一种基于指纹结构特征与纹理分析的指纹图像匹配方法

摘要

一种基于指纹结构特征与纹理分析的指纹图像匹配方法，包括如下步骤：1)对指纹图像的特征点及其邻近点进行处理，生成结构特征向量；2)进行结构特征向量匹配，落入界限盒则认为细节点匹配成功，用成功匹配的细节点个数代表指纹匹配程度；3)对含信息量适中的残缺指纹或中心部分不存在的指纹图像进行Gabor滤波，采用圆形网格分为若干区域，分别提取纹理特征；4)将各区域的灰度标准偏差作为特征编码，用指纹图像间的特征差表示匹配程度；5)运用BP神经网络综合结构特征和纹理特征找出最匹配的指纹图像。本发明与指纹的平移和旋转无关，有很强的抗噪声，能解决一定范围内的非线性变形问题。

主权项

1、一种基于指纹结构特征与纹理分析的指纹图像匹配方法，其特征在于：所述匹配方法包括如下步骤：1)、对原始指纹图像进行预处理和特征提取，将原始指纹图像转化为由有限个特征点组成的数据链表，对特征点及其周围的邻近点进行处理，生成匹配用的特征向量，所述特征向量表示各个特征点之间的结构关系；2)、定义两个点集A和B分别表示输入指纹图像和模板指纹图像的特征向量集合，其中点集A表示从输入指纹图中提取出来的M个细节点，点集B表示从模板图像中提取出来的N个细节点，用s表示两个指纹图像匹配的细节点个数，则细节点集A和B的匹配程度计算如下：c＝s/min(M，N)    (1)式(1)中，c表示匹配的特征点个数在两个点集中所占的比例；3)、对经过Gabor滤波的指纹图像采用稳定的圆形网格，以指纹中心为基准点，将该网格覆盖的范围按角度划分为若干区域，分别提取各个区域的特征信息，使得网格所覆盖的区域内的特征信息应该满足：指纹图像出现的小尺度平移和小角度旋转时，特征信息保持不变；4)、将指纹局部纹理特征图像分区后，以区为单位建立特征编码；所述特征编码是每个子区内的像素灰度值与子块的平均灰度之间的绝对差值的平均值，即灰度标准偏差，特征编码的计算公式为：$C_{\mathrm{km}}=\frac{1}{n_k}\sqrt{\underset{i=1}{\overset{n_k}{\Sigma }}(G_{\mathrm{ki}}-\overline{G_k})},m=1,...,8,k=1,...,36---\left(2\right)$式(2)中，G_ki为第m幅局部纹理特征图中，第k个子块第i个像素点灰度值；G_k为第m幅局部纹理特征图中，第k个子块所有点的平均灰度值；n_k为第m幅局部纹理特征图中，第k个子块内像素点的总数；按上述方法编码，每一个指纹图像的对应一个特征向量，该特征向量为：C₁＝{C_km}    (3)式中k为图像子块的编号；m为Gabor滤波器的编号；将所有滤波后的局部纹理特征图像顺序编号，滤波图像子块灰度值的标准偏差构成m×k个向量元素，所述向量元素即为指纹图像的特征编码，存储到数据库中；5)、对得到的指纹图像特征编码进行比对，即做向量减法运算，计算两个指纹的特征差，通过两个指纹特征向量的“距离”值描述指纹图像特征的相似程度；依据所有局部纹理特征图像子块距离总和判断两个指纹图像的匹配程度，距离总和计算公式如下：$D=\underset{m=1}{\overset{8}{\Sigma }}\underset{k=1}{\overset{36}{\Sigma }}(C_{\mathrm{km}}-C_{F_{\mathrm{km}}})---\left(4\right)$其中，C_km为目标指纹图像的特征编码，为指纹数据库中编号为F的指纹特征编码，D为目标指纹图像的特征编码与编号为F的指纹特征编码的特征差；遍历指纹数据库，计算各模板指纹图像与输入指纹图像的特征差；6)、将步骤2)的指纹图像结构特征匹配程度c和步骤5)的指纹图像纹理特征差D输入BP神经网络；输出为参与匹配的两个指纹的综合相似度。