指紋快速匹配算法研究指紋快速匹配算法研究_可變界限盒

1、指紋快速匹配算法研究指紋快速匹配算法研究指紋快速匹配算法研究指紋快速匹配算法研究_ _可變可變界限盒界限盒論文導(dǎo)讀:本文設(shè)計的指紋匹配算法，以分類時獲取的奇異點為參考點對指紋進行定位，利用奇異點特殊鄰近結(jié)構(gòu)縮小細節(jié)點匹配規(guī)模，在可變界限盒的基礎(chǔ)上設(shè)計合理匹配策略。該方法不僅可以提高計算速度，也能夠適應(yīng)指紋非線性形變的特點，增加算法魯棒性。在 FVC2000 數(shù)據(jù)庫上的測試結(jié)果顯示,該算法在保證自動指紋識別系統(tǒng)識別準(zhǔn)確性的同時，還使得指紋辨識速度有了顯著的提高。論文關(guān)鍵詞：指紋，快速匹配，奇異點，可變界限盒0 引言對于大容量的指紋數(shù)據(jù)庫自動識別，不僅要考慮實用的分類技術(shù)，也要選擇合適的指紋匹配算

2、法。傳統(tǒng)的 1:1 驗證算法在執(zhí)行效率方面不能滿足現(xiàn)場比對的需要，因此還必須采用兼顧識別率和識別速度的快速指紋識別算法?，F(xiàn)有的多數(shù)分類方法往往只側(cè)重于數(shù)據(jù)庫分類方面的研究，而忽略了將指紋匹配與分類綜合考慮，無法將分類和匹配兩種加速手段統(tǒng)一起來，充分發(fā)揮速度上的優(yōu)勢以滿足自動指紋識別系統(tǒng)實用化的需求。本文綜合考慮指紋分類和匹配特點，在大小可變限界盒的基礎(chǔ)上提出了一種基于分類信息的快速指紋識別算法。該方法將指紋連續(xù)分類用到的奇異點鄰近結(jié)構(gòu)用到指紋匹配中，通過鄰近結(jié)構(gòu)限制細節(jié)點對的選擇，在分類信息的基礎(chǔ)上進行細節(jié)點對匹配。匹配主要有 3 個步驟：首先，以分類中獲取的奇異點為基準(zhǔn)點對指紋圖像進行定位可

3、變界限盒，利用奇異點特殊鄰近結(jié)構(gòu)縮小細節(jié)點匹配規(guī)模；其次，根據(jù)可變限界盒大小設(shè)計細節(jié)點匹配分?jǐn)?shù)，能適應(yīng)指紋非線性形變的特點；最后，利用細節(jié)點匹配分?jǐn)?shù)計算參考點可能的調(diào)整位置，為二次匹配提供信息，不僅可以提高計算速度，也能夠增加算法魯棒性。1 細節(jié)點匹配順序構(gòu)造奇異點鄰近結(jié)構(gòu)參考時鵬等人1提出的奇異點鄰近結(jié)構(gòu)，如圖 1 所示。以圓心 R、為半徑作個同心圓，其中，圓心參考點取分類時獲取的奇異點, 是預(yù)定義的半徑值，單位為像素的個數(shù)。個同心圓環(huán)將指紋參考點的鄰近區(qū)域分為個子區(qū)域，將第個圓環(huán)記為第 檔，這樣奇異點鄰近區(qū)域中的細節(jié)點就分布在這個分檔之中論文開題報告范文。同心圓的數(shù)量根據(jù)不同指紋數(shù)據(jù)庫中圖

4、像的性質(zhì),通過實驗找到最優(yōu)值。根據(jù)上述規(guī)則，就構(gòu)成了不僅便于指紋連續(xù)分類提取采樣點，又能夠?qū)崿F(xiàn)快速比對的奇異點鄰近結(jié)構(gòu)1。圖 1 奇異點鄰近結(jié)構(gòu)圖第檔中細節(jié)點定義為：，其中。分別表示細節(jié)點相對于參考點的半徑，極角，相對于參照點的細節(jié)點方向，定義如公式(1)所示。將細節(jié)點用極坐標(biāo)方向表示，可以避免指紋采集時由于手指的旋轉(zhuǎn)帶來的干擾。是細節(jié)點所在的分檔號，是細節(jié)點到基準(zhǔn)點之間的紋線切割數(shù)目，對于圖像的平移和旋轉(zhuǎn)，屬性具有不變性可變界限盒，也不易受非線性形變的影響。(1)(2)比較輸入指紋與模板指紋參考點方向，在每一個輸入細節(jié)點方向上統(tǒng)一調(diào)整旋轉(zhuǎn)角度，定義如公式(2)所示。然后將 M 個輸入細節(jié)點和

5、 N 個模板細節(jié)點分別按照分檔號，每檔極角由小到大，螺旋遞增順序排序，并連接成串,如圖 1 所示。指紋的匹配細節(jié)點順序可表示如下：。則指紋識別算法就變?yōu)榧系募毠?jié)點間的匹配。2 可變界限盒方法指紋細節(jié)點的匹配采用羅西平2提出的可變界限盒來進行，如圖 2 所示。當(dāng)待匹配的細節(jié)點對落在可變界限盒內(nèi)，認(rèn)為這兩個細節(jié)點匹配，否則認(rèn)為不匹配。指紋的非線性形變特點：在極徑較小的細節(jié)點周圍，小的形變可以造成大的極角改變；而極徑較大的細節(jié)點周圍，形變不易造成大的極角改變量。可變界限盒就是根據(jù)指紋的這種非線性形變設(shè)計。圖 2 可變界限盒3 快速指紋匹配算法匹配過程中，利用細節(jié)點結(jié)構(gòu)特征，設(shè)置條件可以減少不可能相

6、似的細節(jié)點對進行匹配；設(shè)置條件排除明顯不相似的細節(jié)點對繼續(xù)細節(jié)匹配。滿足這兩個條件的細節(jié)點對繼續(xù)采用大小可變限界盒的方法來進一步匹配。這樣可以極大地減少模板中細節(jié)點對進行匹配的數(shù)量，從而降低匹配算法的計算量，使匹配速度得到顯著提高。基于分類信息的快速指紋匹配算法具體描述如下：上面 condition1 和定義如公式(3)和(4)所示，代表細節(jié)點間的相似程度。(3)(4)(4)式中的和分別是可變限界盒的極徑和極角邊界論文開題報告范文。其中(5)(6)第 4)步中的和定義如下(7)(8)其中，(9)匹配分?jǐn)?shù)描述了輸入指紋與模板指紋的相似性，當(dāng)高于一個預(yù)先設(shè)定的閾值，則認(rèn)為輸入圖像與模板圖像來自同一

7、個指紋；否則，為了容忍由于指紋質(zhì)量或者前期預(yù)處理算法不精確帶來的誤差，設(shè)置第二個閾值，將匹配分?jǐn)?shù)落在里的模板指紋，按照由小到大的順序保留個到堆棧里可變界限盒，保留信息包括匹配分?jǐn)?shù)、新參考點相對平移量和旋轉(zhuǎn)量。當(dāng)輸入指紋與指紋庫中所有模板指紋一一比較，沒有找到匹配指紋時，按照匹配分?jǐn)?shù)由大到小的順序，提取堆棧中儲存的相對平移量和旋轉(zhuǎn)量信息，調(diào)整參考點位置，重新提取輸入指紋各細節(jié)點相應(yīng)屬性，按上述匹配算法再次匹配，此時初次匹配步驟(3)修改如下：if ,則輸出兩枚指紋匹配，else 輸出兩枚指紋不匹配。4 實驗結(jié)果分析在 FVC2000 DB1 指紋庫中對論文的基于分類信息的快速匹配算法進行性能測試

8、，實驗運行環(huán)境為：Pentuim(R)D 2.8GHz CPU 896MB 內(nèi)存的臺式機，使用Window XP 操作系統(tǒng)，VC+6.0 編程軟件實現(xiàn)上述算法。測試規(guī)則如下：將每個手指的 8 幅指紋圖像兩兩匹配，共進行 10(87)/2=280 次真匹配，假匹配采用所有手指的編號為 1 的指紋圖像兩兩匹配，共匹配(109/2)=45 次，測試中的閾值使用，測試性能如圖 3 所示。圖 3 匹配算法的性能分析圖主要測試指標(biāo)為 FMR，F(xiàn)NMR，EER，F(xiàn)MRl00，F(xiàn)MRl0005-6 ，具體數(shù)據(jù)如表 1所示。表 1 匹配算法的性能指標(biāo)EER 是 FMR 和 FNMR 能夠同時取得的最小值，Avg

9、 Enroll Time 指生成指紋特征模板的平均時間可變界限盒，包含圖像預(yù)處理，圖像增強的處理時間；AvgMatch Time 是指紋特征模板之間的匹配時間。從算法的主要性能指標(biāo)可以看出，該匹配方法性能較好。5 結(jié)論本文重點研究指紋的匹配，將指紋分類時采用的特征點鄰近結(jié)構(gòu)引入到指紋的匹配模板中，同時增加細節(jié)點與參考點間的脊線數(shù)目屬性，利用這兩個制約因素減少參與匹配的細節(jié)點數(shù)目，降低運算量，提高匹配速度。從實驗結(jié)果看，該匹配方法性能較好，并且還有很大提升空間。影響上述匹配算法性能的主要因素有7-8：預(yù)處理算法，能夠保證匹配的準(zhǔn)確性；參考點定位方法，F(xiàn)VC2000 DB1 指紋庫中均為活體指紋，

10、采集時發(fā)生的嚴(yán)重位移無法有效定位參考點，反映到數(shù)據(jù)上就是 EER，F(xiàn)MRl00 和 FMRl000 都較高。針對這兩個因素，可以繼續(xù)研究以便能夠進一步提高這種匹配方法的性能。參考文獻1時鵬,田捷,蘇琪,楊鑫.基于奇異點鄰近結(jié)構(gòu)的快速指紋識別J.軟件學(xué)報.2008,19(12).2羅希平,田捷.自動指紋識別中的圖像增強和細節(jié)匹配算法J.軟件學(xué)報.2002,13(5）.3田捷，楊鑫等，生物特征識別技術(shù)理論與應(yīng)用M.清華大學(xué)出版社,2009.4楊利敏.圖像特征點定位算法研究及其應(yīng)用D.上海交通大學(xué)博士學(xué)位論文.2008.5http:/bias.csr.unibo.it/fvc2002/.2002.6

11、http:/bias.csr.unibo.it/fvc2000/.2000.7張瑩.基于大規(guī)模指紋庫的指紋識別算法研究D. 天津大學(xué)碩士學(xué)位論文.2007.8翁大偉.指紋圖像奇異點檢測算法研究D. 山東大學(xué)碩士學(xué)位論文.2009.(7)(8)其中，(9)匹配分?jǐn)?shù)描述了輸入指紋與模板指紋的相似性，當(dāng)高于一個預(yù)先設(shè)定的閾值，則認(rèn)為輸入圖像與模板圖像來自同一個指紋；否則，為了容忍由于指紋質(zhì)量或者前期預(yù)處理算法不精確帶來的誤差，設(shè)置第二個閾值，將匹配分?jǐn)?shù)落在里的模板指紋，按照由小到大的順序保留個到堆棧里可變界限盒，保留信息包括匹配分?jǐn)?shù)、新參考點相對平移量和旋轉(zhuǎn)量。當(dāng)輸入指紋與指紋庫中所有模板指紋一一比

12、較，沒有找到匹配指紋時，按照匹配分?jǐn)?shù)由大到小的順序，提取堆棧中儲存的相對平移量和旋轉(zhuǎn)量信息，調(diào)整參考點位置，重新提取輸入指紋各細節(jié)點相應(yīng)屬性，按上述匹配算法再次匹配，此時初次匹配步驟(3)修改如下：if ,則輸出兩枚指紋匹配，else 輸出兩枚指紋不匹配。4 實驗結(jié)果分析在 FVC2000 DB1 指紋庫中對論文的基于分類信息的快速匹配算法進行性能測試，實驗運行環(huán)境為：Pentuim(R)D 2.8GHz CPU 896MB 內(nèi)存的臺式機，使用Window XP 操作系統(tǒng)，VC+6.0 編程軟件實現(xiàn)上述算法。測試規(guī)則如下：將每個手指的 8 幅指紋圖像兩兩匹配，共進行 10(87)/2=280

13、次真匹配，假匹配采用所有手指的編號為 1 的指紋圖像兩兩匹配，共匹配(109/2)=45 次，測試中的閾值使用，測試性能如圖 3 所示。圖 3 匹配算法的性能分析圖主要測試指標(biāo)為 FMR，F(xiàn)NMR，EER，F(xiàn)MRl00，F(xiàn)MRl0005-6 ，具體數(shù)據(jù)如表 1所示。表 1 匹配算法的性能指標(biāo)EER 是 FMR 和 FNMR 能夠同時取得的最小值，Avg Enroll Time 指生成指紋特征模板的平均時間可變界限盒，包含圖像預(yù)處理，圖像增強的處理時間；AvgMatch Time 是指紋特征模板之間的匹配時間。從算法的主要性能指標(biāo)可以看出，該匹配方法性能較好。5 結(jié)論本文重點研究指紋的匹配，將指

14、紋分類時采用的特征點鄰近結(jié)構(gòu)引入到指紋的匹配模板中，同時增加細節(jié)點與參考點間的脊線數(shù)目屬性，利用這兩個制約因素減少參與匹配的細節(jié)點數(shù)目，降低運算量，提高匹配速度。從實驗結(jié)果看，該匹配方法性能較好，并且還有很大提升空間。影響上述匹配算法性能的主要因素有7-8：預(yù)處理算法，能夠保證匹配的準(zhǔn)確性；參考點定位方法，F(xiàn)VC2000 DB1 指紋庫中均為活體指紋，采集時發(fā)生的嚴(yán)重位移無法有效定位參考點，反映到數(shù)據(jù)上就是 EER，F(xiàn)MRl00 和 FMRl000 都較高。針對這兩個因素，可以繼續(xù)研究以便能夠進一步提高這種匹配方法的性能。參考文獻1時鵬,田捷,蘇琪,楊鑫.基于奇異點鄰近結(jié)構(gòu)的快速指紋識別J.軟

15、件學(xué)報.2008,19(12).2羅希平,田捷.自動指紋識別中的圖像增強和細節(jié)匹配算法J.軟件學(xué)報.2002,13(5）.3田捷，楊鑫等，生物特征識別技術(shù)理論與應(yīng)用M.清華大學(xué)出版社,2009.4楊利敏.圖像特征點定位算法研究及其應(yīng)用D.上海交通大學(xué)博士學(xué)位論文.2008.5http:/bias.csr.unibo.it/fvc2002/.2002.6http:/bias.csr.unibo.it/fvc2000/.2000.7張瑩.基于大規(guī)模指紋庫的指紋識別算法研究D. 天津大學(xué)碩士學(xué)位論文.2007.8翁大偉.指紋圖像奇異點檢測算法研究D. 山東大學(xué)碩士學(xué)位論文.2009.(7)(8)其中

16、，(9)匹配分?jǐn)?shù)描述了輸入指紋與模板指紋的相似性，當(dāng)高于一個預(yù)先設(shè)定的閾值，則認(rèn)為輸入圖像與模板圖像來自同一個指紋；否則，為了容忍由于指紋質(zhì)量或者前期預(yù)處理算法不精確帶來的誤差，設(shè)置第二個閾值，將匹配分?jǐn)?shù)落在里的模板指紋，按照由小到大的順序保留個到堆棧里可變界限盒，保留信息包括匹配分?jǐn)?shù)、新參考點相對平移量和旋轉(zhuǎn)量。當(dāng)輸入指紋與指紋庫中所有模板指紋一一比較，沒有找到匹配指紋時，按照匹配分?jǐn)?shù)由大到小的順序，提取堆棧中儲存的相對平移量和旋轉(zhuǎn)量信息，調(diào)整參考點位置，重新提取輸入指紋各細節(jié)點相應(yīng)屬性，按上述匹配算法再次匹配，此時初次匹配步驟(3)修改如下：if ,則輸出兩枚指紋匹配，else 輸出兩枚指

17、紋不匹配。4 實驗結(jié)果分析在 FVC2000 DB1 指紋庫中對論文的基于分類信息的快速匹配算法進行性能測試，實驗運行環(huán)境為：Pentuim(R)D 2.8GHz CPU 896MB 內(nèi)存的臺式機，使用Window XP 操作系統(tǒng)，VC+6.0 編程軟件實現(xiàn)上述算法。測試規(guī)則如下：將每個手指的 8 幅指紋圖像兩兩匹配，共進行 10(87)/2=280 次真匹配，假匹配采用所有手指的編號為 1 的指紋圖像兩兩匹配，共匹配(109/2)=45 次，測試中的閾值使用，測試性能如圖 3 所示。圖 3 匹配算法的性能分析圖主要測試指標(biāo)為 FMR，F(xiàn)NMR，EER，F(xiàn)MRl00，F(xiàn)MRl0005-6 ，具

18、體數(shù)據(jù)如表 1所示。表 1 匹配算法的性能指標(biāo)EER 是 FMR 和 FNMR 能夠同時取得的最小值，Avg Enroll Time 指生成指紋特征模板的平均時間可變界限盒，包含圖像預(yù)處理，圖像增強的處理時間；AvgMatch Time 是指紋特征模板之間的匹配時間。從算法的主要性能指標(biāo)可以看出，該匹配方法性能較好。5 結(jié)論本文重點研究指紋的匹配，將指紋分類時采用的特征點鄰近結(jié)構(gòu)引入到指紋的匹配模板中，同時增加細節(jié)點與參考點間的脊線數(shù)目屬性，利用這兩個制約因素減少參與匹配的細節(jié)點數(shù)目，降低運算量，提高匹配速度。從實驗結(jié)果看，該匹配方法性能較好，并且還有很大提升空間。影響上述匹配算法性能的主要因素有7-8：預(yù)處理算法，能夠保證匹配的準(zhǔn)確性；參考點定位方法，F(xiàn)VC2000 DB1 指紋庫中均為活體指紋，采集時發(fā)生的嚴(yán)重位移無法有效定位參考點，反映到數(shù)據(jù)上就是 EER，F(xiàn)MRl00 和 FMRl000 都較高。針對這兩個因素，可以繼續(xù)研究以便能夠進一步提高這種匹配方法的性能。參考文獻1時鵬,田捷,蘇琪,楊鑫.基于奇異點鄰近結(jié)構(gòu)的快速指紋識別J.