圖像指紋演算法

Ⅰ 如何進行指紋識別演算法的研究

由於指紋特徵的唯一性和穩定性，指紋識別技術很早便應用在刑偵領域，並且已經取得了很大的成功。近年來各種領域身份認證的需求不斷增長，並且隨著公眾的接受和認可，自動指紋識別技術在民用市場逐漸得到了更為廣泛的應用。指紋圖像的增強和匹配演算法是影響自動指紋識別系統精度和速度的重要環節，嵌入式系統由於處理速度和內存的限制對指紋識別演算法提出了更高的要求。另外，獲取高質量的指紋圖像和減少模板存儲容量也是嵌入式指紋識別系統特別需要解決的問題。本文針對DSP處理器的技術特點，對嵌入式指紋識別系統演算法中的幾個關鍵問題進行了研究。論文的主要工作和貢獻如下： 1) 提出了一種基於運動估計的掃描指紋圖像重構演算法。我們利用視頻壓縮和編碼技術中的運動估計的理論，並根據手指在採集掃描圖像的滑動過程中的物理運動規律，引入預測運動向量的反饋機制，動態地選取參考匹配塊，多幀運動估計和亞像素精度的運動估計相結合，得到連續掃描圖像的相對位移，重建出指紋圖像。根據計算復雜度分析和實驗表明我們的演算法可以實時地准確地重構出原始指紋圖像。 2) 提出了一種基於增強圖像的幾何特性的二值化方法。我們提出並證明了基於Hessian矩陣的跡的二值化方法等價於最大主曲率的方法，而這個方法的前提條件是指紋圖像在局部鄰域內具有方向一致性。因此，我們首先利用各向異性擴散濾波器，使擴散濾波的過程在適應局部紋理結構的一致性方向上進行。實驗證明該演算法的性能優於常用的指紋圖像增強和二值化的演算法。 3) 提出了一種適用於嵌入式系統的指紋方向圖量化壓縮的方法，並利用方向圖的互信息實現指紋的匹配。根據指紋方向圖特徵的相關性以及DSP處理器方便的存儲位操作，改進行程編碼演算法，實時高效地實現了量化的方向圖的壓縮存儲。將讀取的方向圖模板和輸入指紋方向圖看作兩個離散的隨機變數，求取方向圖的互信息作為兩幅圖像的相似性度量。方向圖互信息匹配的演算法能夠在識別性能和壓縮效率之間獲得較好的平衡。 4) 分別在特徵層次上和匹配層次上結合細節點三角形特徵和方向場特徵，並相應地提出了兩種不同的匹配演算法。在特徵層次上結合細節點特徵和方向場特徵，定義一個旋轉和平移不變的固定維數的三角形特徵向量，利用非校準的方法進行匹配。針對該演算法耗時較長的缺陷，我們提出了分區域查詢等價三角形和幾何變換參數聚類的方法。在匹配層次上，我們採取了級聯的融合策略，以較小的概率啟用方向圖匹配並融合細節點匹配的結果，得到更高的識別率。 本文的部分研究成果已經轉換到基於DSP的指紋識別核心模塊中去，在實際應用中取得了良好的識別效果；部分研究成果應用在我們正在開發的生物特徵通關安防教育系統上，獲得了較好的實驗結果。

Ⅱ 指紋識別技術是基於哪些原理

指紋其實是比較復雜的。與人工處理不同，許多生物識別技術公司並不直接存儲指紋的圖像。多年來在各個公司及其研究機構產生了許多數字化的演算法（美國有關法律認為，指紋圖像屬於個人隱私，因此不能直接存儲指紋圖像）。但指紋識別演算法最終都歸結為在指紋圖像上找到並比對指紋的特徵。
指紋的特徵
我們定義了指紋的兩類特徵來進行指紋的驗證：總體特徵和局部特徵。總體特徵是指那些用人眼直接就可以觀察到的特徵，包括：
基本紋路圖案
環型（loop）,
弓型（arch）,
螺旋型（whorl）。其他的指紋圖案都基於這三種基本圖案。僅僅依靠圖案類型來分辨指紋是遠遠不夠的，這只是一個粗略的分類，但通過分類使得在大資料庫中搜尋指紋更為方便。
模式區（Pattern
Area）模式區是指指紋上包括了總體特徵的區域，即從模式區就能夠分辨出指紋是屬於那一種類型的。有的指紋識別演算法只使用模式區的數據。
Aetex
的指紋識別演算法使用了所取得的完整指紋而不僅僅是模式區進行分析和識別。
核心點（Core
Point）核心點位於指紋紋路的漸進中心，它用於讀取指紋和比對指紋時的參考點。
三角點（Delta）三角點位於從核心點開始的第一個分叉點或者斷點、或者兩條紋路會聚處、孤立點、折轉處，或者指向這些奇異點。三角點提供了指紋紋路的計數和跟蹤的開始之處。
式樣線（Type
Lines）式樣線是在指包圍模式區的紋路線開始平行的地方所出現的交叉紋路，式樣線通常很短就中斷了，但它的外側線開始連續延伸。
紋數（Ridge
Count）指模式區內指紋紋路的數量。在計算指紋的紋數時，一般先在連接核心點和三角點，這條連線與指紋紋路相交的數量即可認為是指紋的紋數。
局部特徵
局部特徵是指指紋上的節點。兩枚指紋經常會具有相同的總體特徵，但它們的局部特徵--節點，卻不可能完全相同
節點（Minutia
Points）指紋紋路並不是連續的，平滑筆直的，而是經常出現中斷、分叉或打折。這些斷點、分叉點和轉折點就稱為"節點"。就是這些節點提供了指紋唯一性的確認信息。
指紋上的節點有四種不同特性：
1.
分類
-
節點有以下幾種類型，最典型的是終結點和分叉點
A.
終結點（Ending）
--
一條紋路在此終結。
B.
分叉點（Bifurcation）
--
一條紋路在此分開成為兩條或更多的紋路。
C.
分歧點（Ridge
Divergence）
--
兩條平行的紋路在此分開。
D.
孤立點（Dot
or
Island）
--
一條特別短的紋路，以至於成為一點
E.
環點（Enclosure）
--
一條紋路分開成為兩條之後，立即有合並成為一條，這樣形成的一個小環稱為環點
F.
短紋（Short
Ridge）
--
一端較短但不至於成為一點的紋路，
2.
方向（Orientation）
--
節點可以朝著一定的方向。
3.
曲率（Curvature）
--
描述紋路方向改變的速度。
4.
位置（Position）
--
節點的位置通過（x,y）坐標來描述，可以是絕對的，也可以是相對於三角點或特徵點的。

Ⅲ 指紋的識別原理

指紋識別
讀取指紋圖象、提取特徵、保存數據和比對。在一開始，通過指紋讀取設備讀取到人體指紋的圖象，取到指紋圖象之後，要對原始圖象進行初步的處理，使之更清晰。接下來，指紋辨識軟體建立指紋的數字表示——特徵數據，一種單方向的轉換，可以從指紋轉換成特徵數據但不能從特徵數據轉換成為指紋，而兩枚不同的指紋不會產生相同的特徵數據。
有的演算法把節點和方向信息組合產生了更多的數據，這些方向信息表明了各個節點之間的關系，也有的演算法還處理整幅指紋圖像。總之，這些數據，通常稱為模板，保存為1K大小的記錄。無論它們是怎樣組成的，至今仍然沒有一種模板的標准，也沒有一種公布的抽象演算法，而是各個廠商自行其是。最後，通過計算機模糊比較的方法，把兩個指紋的模板進行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結果。指紋其實是比較復雜的。
與人工處理不同，許多生物識別技術公司並不直接存儲指紋的圖象。多年來在各個公司及其研究機構產生了許多數字化的演算法（美國有關法律認為，指紋圖象屬於個人隱私，因此不能直接存儲指紋圖象）。
指紋識別演算法最終都歸結為在指紋圖象上找到並比對指紋的特徵。指紋的特徵我們定義了指紋的兩類特徵來進行指紋的驗證：總體特徵和局部特徵。總體特徵是指那些用人眼直接就可以觀察到的特徵，包括：基本紋路圖案環型（loop），弓型（arch），螺旋型（whorl）。其他的指紋圖案都基於這三種基本圖案。僅僅依靠圖案類型來分辨指紋是遠遠不夠的，這只是一個粗略的分類，但通過分類使得在大資料庫中搜尋指紋更為方便。 （PatternArea）模式區是指指紋上包括了總體特徵的區域，即從模式區就能夠分辨出指紋是屬於那一種類型的。有的指紋識別演算法只使用模式區的數據。Aetex的指紋識別演算法使用了所取得的完整指紋而不僅僅是模式區進行分析和識別。
核心點（CorePoint）核心點位於指紋紋路的漸進中心，它用於讀取指紋和比對指紋時的參考點。
三角點（Delta）三角點位於從核心點開始的第一個分叉點或者斷點、或者兩條紋路會聚處、孤立點、折轉處，或者指向這些奇異點。三角點提供了指紋紋路的計數和跟蹤的開始之處。
式樣線（TypeLines）式樣線是在指包圍模式區的紋路線開始平行的地方所出現的交叉紋路，式樣線通常很短就中斷了，但它的外側線開始連續延伸。 （RidgeCount）指模式區內指紋紋路的數量。在計算指紋的紋數時，一般先在連接核心點和三角點，這條連線與指紋紋路相交的數量即可認為是指紋的紋數。局部特徵局部特徵是指指紋上的節點。兩枚指紋經常會具有相同的總體特徵，但它們的局部特徵--節點，卻不可能完全相同節點（MinutiaPoints）指紋紋路並不是連續的，平滑筆直的，而是經常出現中斷、分叉或打折。這些斷點、分叉點和轉折點就稱為節點。就是這些節點提供了指紋唯一性的確認節點特性
1.分類-節點有以下幾種類型，最典型的是終結點和分叉點
A.終結點（Ending）--一條紋路在此終結。
B.分叉點（Bifurcation）--一條紋路在此分開成為兩條或更多的紋路。
C.分歧點（RidgeDivergence）--兩條平行的紋路在此分開。
D.孤立點（DotorIsland）--一條特別短的紋路，以至於成為一點
E.環點（Enclosure）--一條紋路分開成為兩條之後，立即有合並成為一條，這樣形成的一個小環稱為環點
F.短紋（ShortRidge）--一端較短但不至於成為一點的紋路，
2.方向（Orientation）--節點可以朝著一定的方向。
3.曲率（Curvature）--描述紋路方向改變的速度。
4.位置（Position）--節點的位置通過（x,y）坐標來描述，可以是絕對的，也可以是相對於三角點或特徵點的。 從「指紋」到「指紋術」的研究，經歷了漫長的過程。指紋技術形成之後，又經過了從人工識別技術到自動化識別技術的發展轉變。隨著計算機圖像處理技術和信息技術的發展，指紋識別技術逐漸進入IT技術領域，與眾多計算機信息系統結合在一起，廣泛應用起來。

Ⅳ 指紋識別的原理是什麼

原理：指紋紋路經常出現中斷、分叉或轉折，這些斷點、分叉點和轉折點被稱為"特徵點"。特徵點提供了指紋唯一性的確認信息，正因為這些不同，才可以進行識別。

Ⅳ 搜索引擎在給搜索去重的環節中用到指紋演算法，那麼什麼是指紋演算法指紋演算法中的md5又是怎麼運行

指紋演算法：就是把指紋圖像，按特徵點要求的進行處理的方法以，形成特徵值，此種方式就是演算法

指紋模塊=深圳十指科技

Ⅵ 指紋識別技術的演算法

於指紋所具有的唯一性和不變性，以及指紋識別技術所具有的可行性和實用性，指紋識別成為目前最流行、最方便、最可靠的身份認證技術之一。指紋圖像數據量大，通過直接比對指紋圖像的方法來識別指紋是不可取的，應該先對指紋圖像進行預處理，然後提取出指紋的特徵數據，通過特徵數據的比對來實現自動指紋識別。指紋圖像預處理作為指紋自動識別過程的第一個環節，它的好壞直接影響著自動識別系統的效果。預處理通常包括濾波、方向圖的求取、二值化、細化等幾個步驟。
本文首先闡述了生物特徵識別技術的基本概念，對自動指紋識別系統的組成也作了簡要的介紹。然後對目前指紋圖像預處理的一些常用演算法進行了介紹，針對指紋圖像的特徵，採用了基於Gabor濾波器的指紋預處理方法，它為特徵提取和比對奠定了良好的基礎。
本文所提到的演算法已在PC機上用Visual C++6.0編程實現，實驗結果表明，這種方法能獲得令人滿意的指紋圖像預處理效果。

Ⅶ 指紋識別原理

指紋識別核心的准確、高效的採集指紋分析。指紋識別採集技術的發展大致分為三個方式：光學識別、電容感測器、生物射頻。

1、光學識別

光學識別是較早的指紋識別技術。基於光學發射裝置發射的光線，射到手指上再反射回機器以獲取數據，並對比資料庫看是否一致。光學識別只能到達皮膚的表皮層，而不能到達真皮層，而且受手指表面是否干凈影響較大。

2、電容感測器

電容感測器識別是利用一定間隔的安裝的兩個電容，利用指紋的凹凸，在手指滑過指紋檢測儀器時接通或斷開兩個電容的電流以檢測指紋資料。電容感測器對手指的干凈要求還是比較高，而且感測器表面使用硅材料，比較容易損壞。以技術面來看，電容式指紋辨識技術的供應為Authentec、Validity、FingerPrintCardsAB（FPC）等，Authentec被蘋果買下，Validity也被Synaptics收購。電容式指紋感測器也是現在應用最普遍的技術。

3、生物射頻

射頻感測器通過感測器發射微量的射頻信號，穿透手指的表皮層獲取里層的紋路以獲取信息。這種方法對手指的干凈程度要求較低。射頻是目前較新的技術方案，射頻也是電容方式的一種，但受限於專利問題。射頻式是未來發展方向。
指紋識別採集方式

不管採用什麼採集技術，從用戶角度用到的就兩種錄入方式：按壓式與滑動式。

1、滑動式

將手指從感測器上劃過，系統就能獲得整個手指的指紋。手指按壓上去時，無法一次性採集到完整圖像。在採集時需要手指劃過採集表面，對手指劃過時採集到的每一塊指紋圖像進行快照，這些快照再進行拼接，才能形成完整的指紋圖像。

滑動式的優點是成本低、易集成，可採集大面積的圖像，應用傳統的特徵點演算法，但缺點是需要客戶有一個連貫規范動作採集圖像，體驗效果比較差，在之前的應用推廣中不太成功。

2、按壓式

手指平放在設備上以便獲取指紋圖像。一般為了獲得整個手指的指紋，必須使用比手指更大的感測器，整個手指同時按壓在感測器之上。

按壓式的優點是客戶體驗好，只用一次按壓就可以採集圖像，與客戶在手機應用的操作習慣匹配，無須教育客戶。缺點是：成本高，集成難度大，一次採集圖像面積相對較小，沒有足夠的特徵點，需要用復雜的圖像比對演算法進行識別。

很明顯，在用戶角度來說，按壓式最簡單、最方便。以後越來越多的移動設備都將採用按壓式指紋識別方案。

Ⅷ matlab 圖像處理 指紋識別

這是指紋識別的預處理演算法；拍攝的原始圖片中螺紋顏色為白色，底色為黑色。
首先是去噪；如果某點為白色，且它的8領域內白點數目小於3那麼判定它為干擾信號，置為背景黑色。如果某點位黑色，但它的8領域內白點數大於7個；判定它為干擾信號，置為螺紋的白色。
最後反色，置為螺紋黑色，底色白色，大概是為便於觀察把

Ⅸ 指紋識別演算法或者相關的圖片像素的演算法

您好，目前指紋識別系統大多都採用特徵點匹配，識別系統將指紋圖像經過去噪處理後，把指紋圖像紋理細化，然後根據指紋的特徵，找到指紋的特徵點進行識別，它的識別速度快，能夠滿足一對多個指紋的識別需要。但是對於殘缺、污損指紋，在進行特徵點提取的過程中只能提取到部分特徵點，不能達到指紋識別所需的特徵點數量，不能完成識別。同時研究發現在指紋圖像的某些局部圖像中，變化不明顯或是有規律變化的，所以根據這些局部圖像的不變和有規律變化提出了基於圖像匹配的指紋局部取像輔助識別系統。因此在原有指紋系統的基礎上，增加了基於garbor方向濾波的指紋識別紋理匹配的演算法，作為指紋識別系統的一種有效補充，提高了識別率和降低誤識率。通過對資料庫BVC2004中100張不同的指紋圖像測試後，系統運行性能穩定可靠，該系統既可以用於有關部門對殘缺、污損指紋的識別，同時也可以滿足那些強調安全性的使用者的更高使用要求。

Ⅹ 從數字圖像處理技術角度談談對指紋識別的認識

這是我自己以前收集的資料 但願能有幫助哈
理論分析與設計

4.1 指紋圖像表示

從指紋感測器輸出的是指紋原始圖像，其數據量比較大。這對整個指紋識別系統的處理和存儲都是個不小的負擔。在遠程採集系統中，對通信帶寬會造成較大負荷。因此需要對指紋圖像進行壓縮存儲。指紋圖像壓縮一般經過圖像變換、量化和編碼等過程。解壓需經過解碼、量化解碼和反變換等過程。

壓縮後的指紋圖像需確保指紋特徵信息的不丟失不損壞。理論上來講採用無損壓縮演算法是最理想的。但經過實踐證明，對於解析度不是很高的指紋圖像來說，採用無損壓縮的壓縮比很低。通常情況下採用JEPG、WSQ和EZW三種壓縮演算法。

4.2 指紋圖像處理

4.2.1 指紋圖像增強

剛獲得的圖象有很多噪音。這主要由於平時的工作和環境引起的。指紋還有一些其他的細微的有用信息，我們要盡可能的使用。指紋圖像增強的目的主要是為了減少噪音，增強嵴峪對比度，使得圖像更加清晰真實，便於後續指紋特徵值提取的准確性.

指紋圖像增強常用的是平滑和銳化處理。

（1）平滑處理

平滑處理是為了讓整個圖像取得均勻一致的明暗效果。平滑處理的過程是選取整個圖像的象素與其周圍灰階差的均方值作為閾值來處理的。這種做法實現的是一種簡單的低通濾波器。

實驗表明：一般的自然圖像相鄰像素的灰度相關性約為0.9。因此在圖像受到白雜訊干擾時，以像素的鄰域平均值代替中心像素，是一個去除雜訊的好辦法。演算法是： 。其中f(x,y)表示被雜訊污染的原始圖像，大小為N*N，g(n,m)是平滑後的圖像，S是處理點(x,y)鄰域中點的坐標（不包括（x,y）點）的集合，而M是集合S內坐標點的總數。例如，以(x,y)點為中心，取單位距離構成的鄰域，其中點的坐標集合為：s={(x,y+1),(x,y-1),(x+1,y),(x-1,y)}。

經驗表明，鄰域越大，去雜訊的能力就越強，不過，從中也可以看出，鄰域越大，圖像就越模糊。因此，需要尋找既可以去雜訊，又可以保持圖像清晰度的辦法，這就是閥值方法，演算法是： ，其中T值是一個規定的非負閥值。只有當變化較大時（大於T），圖像才進行鄰域濾波；而當變化不明顯時，仍然保留原先的值，這樣可以減少圖像的模糊。

當被處理點為邊界點時，鄰域平均後該點的灰度迅速下降，這樣就導致邊界模糊。修改方案是根據參與平均的像素的特點賦予不同的權值，即採用加權平均法： ，其中w(n,m)是加權系數。

可以根據圖像的相關性，按照以下的方法確定權值：

a：給當前處理的中心像素較大的權值，其他像素的權值較小。

b：按兩像素間的距離確定權值，距離處理像素近的權值較大，距離處理像素較遠的權值小。

c：按和被處理像素的灰度接近程度確定權值，約接近的權值越大。

下面是幾個按照以上思路設計的典型的加權平均運算元。為了不使整個圖像的亮度變亮，設計此類運算元的時候需要將權值歸一化。

A：中心加權運算元。

B：中心和四鄰點加權運算元。

C：按灰度近似程度加權運算元。

其中：

綜合以上討論可以看出：

A：平滑濾波器就是一種低通濾波器，模板的所有系數都是正數。

B：在設計濾波器時通常還要求行列數為奇數，保障中心定位性能。

C：空域低通濾波的去噪能力與它的模板大小有關，模板越大，去噪能力越強。

D：空域低通濾波具有平滑的效果，在去除雜訊的同時模糊了圖像邊緣和細節。

（2）銳化處理

銳化和平滑恰恰相反，它是通過增強高頻分量來減少圖象中的模糊，因此又稱為高通濾波。銳化處理在增強圖象邊緣的同時增加了圖象的雜訊。銳化技術可分為空域和時域兩種手段，空域的基本方法是微分處理，頻域技術是運用高通濾波。

圖像處理中最常用的微分方法是計算梯度。給定義一個函數f(x,y)，在坐標f(x,y)在f的梯度定義為一個矢量G[f(x,y)]:

梯度G[f(x,y)]是函數f(x,y)最大增加率的方向，梯度矢量的幅度（梯度的模）為： ，其中 表示在矢量方向上每單位距離f(x,y)的最大值，通常用來表示f的梯度。

最常用的是Laplacian運算元，即對圖象進行二階微分的計算：

。可以看出，它是個標量，具有各向同性的性質。

典型的Laplacian模板及其變形模板如下圖所示。這三個模板在形式上有些區別，增強能力也不同，但都體現了二階微分的特徵。

4.2.2指紋圖像二值化

在原始灰階圖像中，各象素的灰度是不同的，並按一定的梯度分布。在實際處理中只需要知道象素是不是嵴線上的點，而無需知道它的灰度。所以每一個象素對判定嵴線來講，只是一個「是與不是」的二問題。所以，指紋圖像二值化是對每一個象素點按事先定義的閾值進行比較，大於閾值的，使其值等於1（假定），小於閾值的，使其值等於0。圖像二值化後，不僅可以大大減少數據量，而且使後面的處理過程少受干擾，大大簡化其後的處理。

4.2.3指紋圖像細化

圖像細化就是將嵴的寬度降為單個像素的寬度，得到嵴線的骨架圖像的過程。這個過程進一步減少了圖像數據量，清晰化了嵴線形態，為之後的特徵值提取作好准備。由於我們所關心的不是嵴線的粗細，而是嵴線的有無。因此，在不破壞圖像連通性的情況下必須去掉多餘的信息。因而應先將指紋嵴線的寬度採用逐漸剝離的方法，使得嵴線成為只有一個象素寬的細線，這將非常有利於下一步分析。

4.3 指紋特徵值提取

A：指紋特徵值

指紋特徵值是指紋演算法的基礎數據，是指紋演算法最重要的數據結構。不論是特徵點匹配演算法，還是線對或點集匹配演算法，都是指紋演算法程序中最核心的數據結構。指紋特徵值模板一定程度影響著指紋演算法的效率和精度，體現了演算法的優劣。一個好的特徵值模板能用最小的數據量表示最多的指紋特徵信息，能用最少的特徵點信息，區分出兩個指紋的不同。

B：提取

指紋特徵值提取是對指紋的特徵信息（總體和局部的）進行選擇、編碼，形成二進制數據的過程。指紋特徵點的提取方法是指紋演算法的核心。一般採用8鄰域法對二值化、細化後的指紋圖像抽取特徵點，這種方法將嵴上的點用"1"表示，峪（背景）用"0"表示，將待測點（i,j）的八鄰域點進行循環比較，若"0"，"1"變化有六次，則此待測點為分叉點，若變化兩次，則為端點。通過這個過程可以記錄下來指紋的所有特徵點。

通常一個指紋的特徵點在100~150之間，在形成指紋特徵值模板（也就是特徵值的有序集合）時，盡量多的提取特徵點對於提高准確性是有很大幫助的。