利用中心点信息的活体指纹分类算法

利用中心点信息的活体指纹分类算法

摘要：一种针对活体指纹采集样本的分类算法。将指纹分为四类：弓形、左箕形、右箕形和箕形（Right loop）和斗形（Whorl）。根据公安部的统计，中国人指纹类型的分布，弓形和帐弓形分别为1.1%、1.4%。对于实验系统，把两者分离的必要性不大。而且，弓形和帐弓形在结构上很相似，没有明显的特征可以把两者很好地分开。文献的实验表明：不把这两类分开，可以在不影响分类器效率的情况下，提高正确率。本文采用指纹结构特片分析方法，基于实用性的考虑，把采集的指纹分为四类：弓形（Arch）、左箕形（Left Loop）、右箕形（Right loop）和斗形（Whorl）。如图1所示。

目前指纹分类在的研究对象主要是油墨指令等滚动按捺得到的指纹图像，一般采用美国中央情报局的SINT4、NIST9、NIST14、NIST24等批文数据库，这些据指纹图像通常保留了三角点和中心点等特征点。但活体采集通常不能完整采集三角点。活体采集的样本与传统油墨按捺采集的样本有很大不同。从目前所能查阅的国内外文献来看，针对活体采集样本的分类算法研究并不多见，而且效果并不是很理想。本文所研究的指纹库是用主流芯片级指纹采集器——富士通公司的BMF200电容式的指纹传感器采集得到的。这款采集器在自动指纹识别系统中得到了广泛应用。因此，针对这种样本数据库的分类算法的研究具有现实意义和理论意义。

传统的分类算法沿用指纹学上的分类法，把指纹分为五类：弓形（Arch）、帐弓形（Tent Arch）、左箕形（Left loop)、右箕形（Right loop)和斗形（Whorl）。根据公安部的统计，中国人指纹类型的分布，弓形和帐弓形分别为1.1%、1.4%。对于实际系统，把两者分离的必要性不大。而且，弓形和帐弓形在结构上很相似，没有明显的特征可以把两者很好地分开。文献的实验证表明：不把这两作业成绩分开，可以在不影响分类器效率的情况下，提高正确率。本文采用指纹的结构特征分析方法，基本实用性的考虑，把采集的指纹分为四类：弓形（Arch）、左箕形（Letf loop）、右箕形（Right loop）和斗形（Whorl）。如图1所示。

1 指纹分类算法

分类算法的基本步骤是：

（1）图像预处理：为使指纹图像有要同的均值和方差，对原始图像进行归一化处理，然后根据图像灰度信息对图像分割，把背景区分割出来；

（2）计算方向图：计算指纹图像每一点的方法；

（3）提取特征：根据方向图，找出指纹的奇异点；

（4）分类：根据中心点数目和指纹特定区域的流向把指纹分为四类。

程序流程图如图2。

1.1 图像预处理

预处理包括归一化、背景分割。归一化就是把原始图像的灰度均值和方差变换为期望得到的均值和方差。

归一化后，对图像进行分割，利用灰度信息把指纹区和背景区分开。

图3是一幅指纹图像的分割结果。

1.2 方向图的计算与平滑

输入的指纹图像大小为240×264，分成8×8的小块。首先计算每一点的方向，把平面空间量化成8个方向码，通过式（1）计算每一点的方向。

其中：D（i,j）表示点（i,j）的方向码；N这里取值为8。G（i,j）表示点（i,j）的灰度值；w表示以点（i,j）中心，在方向为d的直线上，每一边的点数。G（ik,jk）d表示d方向的直线上所取像素点的灰度值。点的方向码的计算解释如下：在某一个点较小的范围内，纹线上的点的灰度值相关不大，而纹线上与非纹线的点的灰度值相差较大。因此沿着纹线计算的差的绝对值之和较小，而沿着其他方向计算出的差的绝对值之和则较大。

为了保证方向的抗干扰能力，可在块划分不变的情况下，适当扩展方向码的统计区域。块的划分尺寸为8×8，而统计该区域的方向码时，则按照12×12的扩展区域。统计每一小块对应区域中每一个方向码的像素点数，像素点数最多的方向码就是该小块的主方向。

为了消除局部的方向图计算误差，对方向图进行平滑。平滑方式采用3×3均值滤波器实现平滑滤波。图4给出滤波前后的方向图。

1.3 奇异点寻找与修正

进行指纹分类前，先将指纹的特片点找出来。对指纹分类有用的是指纹的奇异点：中心点（core）和三角点（delta）。文献中介绍了判

【利用中心点信息的活体指纹分类算法】相关文章：

小学英语教学信息化学习资源的利用论文05-02

数据关联算法综述及其性能评估05-05

土地可持续利用探析05-27

中药指纹图谱在质量评价中的作用概述04-13

档案利用数据统计与实际效益05-12

数控机床参数的分类06-16

大学生心理健康档案的建立与利用10-28

官兵利用手机上网问题的调查与思考05-31

利用电力线实现住宅智能化06-13

福建省石灰岩沉积与开发利用05-31