,内层弧的顶点或最内层弧中的棒都缺失,中心点就无法搜寻。研究表明,在特征提取比较成功的情况下,用我们采用的匹配算法,中心点的定位显得非常关键,直接影响到匹配的效果。经过多种算法的实践和测试,笔者采用了中心点定位算法,中心点定位的过程如图2所示。该算法将块方向信息和脊的细节特征结合起来确定中心点。相比其他定位方法,该算法对指纹图像质量要求不高,定位更准确。其中图2(c)中最暗的点就代表了中心点。
图2 中心点定位过程该算法可简单描述如下:(1)求取指纹图像的块方向/(i,j);在预处理中采用的是基于块方向图灰度梯度算法,其中块方向图的算法的结果在这里继续得到使用。(2)在邻域内将/(i,j)进行平滑(低通滤波),得到平滑后的块方向图/c(i,j)。首先将/(i,j)表示为x方向和y方向的连续向量,也就是计算/(i,j)在x坐标方向和y坐标方向的分量。5x(i,j)=cos(2/(i,j)) (1)
5y(i,j)=sin(2/(i,j)) (2)
然后分别对5x和5y进行低通滤波:
5c
x(i,j)=Ew5/2u=-w5/2Ew5/2v=-w5/2W(u,v)#5x(i-uw,j-vw)(3)
5c
y(i,j)=Ew5/2u=-w5/2Ew5/2v=-w5/2W(u,v)#5y(i-uw,j-vw)(4)
其中W(u,v)代表二维的低通滤波器,其大小为w5@w5,我们采用的是简单的5@5平均滤波器。这样,平滑后的块方向图表示为:
Oc(i,j)=12tan-15cy(i,j)5cx(i,j)(5) (3)计算Oc(i,j)的sine分量E(i,j),结果如图2(c)
所示,图中最黑的点就代表了所求的中心点。E(i,j)=sin(/c(i,j))(6)简单的说,中心点定位算法包括块方向图确定(在预处理部分已经获得)、块方向图平滑、sine函数求取和极值求取几个方面。块方向图平滑采用一个5@5的二维低通滤波模板(平均值滤波器)对块方向图的x轴分量和y轴分量分别进行平滑,将平滑后的结果再通过反tan函数重新合并为方向图,使原块方向图在整个图像区域均匀分布。在平滑后的块方向图上对每一象素点求取sine函数,经过这一步处理的图像在中心点处有一个区别于其他点99
《现代电子技术》2006年第11期总第226期 测试#测量#自动化
