指紋對比演算法

㈠ 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。

㈡ TLS/SSL數字證書里的指紋演算法、簽名演算法和簽名哈希演算法各是做什麼用的

您好！

作用與目的相同都是為了進行加密，更好的保護平台，SSL安全哈希演算法，是數字簽名演算法標准，所以無論您在哪裡注冊無論多少價格的證書，其演算法基本上都是相同的！

申請SSL證書為考慮到瀏覽器兼容性，保持更多的瀏覽器可以訪問，通常採取加密演算法：RSA 2048 bits，簽名演算法：SHA256WithRSA，該演算法被公認使用，就是網路也使用該演算法！

RSA加密演算法：公鑰用於對數據進行加密，私鑰用於對數據進行解密。

RSA簽名演算法：在簽名演算法中，私鑰用於對數據進行簽名，公鑰用於對簽名進行驗證。

加密演算法分為兩大類：1、對稱加密演算法 2、非對稱加密演算法。

由於計算能力的飛速發展，從安全性角度考慮，很多加密原來SHA1WithRSA簽名演算法的基礎上，新增了支持SHA256WithRSA的簽名演算法。該演算法在摘要演算法上比SHA1WithRSA有更強的安全能力。目前SHA1WithRSA的簽名演算法會繼續提供支持，但為了您的應用安全，強烈建議使用SHA256WithRSA的簽名演算法。

㈢ 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。

㈣ 指紋識別演算法都有哪些，最先進的是什麼演算法

現在國內外大都採用基於細節特徵點的指紋識別技術，即採用基於圖像處理的指紋識別演算法，有兩種比較有代表性的。一種是基於方向濾波增強，並在指紋細化圖上提取特徵點的演算法，另一種是直接從指紋灰度圖上提取特徵點的演算法。難題在於有些演算法會由於指紋圖像的噪音、皮膚彈性引起的非線性形變等多方面因素，導致在識別過程中出現誤差，影響識別率等[1-2]

指紋演算法存在的難題與方向
指紋圖像預處理：預處理的目的是改善輸入指紋圖像的質量，以提高特徵提取的准確性。本文採用灰度分割法對指紋圖像進行分割。利用中值濾波去噪。通過自適應二值化的方法處理指紋圖像，最後再對圖像進行細化處理並去除毛刺，斷裂等干擾。
指紋圖像特徵提取：對指紋圖像的特徵點進行提取。由於經過預處理後的細化圖像上存在大量的偽特徵點，這些偽特徵點的存在，不但使匹配的速度大大降低，還使指紋識別性能急劇下降，造成識別系統的誤拒率和誤識率的上升。因此在進行指紋匹配之前，應盡可能將偽特徵點去除，針對提取出的指紋細節特徵點含有大量的偽特徵點這一問題，提出了一種邊緣信息判別法，有效地去除了邊界偽特徵點，再根據脊線結構特性去除其毛刺和短脊等偽特徵點，明顯的減少了偽特徵點。
指紋匹配：對指紋圖像的匹配演算法進行研究。特徵匹配是識別系統的關鍵環節，匹配演算法的好壞直接影響識別的性能、速度和效率。為了克服指紋圖像非線性形變的影響，採用基於結構特徵的點匹配演算法，對校準後的點集進行匹配，匹配的特徵點個數在兩個點集中所佔比例大約百分之六十五的范圍內就可判為匹配成功。

㈤ 什麼是指紋識別演算法中的拒真率和認假率

拒真率就是相同的指紋，被演算法識別成不相同
認假率就是不相同的指紋，被演算法識別成相同

㈥ 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。

㈦ 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。

㈧ 現代指紋識別的難度是什麼

挺多的，但匯總到一起的話就是體驗度。在極短的時間里對指紋作正確的識別， 是所有指紋識別從業者一直追求的。

拆開來講的話，大概有以下幾點：

一、指紋識別演算法

一套好的指紋識別演算法的成熟期至少需要5年以上，因為演算法是一個不斷試錯和積累的過程。手指有干有濕、紋理有粗有細甚至有斷紋、使用環境的光照有強有弱、溫度有高有低、按壓的角度有偏差……這些實際應用情況都需要演算法不斷地去調試和累積，才能很好地解決。

二、指紋識別感測器

光學的感測器由於體積過大，後期會慢慢被半導體指紋感測器淘汰。而半導體感測器屬於高科技產品，擁有極高的技術壁壘，涉及感測技術、模擬電路、數字電路等晶元設計及晶元製造工藝、活體識別技術的綜合應用。另外，半導體感測器前期的資本投入巨大，不是一般公司能企及的。

三、指紋識別模組良率

指紋識別功能的實現關鍵是指紋模組。而一個指紋識別模組一般包含3個部分：指紋演算法+演算法晶元+半導體感測器。國內做這幾個部分的公司一般都是分開的，廠商或方案商想要模組的話，就得找齊演算法提供商、晶元商、半導體感測器提供商，才能拼湊出來。但是這幾個部分的關聯性又極強，所以模組的良率很難保證。良率低價格自然就會高，所以模組良率也是一個最大的難點。

大概就這些，還有一些安全指紋數據安全什麼的，就不展開了。有興趣的可以關注一下貝爾賽克，他們有18年的指紋識別從業經驗，是這方面的專家。

㈨ 畢業設計題目：指紋識別演算法及其在保險箱系統中的應用，開題報告該怎麼寫

手指上的指紋表徵了一個人的身份特徵。1788年Mayer首次提出沒有兩個人的指紋完全相同，1823年Purkinie首次把指紋紋形分成9類，1889年Henry提出了指紋細節特徵識別理論，奠定了現代指紋學的基礎。但採用人工比對的方法，效率低、速度慢。20世紀60年代，開始用計算機圖像處理和模式識別方法進行指紋分析，這就是自動指紋識別系統（簡稱AFIS）[1]。20世紀70年代末80年代初，刑事偵察用自動指紋識別系統（police�AFIS，P�AFIS）投入實際運用。20世紀90年代，AFIS進入民用，稱為民用自動指紋識別系統（civil�AFIS，C�AFIS）。本文試圖從指紋特徵分析著手，闡述指紋作為人體身份識別的原理方法、指紋識別的主要技術指標和測試方法，以及實際應用的現實性與可靠性[2-4]。

1 指紋識別的原理和方法

1.1 指紋的特徵與分類
指紋識別學是一門古老的學科，它是基於人體指紋特徵的相對穩定與唯一這一統計學結果發展起來的。實際應用中，根據需求的不同，可以將人體的指紋特徵分為：永久性特徵、非永久性特徵和生命特徵[5]。
永久性特徵包括細節特徵（中心點、三角點、端點、叉點、橋接點等）和輔助特徵（紋型、紋密度、紋曲率等元素），在人的一生中永不會改變，在手指前端的典型區域中最為明顯，分布也最均勻[1]。細節特徵是實現指紋精確比對的基礎，而紋形特徵、紋理特徵等則是指紋分類及檢索的重要依據。人類指紋的紋形特徵根據其形態的不同通常可以分為「弓型、箕型、斗型」三大類型，以及「孤形、帳形、正箕形、反箕形、環形、螺形、囊形、雙箕形和雜形」等9種形態[1]。紋理特徵則是由平均紋密度、紋密度分布、平均紋曲率、紋曲率分布等紋理參數構成。紋理特徵多用於計算機指紋識別演算法的多維分類及檢索。
非永久性特徵由孤立點、短線、褶皺、疤痕以及由此造成的斷點、叉點等元素構成的指紋特徵，這類指紋有可能產生、癒合、發展甚至消失[1]。
指紋的生命特徵與被測對象的生命存在與否密切相關。但它與人體生命現象的關系和規律仍有待進一步認識。目前它已經成為現代民用指紋識別應用中越來越受關注的熱點之一。

1.2 指紋識別的原理和方法
指紋識別技術主要涉及四個功能：讀取指紋圖像、提取特徵、保存數據和比對。通過指紋讀取設備讀取到人體指紋的圖像，然後要對原始圖像進行初步的處理，使之更清晰，再通過指紋辨識軟體建立指紋的特徵數據。軟體從指紋上找到被稱為「節點」（minutiae）的數據點，即指紋紋路的分叉、終止或打圈處的坐標位置，這些點同時具有七種以上的唯一性特徵。通常手指上平均具有70個節點，所以這種方法會產生大約490個數據。這些數據，通常稱為模板。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[5-6]。採集設備（即取像設備）分成幾類：光學、半導體感測器和其他。

2 指紋識別技術的主要指標和測試方法

2.1 演算法的精確度

指紋識別系統性能指標在很大程度上取決於所採用演算法性能。為了便於採用量化的方法表示其性能，引入了下列兩個指標。
拒識率（false rejection rate，FRR）：是指將相同的指紋誤認為是不同的，而加以拒絕的出錯概率。FRR=（拒識的指紋數目／考察的指紋總數目）×100%。
誤識率（false accept rate，FAR）：是指將不同的指紋誤認為是相同的指紋，而加以接收的出錯概率。FAR=（錯判的指紋數目／考察的指紋總數目）×100%。
對於一個已有的系統而言，通過設定不同的系統閾值，就可以看出這兩個指標是互為相關的，FRR與FAR成反比關系。這很容易理解，「把關」越嚴，誤識的可能性就越低，但是拒識的可能性就越高。

2.2 誤識率和拒識率的測試方法
測試這兩個指標，通常採用循環測試方法[7]。即給定一組圖像，然後依次兩兩組合，提交進行比對，統計總的提交比對的次數以及發生錯誤的次數，並計算出出錯的比例，就是FRR和FAR。針對FAR=0.0001%的指標，應採用不少於1 415幅不同的指紋圖像作循環測試，總測試次數為1 000 405次，如果測試中發生一次錯誤比對成功，則FAR=1/1 000 405；針對FRR=0.1%，應採用不少於46幅屬於同一指紋的圖像組合配對進行測試，則總提交測試的次數為1 035次數，如果發生一次錯誤拒絕，則FRR=1/1 035。測試所採用的樣本數越多，結果越准確。作為測試樣本的指紋圖像應滿足可登記的條件。

2.3 系統參數
拒登率（error registration rate，ERR）：指的是指紋設備出現不能登錄及處理的指紋的概率，ERR過高將會嚴重影響設備的使用范圍，通常要求小於1%。
登錄時間：指紋設備登錄一枚指紋所需的時間，通常單次登錄的時間要求不超過2 s。
比對時間：指紋設備對兩組指紋特徵模版進行比對所耗費的時間，通常要求不超過1 s。
工作溫度：指紋設備正常工作時所允許的溫度變化范圍，一般是0～40 ℃。
工作濕度：指紋設備正常工作時所允許的相對濕度變化范圍，一般是30%～95%。

3 指紋識別技術的應用
指紋識別技術已經成熟，其應用日益普遍，除了刑事偵察用之外，在民用方面已非常廣泛，如指紋門禁系統、指紋考勤系統、銀行指紋儲蓄系統、銀行指紋保管箱、指紋醫療保險系統、計劃生育指紋管理系統、幼兒接送指紋管理系統、指紋獻血管理系統、證券交易指紋系統、指紋槍械管理系統、智能建築指紋門禁管理系統、駕駛員指紋管理系統等。
指紋門禁系統和指紋考勤系統是開發和使用得最早的一種出入管理系統，包括對講指紋門禁、聯機指紋門禁、離線指紋門禁等等。在入口將個人的手指按在指紋採集器上，系統將已登錄在指紋庫中的指紋（稱為已經注冊）進行對比，如果兩者相符（即匹配），則顯示比對成功，門就自動打開。如不匹配，則顯示「不成功」或「沒有這個指紋」，門就不開。在指紋門禁系統中，可以是一對一的比對（one�to�one matching），也可以是一對幾個比對（one�to�few matching）。前者可以是一個公司、部門，後者可以是一個家庭的成員、銀行的營業廳、金庫、財務部門、倉庫等機要場所。在這些應用中，指紋識別系統將取代或者補充許多大量使用照片和ID系統。
把指紋識別技術同IC卡結合起來，是目前最有前景的一個應用之一。該技術把卡的主人的指紋（加密後）存儲在IC卡上，並在IC卡的讀卡機上加裝指紋識別系統，當讀卡機閱讀卡上的信息時，一並讀入持卡者的指紋，通過比對就可以確認持卡者是否是卡的真正主人，從而進行下一步的交易。指紋IC卡可取代現行的ATM卡、製造防偽證件等。ATM卡持卡人可不用密碼，避免老人和孩子記憶密碼的困難。

近年來，互聯網帶給人們方便與利益已，也存在著安全問題。指紋特徵數據可以通過電子郵件或其它傳輸方法在計算機網路上進行傳輸和驗證，通過指紋識別技術，限定只有指定的人才能訪問相關的信息，可以極大地提高網上信息的安全性。網上銀行、網上貿易、電子商務等一系列網路商業行為就有了安全性保障。
指紋社會保險系統的應用為養老金的准確發放起了非常有效的作用。避免了他人用圖章或身份證復印件代領，而發放人員無法確定該人是故世的問題，要憑本人的活體指紋，才可准確發放養老金。

4 指紋識別的可靠性
指紋識別技術是成熟的生物識別技術。因為每個人包括指紋在內的皮膚紋路在圖案、斷點和交叉點上各不相同，是唯一的，並且終生不變。通過他的指紋和預先保存的指紋進行比較，就可以驗證他的真實身份。自動指紋識別是利用計算機來進行指紋識別的一種方法。它得益於現代電子集成製造技術和快速而可靠的演算法理論研究。盡管指紋只是人體皮膚的一小部分，但用於識別的數據量相當大，對這些數據進行比對是需要進行大量運算的模糊匹配演算法。利用現代電子集成製造技術生產的小型指紋圖像讀取設備和速度更快的計算機，提供了在微機上進行指紋比對運算的可能。另外，匹配演算法可靠性也不斷提高。因此，指紋識別技術己經非常簡單實用。由於計算機處理指紋時，只是涉及了一些有限的信息，而且比對演算法並不是十分精確匹配，其結果也不能保證100%准確。

指紋識別系統的特定應用的重要衡量標志是識別率。主要包括拒識率和誤識率，兩者成反比關系。根據不同的用途來調整這兩個值。盡管指紋識別系統存在著可靠性問題，但其安全性也比相同可靠性級別的「用戶ID+密碼」方案的安全性要高得多。拒識率實際上也是系統易用性的重要指標。在應用系統的設計中，要權衡易用性和安全性。通常用比對兩個或更多的指紋來達到不損失易用性的同時，極大提高系統的安全性。

㈩ 指紋識別器的原理是什麼

1 指紋識別的原理和方法

1.1 指紋的特徵與分類
指紋識別學是一門古老的學科，它是基於人體指紋特徵的相對穩定與唯一這一統計學結果發展起來的。實際應用中，根據需求的不同，可以將人體的指紋特徵分為：永久性特徵、非永久性特徵和生命特徵[5]。
永久性特徵包括細節特徵（中心點、三角點、端點、叉點、橋接點等）和輔助特徵（紋型、紋密度、紋曲率等元素），在人的一生中永不會改變，在手指前端的典型區域中最為明顯，分布也最均勻[1]。細節特徵是實現指紋精確比對的基礎，而紋形特徵、紋理特徵等則是指紋分類及檢索的重要依據。人類指紋的紋形特徵根據其形態的不同通常可以分為「弓型、箕型、斗型」三大類型，以及「孤形、帳形、正箕形、反箕形、環形、螺形、囊形、雙箕形和雜形」等9種形態[1]。紋理特徵則是由平均紋密度、紋密度分布、平均紋曲率、紋曲率分布等紋理參數構成。紋理特徵多用於計算機指紋識別演算法的多維分類及檢索。
非永久性特徵由孤立點、短線、褶皺、疤痕以及由此造成的斷點、叉點等元素構成的指紋特徵，這類指紋有可能產生、癒合、發展甚至消失[1]。
指紋的生命特徵與被測對象的生命存在與否密切相關。但它與人體生命現象的關系和規律仍有待進一步認識。目前它已經成為現代民用指紋識別應用中越來越受關注的熱點之一。

1.2 指紋識別的原理和方法
指紋識別技術主要涉及四個功能：讀取指紋圖像、提取特徵、保存數據和比對。通過指紋讀取設備讀取到人體指紋的圖像，然後要對原始圖像進行初步的處理，使之更清晰，再通過指紋辨識軟體建立指紋的特徵數據。軟體從指紋上找到被稱為「節點」（minutiae）的數據點，即指紋紋路的分叉、終止或打圈處的坐標位置，這些點同時具有七種以上的唯一性特徵。通常手指上平均具有70個節點，所以這種方法會產生大約490個數據。這些數據，通常稱為模板。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[5-6]。採集設備（即取像設備）分成幾類：光學、半導體感測器和其他。