[发明专利]一种融合多参考节点整体对齐和方向场的指纹图像匹配方法

摘要

一种融合多参考节点整体对齐和方向场的指纹图像匹配方法，包括以下步骤：1)、提取节点周围相对节点的局部相对方向信息；2)、对模板指纹T和输入指纹Q的节点集合M(T)和M(Q)进行旋转和平移粗对齐；3)、构造使整体对齐的过程；4)、将转换为直角坐标，并求T和Q的最终匹配节点对数N_p；5)、计算T和Q的匹配分数S_TQ；6)、对含节点数量较少或者不含节点的指纹图像，给出指纹图像T和Q的方向场O(T)和O(Q)；7)、将O(T)和O(Q)进行对齐得到O^# (Q)，计算O(T)与O^# (Q)的匹配程度c；8)、运用BP神经网络进行相似度计算。本发明适用于不含节点或节点不丰富的指纹图像、匹配速度更快、识别正确率更高。

主权项

1、一种融合多参考节点整体对齐和方向场的指纹图像匹配方法，其特征在于：该匹配方法包括以下步骤：1)、提取节点周围相对节点的局部相对方向信息，包括：①、节点的坐标(x，y)；②、节点的方向γ，0≤γ<2π；③、局部相对方向D＝<D_α，D_β>；④、排序数Δ，其中排序数Δ的计算公式是：Δ=Σ-N≤i≤N,i≠0i|i|αi/2N---(1)]]>其中，其中α_i是点A_i处相对节点的累计方向差，N为节点一侧的采样点数量；将指纹图像中节点表示为极坐标形式若Δ≥0则称该节点为右手节点，否则为左手节点；将从指纹图像I中提取的所有节点按照Δ增序排列，得到M(I)={⟨x1I,y1I,γ1I,D1I,Δ1I⟩,⟨x2I,y2I,γ2I,D2I,Δ2I⟩,···,⟨xpI,ypI,γpI,DpI,ΔpI⟩},]]>其中p为节点数，Δ1≤Δ2≤···≤Δp,]]>DiI=⟨DαI,i,DβI,i⟩,]]>DαI,i={αkI,i|k=-NN},]]>DβI,i={βkI,i|k=-NN};]]>2)、对于模板指纹图像T和输入指纹图像Q的节点集合M(T)={⟨xiT,yiT,γiT,DiT,ΔiT⟩|1≤i≤p}]]>和M(Q)={⟨xiQ,yiQ,γiQ,DiQ,ΔiQ⟩|1≤i≤q}]]>进行旋转和平移粗对齐，以为参考节点，分别得到M(T)和Q(T)的极坐标形式和记C＝Count[u][v]为和的匹配节点对数，当它取最大值时，得到的匹配节点集合{⟨xmiT,ymiT,γmiT,DmiT,ΔmiT⟩|1≤i≤C}]]>和{⟨xnjQ,ynjQ,γnjQ,DnjQ,ΔnjQ⟩|1≤j≤C}]]>是多对参考节点，对应于极坐标(T)和的和3)、对多参考节点进行对齐：将{⟨xmiT,ymiT,γmiT⟩|1≤i≤C}]]>和{⟨xnjQ,ynjQ,γnjQ⟩|1≤j≤C}]]>进行整体对齐，即要构造使和整体对齐；对进行旋转和平移，计算的旋转参数-Δ_ψ和平移参数(-Δ_x，-Δ_y)；4)、将转换为直角坐标Mr1c(T)={⟨XiT,YiT,ψiT,DiT,ΔiT⟩|1≤i≤p},]]>同样将转换为Mr2c(Q)={⟨XiQ,YiQ,ψiQ,DiQ,ΔiQ⟩|1≤i≤q},]]>求T和Q的最终匹配节点对数N_p，计算公式是：Np=Σ1≤i≤p,1≤j≤pp(i,j)---(2)]]>其中，5)、计算指纹图像T和Q的匹配分数S_TQ，S_TQ定义为：STQ=Σp(i,j)=1s(miT,mjQ)NT+NQ-NP---(4)]]>两个指纹对齐后，有一个重叠的公共区域F，设N_T为指纹图像T位于F中的节点数量，N_Q为指纹图像Q中位于F中的节点数量；S_TQ是指纹图像T和Q的相似度，S_TQ值越大，T和Q越相似；其中是miT=⟨xiT,yiT,γiT,DiT,ΔiT⟩]]>和mjQ=⟨xiQ,yiQ,γiQ,DiQ,ΔiQ⟩]]>的相似度为，计算公式是：s(miT,mjQ)=exp[-ρgΣk=-NN(|αkT,i-αkQ,j|+|βkT,i-βkQ,j|)2πN]---(5)]]>其中ρ为常数，N为采样点的数量参数；6)、对于含节点数量较少或者不含节点的指纹图像，给出指纹图像T和Q的方向场O(T)和O(Q)，O(T)＝{O(W^T(i，j))|0≤i<m/w，0≤j<n/w}，O(Q)＝{O(W^Q(i，j))|0≤i<m/w，0≤j<n/w}；将方向规约到[0，π)，对于背景块W(i，j)，其方向无意义，置O(W(i，j))＝-1；若W(i，j)为前景块，则O(W(i，j))∈[0，π)；7)、将指纹图像T和Q的方向场O(T)和O(Q)进行对齐，得到：O#(Q)={O(WQ#(i,j))|0≤i<m/w,0≤j<n/w},]]>计算O(T)与O^#(Q)的匹配程度c，计算公式是：c=Σ0≤i<m/w,0≤j<n/wd(i,j)Σ0≤i<m/w,0≤j<n/wη(i,j)×100---(6)]]>c即为两个方向场对齐后差异较大的方向所占重叠区域的比重；8)、运用BP神经网络进行相似度计算，神经网络的输入上述5)的节点匹配分数S_TQ和方向场匹配程度c，输出为参与匹配的两个指纹的相似度；训练阶段，对于两个相同的指纹，输出为1，否则输出为0；在识别阶段，网络输出值介于0和1之间，相似度越大，则两个指纹越相似。