论文部分内容阅读
近年来，生物识别技术得到了广泛的关注,被认为是自动身份识别的最终技术。其中，自动指纹识别技术是目前最成熟的生物识别技术，具有广阔的发展前景。自动指纹识别系统主要包括以下几个步骤：指纹图像采集、指纹图像前处理、细节特征提取、指纹图像匹配。本文综合运用图像处理和模式识别技术对自动指纹识别技术中的指纹图像匹配模块进行了深入的研究，借鉴了George Bebis等人的思想[15 ]，把Delaunay三角剖分用于指纹图像的匹配。本文利用Delaunay三角剖分的结果，提出了一种改进了的新的匹配算法：基于Delaunay三角剖分的指纹匹配算法。该算法的核心是用Delaunay三角剖分把二维拓扑结构和指纹特征点联系起来，考虑了更“有意义的”特征点组（矢量三角形），同时由于采用“预筛选”匹配策略，既提高了匹配速度，又保证了算法的精度，很好的解决了大容量指纹库的匹配速度问题。一、指纹图像匹配算法介绍目前关于指纹图像的匹配算法，大致可以分为基于相关性的匹配算法、基于特征点的匹配算法和基于纹线结构的匹配算法等。本论文所提出的基于Delaunay三角剖分的匹配算法是基于指纹特征点进行的。一般的基于特征点的匹配算法，对各特征点之间的绝对距离及其在坐标系中的具体位置都要求很高，而实际指纹采集时，由于用力不均等原因都会畸变，使指纹图像中各特征点相互之间的距离发生变化及本身在坐标系中的位置也发生变化。同时，待识指纹图像与样本指纹图像存在方向上的角度差。这些情况都会不可避免的降低系统的识别率从而减弱识别系统的实用性。因此特征点匹配算法要想有效、正确地对指纹图像进行匹配，就必须能够适应指纹图像的平移、旋转、局部变形、假特征点等等。二、Delaunay三角剖分的背景三角剖分是把一个区域分成小的子区域的过程，区域可以是任意维数。对平面的三角剖分，是指对有限平面点集内的点，按一定的方式连接起来，称为互不交叉的三角网，通常要求剖分出来的三角形尽量均匀，即<WP=62>避免出现狭长的三角形。对于给定的一组散乱数据点，可获得无限种不同的三角剖分，其中Delaunay三角剖分为最优。二维的Delaunay三角剖分由满足“三角剖分最小内角最大”准则的三角形组成，是三角剖分中最常用的方法。Delaunay三角剖分具有一些特有的性质，包括：对于非退化点集，Delaunay三角剖分是唯一的；任意三角形的外接圆不包含其它点；Delaunay三角剖分所有三角形中的最小角都大于其它任何三角剖分在同一点的最小角。Delaunay三角剖分的性质保证了：当指纹图像给定，即特征点集给定时，用Delaunay三角剖分对该点集进行三角剖分时，所产生的三角形网格是唯一的，与点的排序无关，只与点之间的拓扑结构有关；在该点集中插入一个点，它仅仅影响到外接圆包含该插入点的三角形。也就是说，指纹的噪音和变形对特征点集的Delaunay三角形网格只造成局部影响。这就意味着，只要指纹图像的一些区域没有严重损坏，都可以进行准确定位，从而正确识别将是可能的，这在我们的应用中是非常重要的；Delaunay三角剖分得到的三角形不是狭长的。这在我们的应用中也是非常重要的，因为对指纹图像所进行的几何变换量的计算，是基于特征点矢量三角形的，狭长三角形会导致不稳定性甚至产生错误结果。对几种我们熟知的拓扑结构进行比较，发现Delaunay三角剖分对于随机的位置扰动，具有最好的结构稳定性。正是基于Delaunay三角剖分的性质以及指纹图像识别的特殊性，本论文借鉴了George Bebis等人的思想[15 ]，用Delaunay三角剖分把指纹特征点集和二维拓扑结构联系起来。三、用Delaunay 三角剖分进行指纹匹配在具体匹配之前，我们需要计算的量有： <WP=63>对指纹特征点集进行Delaunay三角剖分。对产生的O(N)个矢量三角形，我们计算它们的几何不变量：边长、最大角度余弦等信息。根据矢量三角形之间的拓扑结构，构造特征向量。每一个局部特征向量由一个中心矢量三角形和与它相关的矢量三角形组成。这样我们就可以用局部特征向量描述了以中心矢量三角形为“中心”的指纹图像的一片特征。本文提出的匹配算法采用分阶段匹配：第一阶段：首先考虑“有意义”的特征点组——矢量三角形，对指纹图像进行粗略匹配，起到“预筛选”的作用。在该阶段匹配结束时，对于比分很低的指纹图像，就可以做出匹配失败的判断；满足一定阈值时，再进行第二阶段的细节匹配。第二阶段：根据第一阶段的匹配结果构造一个全局特征向量，根据全局特征向量对指纹图像进行定位，然后对指纹图像进行几何变换，再进行基于特征点的细节匹配。四、算法实验结果我们分别用本文给出的匹配算法和其它基于特征点的匹配算法，对6000枚光电指纹库和5000枚压力指纹库都进行了拒识率和误识率测试。经过反复试验，结果显示，本文所提出的基于Delaunay三角剖分的匹配算法有以下优点：保持拒识率基本不变；误识率大幅度下降；等错率下降了三个千分点；平均匹配时间下降了三分之二,很好的解决了大容量指纹库的匹配速度问题。