[发明专利]基于统计方法的指纹识别方法

摘要

一种基于统计方法的指纹识别技术，本发明首先对采集到的指纹图像进行分割，利用灰度梯度和方向一致性，将指纹图像的有效区域提取出来；采用带通滤波对指纹图像的有效区域进行增强；对增强后的图像二值化，获得纹线结构，提取指纹图像的细节特征和方向信息；最后分为两步进行特征匹配，先将提取到的细节特征集与特征库中的细节特征集进行比对，得到一系列平移旋转参数，通过统计的方法确定两个特征集的平移旋转参数；然后将模板细节特征集平移旋转校正，和提取到的特征进行匹配，并对匹配结果判断，得出两个指纹是否来自同一指头的结论。本发明克服了目前基于中心点、局部点集等匹配方法在确定校正参数，进行匹配存在的缺点，提高了识别的准确性。

主权项

1.基于统计方法的指纹识别方法，其特征为：对采集到的指纹图像进行分割，提取出指纹图像中可以通过增强算法恢复的区域，分割采用基于阈值的方法，对纹线的灰度梯度和梯度方向一致性设置阈值进行分割，步骤如下：(1)利用Sobel算子计算每个像素的x方向梯度Gx与y方向梯度Gy，计算出该像素的梯度$G(i,j)=\sqrt{(G_x^2+G_y^2)},$ 并对梯度矩阵进行N×N的均值滤波，N取8-13；(2)对梯度取对数G(i，j)＝50*log2(G(i，j)+1)，并且将梯度矩阵取整数；(3)计算图像方向一致性参数$\mathrm{coh}=\frac{\left|\mathrm{\Sigma \Sigma }{\overrightarrow{G}}^2\right|}{\mathrm{\Sigma \Sigma }\left|{\overrightarrow{G}}^2\right|}=\frac{|\mathrm{\Sigma \Sigma }(G_x^2-G_y^2)+\mathrm{j\Sigma \Sigma }\left(2G_x{G}_y\right)|}{\mathrm{\Sigma \Sigma }|(G_x^2-G_y^2)+j2G_x{G}_y|};$ (4)梯度阈值采用OTSU方法动态设定，方向一致性阈值设置为0.39，将梯度与方向一致性与对应阈值比较，若小于阈值，则为背景，相反，就为有效区域；计算分割得到有效区域的点方向图，$\mathrm{Orient}=\frac{\pi }{2}-\mathrm{an}\tan 2(V_y,V_x),$ 并将他量化0～255；计算纹线的平均周期，步骤如下：(1)以横纵坐标为16倍数的像素为中心，选取以矩形区域，矩形的宽l为32，垂直与该像素对应的纹线方向，高h为16，计算在宽上投影在同一个点的所以像素的灰度和：$x\left[l\right]=\underset{h=-8}{\overset{7}{\Sigma }}S(l,h)$ 其中h为h-l坐标系内坐标$=\underset{d=-8}{\overset{7}{\Sigma }}S(i-(l-8)\sin \left(\theta \right)+h\cos \left(\theta \right),j+(l-8)\cos \left(\theta \right)+h\sin \left(\theta \right))(2.3-14)$ 其中l＝0，2，3…，31(2)计算x[l]的均值，将x[l]减去它的均值，得到新的x′[l]；(3)计算$F\left(k\right)=\underset{k=0}{\overset{31}{\Sigma }}{x}^{\prime }\left(k\right)e^{-j2\mathrm{\pi nk}/N},$ 在F(k)中，下表0～N/2找出幅值最大值的下表m，则该处纹线的周期$T_m=\frac{N}{m},$ 其中N＝256；(4)求出各个位置的周期，计算所用周期落在5～22范围内的周期和，求其平均值，就得到指纹图像的平均纹线周期；(5)将指纹的平均周期存入模板库，将所有在有效区域，坐标为4的倍数处的方向存入模板库；生成滤波矩阵，对指纹图像进行滤波增强，根据指纹图像的周期，生成16个方向周期为纹线周期的滤波矩阵：$h(i,j,\theta ,T)=\exp [-\frac{1}{2}\left(\frac{{(i\cos \left(\theta \right)+y\sin \left(\theta \right))}^2+{(-i\sin \left(\theta \right)+j\cos \left(\theta \right))}^2}{4T}\right)]\cos \left(\frac{2\pi (i\cos \left(\theta \right)+y\sin \left(\theta \right))}{T}\right)$ 其中θ取16个量化方向为：0°，11.2500°，22.5°，33.75°，45°，56.25°，67.5°，78.75°，90°，101.25°，112.5°，123.75°，135°，146.25°，157.5°，168.75°；对增强后的指纹图像利用OTSU方法进行二值化，查表的方法进行细化，利用查表的方法细化指纹纹线，表格内容为：TABLE1[256]＝{0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，1，1，0，1，0，0，0，0，0，0，0，0，0，0，0，0，1，1，0，1，0，0，0，0，1，0，0，0，1，0，0，0，1，1，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，1，0，1，0，0，0，0，1，0，0，0，1，0，0，0，1，1，0，0，1，0，0，0，0，0，0，0，0，0，0，0，1，1，0，1，0，0，0，0，1，0，0，0，1，0，0，0，1，1，0，0，1，0，0，0}TABLE2[256]＝{0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，1，1，1，0，1，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，1，1，0，1，1，0，0，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1，0，0，1，1，0，0，1，1，0，0，1，1，0，0，1，1，0，0，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，1，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，1，1，0，0，1，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0}利用统计的方法进行细节特征匹配，以及纹线周期和全局方向结构特征匹配，匹配的步骤为：(1)将输入指纹细节特征向量集I′＝{i′1，i′2，…，in}中任意两个向量对，与模板库中指纹细节特征向量集I＝{i1，i2，…，im}中的任意两个向量对进行比对，若匹配，计算有它们确定的平移旋转参数(Δx，Δy，Δα)，将该校正向量存入序列ΔP中；(2)统计校正向量序列ΔP中的向量落在某个区域的频数，确定频数大的区间，计算该区间上校正向量的加权平均值，以该值作为校正参数对模板的细节特征向量和方向特征向量进行平移旋转校正；(3)将校正后的模板特征向量集中的细节特征向量集I＝{i1，i2，…，im}与输入指纹的细节特征向量集I′＝{i′1，i′2，…，in}进行比对，如果匹配的点数大于等于8个，则进行方向场匹配，否则认为不是来自同一个指纹；(4)将模板库中的校正后方向特征向量集O＝{o1，o2…，on}与指纹图像对应坐标出方向进行比对，若方向差绝对值小于π/16，或方向差绝对值小于与π的差绝对值小于π/16，则对应点处的方向是一致的，统计不一致点数，如果不一致点数与比较总点数小于0.045，整体方向场是匹配，判断两个指纹是来自同一个指头。