一种融合多参考节点整体对齐和方向场的指纹图像匹配方法

摘要

一种融合多参考节点整体对齐和方向场的指纹图像匹配方法，包括以下步骤：1)、提取节点周围相对节点的局部相对方向信息；2)、对模板指纹T和输入指纹Q的节点集合M(T)和M(Q)进行旋转和平移粗对齐；3)、构造使整体对齐的过程；4)、将转换为直角坐标，并求T和Q的最终匹配节点对数N_p；5)、计算T和Q的匹配分数S_TQ；6)、对含节点数量较少或者不含节点的指纹图像，给出指纹图像T和Q的方向场O(T)和O(Q)；7)、将O(T)和O(Q)进行对齐得到O^# (Q)，计算O(T)与O^# (Q)的匹配程度c；8)、运用BP神经网络进行相似度计算。本发明适用于不含节点或节点不丰富的指纹图像、匹配速度更快、识别正确率更高。

主权项

1、一种融合多参考节点整体对齐和方向场的指纹图像匹配方法，其特征在于：该匹配方法包括以下步骤：1)、提取节点周围相对节点的局部相对方向信息，包括：①、节点的坐标(x，y)；②、节点的方向γ，0≤γ<2π；③、局部相对方向D＝<D_α，D_β>；④、排序数Δ，其中排序数Δ的计算公式是：$\Delta =\underset{-N\le i\le N,i\ne 0}{\Sigma }\frac{i}{\left|i\right|}{\alpha }_i/2N---\left(1\right)$其中，其中α_i是点A_i处相对节点的累计方向差，N为节点一侧的采样点数量；将指纹图像中节点表示为极坐标形式若Δ≥0则称该节点为右手节点，否则为左手节点；将从指纹图像I中提取的所有节点按照Δ增序排列，得到$M\left(I\right)=\{⟨x_1^I,y_1^I,{\gamma }_1^I,D_1^I,{\Delta }_1^I⟩,⟨x_2^I,y_2^I,{\gamma }_2^I,D_2^I,{\Delta }_2^I⟩,···,⟨x_p^I,y_p^I,{\gamma }_p^I,D_p^I,{\Delta }_p^I⟩\},$其中p为节点数，${\Delta }_1\le {\Delta }_2\le ···\le {\Delta }_p,$$D_i^I=⟨D_{\alpha }^{I,i},D_{\beta }^{I,i}⟩,$$D_{\alpha }^{I,i}=\left\{{\alpha }_k^{I,i}{|}_{k=-N}^N\right\},$$D_{\beta }^{I,i}=\left\{{\beta }_k^{I,i}{|}_{k=-N}^N\right\};$2)、对于模板指纹图像T和输入指纹图像Q的节点集合$M\left(T\right)=\{⟨x_i^T,y_i^T,{\gamma }_i^T,D_i^T,{\Delta }_i^T⟩|1\le i\le p\}$和$M\left(Q\right)=\{⟨x_i^Q,y_i^Q,{\gamma }_i^Q,D_i^Q,{\Delta }_i^Q⟩|1\le i\le q\}$进行旋转和平移粗对齐，以为参考节点，分别得到M(T)和Q(T)的极坐标形式和记C＝Count[u][v]为和的匹配节点对数，当它取最大值时，得到的匹配节点集合$\{⟨x_{m_i}^T,y_{m_i}^T,{\gamma }_{m_i}^T,D_{m_i}^T,{\Delta }_{m_i}^T⟩|1\le i\le C\}$和$\{⟨x_{n_j}^Q,y_{n_j}^Q,{\gamma }_{n_j}^Q,D_{n_j}^Q,{\Delta }_{n_j}^Q⟩|1\le j\le C\}$是多对参考节点，对应于极坐标(T)和的和3)、对多参考节点进行对齐：将$\{⟨x_{m_i}^T,y_{m_i}^T,{\gamma }_{m_i}^T⟩|1\le i\le C\}$和$\{⟨x_{n_j}^Q,y_{n_j}^Q,{\gamma }_{n_j}^Q⟩|1\le j\le C\}$进行整体对齐，即要构造使和整体对齐；对进行旋转和平移，计算的旋转参数-Δ_ψ和平移参数(-Δ_x，-Δ_y)；4)、将转换为直角坐标$M_{r_1}^c\left(T\right)=\{⟨X_i^T,Y_i^T,{\psi }_i^T,D_i^T,{\Delta }_i^T⟩|1\le i\le p\},$同样将转换为$M_{r_2}^c\left(Q\right)=\{⟨X_i^Q,Y_i^Q,{\psi }_i^Q,D_i^Q,{\Delta }_i^Q⟩|1\le i\le q\},$求T和Q的最终匹配节点对数N_p，计算公式是：$N_p=\underset{1\le i\le p,1\le j\le p}{\Sigma }p(i,j)---\left(2\right)$其中，5)、计算指纹图像T和Q的匹配分数S_TQ，S_TQ定义为：$S_{\mathrm{TQ}}=\frac{\underset{p(i,j)=1}{\Sigma }s(m_i^T,m_j^Q)}{N_T+N_Q-N_P}---\left(4\right)$两个指纹对齐后，有一个重叠的公共区域F，设N_T为指纹图像T位于F中的节点数量，N_Q为指纹图像Q中位于F中的节点数量；S_TQ是指纹图像T和Q的相似度，S_TQ值越大，T和Q越相似；其中是$m_i^T=⟨x_i^T,y_i^T,{\gamma }_i^T,D_i^T,{\Delta }_i^T⟩$和$m_j^Q=⟨x_i^Q,y_i^Q,{\gamma }_i^Q,D_i^Q,{\Delta }_i^Q⟩$的相似度为，计算公式是：$s(m_i^T,m_j^Q)=\exp [-\frac{\mathrm{\rho g}{\Sigma }_{k=-N}^N(|{\alpha }_k^{T,i}-{\alpha }_k^{Q,j}|+|{\beta }_k^{T,i}-{\beta }_k^{Q,j}|)}{2\mathrm{\pi N}}]---\left(5\right)$其中ρ为常数，N为采样点的数量参数；6)、对于含节点数量较少或者不含节点的指纹图像，给出指纹图像T和Q的方向场O(T)和O(Q)，O(T)＝{O(W^T(i，j))|0≤i<m/w，0≤j<n/w}，O(Q)＝{O(W^Q(i，j))|0≤i<m/w，0≤j<n/w}；将方向规约到[0，π)，对于背景块W(i，j)，其方向无意义，置O(W(i，j))＝-1；若W(i，j)为前景块，则O(W(i，j))∈[0，π)；7)、将指纹图像T和Q的方向场O(T)和O(Q)进行对齐，得到：$O^{\#}\left(Q\right)=\{O\left(W^{Q^{\#}}(i,j)\right)|0\le i<m/w,0\le j<n/w\},$计算O(T)与O^#(Q)的匹配程度c，计算公式是：$c=\frac{\underset{0\le i<m/w,0\le j<n/w}{\Sigma }d(i,j)}{\underset{0\le i<m/w,0\le j<n/w}{\Sigma }\eta (i,j)}\times 100---\left(6\right)$c即为两个方向场对齐后差异较大的方向所占重叠区域的比重；8)、运用BP神经网络进行相似度计算，神经网络的输入上述5)的节点匹配分数S_TQ和方向场匹配程度c，输出为参与匹配的两个指纹的相似度；训练阶段，对于两个相同的指纹，输出为1，否则输出为0；在识别阶段，网络输出值介于0和1之间，相似度越大，则两个指纹越相似。