下载文档原格式
指纹识别的原理指纹识别，又称指纹辨识、指纹鉴定，是一项技术，多用于身份鉴定，能根据人类指纹结构特征来识别个人身份。
指纹识别是以人指纹特征为样本，将静态图像变成数字模式，以此来识别人身份的一种生物特征识别技术。
它是利用人体指纹中不仅表面细节，而且还包括指纹内部细微凹凸等特征，采用指纹扫描仪扫描指纹，快速准确地完成身份识别，并结合现代计算机技术，可将指纹特征翻译成数字、字母的信息，作为身份识别的重要依据。
指纹识别的原理是将侧滑模板指纹图像，与指纹对比原理图像相比，通过电子比较来识别个人身份。
电子复原技术允许精确识别指纹，有助于破解人脸识别技术在性别、年龄、种族或社会变化下出现的误差。
指纹识别技术工作原理如下：（1）采集指纹：首先，将你的手指放在指纹采集装置（指纹扫描仪）上，采集器可以按照指定的标准，对比全掌的指纹纹理及其他信息，将得出的结果存储在计算机内供后续分析。
（2）数字化指纹：在采集到指纹图像后，指纹识别系统会将指纹采集仪拍摄的指纹参数进行数字化处理。
（3）指纹特征提取：指纹特征提取算法是识别指纹特征的核心部分，它能从指纹图像中提取出指纹的安全性、可靠性和可比性更高的特征参数，并将其保存在指纹模板中。
（4）指纹核验：利用计算机技术和数字指纹处理技术，可以快速准确地进行指纹核验，验证指纹模板的精确性。
（5）指纹识别：指纹识别是根据特定的指纹特征提取算法，从指纹图像中进行特征提取，建立指纹索引库，从而实现个体指纹识别的一个过程。
最后，指纹识别技术具有高效快速、识别准确率高、多媒体综合管理稳定可靠等特点，在人脸识别技术已无法准确识别的情况下，指纹识别技术可以准确快速的辨识特定的个体，对于提高身份安全性，实现数字资源管理具有重要作用。
指纹识别的过程及原理长指纹的形状不会发生改变，只是明显程度的变化，而且每个人的指纹都是不同的，在众多细节描述中能进行良好的区分，指纹纹路有三种基本的形状：斗型（whorl）、弓型（arch）和箕型（loop）。
在指纹中有许多特征点，特征点提供了指纹唯一性的确认信息，这是进行指纹识别的基础，分为总体特征和局部特征，总体特征又包括了核心点（位于指纹纹路的渐进中心）、三角点（位于从核心点开始的第一个分叉点或者断点，或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点）、纹数（指纹纹路的数量）；局部特征是指纹的细节特征，在特征点处的方向、曲率、节点的位置，这都是区分不同指纹的重要指标。
指纹识别过程分为两个次要过程，分为四个部分。
两个次要的过程是指纹记录和交叉核对过程。
指纹记录过程由四个部分组成：指纹采集、指纹预处理、指纹检查和指纹模板采集。
指纹比对过程还包括四个部分：指纹采集、指纹预处理、指纹特征比对和匹配。
在这两个过程中，指纹图像的前处理都存在，但指纹图像的取值和指纹特征的值似乎有相同的名称，但它们的内在算法和性质是完全不同的。
在引入指纹的过程中，更频繁地获得指纹图像，而单值提取部分的算法更多地关注一些特征值的辨析和获取过程。
指纹识别的第一步是指纹图像的获取，目前已经有多种指纹图像的获取方式，主要有光学指纹采集技术、电容式传感器指纹采集、温度传感指纹获取技术、超声波指纹采集技术、电磁波指纹采集技术，获得图像后进行预处理加工，要实现图像的灰度变换、分割、均衡化、增强、细化等预处理步骤。
首先要把指纹从整个图案上分割出来，背景图和指纹分布图的灰度是不同的，这就确定了两者强度的区别，利用梯度这个概念就能将指纹从背景图中很好的分离开；均衡化是预处理中的重要一步，在提取时根据环境的不同得到的指纹图像不同区域的像素分布点是不同的，均衡化就是将不同区域分布的像素进行均值划分得到亮度分布均衡的图像；为了便于特征的提取，在几步加工后的图像还要智能化增强，Daugmann实现了利用Gabor小波逼近的方法使指纹图像的纹路线条更加清晰，即白的部分更白，黑的部分更黑，线条的边缘分布更加平滑。
指纹信息提取技术分析与实现指纹信息提取技术分析与实现指纹是每个人独特的身份特征之一，可以用于身份验证和犯罪侦查等方面。
指纹信息提取技术是将人类指纹转化为可用于分析和比对的数字信息的过程。
本文将对指纹信息提取技术进行分析与实现。
1. 指纹信息提取技术的分类指纹信息提取技术可以分为以下几种：特征提取、图像增强、图像分割、特征匹配等。
特征提取：通过分析指纹图像中的纹线和纹谷等特征，提取出指纹的特征点，用于后续的比对。
图像增强：对指纹图像进行处理，增强图像的对比度和清晰度，以提高后续处理的准确性。
图像分割：将指纹图像中的纹线和纹谷分离开来，便于后续处理中对纹线的特征进行提取。
特征匹配：将待比对的指纹特征与数据库中的指纹特征进行比对，找到相似度最高的指纹，用于身份验证或犯罪侦查。
2. 指纹特征提取算法指纹特征提取算法是指将指纹图像转化为用于比对的数学特征的算法。
这些算法可以分为两类：定位算法和特征提取算法。
定位算法：通过寻找指纹的基本特征，如核心点和三角区域等，确定指纹的相对位置和方向。
特征提取算法：主要包括纹线细化、细节提取以及特征点提取等步骤。
纹线细化通过对指纹图像进行一系列滤波操作，将纹线从原始图像中提取出来。
细节提取阶段主要提取指纹图像的细节信息，如纹孔等。
特征点提取阶段则是通过分析纹线的特征点，如分叉点和岔路点等，提取出用于比对的指纹特征。
3. 指纹图像增强技术指纹图像增强技术旨在增强指纹图像的对比度和清晰度，以提高后续处理的准确性。
常用的指纹图像增强技术包括直方图均衡化、滤波和增强方法。
直方图均衡化：通过对指纹图像的像素值进行调整，使得整个图像的像素值分布更加均匀，从而提高图像的对比度。
滤波方法：通过对指纹图像进行空域滤波或频域滤波，去除图像的噪声和模糊，提高图像的清晰度。
增强方法：通过对图像进行增强操作，如灰度拉伸、边缘增强和细节增强等，提高图像的质量。
4. 指纹图像分割技术指纹图像分割技术主要目的是将指纹图像中的纹线和纹谷分离开来，便于后续处理中对纹线的特征进行提取。
第四节指纹图像特征提取一、基于灰度图像的细节特征提取基于直接灰度的指纹细节特征提取方法 不对指纹灰度图像进行二值化, 而是直接从指纹图像的灰度出发，通过分析指纹细节特征点处本身的拓扑变 化来实现特征提取的。
在增强与处理过程中得到了指纹图像的方向图信息，方向是沿着脊线方 向的，在这个方向的垂直方向上，即脊线的横截面上，灰度分布会出现极大 值和极小值，于是可以通过确定图像中的灰度分布的局部极大值来确定脊线 的位置，从而找到脊线上的特征点，如图 5-25所示。
算法描述如下：1） 计算指纹图像的方向图，得到指纹纹线的整体和局部走向。
2） 根据指纹方向图提供的方向信息，由初始点出发，开始在该处的法 线方向上，半个纹线周期内，寻找一个极大值点，作为新的出发点。
3） 从新的出发点出发，沿方向图的方向前进一步长，然后再在此处 沿此处的法线方向寻找极大值点，作为新的出发点。
4） 重复步骤3），并且判断寻找到的新的出发点是否为特征点。
5） 记录跟踪的折线，即得到指纹纹线的脊线。
图5-25脊线跟踪提取到特征点这个方法中最为关键的环节是如何 设定跟踪终止的判据条件。
可以将跟踪终止的判据设定为:1）跟踪点已经接近或者已经处于有效区域的边缘，这时跟踪停止，不产生任何特征点，只产生指纹纹线的脊线。
2）跟踪点所处截面找不到局部极大值，这表明跟踪点已经离开脊线进入了背景或谷线区域，这时产生一个末梢点。
3）跟踪线和先前已经跟踪过了的脊线相交，这时跟踪应该停止，交点即为分叉点。
4）如果跟踪过程中出现跟踪脊线的角度偏转太大，由于这种情况往往表示跟踪出现了错误，因此应该停止跟踪，此时没有特征生成。
该方法需要图像具有很好的纹理性质，即要求噪声要尽可能地小，否则会影响跟踪的质量，从而影响特征提取的效果，但对灰度的均匀和对比度要求相对较小。
基于直接灰度的方法执行速度相对较慢，在极大值判断环节算法复杂度相对要复杂，但它提取的特征点中虚假细节点较少，后处理环节容易。
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。
手机指纹识别原理手机指纹识别技术作为一种非常便捷和安全的身份验证方式，越来越被广泛应用于手机等设备的解锁和支付功能。
本文将介绍手机指纹识别的原理，包括指纹录入、特征提取、模式匹配和识别结果判定等关键步骤。
手机指纹识别技术的原理的详细解释如下所示。
一、指纹录入为了进行手机指纹识别，首先需要将用户的指纹信息录入到系统中。
手机的指纹传感器通过光学或者电容等原理，能够获取用户指纹的图像。
一般情况下，指纹传感器位于手机的主屏幕下方或者背部，用户只需要将手指轻按在传感器上即可完成指纹录入。
二、特征提取当用户的指纹信息被录入后，接下来的关键步骤是对指纹图像进行特征提取。
通过特定的算法，将指纹图像中的特征点提取出来，这些特征点通常包括指纹的起伏、脊线和细节等信息。
特征提取算法通常采用方向梯度直方图（Orientation Gradient Histogram，简称OGH）等方法，将指纹的特征点映射为数字化的特征模板。
三、模式匹配在特征提取完成后，手机指纹识别系统会将用户的指纹特征模板与之前录入的指纹模板进行比对。
比对算法通常使用的是模式匹配算法，如相关性匹配、归一化匹配等方法。
系统会计算待识别指纹与每个已有指纹模板之间的相似度，并找到最相似的指纹模板作为匹配结果。
四、识别结果判定经过模式匹配后，系统会获得一个相似度的数值，用于判断当前指纹是否匹配成功。
通常情况下，系统会设定一个匹配阈值，当相似度超过该阈值时，认定为匹配成功，手机解锁或者支付等操作得以进行；反之则认为匹配失败。
用户可以根据需要调整匹配阈值的强度，以平衡安全性和使用便捷性。
总结手机指纹识别技术的原理基于指纹的唯一性和稳定性，在手机设备上实现了便捷而安全的身份验证方式。
通过指纹录入、特征提取、模式匹配和识别结果判定等步骤，手机指纹识别系统能够快速准确地识别用户的身份，保证用户信息的安全性。
随着技术的发展，手机指纹识别技术将不断优化和改进，为用户提供更加方便和安全的身份验证体验。
指纹识别的过程及原理一、概述指纹识别是一种常见的生物特征识别技术，通过分析人体指纹的形态特征和纹线特征，将其转化为数字化的信息，用于身份认证、门禁控制、犯罪侦查等领域。
本文将详细介绍指纹识别的过程和原理。
二、指纹识别的过程指纹识别的过程可以分为图像获取、特征提取和匹配三个步骤。
2.1 图像获取指纹图像的获取是指将人体手指放置在指纹采集设备上，通过光学或电容传感器等技术，将指纹的形态和纹线特征转化为数字图像。
指纹图像的质量对后续的特征提取和匹配过程有重要影响，因此，图像获取的过程需要保证指纹图像的清晰度和完整性。
2.2 特征提取特征提取是指从指纹图像中提取出能够表征指纹的关键特征。
常见的特征提取方法有两类：形态学特征和纹线特征。
2.2.1 形态学特征形态学特征是指指纹图像中的形态特征，如指纹的形状、面积和方向等。
这些特征可以通过计算指纹图像的几何特征来获取，如指纹的核心点、三角点和纹线的长度等。
2.2.2 纹线特征纹线特征是指指纹图像中纹线的形态特征，如纹线的走向、分叉和终止等。
常用的纹线特征提取方法包括细节方向频率、方向梯度直方图和Gabor滤波器等。
2.3 匹配匹配是指将待识别的指纹特征与已有的指纹特征进行比对，以确定是否有匹配的指纹。
匹配过程可以分为两个阶段：特征比对和相似度计算。
2.3.1 特征比对特征比对是指将待识别的指纹特征与数据库中的指纹特征进行对比，以找出最相似的指纹。
常见的特征比对方法有最近邻算法和支持向量机等。
2.3.2 相似度计算相似度计算是指根据比对结果，计算待识别指纹特征与数据库指纹特征之间的相似度。
常用的相似度计算方法有欧氏距离、曼哈顿距离和余弦相似度等。
三、指纹识别的原理指纹识别的原理基于指纹的唯一性和稳定性。
每个人的指纹纹线形成的方式是随机的，且不会随时间的推移而改变，因此，指纹可以作为一种可靠的生物特征用于身份识别。
3.1 指纹的唯一性指纹的唯一性是指每个人的指纹特征都是独一无二的。
2019年如何正确使用指纹识别word版本
本文部分内容来自网络整理，本司不为其真实性负责，如有异议或侵权请及时联系，本司将立即删除！
== 本文为word格式，下载后可方便编辑和修改！ ==
如何正确使用指纹识别
导语：如何正确使用指纹识别?复杂的密码难以记忆，使用windows7内置的指纹识别功能，更加的方便快捷了。
毕竟全球指纹相同的概率是非常非常的低的。
如何正确使用指纹识别
开始->所有程序->Windows Update->更新按钮。
等待数秒后，让其自动检查更新。
过了一会，windows7系统就会自动更新，并告诉你指纹识别设备驱动程序已经可以下载了，我们只需要点击安装更新按钮。
安装后，电脑会自动重启。
开机后，点击开始->控制面板->硬件与声音->生物特征设备。
点击管理指纹数据
点击需要设置的手指图示，输入Windows帐户密码。
根据屏幕提示信息将手指放在指纹识别器上扫描指纹信息。
指纹扫描完成后注销计算机，即可通过扫描指纹登录Windows。
指纹的特征提取与识别摘要随着社会的发展，计算机技术的进步，人们对身份认证技术提出了更高的要求。
传统的身份认证方法存在的种种弊端让人们将目光投向了生物特征识别这个崭新的领域。
而指纹识别技术凭借其独有的优势在众多生物特征识别技术中脱颖而出，得到了广泛的关注和应用。
现今，自动指纹识别技术已经广泛地应用于公安、海关、银行、网络安全等需要进行身份识别和鉴定的领域。
因此，进行指纹识别技术方面的研究，具有较高的现实意义和理论意义。
本文综合运用图像处理和模式识别的技术，对自动指纹识别系统的若干问题进行了探讨和研究，实现了指纹图像的预处理、特征提取和指纹匹配等算法，并在指纹分割、指纹增强这两个方面进行了改进和创新。
关键词:指纹识别，指纹分割，指纹增强，特征点提取，指纹匹配第1章绪论1.1 指纹识别系统的结构本文主要是对指纹识别系统中图像处理方面的相关算法进行研究，本文的指纹识别系统的基本框架如图1-1所示。
图1-1指纹识别系统的基本结构1.1.1指纹的预处理由于各种原因的影响，指纹取像设备所获得的原始图像是一幅含有较多噪声的灰度图像，预处理的目的就是改善输入指纹图像的质量，增强脊和谷的对比度，将它变成一幅清晰的点线图，以便于进行特征提取。
本文预处理过程主要步骤如下:图1-2指纹预处理的基本结构指纹分割是把指纹的背景区域从图像中分离出去，减少对指纹图像进行处理时的计算量;指纹增强的目的是对输入的噪音较多的灰度图像进行滤波，去除图像中的叉连、断点及模糊不清的部分，得到一幅较清晰的灰度图像;二值化就是把灰度指纹图像变成0-1取值的二值图像，这样就使图像的灰度层次由原来的256级(8-bits)降为2级(1-bits)，从而大大减少了需要存储和处理的数据量。
由于指纹的特征仅包含在纹线的形状结构中，所以为了提高处理速度和识别精度，应该在不破坏图像连通性的情况下去掉多余的信息，也就是进行图像的细化。
细化是指删除指纹纹线的边缘像素，使之只有一个像素宽度。
细化时应保持纹线的连接性、方向性以及特征点位置不变，还应保持纹线的中心基本不变。
1.1.2特征提取由于指纹通常是用按压的方式得到的，按压位置和方向的不同、手指的状况以及皮肤的形变等都会导致指纹图像不理想。
因此，采集到的指纹灰度图像不宜直接用来匹配，有必要对其做进一步的处理，再提取出其特征来进行匹配。
1.1.3 指纹图像的匹配两枚指纹经常会具有相同的总体特征，但它们的局部特征却不可能完全相同。
在只考虑局部特征的情况下，英国学者E. R. Henry认为，只要比对13个特征点重合，就可以确认为这两枚指纹来自于同一个手指。
这种利用指纹的局部特征来进行匹配的方法，因为指纹的端点和分叉点较稳定，并且容易检测，因此在实际的指纹图像匹配过程中获得了广泛的应用。
而对特征点进行匹配，这就变成了点模式匹配的问题。
在一对一模式下，特征匹配是将实时在线提取的用户指纹数据同系统数据库中的数据模板进行比较，对其判断是否属于同一指纹。
在一对多模式下，由于用户的特征模板未确定，还需进行数据库的查询比较。
对于身份识别系统来说，由于需要在大量数据中寻找匹配，因此速度将是一个值得考虑的因素。
第2章指纹图像预处理由于各种原因的影响，指纹取像设备所获得的原始指纹图像是一幅含有较多噪声的灰度图像，对指纹图像进行预处理的目的就是改善输入指纹图像的质量，增强脊和谷的对比度，去除指纹的断裂和叉连，并将原始指纹图变成一幅清晰的点线图，以便于下一步进行特征提取。
本文的预处理过程主要包括指纹分割、指纹增强、二值化、细化四个步骤，其流程图如图1-2所示。
2.1指纹图像的规格化指纹规格化(Fingerprint Normalization)是对指纹灰度图的灰度均值和方差做一次调整操作，使不论什么设备采集到的指纹图像都可以有预期的均值和方差，从而屏蔽不同采集设备的差异。
指纹规格化并不会改变指纹的质量，它只是为指纹处理后续的操作创造一个统一、良好的开端。
指纹规格化的算法:如果指纹原图为S(i,j), N(i,j)为规格化后的指纹图，指纹图像的宽为w，高为h，那么我们可以定义整个指纹图像的均值Mean(i,j)和方差Var(i,j)如下:(2.1)(2.2)由此我们可以计算出N(i,j)，其中的M0和Var0分别为我们所期望的均值和方差，这两个值可以根据经验值来选取。
(2.3)(2.4)2.2 指纹图像的分割图像分割是从一幅图像中按一定规则将一些物体或区域加以分离，划分出我们感兴趣的部分或区域。
经过分割后的图像更容易进行进一步的分类、分析和识别处理。
其步骤如下:1、把指纹图像分成WxW大小的块(一般为16X16);2、对指纹的块求方差V(2.12)(2.13)设定阈值T，若V>T，则该块作为前景留下，并把该块整块标示为一个存在矩阵A中;若V<T，则该块作为背景去除，并把该块整块标示为一个0，存在矩阵A中;3、以为结构元素对二值矩阵A作闭运算，得到矩阵B;4、以为结构元素对B作开运算，得到矩阵C，矩阵C为一个二值矩阵，矩阵元素为I的，对应的该块就作为前景留下，矩阵元素为0的，对应的块就作为背景去除。
由于采集到的指纹图像不可避免的有污渍等，而有污渍的这些块，其方差也就会较大，用阈值来分割时就会被错误的当成前景，而真正属于前景的有些块，由于采集的质量等原因，却有可能被错误的当成背景予以去除，所以上述算法的第三步，在指纹块的基础上，作闭运算，以去除指纹前景中被误当成背景的块，此时，再作开运算，就能很好的去除被误当成前景的背景块，从而分割出我们需要的指纹前景区域。
2.3 指纹增强指纹增强在指纹识别中是非常重要的一个环节，指纹增强的效果直接影响到指纹特征的提取、指纹匹配等各个环节。
我们可以对指纹的不同区域采用不同的滤波方法。
对指纹变化比较缓慢的一般区域可以选择一个平滑能力较强的低通滤波器来平滑，这样保证了对噪声干扰比较强的低质量指纹也能够有效的平滑。
2.4 指纹二值化二值化的目的是把灰度指纹图像变成0-1取值的二值图。
在数字图像处理中，二值图占有非常重要的地位，特别是在实用的图像处理系统中，以二值图处理为核心构成的系统是很多的。
对图像进行二值化处理的好处是:在经过二值化处理后，再对图像作进一步处理时，图像变成只与0和1有关了，不再涉及到像素的灰度值，使处理变得简单，而且数据量也得到了很大的压缩量，这给存储和处理都带来了很大的方便，同时也提高了系统的经济实用性。
图像的二值化的具体办法是:通过设定阈值(Threshold)，把灰度图像变换成仅用两个值来分别表示图像目标和图像背景的二值图，其中目标取值为1，背景取值为0。
图像二值化可根据下列的阈值(Threshold)处理来进行:g(i，j)=1，当f(i，J)>threshold时(2.27)g(i，j)=0，当f(i，J)threshold时(2.28)块的大小不同，其二值化处理结果也不同，本文试验了4x4, 8x8, 16x16,32x32大小的划分块的方案，发现采用16x16的取块大小的局部阈值二值化方法取得的效果最佳。
2.5 细化指纹图像二值化后，纹线仍具有一定的宽度，而指纹识别只需在指纹的点线结构上提取特征点来匹配，故在二值化之后，细化就是必不可少的。
指纹图像细化后可以得到一个像素宽度的纹线，这样就可以简化并改善后续的指纹特征提取工作，并且进一步压缩了数据量，有利于指纹数据的存储和提高指纹匹配的速度。
细化的目的是:删除指纹纹线的边缘像素，使之只有一个像素宽度。
一个好的指纹细化算法必须满足收敛性、连接性、拓扑性、保持性、细化性、中轴性、快速性的要求。
Matlab中有直接用来细化的函数，因此我们可以直接采用。
第3章指纹特征点的提取3.1指纹特征概述特征提取(feature extraction)就是对指纹图像提取表示其特征的信息。
我们前面所叙述的指纹图像预处理目的就是为指纹的特征提取和最终识别建立一个良好的基础，以保证整个系统有较高的性能。
3.2细节特征提取算法细节特征提取的方法分为两种：一种是从灰度图像中提取特征，另一种是从细化二值图像中提取特征。
直接从灰度图像中提取特征的算法一般是对灰度指纹纹线进行跟踪，根据跟踪结果寻找特征的位置和判断特征的类型。
这种方法省去了复杂的指纹图像预处理过程，但是特征提取的算法却十分复杂，而且由于噪声等因素影响，特征信息(位置、方向等)也不够准确。
目前大多数系统采用第二种方法，从细化二值图像中提取特征，该方法比较简单，在得到可靠的细化二值图像后，只需要一个3×3的模板就可以将端点和分叉点提取出来。
特征点提取的好坏将直接影响匹配的结果。
现实中，指纹输入时，由于汗渍、干燥、按压力度不同等影响，得到的指纹图像大都含有断纹、褶皱、模糊、灰度不均匀等质量问题，虽然经过预处理，图像质量会有所改观，但预处理算法对各个指纹的适应性和有效性也会不同，并且会引入新的噪声，因此得到的细化二值图像往往含有大量的伪特征点。
伪特征点不仅会影响匹配的速度，严重的会影响整个识别的正确率。
所以提取特征点后要进行去伪处理，尽可能滤除伪特征点、保留真特征点。
实践中发现，伪特征点的数量一般占总特征数量的一半以上，所以去伪是必不可少的过程。
去伪过程可以在两个阶段进行：一是在特征提取之前对细化二值图像进行平滑、去除毛刺、连接断纹等操作，然后提取特征作为真特征；另一种是在特征提取之后，根据特征之间的相互关系，尽可能准确的识别伪特征点并滤除它们。
前者直接对图像进行修补，操作比较复杂，容易引入新的伪特征；后者对特征提取后的数据进行判断，识别比较麻烦，但是速度较快。
本文采用第二种方法，即从已提取的特征点中滤除伪特征，保留真特征。
3.3指纹图像的细化后处理为便于算法描述，这里定义一个八邻域模型，如图2所示。
即以当前点为中心，与紧邻中心点的八个点组成一个3×3的模板，各邻点与中心点的位置关系组成八邻域模型，P代表当前中心点，P0—P7分别代表中心点8个方向上的相邻点，黑点取值0，白点取值1。
图2 八领域模型由于指纹特征提取是从细化指纹图中得到特征点，在特征提取之前，需把指纹细化二值图像做进一步处理，使之真正达到一个像素的宽度，即在不破坏纹线连续性的前提下，将锯齿直角转折处的点去掉。
本文采用模板匹配法，标准模板如图3所示。
细化后处理主要算法描述：if(P==0)if(p2==0＆pO==0)I(p2==0＆p4：=0)I(p6==0＆p4==0)I(pO==0＆p6==0) P=1;Else P=0；endend3．3 特征点的提取端点和分叉点(如图3-1)是指纹细化图像的主要特征，本文采用这两种主要特征构造指纹特征向量，它的提取方法是模板匹配法。
