指纹特征（共10篇）
指纹特征 篇1
1 案例资料
1.1 清晰指纹细节特征点比对
1.2. 模糊指纹细节特征点比对
2 讨论
2.1 指纹鉴定的基准
指纹作为证据之首, 对案件侦查和审理具有重要作用。指纹作为法庭进行人身同一认定的证据形式, 其本质在于指纹本身的特性即指纹人皆有之、人各不同、终生不变。人的指纹基本上是在出生后四个月内就会形成且存在稳定性, 随着年龄的增长, 指纹纹线的粗细、面积会发生改变, 但是纹线的基本形态以及指纹细节特征是相对稳定的。基于上述特性, 一般在指纹鉴定过程中, 对指纹进行同一认定的主要标准是八个细节特征点以上即可作同一认定。
2.2 指纹比对的内容
在具体比对时, 主要从两个大的方面进行, 首先是检材手印与样本手印的种类特征比对, 依据对检材手印乳突线花纹的种类特征检验所确定的纹型、中心花纹的倾斜方向、中心至左、右三角间相隔线数以及乳突线的流向、弧度、密度等特征, 与样本手印相应的种类特征比对是否相符。其次是检材手印与样本手印的乳突线细节特征比对, 依据对检材手印乳突线中的细节特征检验所确定的特征种类、位置、距离、方向、形状、数量、特征与特征之间相互关系等与样本手印相应部位中乳突纹线的细节特征比对是否相符。如案例一、二, 案例一是将一枚清晰的检材指印与样本进行比对, 相对而言, 清晰指纹的变形程度是非常小的, 只要是种类与细节特征比对相同即可作出同一认定。案例二是一枚模糊指纹, 仅有指尖部位, 中心花纹无法反映, 一般而言, 此类指纹比对条件较差, 但是基于清晰部位细节特征点较多 (八个细节特征点以上) , 同时与样本比对一致, 仍然可以作统一认定结论。所以, 在一般的指纹鉴定中, 实质上就是对指纹细节特征的分析、鉴别与认定。
2.3 疤痕特征的作用
当出现的细节特征点不足八个, 无法达到指纹鉴定的标准时, 鉴定人是选择放弃鉴定或者以鉴定条件不符为由退回, 还是选择通过其他特征例如像疤痕等具有辅助作用的特征进行相关比对得出鉴定结论呢?
2.3.1 疤痕特征标识图
案例三中, 指印遗留部位为内部花纹上半部至指尖区域, 相应部位纹线形态、流向一致, 局部纹线清晰, 符合鉴定条件。通过初步检验, 发现四个检材稳定的细节特征点最多为六个, 不能满足比对标准。但是, 通过上述四个检材, 可以清楚的发现, 相应部位都有形态稳定的伤疤印痕, 具备比对条件。因此, 鉴定人将2014-1-JC2-1至2014-1-JC2-4进行相互比对, 根据纹型, 相应部位的纹线形态、流向以及皱纹线和伤疤印痕形态、位置关系, 确定四个检材为同一手指的相同指位形成。也就是说, 当存在多个检材且多个检材中都有相对稳定的疤痕特征时, 疤痕特征可以作为一种细节特征加以运用或者是将其作为辅助特征加以印证。
2.3.2 疤痕形成及作用
疤痕形成是由于皮肤受外力和病理因素的影响伤及真皮乳突层时, 在愈合过程中纤维细胞和结缔组织繁殖增补出现皮肤表面变形而形成。所以, 疤痕形成的原因是多样的, 一般而言主要是两大类, 包括物理和病理。物理方面根据个人工作的不同形成的疤痕状态和疤痕位置也存在明显的差异, 从事农业劳动的个人, 一般疤痕较多且不规则, 同时分布的部位比较分散。一般从事工厂作业的人, 基于作业对象的不同, 疤痕呈现的状态不同, 但是相同作业的工人疤痕状态、分布位置基本一致;另外一种则是基于器械损伤引起的疤痕, 形状主要是根据器械伤的形态表现, 像划痕多是线条状疤痕。虽然存在多种原因引起的疤痕, 单物理性疤痕仅是对表皮层的一种损害, 随着时间的推移, 疤痕会逐渐消失, 所以这种疤痕特征多具有时限性。而病理性疤痕是基于病理性因素造成的, 一般损及真皮层, 所以一般情况无法愈合, 疤痕特征不会随着时间的推移而发生很大改变。
疤痕作为一种微观细节特征, 不是像指纹一样人皆有之、终身不变, 所以一般不将其作为指纹鉴定的必然特征。同时, 基于疤痕形成的因素, 物理性损伤产生的疤痕还具有时限性, 也就是说如果被鉴定的指纹中存在疤痕特征, 如果需要通过疤痕对检材与样本进行比对时, 必须保证样本指纹是在疤痕未消失之前提取的, 所以比对难度较大且对侦查人员的要求也会提高。但是, 当出现案例三这样情况下, 有多个指纹检材, 首先需要对多个指纹检材进行比对, 认定是否为同一枚手指的同一部位形成。如果当细节特征点无法满足同一认定的标准时, 又存在数量较多、位置稳定、形态一致的疤痕特征时, 可以将疤痕特征作为认定的辅助特征, 而不是因条件不符退回。
3 结论
对于指纹鉴定而言, 它作为人身同一认定的主要方式, 不仅要做到客观同时更应尊重科学性。对于科学性的界定不是说当细节特征点满足鉴定标准时就能够作同一认定的结论, 不能满足鉴定鉴定标准就做否定认定或者退回。实质上, 疤痕、皱纹等作为一种微观形态特征, 也是细节特征的一种表现。当细节特征点不能满足八个以上标准时, 如果多个检材中存在位置关系、形态、流向基本一致的疤痕特征、皱纹特征的, 仍然可以依据它们的一致性进行同一认定。
摘要：目的是为了研究疤痕特征在指纹鉴定中的补充作用。方法, 主要是通过对指纹鉴定中存在的某些具体案例进行分析、验证和鉴定, 得出相关结论。结论, 当细节特征点不足且疤痕特征有量的支撑时, 鉴定人在进行指纹鉴定时可以充分利用疤痕特征, 作出同一认定的结论。意义, 疤痕特征的使用在很大程度上弥补了指纹鉴定中疑难指纹细节特征不足时的认定方式。
关键词：细节特征,疤痕,补充作用
参考文献
[1]罗伯特·爱泼斯坦.胡卫平 (译) .揭开指纹科学之谜——指纹鉴定与道伯特标准 (美) [J].中国刑事法杂志, 2003 (2) :16.
[2]胡春风, 殷建平, 祝恩, 陈晖.基于图像质量分区的指纹特征提取[J].计算机工程与科学, 2009 (31) :4.
[3]李力, 黄镇国.对当前指纹鉴定标准适用情况的分析[J].上海公安高等专科学校学报, 2005 (15) :85.
通过指纹检测智力 篇2
通过指纹检测智力，但是科学工作者研究智力的一种手段，其可靠性尚待进一步验证。
国内外常用检测智商法来表示某人的智力，但这必须在人有了意识思维后，通过回答特定问题才能检测，这里向大家介绍一种运用指纹测得生理智力度的方法，它对婴幼儿，老人，白痴和高智力者均能适用，方便易行，确切可靠。
大脑，神经与指纹
大脑是由神经细胞构成的，神经细胞上有许多突起，这些突起绝大多数比较短，像树枝一样，所以叫“树突”，有些突起又细又长，名叫“轴突”，又叫“神经纤维”，神经纤维极细小肉眼是看不到的，内眼能看到的“神经”实际上由许多神经纤维所组成，例如人的坐骨神经是由30万根神经纤维组成的。纤维末端的分支称为神经末梢，一个神经细胞与另一个神经细胞相互接触的部分称为“突触”。体内外信息就在突触处传递，由此可知神经纤维生长得是“好”是“坏”，与大脑健康有极密切的关系。
人有10个手指，手指末端上均有指纹花样，人们统称为“螺”，或“箕”，这些花纹是由很多细线组成，这些细线在医学上称为“嵴线”。剐刚开始形成的嵴线，称之为原生嵴线。国内外科学家享斯·司纬斯、邓少华、张锡荣等对胎儿和婴幼儿的研究证实：原生嵴线是由表皮——真皮边界之下的血管神经诱发的，假若神经不能长到表皮里面时，皮肤纹理花样就不能继续发育，或者只能随着异常的神经发育而发生异常的嵴线。就是说，嵴线发育与神经发育有关，神经发育与大脑发育有关，所以观察嵴线有无畸形，也就成了观察神经有无缺陷的一种方式。
运用指纹测试生理智力
根据以上理论，只要对人进行指纹调查，就可以测得他的生理智力状况了。为验证这一方法的可靠性，我们选择了不同智力组的群体进行观察，A组，中国科大少年班学生；B组，高中一年级的学生；C组，初中三年级学生；D组，小学一年级学生}E组，白痴。5组共计1095人。结果发现：指纹在三个方面与智力有关。
一、指纹的花样种类(图1－11)，按高尔顿分类法
有11种指纹，为便于运算，编成12个顺号：1号箕，2号双箕纹，3号螺旋纹，4号环状同心二型纹，5号过渡箕纹，6号幕状弓形纹，7号、9号弓形纹，8号环状同心纹，10号R测囊形纹，11号桡箕纹，12号桡侧囊形纹。7号前是智慧纹，8号后为愚纹。
二、嵴线断离(图12－13)凡嵴线有断离的都属智力低下，严重者甚或是个白痴；凡嵴线粗壮、连接完整，分枝少者是高智力；中国科大少年班的人都是这样指纹。
三、嵴线物(图14－15)嵴线线路上分泌一种混合物质，它是由19种氨基酸，30种无机盐类组成，这种物质我们称嵴线物，嵴线物多，智力高；嵴线物少，智力低。
当然，判断一个人的智力高低，要考虑上述三方面的综合因素，不应有片面性。
指纹测智的意义
指纹检测智力，简便易行。对了解自己、子女和群体的智力度有一定的参考价值。《孙子·谋攻》曰：“知己知彼，百战不殆。”自我了解以后，就可避免盲目自信或悲观消极。
要是教育部门能选拔一批高生理智力的青少年进行优教优育，那就能用最少的经费，培养出最多、最佳的各方面人才，这在教育经费紧张的今天尤有意义。
此外，对优生优育、提高人口素质也有一定的作用。
一种改进的指纹细节特征提取算法 篇3
指纹自动识别中的一个重要处理过程是指纹的细节特征提取。在这个过程中，通过提取指纹的细节特征点，形成细节特征向量，用于指纹的识别，因而所提取的特征向量的好坏，会直接影响指纹的识别效果。目前常用的记录细节特征点的信息包括特征点的类型，特征点到指纹中心点的距离，特征点到指纹中心点的连线方向等[1]，而在指纹采集时，由于指纹按印压力的不同及输入图像大小的不同，致使纹线间距增大或减小，会影响指纹的特征向量的提取，进而降低了指纹的识别率。另外，由于图像质量和噪声的干扰，提取的特征点中存在大量的伪细节特征点，这不但增加了指纹匹配的难度，降低了其准确性，还使得运算量剧增。因此如何有效去除伪特征，同样影响指纹的识别效果。本文针对以上问题，对细化后的指纹图像进行细节特征提取后，采用了一种新的去除伪特征的方法，同时采取了一种改进的特征信息记录方式，以提高指纹识别的精确度，增强系统的鲁棒性。
1 指纹的特征提取及伪特征的删除
1.1 指纹特征提取
指纹的细节特征主要有两类：奇异点和结构特征。奇异点包括中心点(Core)、三角点(Delta)。结构特征包括端点(Endpoint)、分叉点(Bifurcation)、孤立点(Dot)、环点(Loop)、短线(Short Ridge)及其方向、位置等信息。其中端点和分叉点是细化图像的主要特征，本文采用这两种细节特征构造指纹的特征向量。通过观察细化后的指纹图像发现，细节特征点的类型与周围8个方向点的像素值之间有一定的规律.采用如图1所示的3×3的模板扫描细化后的指纹图像，通过下面的公式计算检测点的交叉数，可以得到该点的位置和类型。
其中R(1),R(2)，…，R(8)是细化后图像N点沿顺时针方向排列在X1,X2,...,X8处的灰度。如
CN=1，点N为脊线端点，如CN=3，则点N为脊线分叉点。
1.2 伪特征的删除
细化后的指纹图像存在各种噪声包括毛刺、短线、断纹、工字和小环等，如图2所示。
这些噪声形成的伪特征点将直接降低指纹的识别率，因此必须删除。针对这些伪特征点，文献[2]介绍了一种比较全面的去除方法，但鉴于它的复杂性和耗时性，笔者首先计算特征点间的距离，如果距离小于所给定的阈值，则认为特征点为假特征点。
(1)检查所有特征点：若为边界点则滤除;否则，若为非边界端点则跟踪脊线，且如果在D步内，找到了另一特征点(端点或分叉点)，则认为这些特征点是由短脊或毛刺产生的，将它们滤除;
(2)对剩下的特征点，笔者提出一种新的伪特征去除算法，即以特征点为中心建立一个(2N+1)×(2N+1)的窗口：
(1)若特征点为端点，且在窗口内检测到另一个与该端点所在连线方向与脊线方向夹角小于R的端点，则认为这两个端点是由断脊产生的伪端点，将它们滤除。
(2)若特征点为分叉点，且在窗口内检测到其他的分叉点(一个或多个)，则认为这些分叉点是由假桥、小孔或岛屿产生的伪分叉点，将它们滤除。
(3)将剩下的特征点作为真正的特征点集。
在具体实现中，对门限值D,N,R分别取经验值14,11，/6。
2 特征点信息的记录及存储
2.1 特征点信息的记录
特征点信息的记录就是给特征点赋予一些参数、标记，使得这些参数、标记能把每一个指纹唯一的区别出来。目前用计算机识别指纹图像，主要依据下述特征：细节特征点(端点、分叉点)的位置、方向、指纹的纹型、指纹脊线的趋势、细节特征点的脊线数目等。关于细节特征向量的确定方法，目前主要有两种方法：第一种是先提取指纹特征点的绝对位置，然后用点图匹配作进一步的对比。这种方法在特征提取时似乎很简单，但在对比时却很麻烦。因为两幅图像进行特征点对比时，要对两幅图像所有特征点进行排列组合，大大增加了运算时间，但是这种方法的一个好处就是当指纹的中心点没有记录下来时仍然可以对指纹图像进行对比;第二种方法是基于指纹中心点和方向坐标系下，提取特征点与中心点的距离及特征点和中心点之间的连线与指纹中心点方向的夹角。这种方法与第一种方法相比，指纹对比比较简单，但存在一个重要缺陷，即在指纹按印时，由于压力的不同，以及输入时大小不同，容易造成指纹纹线间距离增大或缩小，因而影响了特征点与中心点之间的距离特征。另外，文献[3]采用在图像的特征点集中求取一个参考点代替中心点，这种方法计算量比较大，而且由于参考点选取的不同，容易造成特征信息的不准确。本文针对第二种方法提出了一种改进算法：将特征点与中心点的距离用特征点到中心点的纹线数代替，因为指纹的纹线数是基本不变的，从而增加了算法的鲁棒性。
2.2 特征点信息记录的存储及提取算法
指纹特征信息的提取是为了后续指纹识别，因此在这里需对指纹的特征信息点进行存储。本文采用数据结构中的单链表形式，对特征点的信息进行存储，这个结构指针定义如下：
这个指针的头存放的是指纹中心点的信息，包括中心点的坐标(xc,yc)及方向c。
关于特征点的类型，我们定义了以下的枚举类型：
这样，当特征点为端点时，t=1;当特征点为分叉点时，t=3。
下面求取两特征点之间纹线数。细化后的指纹图像是由0、1值组成的，所以在求两特征点之间的纹线数时，只要计算从其中一个特征点到另一个特征点的直线插补时由“0”(背景点)到“1”(纹线点)的变化次数就可以了。但是细化后的指纹纹线常出现扭曲现象，因此上面计算得到的纹线数可能会比实际的纹线数多几条或少几条。为了解决这个问题，在计算纹线数时，设置了一个纹线间距计数器，在直线插补由“1”变到“0”时，此计数器开始记数，并继续插补，直至由“0”变到“1”，检查记数值，如果小于一定值(为脊线宽度)，则不增加纹线数，且将计数器清零;如果计数器值大于，则纹线数就加1，且将计数器清零。注意这里的直线插补并不把经过的点赋值为1。
特征点与指纹中心点之间的连线与x轴方向的夹角，其中xc,yc为中心点的坐标，xi,yi为第i个特征点的坐标。特征点与指纹中心点之间的连线和中心点方向的夹角’=Min(|-c|,2-|-c|)。
这样通过上述方法，就可以将特征点的类型、特征点与指纹中心点之间的连线和中心点方向的夹角以及特征点与指纹中心点之间的纹线数作为特征向量以供后续指纹识别。
3 实验及结论
利用VC++6.0构建了一个可视化的操作平台，程序运行的主要操作界面如图3所示。其中图4(a)为经预处理后细化得到的结果，图4(b)为直接从细化图像上提取特征点之后的图像，图4(c)为去除伪特征后提取的特征点的图像。从图4(b)和图4(c)的比较中可以看出，经过去除伪特征后，边缘特征点及其他伪特征点基本上已得到删除。另外和文献3相比，笔者提出的这种去伪算法大大缩短了系统处理的时间，但在这种方法中邻域的选取很重要，如果取得过小，则可能起不到去除假特征点的作用;如果取得过大，则可能将真的特征点也一并删去。另外笔者提出的这种将特征点与中心点的距离用特征点到中心点的纹线数代替的方法，更加精确地记录了指纹的实际特性，增强了系统的鲁棒性。房.以及在客户管理(CRM)方面有良好的应用前景。
参考文献
[1]杨静.基于神经网络的指纹识别系统[D].北京工业大学硕士学位论文,2003.5
[2]尹义龙,宁新宝,张晓梅.改进的指纹细节特征提取算法[J].中国图象图形学报,2002,7(12):1302-1306
指纹与身份识别 篇4
[关键词]指纹 指纹识别技术
现代电子集成制造技术使得指纹图像读取和处理设备小型化，同时飞速发展的个人计算机运算速度提供了在微机甚至单片机上可以进行指纹比对运算的可能，而优秀的指纹处理和比对算法保证了识别结果的准确性。在现实条件下，指纹识别的算法（图像处理、特征提取、特征值的比对与匹配）等往往是由指纹采集设备的制造商提供的，类似于某些计算机构件的驱动程序，构建指纹识别系统时可按需要选用。
1.指纹采集设备
目前最常用的取像设备分成两类：光学、晶体传感器。
光学取像设备有最悠久的历史，可以追溯到20世纪70年代。光学取像设备依据的是光的全反射原理(FTIR)。光线照到压有指纹的玻璃表面，反射光线由CCD去获得，反射光的量依赖于压在玻璃表面指纹脊和谷的深度和皮肤与玻璃间的油脂和水分。光线经玻璃射到谷的地方后在玻璃与空气的界面发生全反射，光线被反射到CCD，而射向脊的光线不发生全反射，而是被脊与玻璃接触面吸收或者漫反射到别的地方，这样就在CCD上形成了指纹的图像。由于最近光学设备的革新，极大地降低了设备的体积。
晶体传感器是最近在市场上才出现的，尽管它在技术介绍性文章中已经出现近20年。这些含有微型晶体的平面通过多种技术来绘制指纹图像。最常见的硅电容传感器通过电子度量被设计用来捕捉指纹。在半导体金属阵列上能结合大约100,000个电容传感器，其外面是绝缘的表面，当用户的手指放在上面时，皮肤组成了电容阵列的另一面。电容器的电容值由于导体间的距离而降低，这里指的是脊（近的）和谷（远的）相对于另一极之间的距离。另一种晶体传感器是压感式的，其表面的顶层是具有弹性的压感介质材料，他们依照指纹的外表地形（凹凸）转化为相应的电子信号。其他的晶体传感器还有温度感应传感器，它通过感应压在设备上的脊和远离设备谷的温度的不同，可以获得指纹图像。
2.指纹比对算法
在指纹比对算法方面，主要有两个概念，验证和辩识；验证也就是我们所常说的1：1算法，辩识就是1：N算法。同时对指纹比对算法还有两个重要的参数误识率和拒真率。
2.1 验证
验证就是把一个现场采集到的指纹与一个己经登记的指纹进行一对一的比对来确认身份的过程。作为验证的前提条件，被验证的指纹必须在指纹库中已经注册。指纹以一定的压缩格式存贮，并与其姓名或其标识联系起来。随后在比对现场，先验证其标识，例如输入姓名或标识号等，然后，按标识查找系统中的指纹与现场采集的指纹比对来证明其是否相符。验证其实是证实了被验证人是否是预定的人。验证是指纹识别应用系统中使用得较多的方法。
2.2 辩识
辨识则是把现场采集到的指纹同指纹数据厍中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。这也叫“一对多匹配”。显然，“辩识”这种算法的应用是有一定限制的。我们知道，比对指纹是须要一定的时间的，如果在一定量的指纹数据库中查找一个符合条件的指纹，其需要的时间是很可观的，有时是无法容忍的。
2.3 误识率和拒真率
由于计算机处理指纹时，只是涉及了指纹的一些有限的信息，而且比对算法并不是精确匹配，其结果也不能保证100%准确。指纹识别系统的特定应用的重要衡量标志是识别率。主要由两部分组成，拒真率(FRR)和误识率(FAR)。我们可以根据不同的用途来调整这两个值。
拒真率(FRR)和误识率(FAR)是成反比的。用0-1.0或百分比来表达这个数。例如采用四位数字密码的系统，不安全概率为0.01%，如果同采用误判率为0.01%指纹识别系统相比，由于不诚实的人可以在一段时间内试用所有可能的密码，因此四位数密码并不安全,但是他绝对不可能找到一千个人去为他把所有的手指（十个手指）都试一遍。正因为如此，权威机构认为，在应用中1%的误判率就可以接受。FRR实际上也是系统易用性的重要指标。由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极大地提高了系统安全性。
3.应用实例及分析
本人曾在开发某证券公司身份识别系统时应用了指纹识别系统。在该系统中，身份识别系统(网络版)采用典型的三层结构，整个系统由一套中间件和若干套客户机组成。数据库服务器采用Microsoft SQL Server7.0，服务器通过中间件与Internet网或局域网相连。中间件通过Internet网与各客户机相连。指纹识别终端与客房机相连。指纹识别采用验证方式。
参考文献
[1]陈跃峰.新编J指纹识别技术漫谈[M].北京：中国电力出版社，2006
指纹套印痕特征差异性的比较研究 篇5
1 指纹套印痕特征差异性的研究方法
1.1 比较研究指纹样本的制作
指纹套的制作一般是先用橡皮泥、打样膏、蜡烛台等制作模具, 再用硅橡胶、指纹胶等进行倒模。目前常见的指纹套主要是硅橡胶指纹套, 研究中选用硅橡胶为倒模材料、打样膏为模具材料来制作指纹套。指纹套制作好后, 在对应手指上套好指纹套, 用指纹捺印专用油墨在指纹捺印样本卡片上捺印指纹套印痕样本。在指纹套印痕样本右侧捺印好对应手指的指纹样本, 作比较观研究用。
1.2 特征差异的比较研究方法
将指纹套印痕样本和手指指纹样本, 分别在高清体视显微镜下进行观察, 寻找二者特征的差异。为保证特征观察的效果, 必须根据样本中各种特征的特点, 选择合适的放大倍数进行观察, 并将观察结果进行拍照固定, 具体做法如下:
(1) 在体视显微镜50倍倍率下分别观察指纹套印痕样本和手指指纹样本中汗孔特征的整体形态、汗孔的数量以及汗孔的细节特征, 并将观察的结果拍照记录。
(2) 在体视显微镜20倍的倍率下分别观察和记录硅胶指纹套捺印样本和指纹捺印样本的相同细节特征及周边纹线的情况, 然后在50倍倍率下分别观察和记录其细节特征内部的细小结构。
(3) 在观察时要注意同时观察的指纹套捺印样本和对应指纹捺印样本的捺印条件基本一致, 观察细节特征差异时要保证二者的观察部位是相同的。
2 指纹套捺印样本与指纹捺印样本特征的差异
2.1 汗孔特征的差异
指纹套指纹印痕样本中观察到的汗孔较少, 如果硅胶指纹套被多次使用, 印痕中能观察到的汗孔可能更少, 导致汗孔的间距明显加大, 汗孔的排列更加没有规律性。而出现的汗孔特征多产生变形, 失去了汗孔原有的形态, 多数汗孔的直径明显变小。
指纹捺印样本的汗孔成密集型, 排列比较紧密, 汗孔比较清晰, 汗孔的形状较为规整, 汗孔的形状多呈不规则圆形、椭圆形、星形、三角形等。
2.2 细节特征的差异
指纹印痕中纹线普遍比较流畅, 纹线由许多小点依次连接形成, 小点的排列非常紧密, 单位纹线中小点的密度较大, 且相邻小点的大小变化不大, 纹线的边缘较完整, 有些许圆弧突出, 但突出部分比较细微。而指纹套捺印样本, 其纹线中虽然也有小点存在, 但单位纹线中小点的密度较小, 纹线中间断较多, 纹线中小点的大小不一, 变化较大, 且多出现小点重合导致小点消失形成粗线的现象, 纹线的流畅性较差, 部分硅胶指纹套印痕中出现某根纹线突然变粗或变细的现象。指纹套印痕纹线的边缘或非常完整, 完全没有圆弧突出, 形成粗线;或纹线边缘有大量缺失, 构成纹线的小点间距较大, 且纹线出现断线的情况。
当指纹纹线中的起点或终点位置与相邻纹线距离较近时, 指纹套捺印样本纹线的细节特征中的“起点”或“终点”很可能会和相邻纹线连在一起, 演变成“分歧”或“结合”;指纹套捺印样本纹线多伴随有不连贯的情况, “结合”细节特征的夹角会略有变小;指纹套捺印样本纹线中可能出现指纹纹线中没有出现的点状突起结构;指纹套捺印样本纹线中有些“小眼”特征, 因指纹套上部分纹线的细微改变或丢失而导致结构发生改变, 成为两个小钩和一个小点或短棒;指纹套捺印样本中, 存在“结合”特征结合部位纹线突然变细或部分缺失而导致原本的“结合”特征演变成“终点”特征的现象。
指纹套印痕中, 多出现一些点状痕迹。有些点状痕迹出现在两条纹线中间区域, 形成“小点”细节特征, 有些点状痕迹出现在纹线上, 但没有与相邻纹线相连, 与工具痕迹中的“毛刺”痕迹类似。
2.3 指纹套印痕自身特有的特征
指纹套印痕中局部纹线出现类似伤疤区域的情况, 致使部分区域的纹线变形而模糊不清, 模糊区域的纹线中有时出现多余的类似纹线的细小线条, 且其中的纹线大多变粗, 伴随着许多斑点出现, 且多有细节特征的改变, 如多出小眼、结合、小棒等, 但指纹套印痕中模糊区域的纹线没有收缩或错位现象。指纹套印痕中因纹线形态变化而出现的类似小眼的空白特征, 往往纹线结构不清晰, 形态各异, 有圆形、方形或不规则形等, 但两侧纹线流向多与周围纹线流向一致, 不出现明显弯曲现象, 而指纹印痕中小眼特征周边纹线多出现弯曲现象。
3 指纹套印痕特征变化原因分析
通过对比观察指纹套印痕和手指指纹样本, 结合指纹套制作工艺及材料特性分析, 发现如下规律。
(1) 由于汗孔是乳突线上非常细小的特征, 制作硅胶指纹套的工艺及材料会导致汗孔特征得不倒完整的反映, 出现汗孔大量缺失、变形的现象。硅胶指纹套印痕中汗孔特征的改变具有普遍现象, 在判断指纹印痕真假时有着很高的利用价值。
(2) 由于制作模具的材料易变形, 而制作模具时手指的局部有时会出现细微移位, 导致模具局部出现纹线重叠、变粗的现象, 形成类似伤疤的区域。但指纹套印痕中类似伤疤区域特征与指纹中指纹伤疤特征的形成机理有本质区别, 特征的细微结构存在明显差异, 所以类似伤疤区域的特征在指纹印痕真实性识别中具有较高的利用价值。
(3) 指纹模具制作工艺及材料特性也会引起纹线粗细及细节特征形态的变化。指纹套印痕中纹线粗细变化与指纹捺印时手指移位、按压力度变化导致纹线印痕宽度变化相似, 指纹套印痕的纹线中细节特征的形态变化与指纹捺印时按压力度较轻导致的细节特征变化相似。虽然存在差异, 但由于捺印过程中引起纹线形态变化的因素较多, 准确判断有一定难度, 所以纹线粗细及细节特征形态的变化作为指纹套印痕识别的利用价值不高。
(4) 在往指纹模具中倒入硅橡胶时, 存在少量空气没有排出指纹模具的情况, 硅橡胶调制中也可能存在气泡, 当硅橡胶凝固定型后, 硅胶指纹套纹线中的某些部位会出现一些圆形或椭圆形空白, 类似小眼状特征。由于这些类似小眼状空白特征的形成机理特殊, 是指纹套模具固有的细节特征, 几乎不可能出现在正常指纹印痕中, 所以该特征在识别硅胶指纹套印痕时有着极高的利用价值。
(5) 指纹套印痕中出现的一些比正常的小点细节特征要小的点状结构, 有些位于纹线边缘, 呈“毛刺”状, 这些特征也是因为指纹套制作工艺和材料特性造成的。由于模具材料颗粒有一定粗度, 制作工艺简单, 制模时材料表面并不光滑, 导致制作的指纹套模具表面存在一些点状小坑, 这些小坑在倒入硅橡胶制作硅胶指纹套的时候得到了反映, 形成了原本指纹没有的突起点状结构。硅胶指纹套印痕纹线中的小点状结构有一定的特定性, 尤其是形如“毛刺”的小点状特征, 在识别硅胶套指纹印痕时有一定的利用价值。
4 结语
通过比较研究发现, 由于指纹套受制作工艺和制作材料的影响, 指纹套印痕中可能出现一些固有的细节特征或某些细节特征的变化。其中汗孔数量和形态的变化是最可靠的细节特征, 一旦出现类似的形态, 即可确定为指纹套印痕。类似伤疤区域、类似小眼状空白及“毛刺”状小点等特征也极具代表性, 有较强的特定性和稳定性, 综合利用这些特征, 也可以准确识别出指纹套印痕。纹线粗细变化及部分细节特征变化等特征的稳定性和特定性相对较弱, 在识别中可以作为参考特征使用。值得注意的是, 指纹套印痕的特征变化多是微观形态的, 在检验时需要借助现代仪器设备辅助观察, 在显微状态下仔细甄别, 确保检验结果的准确性。
参考文献
[1]孙东秀.基于细节点和汗孔的指纹识别系统研究[D].哈尔滨:哈尔滨工业大学, 2008.
[2]李洪武.关于指纹汗孔的初步研究[J].辽宁警专学报, 2007 (6) :32-34.
指纹特征 篇6
随着计算机网络和移动互联网技术的快速发展,身份的准确识别与认证越来越受到人们的重视。指纹因具有唯一性、普遍性、稳定性、易采集性等优点,已成为一种重要的身份识别特征。自动指纹识别系统AFIS(Automated Fingerprint Identification System)在通信、刑侦、金融、安检等领域的应用越来越广泛,指纹数据库的规模也越来越庞大。为了提高检索速率,必须为大容量指纹库建立高效的分类检索机制,以缩小搜索空间,使指纹匹配只在指纹数据库中一个尽可能小的子集中进行。
指纹分类作为自动指纹识别系统的核心技术之一,虽然受到国内外研究者的广泛重视,但因常用的指纹分类特征存在较小的类间方差和较大的类内方差、存在部分模糊及低质量指纹等原因,自动指纹分类一直是模式识别领域的一项难题[1]。
目前常用的指纹分类算法可分为6类[2]:基于规则的[3,4,5,6]、基于结构的[7,8]、基于句法的[9]、基于频率的[10]、基于神经网络的[11]和基于多分类器融合的[12,13]方法。这些分类算法大都建立在Henry的5分类模式或其变种的基础上,分类数较少,当指纹库容量较大时,不能有效减少待匹配指纹的数量。
本文针对大容量指纹数据库的匹配识别问题,提出了一种基于独立分类特征的指纹多级分类算法。依据评测指标将指纹图像分为质量合格与不合格2类,对不合格指纹要求重新输入;对合格指纹逐级按照纹型类别、奇异点间脊线数和指纹中心区域脊线平均频率实现多级分类。实验表明,该算法检索效率高、鲁棒性强、匹配识别空间小,适用于大容量指纹库的分类检索与匹配。
1 方法概述
本文提出的指纹分类检索机制如图1所示。
(1) 设定整个指纹数据库为检索空间,记为A;
(2) 对输入的待匹配指纹图像进行质量评测,如果质量合格,则依据输入指纹的纹型类别,从A中检索出与之同类别的指纹,得到集合B;如果质量不合格,则提示用户重新输入指纹图像;
(3) 计算输入指纹图像奇异点间的脊线数,据此在B中检索出符合条件的指纹集合C;
(4) 计算输入指纹中心区域的脊线平均频率,据此在集合C中搜索指纹,得到集合D;
(5) 在集合D中对输入指纹进行细节特征匹配。
由图1可知,随着分类级数的增加,计算复杂度相应增加;而待匹配识别的指纹数量显著减少,因此,该方法能有效提高基于大容量指纹库的自动指纹识别系统的检索速度,减少搜索匹配时间。
2 分类特征的选取和计算
实现多级分类索引采用的分类特征应具有很好的稳定性和可分性。本文依次选取指纹的纹型类别、奇异点间脊线数和中心区域脊线平均频率作为各级的分类检索特征,这些特征都是指纹本身的固有特征,稳定性强且相互独立,具有很强的可分性。
2.1 质量评估
低质量指纹严重影响指纹识别的准确率,故应先对指纹图像质量进行评测。用于指纹评测的宏观指标主要有:指纹图像有效面积的大小、图像主体与图像中心的偏移量及指纹干湿情况等;微观指标主要有:奇异点和细节点等指纹特征。本文采用文献[14]提出的宏观和微观特征相结合的综合评测方法来判定指纹图像质量是否合格。对不合格者,要求用户重新输入指纹;对合格者,进行后续的分类处理。
2.2 纹型分类
本文采用Kenneth Nilsson[15]等人提出的复数滤波方法来定位指纹图像的核心点和三角点,该方法不仅可计算出奇异点的类型、位置和数目,而且可求取奇异点的方向。利用基于奇异点信息的分类方法[16]将指纹分为左旋、右旋、漩涡、弓形、帐弓形和杂类共6类,其中杂类指纹为所有不能分为前5大类的指纹图像的集合。纹型分类步骤如下:
(1) 对指纹图像进行方向场估计和分割;
(2) 应用复数滤波方法提取出奇异点及其类型、数目、位置和方向等信息;
(3) 根据奇异点的有关信息将指纹分为左旋、右旋、漩涡、弓形和帐弓形5大类;
(4) 将不能归为上述5大类的指纹定为杂类。
2.3 脊线数分类
当核心点和三角点可精确定位时,两者间的脊线数为一个定值,不受平移、旋转等形变因素的影响,故可用作分类特征且区分度和鲁棒性良好。
由于只有左旋、右旋、漩涡和帐弓形指纹具有2个或2个以上的奇异点,而帐弓形指纹自然分布概率很小且其核心点和三角点之间几乎没有脊线,因此在按纹型分类的基础上,只对前3类指纹计算脊线数,实现二级分类。脊线数的计步骤如下:
(1) 提取指纹图像的核心点和三角点的坐标;
(2) 确定奇异点在指纹细化图像中的坐标,求出两点间的直线方程;
(3) 在指纹细化图上计算上述直线与脊线相交的像素点数,其值即为核心点与三角点间的脊线数。
如果输入指纹与指纹库中同一指纹之间存在质量差异,则可能导致计算出的奇异点间脊线数不完全相同,为此,采用冗余分类策略对左旋、右旋和漩涡这3类指纹按照奇异点间脊线数的分布情况进行二级分类,进一步缩小检索空间。
2.4 脊线平均频率分类
指纹由脊、谷线交替排列组成,不同指纹有不同的脊线平均频率,故可将其作为指纹分类特征。
2.4.1 指纹图像频谱分析预处理
考虑到指纹中心区域的非线性形变通常较小,且纹线清晰度较高;为提高所计算脊线平均频率的准确性,减少指纹图像质量原因对计算结果的影响,降低计算复杂度,只选取以指纹中心点为圆心,r为半径的圆形中心区域进行频谱分析(r为中心点离指纹图像边缘像素点最近的距离);同时,为降低图像灰度对计算结果的影响,对所截取的圆形区域先进行图像增强,然后再进行二值化处理,最后对二值化后的中心区域进行傅里叶变换,在频域中通过频谱分析求取指纹图像中心区域的脊线平均频率。预处理效果如图2所示。
图中(a)-(f)分别为指纹原始图像、中心点定位图、圆形中心区域及其增强图像、中心区域二值化图像及其频谱图。
2.4.2 频谱特征分析及平均频率计算
设f(x,y)表示大小为N×N的数字图像中坐标为(x,y)的像素点的灰度值,则f(x,y)的二维离散傅里叶变换F(u,v)为:
其中,u,v∈{0,1,…,N-1}。对所截取的指纹中心区域进行二维离散傅里叶变换,可获得图2(f)所示的中心对称的频谱图。以其中心为原点,r为原点到目标点的距离,θ为目标点的角度,所得极坐标系中的频谱为F(r,θ)。平均频率计算如下:
(1) 计算频谱幅值的分布概率密度函数p(r,θ):
(2) 计算频谱幅值的边缘概率密度函数p(r):
p(r)表示环半径r上的频谱能量分布密度。
(3) 计算平均频率
其中,p-all为r∈[10]上的频谱能量分布密度。频谱结构分析和大量实验表明,积分区间取[10]时,所得平均频率计算结果的稳定性最高。
2.4.3 脊线平均频率计算结果
随机抽取FVC2002指纹数据库中的3枚指纹所对应的9幅不同图像,按照上述步骤进行频谱分析,求取相应的平均频率,实验结果如表1所示。
表1 不同指纹的多幅指纹图像对应的平均频率
由表1可知,同一指纹在旋转、平移和不同按压力的情况下,计算出的脊线平均频率差异较小,而不同指纹的差异较大,说明脊线平均频率可作为一种稳定的、可区分性较强的分类特征。
如果输入指纹与指纹库中同一指纹之间存在质量差异,则可能导致计算出的脊线平均频率不完全相同,为此,采用冗余分类策略,利用脊线平均频率实现三级分类,从而进一步减少待匹配指纹的数量。对未经第二级分类处理的帐弓形、弓形和杂类指纹,也利用脊线平均频率进行再次分类。
由于任何指纹都能计算出其脊线平均频率,故可以对任意指纹进行分类。在进行指纹检索时,可在脊线平均频率相同的类别中进行搜索,若搜索失败,则在平均频率相近的类别中进行搜索。
在多级分类系统中,分类错误具有级联性质,因为纹型类别和奇异点间的脊线数具有很强的稳定性和一致性,所以分别将其作为第一、二级分类特征。脊线平均频率的稳定性弱于前两种特征,故将其作为第三级分类特征,以保证分类的准确性。
3 实验结果及算法性能分析
本文使用NIST-4指纹数据库进行分类实验,该数据库包含2 000枚指纹的4 000幅指纹图像,图像大小为512×512像素,每幅图像都被指纹专家标注了指纹所属的类别,其中约17%因模糊不清而难以分类的指纹被标注为2种类别,在测试时如果输出结果为其中的一个类别则认为分类正确。因该数据库是适用于自动指纹分类研究,故被大量用于分类算法的性能测试。本文在NIST-4数据库中随机选取2 000幅指纹图像进行质量评测,其中214幅指纹图像不合格,用余下的1 786幅指纹图像进行分类算法测试,第一级纹型分类的结果如表2所示。
由表2的测试数据可知,纹型分类的分类错误率为:
ER=(47+38+28+9+66)/1786=10.5%
分类准确率AR=89.5%。
本文方法的分类准确率与文献[4]的85.4%和文献[5]的84.3%相比,具有明显的优势。
选取1 786幅指纹测试样本中的1 065幅指纹图像(左旋、右旋和漩涡3类)进行第二级分类测试。由于漩涡型指纹具有2个以上的奇异点,实验中计算距离最近的那对奇异点间的脊线数。
奇异点间脊线数的求取在细化的指纹图上进行,因噪声影响和图像细化过程可能造成脊线的部分扭曲,脊线数的计算可能存在误差;同时,在提取奇异点位置和计算过程中,也可能产生误差。为了提高分类算法的鲁棒性和正确率,本文采用冗余分类策略,具体思路为:设脊线数最大值为n,将脊线数为0至2的指纹分为一类,记为R1;脊线数2至4的指纹分为一类,记为R2;依此类推,直到将脊线数为n-2至n的分为最后一类。通常,根据奇异点间脊线数可将指纹分为13类,位于冗余边界的指纹归为上一类,分类统计结果如表3所示。
对上述1 786幅指纹测试样本采用脊线平均频率进行第三级分类测试,得出的脊线平均频率分布范围在17-49之间,位于34-46之间的指纹约占74.2%。考虑到噪声影响和计算过程可能产生的误差,为了提高分类算法的鲁棒性和正确率,仍采用冗余分类策略。由于脊线平均频率在34-46之间的指纹占比大,可将其冗余区间适当减小,具体分类及实验结果如表4所示。
第二、三级分类均为连续分类,其准确率可通过匹配实验来验证,在最大搜索半径的范围内进行检索匹配,准确率可达到100%。随着搜索半径的增大,拒识率减小,但检索速度随之降低,实际应用时,可以根据对准确率的要求适当调整搜索半径。
为评价分类算法的性能,引入分类效率函数[17],设采用K个分类特征对指纹进行分类,任一指纹属于第wi类的概率为p(wi),则分类信息熵为:
定义分类算法的分类效率函数为:
分类效率函数指出分类算法能将指纹分为类别分布均匀的
由此,本文提出的多级分类算法的分类效率E=5.13×9.30×7.53=359.25,即具有将指纹分成359.25类的能力。相对于传统的5大类分类方法,分类效率明显提高,可以满足较大容量指纹库对分类算法的要求,显著提高检索速度和匹配准确率。
4 结 语
大容量指纹库中的指纹快速识别技术是当今指纹识别研究领域的一大热点和难点。本文提出的基于独立分类特征的指纹多级分类算法以提高识别效率为目标,首先对指纹图像进行质量评估,对合格指纹,利用纹型、奇异点间脊线数、指纹中心区域平均频率3个相互独立的分类特征实现多级分类。实验表明,本文提出的分类算法检索效率高、鲁棒性强、匹配识别空间小,为大容量指纹库提供了一种快速有效的检索匹配机制,具有很强的实用性。
摘要：为了提高基于大容量指纹库的自动指纹识别系统的检索效率,提出一种基于独立分类特征的指纹多级分类算法。依据评测指标对输入指纹图像进行质量评估,若指纹质量不合格,则提醒用户重新输入;若指纹质量合格,则分别利用指纹图像的纹型类别、奇异点间脊线数、中心区域脊线平均频率3个相互独立的分类特征实现多级分类,从而逐级减小检索空间。实验结果表明,该分类算法检索效率高、鲁棒性强,为大容量指纹库提供了一种快速有效的索引机制,具有很强的实用性。
指纹特征 篇7
指纹特征提取是建立在指纹预处理基础之上, 细化指纹图像中需要的细节特征信息, 可以直接在灰度指纹图像或者是二值化指纹图像中提取细节特征信息。得到的细节特征信息越多, 匹配越容易。但是, 这些细节特征信息并不都是可靠的。为了提高匹配的准确性, 必须要甄别出伪细节特征点并去除之, 高效进行指纹比对与识别。
首先, 应该明确指纹特征的类型, 即全局特征和局部特征。它们分别适用于指纹的分类和匹配。本文的侧重点是指纹的细节提取, 因此重点关注指纹的局部特征。对于局部特征, 一般有四种:末梢点 (端点) 、分叉点、复合点 (三分岔或交叉点) , 与未定义 (由美国国家标准局 (NIST) 提出) 。其中, 由于末梢点和分叉点数量多而且存在较稳定, 是分析一些伪细节特征点的基本细节特征点, 因此现在被广泛使用于美国联邦调查局 (FBI) 提出的细节点匹配模型。图1所示为末梢点和分叉点的局部放大示意图。
一个好的细节提取算法应该既可靠又高效。细节提取算法的可靠性指的是:不会提取出伪特征点;不会遗漏真实特征点;能准确地计算细节特征点的位置和方向。然而, 从指纹图像中准确地提取细节特征点是相对困难的。当指纹图像的质量很好时, 脊线和谷线的纹理清晰分明, 这种情况下可以很容易地提取出端点和分叉点, 并能够准确定位。但是, 当指纹图像的质量不佳时, 脊线和谷线的区别十分模糊, 真实细节特征点不能被准确地提取出来, 因此会产生相当多的伪特征点, 并且对于特征点的位置和方向的计算也有很大的影响, 产生较大误差。
1 模板检测法的提取原理
模板检测法的基本思路是在一个3X3的模板中以中心点为待检测点, 找到端点和分叉点的分布规律, 通过该规律可以检测出中心店的细节特征类型[1]。该方法通常用于细化指纹图像。由于细化后的指纹图像中的所有像素点的灰度值只能为0或1 (分别用白色表示北京, 黑色表示前景) , 因此在细化指纹图像中可较快速得到端点和分叉点的信息。3X3检测模板如表1所示:
表1中, P是需要判断其为端点还是分叉点的像素点, P1~P8依次为他的八个领域点。当它的八个领域点灰度值满足式 (1) 所示的条件时[2], P为端点。
当它的八个领域点灰度值满足式 (1) 所示的条件时, P为分叉点。
式中k为八个领域的索引;I为每个领域点的灰度值。
2 模板检测法的实现
对细化指纹图像进行从上到下、从左至右的遍历[3], 满足式 (1) 或式 (2) 的P点即为端点或分叉点, 并保存它们的类型和位置。要想进行指纹特征比对, 除了要获得每个细节特征点的类型和位置, 更重要的是, 获得其所在的局部脊线的方向及脊线的采样点信息等。该算法的模板简单, 对于完全细化的指纹图像是能够正确提取到细节特征点的位置和类型的。
3 实验结果分析
实验选取FVC2000中的指纹图像, 利用模板检测法将全部的细节特征点的类型和位置信息提取出来。
图4-1、4-2、4-3分别为特征提取之前的细化效果图:图4-4、4-5、4-6为使用模板检测法得到的特征点图。
从实验结果可以看出, 模板检测法可以很高效率的将细节特征点提取出来, 对比1、2、3与4、5、6可以知道, 模板检测法将指纹大部分的特征可以很快提取出来, 可以尽多地保留细节特征, 准确率高, 为之后的指纹匹配打下良好的基础。
4 结语
本文使用的是模板检测法来提取指纹图像的细节特征。根据模板检测法的3X3检测板可以很快得到端点和交叉点的信息。实验中利用FVC2000中的指纹图像如图4-1、4-2、4-3快速获取其端点交叉点信息如图4-4、4-5、4-6。
参考文献
[1]紫海燕.两种指纹特征提取办法的对比研究[J].西安邮电学院学报, 2009, 14 (1) :88-90.
[2]周海徽.低质量指纹图像增强与特征提取技术[D].长沙:国防科技大学, 2011:47-52.
指纹特征 篇8
指纹识别并不是直接对图像进行识别, 而是在图像中提取最能反映指纹特征的特征点。指纹最主要的特征点有两大类, 即端点和分叉点。若不考虑特征点的方向, 这两种特征点占了所有特征点的90%以上[4], 并且其他特征点如交叉点、环形、桥形特征实际上都可以看成是端点和分叉点的合成。因此一般只需要提取出这两种特征点就足够用于特征匹配。考虑到指纹预处理过程中存在的误差, 对特征点只做标记并不区分细节类型属于分叉点还是端点。目前大多数系统都是从细化指纹图像中提取特征, 只需要3×3的模板就可以将端点和分叉点提取出来[5]。算法描述如下:
首先, 确定一个特征提取模板, 如图1所示。中心点p为待检测点, p1至p8是p点的八邻域的像素值, 沿顺时针方向排列。然后判断待检测点的类型, 待检测点可分为四类:孤立点、端点、连续点和分叉点[6]。
若中心点为孤立点, 则其八邻域点分布如图2所示遍历时可标记为孤立点。
若中心点为端点:采用穷举法可知有且只有有以下8种情况, 如图3, 满足其中一种则可标记为端点。
同理可推断若中心点为连续点则有以下情况:
若中心点为分叉点则有以下情况:
以此方法对细化后指纹骨架图像上的所有点进行遍历, 标记出特征点。然后我们需要提取特征点的之间的某种关系 (例如位置关系、角度关系等) 对所采集到的指纹做出数据表达, 此步骤可以称为特征后抽取[7]。本文使用Voronoi图对已经提取的特征点进行区域划分, 得出点与点之间的相关信息, 将此信息作为指纹图像抽取完毕之后的新特征。
Voronoi图, 又叫泰森多边形, 它是由一组两邻近点连线的垂直平分线组成的连续多边形。N个在平面上有区别的点, 按照最邻近原则划分平面;每个点与它的最近邻区域相关联。为了使用方便, 可同时采用Delaunay三角形, Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形, 其外接圆圆心是与三角形相关的Voronoi多边形的一个顶点, Voronoi三角形是Delaunay图的偶图[8]。举例如下:任取一组不规则散点, 根据相关算法分别生成Voronoi图和Delaunay三角网, 为了便于说明问题, 将二者置于同一图中作对比, 如图六中所示, 由于Voronoi图是由垂直平分线组成, 所以这些不规则散点划分的区域是固定不变的, 即同一组散点确立的Voronoi图是唯一的, 其偶图Delaunay三角网也具有唯一性。
同理, 当我们对指纹上所有点进行遍历并标记出特征点后, 可以采用上述方法将散点生成Delaunay三角网, 由于Delaunay三角网在生成时是本着每个三角形中最小角最大化的原则[9], 所以可以记录图中每个独立三角形的最小角, 将这些角度按照从小到大的顺序进行排序并存储, 存储后的角度数值序列可作为指纹特征提取完毕后的特征值用于指纹匹配。
参考文献
[1]何余良, 田捷, 张晓鹏.基于马尔科夫随机场的指纹图像分割方法[C]//北京:第四届中国计算机图形学大会 (ChinaGraph 2002) 会议论文集, 2002:149-156.
[2]耿茵茵, 唐良瑞.指纹图像分级分割算法团二北方工业大学学报, 2000, 12 (3) :21-26.
[3]Bazen A M, Gerez S H.Directional field computation for fingerprints based on the principal component analysis of local gradients[C]//Proc.ProRISC2000, 215-222, 11th Annual Workshop on Circuits, Systems and Signal Processing, Veldhoven, The Netherlands, 2000.
[4]Mehtre B W, Chatterjee B.Segmentation of fingerprint images-acomposite method[J].Pattern Recognition, 1989, 22 (4) :381-385.
[5]梁广民, 蔡学军.OPTA算法的改进及其在指纹图像细化中的应用[J].计算机工程与设计, 2006, 27 (23) :4607-4608
[6]唐良瑞, 谢晓辉, 蔡安妮, 孙景鳌.基于D-S证据理论的指纹图像分割方法[J].计算机学报, 2003, 26 (7) :887-892
[7]王森, 张伟伟, 王阳生.指纹图像分割中新特征的提出及应用[J].自动化学报, 2003, 29 (4) :622-626.
[8]voronoi[EB/OL].http://baike.baidu.com/view/501103.htm.
小指纹大秘密 篇9
为什么能用指纹来破案呢？因为罪犯在作案时总会用手，所以难免都会留下指纹；再有呢，每个人的指纹都不一样，纹理的形状、条数都不相同，并且指纹终生不变，即使因为意外，手指被刀割或者化学物质腐蚀，伤口愈合后，指纹也还是不变，具有稳定性。我先来带你们破个简单的小案子吧！
金店的失窃案
镇上的金店失窃了。店主惊慌失措地给迪特探长打来电话，请求帮忙，希望能尽快抓到窃贼！迪特带着助手来到金店，仔细检查了每个角落，他们收集到了一个可疑的指纹，接下来警方也拘捕了几个嫌疑人。迪特侦探把可疑的指纹与嫌疑人的指纹进行了对比。你能找出谁是真正的窃贼吗？
地铁扒手案
地铁站里人来人往，这可是扒手们最愿意光顾的地方。一个下午，这里就发生了好几起乘客失窃案件。有个太太丢了钱包，有个年轻的女士丢了手机，还有一个男子丢了信用卡。警方经过调查，找到了几个嫌疑人。以下是他们的指纹，你能分辨出谁偷了什么赃物吗？
迪特工具箱
一般来说，采集到指纹后，如何显示指纹也是有学问的。
化学方法
你可以做简单的实验：在白纸上用手按一下，这时看不出指纹，可是把少量的碘酒倒在金属瓶盖里慢慢加热，靠近白纸，碘蒸气一熏，白纸上就会出现清晰的棕色指纹。
物理方法
指纹上常沾有灰尘，会吸收光线，借助逆光也能够显出指纹，现代一般要借助激光仪器。
上期《狡猾的纵火犯》答案：
指纹特征 篇10
在这个信息爆炸的时代,网络基本已经深入家家户户,那么如何更加有效的保障信息的安全性,是一个亟待解决的问题。而传统的个人身份认证方法如密码、证件等已经满足不了信息安全的绝对保障,并且这些方法也存在诸如易遗忘、易丢失等一些方面的缺陷,而支票、银行卡、网银等这些支付方式的主流加密方式是“密码+用户ID+证书”(可选),由于依赖第三方媒介,这种方式仍然存在较大的安全隐患,所以生物识别应运而生。生物识别技术给身份认证系统带来了新的曙光,在克服传统识别方法缺陷的前提下,提高了识别的准确性,并且对于信息安全的保障起着一定作用。
与传统的识别方法和技术相比,基于生物特征的识别技术融合了个体的多个特征使得个人身份识别系统具有更好的安全性、可靠性和有效性。生物特征识别技术可分为基于生理特征的生物识别技术和基于行为特征的生物识别技术,一些典型的生物识别方法经过数十年的研究,生物特征识别在不同的领域获得了不同程度的成功,在人脸、指纹、掌纹、虹膜、手型、声音、签名、步态等方面都取得了一定的成功。
在实际应用中,往往需要在不同的环境下获取待识别者的特征,例如有些指纹在人的手指受伤时采集的样本会和正常时有所差别,有的时候甚至很难提取;人脸识别会遇到乔装、各种表情、姿势、光照变化等问题而影响识别率;多生物特征识别技术通过综合多个生理或行为特征来进行识别,避免了单个特征导致识别率很低的情况,也提高了总体识别率。
多生物特征识别不但提高了识别的准确率,也互相弥补了单个识别技术的一些不足之处。最早提出利用多个特征来进行个人身份认证方法的Roberto Brunelli[1],他结合了人脸识别和说话人识别两种方法进行身份认证研究,并取得了较好的效果;Bigun[2]提出了一种基于贝叶斯决策融合不同的生物特征的方法;第一个结合了生物特征(指纹)和非生物特征(密码)系统的是由Maes[3]实现的,提高了识别的准确度;Li Hong[4]也从理论上定量地证明了多生物特征认证系统相对于单种生物特征认证系统在实现效率上的提高。
而本文则提出融合指纹识别和人脸识别两种身份识别方法,可以更加准确地进行一个人的身份认证。本文在传统指纹识别上进一步改进,采用局部归一化方法结合Gaussian滤波器来计算指纹方向,再对局部脊线补偿法(Local Ridge Compensation)[5]进行快速运算提高系统运行效率。Gabor滤波器有较好的指纹增强效果,但将Gabor滤波器对整幅指纹图像进行滤波处理时,效率较低,不太适合于现实应用,本文将采用局部脊线补偿法(Local Ridge Compensation)[6],同时对此方法作一些改进,采用快速算法进一步提高运行效率。
人脸识别是用户比较容易接受的一种识别方法,人脸识别中通过定位人脸位置并且进一步提取人脸特征来进行匹配,达到正确识别的效果。本文并没有使用Ojala提出的LBP等价模式[7],在某种情况下,LBP等价模式不能获得很好的效果。在人脸匹配时,传统的LBP直方图匹配精确度太低,使用SVM分类器在对样本进行多分类时效果也不是很理想,本文采取了ELM分类器,ELM分类器既可以准确地分类人脸,又可以快速进行分类。
让人脸识别和指纹识别融合并用来作为身份认证不但提高了识别度,而且也提高了用户的认可度。由于指纹方法与光照无关,人脸识别方法可以弥补指纹不清晰等情况,融合两者能更好地提高识别率。我们采用决策层融合,先单独计算指纹、人脸的识别,并利用“与”和“或”两种方法将指纹、人脸识别结果进行融合,从而实现最终的身份认证,达到更好的效果。
1 理论介绍
1.1 指纹识别原理简介
基于细节点指纹识别方法通常包括如图一所示的步骤:
第1步,采集指纹图像。
第2步,为了提高系统的鲁棒性,对指纹图像的预处理是必不可少。在本文中,对指纹图像的预处理过程概括如图二所示。
第3步,提取细节点特征,对纹线的端点、分叉点等细节点进行提取。
第4步,和数据库匹配,得到匹配结果。
1.2 人脸识别
人脸识别有下面几种方法,例如:基于几何特征的方法、基于K-L变换(PCA)、神经网络、弹性图匹配、支持向量机(SVM)等方法。几何特征可以是眼、眉毛、鼻子、嘴、下巴等的形状和它们之间的几何关系(如相互之间的距离、边缘曲率、角度等)。基于K-L变换(PCA)的人脸识别方法又被称为特征脸、本征脸,它是由Turk和Pentland提出来的。特征脸方法是基于主成份分析(PCA)发展而来的,它将包含人脸的图像区域看作是一种随机向量,采用K-L变换获得其正交K-L基底。神经网络方法在人脸识别中的研究是一个比较活跃的研究方向,它可以用于特征,同时也能利用它来进行模式识别。神经网络的方法在对人脸进行识别时,可以通过学习的过程获得关于人脸识别规律和规则的隐性表达,同时它也避免了对它们进行显性表达的困难,这是其他方法难以做到的,它的适应性更强,一般也比较容易实现。弹性图匹配:在图像上选取一些特征点来建立一个具有一定拓扑结构的弹性图,提取每个节点上的特征矢量,用一组描述人脸局部特征的二维Gabor小波变换系数来表示,弹性图的边用描述相邻两个节点向对应位置的度量信息来表示,再定义相似度函数来计算特征矢量,通过求取建立的拓扑结构之间的相似度最大化来完成识别。
1.3 多生物特征识别方法
在多生物的识别研究中,经过长期的发展,取得了很大的进展,有基于人脸和指纹融合、手背静脉和虹膜融合、人脸和虹膜融合、语音和人脸融合、脸部和步态特征融合等方法。文献[9]提出基于归一化的融合识别方法与基于分类器的融合识别方法是多模态生物特征识别中的两类基本匹配层融合识别方法;针对单生物特征识别的局限性,文献[10]提出融合手背静脉和虹膜两种生物特征实现身份识别;文献[11]对原始图像作对角变换,并在此基础上利用二维离散余弦变换(2DDCT)进行特征压缩,将人脸与虹膜特征相融合,利用二维主元分析(2DPCA)分别从纵横双向进行特征提取,最后利用最小距离分类器进行识别。基于数据融合的多生物特征身份识别技术可以提高生物识别系统的准确率等性能;文献[12]利用特征脸和矢量量化方法建立人脸识别和语音识别两个子系统,在决策层用神经网络融合子系统的输出来进行身份识别;文献[13]提出了一种将脸部和步态特征相结合,应用于智能监控系统进行远距离视频流中身份识别的新方法。该方法首先分别采用隐马尔可夫模型(HMM)和sherfaces方法进行步态和脸部的识别,之后将这两个分类器得到的结果进行匹配级的融合。
2 本文采用的方法
2.1 指纹识别采用的步骤
2.1.1 背景分割
背景分割是指将指纹图像的前景与背景分离,目的是突出指纹图像感兴趣区,指纹图像的背景是指除了指纹对象以外的图像部分,分析指纹的强度场与灰度场[6],可以发现指纹对象部分的强度场值较高,而背景部分的强度场值较低,通过计算指纹图像的梯度场可以分割指纹图像[6]。
2.1.2 归一化
由于采集设备工作环境及其参数设置的影响,采集到的原始指纹图像对质量可能比较差,因此需要先对图像进行归一化[5],将采集的一幅指纹图像的灰度变化调整到一个统一的范围,使不同的图像具有相同的灰度均值和方差,以消除传感器本身噪声或手指压力不同以及其它原因造成的灰度差异,为后续处理提供一个较为统一的图像规格。归一化可分为全局的归一化与局部的归一化,对于质量较差的指纹图像,采用全局归一化并不是十分合适[5],因此本文采用文献[5]所使用的归一化方法。
2.1.3 采用Gaussian滤波器多次滤波计算方向
方向计算决定了脊线局部的走向,方向计算应当十分的准确,方向计算中所产生的误差将给后续步骤带来较大的影响。梯度计算[14]时,采用Sobel算子对灰度渐变噪声图像有较好的检测效果,但是对于多复杂噪声的图像处理效果就不理想了[8]。Gaussian滤波器对图像的平滑处理效果显著,本文将采用Gaussian滤波器来计算指纹方向。
2.1.4 改进的脊线补偿滤波增强
局部脊线补偿(Local Ridge Compensation)[6]是为了修复因噪声产生的错误或缺陷,利用上面的步骤所得到的脊线的方向信息以及像素点周围灰度的强度信息,对每一个像素点,利用沿脊线方向的矩形框内的像素点的信息,进行补偿处理,这可以加强、修复脊线。每一个像素点的像素值将被矩形框内的像素点的平均灰度值所替代,这个矩形框的方向与局部脊线的走向是一致的[6]。局部脊线补偿滤波器的设置应当满足以下的要求:沿着脊线方向的像素应当增强,无脊线区域的像素应该弱化。这样通过脊线补偿器的滤波处理,断纹可以被连接起来,污点可以被去除掉。
在计算过程中,由于涉及到大量的三角函数的计算,将导致程序运行效率的极度低下,然而此步滤波的本质是对指定窗口内的像素灰度值进行加权平均,并不需要准确计算出三角函数的值,只需计算出滤波窗口内像素坐标的偏移值即可,而对于指定大小的滤波窗口内像素的位置偏移是可以穷举的。因此本文提出一种快速算法:可以事先将所有可能的偏移值存入一个矩阵内,通过像素的方向来索引,从而准确定位滤波窗口内的像素位置,通过此法可大大提高程序的运行效率。
2.1.5 二值化
二值化的作用是将指纹图像转换成黑白二值图像,可行的二值化方法通常有固定阈值法与自适应阈值法。固定阈值法是指事先给定一个阈值,当像素值的灰度小于这个值时,原像素值就应当被设为黑,否则为白。而自适应阈值法是在固定阈值法的基础上,根据图像中的每一部分的明暗度来自动调整阈值。文献[6]提出二值化除了考虑各像素值的大小外还应考虑各像素之间的关系,认为某个像素点的切向灰度和小于法向灰度和时则可判断为黑点在脊上,反之,为白点在谷上。此方法较充分地利用了指纹图像本身的特性,二值化的效果较为理想,本文也将采用这一方法。
2.1.6 细化
细化是指把指纹区域的黑色脊线部分按宽度对称减薄,去除二值指纹图像中的冗余信息,将指纹脊线的宽度变为一个像素。细化的算法较多,如Hilditch算法、数学形态学细化算法、查表法等,本文采用的是查表法。其原理可概括为:对于某一个黑点,要去掉这个像素点以实现细化,则此像素点周围的8个点必定表现出一定的色彩顺序,而此顺序最多只有256种,故可将所有情况归纳为一张表,通过查找表来判断此点是否为可去的像素点。细化的过程可能会产生噪声,这将直接影响到提取特征的准确性。为了消除这些伪特征,文献[15]提出了相应的方法。
2.1.7 特征提取
本文是从细化后的指纹图像中提取特征的,对于细节特征,可通过计算交叉数[15]来提取,而全局特征点如中心点与三角点,则通过Poincare公式来获取[6]。受环境的影响,伪特征点难以避免,通常可根据伪特征点的属性来有针对性的消除,比如伪特征点的纹线形态、边缘区域、周围像素点方向、纹线间距等。
2.1.8 匹配
由于采集指纹图像时可能有平移、旋转等多种情况,因此,在指纹匹配前,先要对两幅指纹图像估计其形变参数,并以此来校准指纹图像,本文采用的是文献[6]所使用的图像校准模型。经过校准处理后,可以使用界限盒法[16]对两枚指纹图像进行匹配,本文所采用的是可变界限盒法[6]。
3 人脸识别采用的步骤
人脸识别的步骤大致分为两阶段,如图三所示。第一阶段需要采集大量人脸样本进行预处理,分类后存入数据库待匹配使用;第二阶段要进行待识别人脸图像的采集、预处理、提取人脸特征等步骤,最后与数据库中人脸数据进行匹配,得出结果。本文首先检测出人脸,再使用LBP算子进行特征提取,主成分分析对特征值进行降维,并利用ELM进行对样本的分类。
3.1 人脸检测
由于人脸检测在试验中对实验效果几乎无影响,本文直接使用Open CV基于haar特征的adaboost进行人脸检测[17]。
3.2 规一化
由于人脸与采集设备距离、位置、光照条件等不同以及人脸本身的特点,往往会使设备检测到的人脸图像尺寸与灰度有部分差异。在人脸图像识别的过程中,需要将这些差异去除,所以需要将采集到的图像几何归一化到与人脸库中图像相同的尺寸以及相近的光照条件以达到更好的识别效果。
3.2.1 几何规一化
几何规一化通常有最近临近插值法、双线性插值法、立方差值等方法,考虑到采集图像与人脸库中图像尺寸上差异不会很大,本文使用双线性插值法进行人脸图像几何归一化处理[18]。
3.2.2 光照归一化
光照归一化通常有直方图均衡化、商图像、基于小波处理的方法等,本文使用了最常见的直方图均衡方法对人脸图像进行光照规一化处理[19]。
3.2.3 特征提取
纹理特征是图像中常用的概念,在计算机图像处理中用二维灰度图像来表示纹理特征是一个比较复杂的过程。局部二值模式是一种很好的纹理描述方式,LBP定义一个N*N(最常见为3*3)的窗口,以中心点像素值为阈值,周围点分别与中心点比较,大于中心点的值标记为1,小于中心点的值标记为0,将周围点连接起来可以形成一个二进制数,将这个数字重新填写到中心点位置[20,21],过程如图四所示。
3.2.4 主成分分析(PCA)
一幅样本图像往往有大量像素点组成,90*100的灰度图像就有9000个像素点,大大增加了样本分类处理的时间。Ojala提出了使用等价模式对LBP图像进行降为处理[7],对于LBPRP,形成的模式数会达到2P,例如LBPR1,将会产生256种不同的模式,模式数会随P值改变而改变,当P值比较大时,就会产生很大的模式数,很大的模式数对于存储与处理来说都是十分不方便的。LBP的等价模式就是用来对LBP处理后的值进行降维处理。Ojala等认为,在LBP处理的图像中,大多数模式只包含两次0,1之间的跳变。所以等价模式被定义为:当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该局部二进制模式所对应的二进制就称为一个等价模式类[20]。例如:11111111,00000000,00011111等。而在实际情况下,这种方法并不是最优的。
本文使用PCA进行图像的降维处理,由于LBP算子可以很好地提取出一个人脸样本局部纹理特征,而PCA可以提取样本库中每个样本的主成分,这些主成分不仅尽可能的包含了原始的特征,并且特征之间不相关。通过主成分分析法将一个高维样本降到低维处理[22],这样就可以将每个人脸样本的局部特征与全局特征结合起来。
3.2.5 极限学习机(ELM)
基于神经网络的学习机之所以得到广泛使用是因为他有学习能力强,能够逼近复杂非线性函数,能够解决传统参数方法无法解决的问题等优点。通过不断调整权值与门限,可以近似的逼近一个函数从而更准确的进行样本的训练与匹配[23,24]。在标准UCI数据集上的大量实验表明,ELM训练速度快,泛化性能良好[25]。
神经网络类算法在训练阶段需要设置隐藏层节点数,经过试验,这个参数对最后的结果有一定影响,在实际应用中,一旦更换了不同环境,这个值就需要重新测试。
4 多生物特征融合
多生物特征融合采用决策融合,可以分为“与”方法与“或”方法,如图六所示。“与”方法匹配时,先进行指纹匹配,若通过指纹匹配再进行人脸匹配,两者全部通过则身份认证成功,否则失败。采用这种身份认证融合的方法虽然会降低识别率,但是在身份认证安全方面会大大提高。但是,“或”方法则当其中的任意一种方式匹配成功的时候,融合系统均认为匹配成功。
5 实验结果
5.1 人脸实验
ORL[26]、Yale[27]、FERET[28]人脸数据库都包含许多姿态、光照的灰度、饰物以及表情的人脸图像,是人脸识别领域应用最广泛的人脸数据库。实验结果如表一所示:
使用ORL数据库40个人脸,每人10幅图像,其中前7幅用来训练,后3幅用来测试。所以训练样本为280幅,测试样本为120幅。实验结果如表二所示:
使用Yale数据库15个人脸,每人11幅图像,其中前7幅用来训练,后4幅用来测试。所以训练样本为105幅,测试样本为60幅。实验结果如表三所示:
使用FERET数据库200个人脸,每人6幅图像,其中前4幅用来训练,后2幅用来测试。所以训练样本为800幅,测试样本为400幅。实验结果如表四所示:
5.2 多生物特征融合实验
本实验中使用的数据库并非绝对的多模生物特征库(人脸与指纹并不是取自同一个人),但人脸样本和指纹样本并无必然联系,分别取人脸数据库与指纹数据库进行试验并不会影响实验结果。所以将人脸数据库与指纹数据库中的样本一一对应进行融合,方法如图七所示,每个测试样本由多幅不同条件下的人脸图像与多种采集条件下的指纹图像组成。
人脸数据库使用Orl,共40个人脸样本,每个样本10幅图像,前7幅用来训练,后3幅用来测试;指纹数据库使用DB2,取1幅指纹图像作为模板,每个模板对应取3幅图像作为测试并与人脸图像对应,若识别成功用1标识,失败使用0标识。由于人脸识别使用的是全局特征匹配的方法,指纹识别使用的是局部特征匹配的方法,所以在实验中,7幅人脸训练图像对应1幅指纹模板图像,匹配测试时,每个测试样本包括3幅人脸图像与3幅指纹图像,单幅人脸图像与单幅指纹图像相对应组成一组并进行检测。若一组中的人脸与指纹样本全部通过识别,则通过身份认证。实验结果如表五所示:
6 结束语
随着信息科技的不断发展,身份鉴定的准确性以及安全性扮演着越来越重要的角色,仅靠单一生物特征有时无法满足实际的需求,因此将不同特征、不同鉴别方式结合建立的基于多生物特征身份鉴定融合系统。本研究通过将指纹识别技术与人脸识别技术相结合,从而达到更进一步提高身份鉴定的准确率的目标。
本研究同时致力于研究已有的指纹识别算法、人脸识别算法,并提出改进的方法,大大提高了运行效率与识别的准确率,并使其真正投入现实应用成为可能。
摘要：本文分别介绍了一种基于指纹人脸识别的多生物特征身份认证方法,并针对传统的指纹人脸方法提出相应的改进算法。对指纹识别,本文提出采用局部归一化方法结合Gaussian滤波器来计算指纹方向,再对局部脊线补偿法(Loca lRidge Compensation)进行快速运算,能够更加快速准确地进行指纹识别。人脸识别通过定位人脸位置并且进一步提取人脸特征来进行匹配,使用LBP(Local binary patterns)算子对人脸样本进行局部特征提取,对LBP处理后的人脸图像使用主成分分析(PCA)进行降维,并采取了极限学习机(Extreme learning machine,ELM)分类器进行匹配,将指纹、人脸的识别结果在决策层进行融合,最后做出判断,从而得到准确稳定的身份认证系统。