一種基于混合匹配的指紋識別方法-設(shè)計應(yīng)用

精品文檔-下載后可編輯一種基于混合匹配的指紋識別方法-設(shè)計應(yīng)用摘要：為克服傳統(tǒng)的基于細(xì)節(jié)點匹配的不足，對基于點模式匹配算法與改進(jìn)的2DPCA匹配算法的混合識別算法進(jìn)行了改進(jìn)。改進(jìn)后的算法在點模式匹配算法中加入改進(jìn)的2DPCA算法的初匹配得分權(quán)重，提高了點模式匹配算法的準(zhǔn)確性；并利用點模式匹配算法對2DPCA算法的匹配結(jié)果進(jìn)行二次匹配，同時也提高了2DPCA算法匹配的準(zhǔn)確率。

指紋識別技術(shù)是一種非常重要的生物特征識別技術(shù)，應(yīng)用十分廣泛。指紋識別一般包括指紋圖像采集、指紋圖像增強、特征提取和匹配幾個部分，其中特征匹配在整個系統(tǒng)中占有重要地位。指紋識別系統(tǒng)中的匹配算法主要分為基于細(xì)節(jié)信息和基于全局信息兩種模式。

目前，大部分的指紋識別系統(tǒng)都是采用基于細(xì)節(jié)特征的匹配方法，即提取細(xì)化后的指紋圖像的端點和分叉點信息，采用一定的算法實現(xiàn)匹配。此類算法雖然取得了較好的識別效果，但是對發(fā)生偏移、形變、斷紋等低質(zhì)量的指紋圖像效果不佳，并由于該類方法在提取特征之前要對指紋圖像做一系列的預(yù)處理，耗時較長。

本文采用了一種基于點模式算法和改進(jìn)的2DPCA的混合匹配算法，能夠充分利用指紋紋線中脊線和谷線的全局信息，彌補點模式算法的不足。

1基于點模式的匹配算法

本文采用一種在極坐標(biāo)下基于中心點的指紋匹配算法，該算法的具體實現(xiàn)步驟如下。

（1）構(gòu)造指紋圖像特征點的集合，在預(yù)處理階段計算出指紋圖像的特征點及其特征點信息，包括特征點的坐標(biāo)FeatureX與FeatureY、特征點的方向Direction和特征點的類型Type（包括端點和分叉點）。通過上述信息，設(shè)系統(tǒng)數(shù)據(jù)庫中已存在的指紋圖像為P，其特征點的數(shù)量為m，在線錄入的指紋圖像為Q，其特征點的數(shù)量為n，則它們對應(yīng)的兩個點集為：

其中，

（2）獲取中心點CorePoint_X、CorePoint_Y及中心點的方向CorePoint_Dir。

（3）以各自圖像的中心點為極點，按照公式將所有的特征點都轉(zhuǎn)換到極坐標(biāo)下：

通過上述公式轉(zhuǎn)換后，指紋圖像中的任一特征點可以表示為一個四維向量（Radius,θ，Dir,Type）。其中，Radius表示該特征點在極坐標(biāo)下的極徑，θ表示極角，Dir表示該特征點在極坐標(biāo)下的方向；Type表示該特征點的類型。

（4）分別將模板指紋P和輸入Q特征點按照極角遞增的方向排序，形成兩個新的特征點集：

（5）匹配誤差值的設(shè)定。為了克服指紋出現(xiàn)旋轉(zhuǎn)、形變等非線性形變帶來的誤差，本文引入了可變界限盒的概念，如圖1所示，其中，Rw為兩個特征點間的極徑允許的誤差范圍，θw為極角間的允許誤差范圍。

圖1可變界限盒示意圖

距離中心點遠(yuǎn)的特征點有可能發(fā)生的位移或形變的幅度較大，而距離中心點近的特征點往往發(fā)生的位移或形變較小，為減少誤判，將Rw和θw設(shè)為兩個動態(tài)的值，其具體值由不同的極徑?jīng)Q定。

同時也在特征點方向匹配時設(shè)置方向誤差范圍Dw，由于采用的是離散的8個方向，故范圍為Dw={Dir-1,Dir,Dir+1}，其中當(dāng)Dir=1時，Dir-1=8；當(dāng)Dir=8時，Dir+1=1。

（6）排序后，將輸入點集Q的特征點和模板點集P中的特征點進(jìn)行逐一匹配。當(dāng)輸入圖像和模板圖像中超過13對特征點滿足條件時，則認(rèn)為這兩幅指紋來自同一手指，匹配成功；反之，失敗。

2基于改進(jìn)的2DPCA的指紋識別

2DPCA算法是一種以圖像為分析對象的特征提取算法，因此在構(gòu)造圖像協(xié)方差矩陣時，可以直接利用圖像矩陣。2DPCA算法以圖像的全局信息為處理對象，在實現(xiàn)降維和提取特征的過程中，賦予了圖像矩陣中每個像素相同的地位，如果直接采用2DPCA算法對圖像進(jìn)行處理，將不可避免地?fù)p失掉一部分類間訓(xùn)練樣本所包含的判別信息。

基于以上不足，本文設(shè)計一種基于樣本類別信息的改進(jìn)2DPCA算法，該算法根據(jù)樣本類別信息的差異性，利用樣本的類內(nèi)協(xié)方差矩陣作為特征向量的產(chǎn)生矩陣，利用類聚值向量和類間協(xié)方差矩陣來提取訓(xùn)練樣本的特征。

2.1改進(jìn)的2DPCA算法

假設(shè)訓(xùn)練樣本為m×n的圖像矩陣，總數(shù)量為P,訓(xùn)練樣本的類別數(shù)為L,設(shè)第l類的訓(xùn)練樣本數(shù)量為Pl,則滿足：

對于第l類某一幅訓(xùn)練樣本X′，其投影空間為U′，將X′投影到U′將產(chǎn)生一個投影矩陣Y′=X′U′。用投影Y′的總離散度作為準(zhǔn)則函數(shù)J（U′）來衡量投影空間U′的優(yōu)劣，其準(zhǔn)則函數(shù)滿足：

其中，SU′是投影矩陣Y′=X′U′的協(xié)方差矩陣，tr（SU′）為SU′的跡。對于數(shù)量為Pl的第l類樣本圖像xi′（i=1,2,…，Pl），可以得到樣本類的平均圖像滿足：

采用式（7）將該樣本類中的所有圖像去均值：

得到其協(xié)方差矩陣滿足：

在得到樣本類內(nèi)的協(xié)方差矩陣G′后，計算其特征值矩陣和特征向量矩陣。則該類樣本的特征值就是特征值矩陣的對角元素，同時得到對應(yīng)的特征向量。對于每一類樣本，取其前k個特征值所對應(yīng)的特征向量作為投影空間U′：

Ui′TU′j=0;i≠j；i,j=1,2,…，k這樣，就可以得出第l類樣本圖像Xi′（i=1,2,…，Pl）在空間U′中的投影滿足：

則Yi′即為該類別原始圖像xi′降維后的特征向量，作為此類別圖像的投影向量矩陣，用來對該樣本類的圖像進(jìn)行識別。同理，將L類共P幅訓(xùn)練樣本按樣本類別分別訓(xùn)練，可以得到L個投影向量矩陣。

2.2改進(jìn)的2DPCA算法的指紋匹配

指紋分類后，將訓(xùn)練樣本進(jìn)行有效區(qū)域提取，得到四類新的樣本集。然后對每一類訓(xùn)練樣本進(jìn)行處理，分別得到其投影后的特征向量。

對于在線輸入的測試樣本，同樣要得到它在空間U的投影向量。假設(shè)T是一幅待識別的測試樣本圖像，經(jīng)過樣本類別判斷后確定T屬于第l類，即T∈Pl,用式（10）先去均值：

將其投影到特征空間，由式（11）得到輸入樣本的投影向量：

將投影向量Yt與其所屬類別的Pl幅訓(xùn)練樣本的投影向量Yi′進(jìn)行距離匹配，按照式（12）計算其歐氏距離：

采用近鄰法則，當(dāng)諸如樣本T與其同類的某一幅訓(xùn)練樣本Plj（Plj∈Pl）擁有歐氏距離且該距離滿足一定的閾值的時候，即可判定輸入樣本T與訓(xùn)練樣本為同一幅圖像，即完成整個識別。

3基于混合模式的指紋識別算法

基于混合模式的指紋識別算法的流程圖如圖2所示。

圖2混合模式匹配算法流程圖

設(shè)共采集到N幅指紋圖像，樣本共分為K類，其中第k（k∈[1,K]）類包含M幅圖像，則具體實現(xiàn)步驟如下：

（1）輸入指紋圖像的采集與質(zhì)量*估；（2）對輸入指紋圖像進(jìn)行樣本類別劃分，設(shè)該輸入屬于第k類；（3）對輸入指紋圖像進(jìn)行2DPCA的預(yù)處理；（4）提取輸入圖像的2DPCA特征向量集；（5）采用2DPCA匹配算法在指紋圖像的第k類數(shù)據(jù)庫中進(jìn)行初匹配，若不滿足匹配要求，則系統(tǒng)終匹配失??；滿足時，通過相應(yīng)閾值的設(shè)定得到m（m《M）幅候選指紋和它們的匹配得分權(quán)重，并同時按照索引得到它們的點模式特征點；（6）對輸入指紋圖像進(jìn)行點模式預(yù)處理；（7）對預(yù)處理后的輸入指紋圖像進(jìn)行點模式特征集中，采用點模式匹配算法進(jìn)行二次匹配，并加入對應(yīng)的2DPCA匹配的得分權(quán)重。若滿足匹配要求，則系統(tǒng)終匹配成功；若不滿足，則失敗。

4實驗結(jié)果與分析

本文在CPU為2.00GHz、1.99GHz，內(nèi)存為2.00GB的PC和MatlabR2022B，VisualStudio2022的開發(fā)環(huán)境下，選用FVC2022DB2_A中的880幅指紋圖像進(jìn)行匹配算法的實驗。該指紋庫共采集110個指紋，每個手指分別采集8次得到8幅指紋。實驗采用交叉匹配的方式，即每個手指從8幅中選取6幅作為模板指紋，2幅作為輸入指紋，一共進(jìn)行220次匹配，得到實驗結(jié)果如表1所示。

從表中可以看出，采用本文算法進(jìn)行指紋匹配的識別率為93.57%，與點模式匹配算法相比，識別率有所提高。改進(jìn)的2DPCA算法在空間降維提取特征方面由于指紋圖像出現(xiàn)較大程度的位移，且部分粘連現(xiàn)象較為嚴(yán)重，使得終算法中根據(jù)近鄰原則所得到的匹配圖像出現(xiàn)錯誤，但是觀察其歐氏距離值的排序，正確的指紋圖像一般位于前列，這就為混合匹配算法提供了依據(jù)。采用混合匹配，識別率略有提升。本文將點模式匹配算法與2DPCA結(jié)合起來，在點模式匹配算法中加入了2DPCA算法的初匹配得分權(quán)重，提高了點模式的準(zhǔn)確性；并采用基于樣本類別信息的方法，大大減少了點模式匹配中與原始數(shù)據(jù)點集之間的搜索和