多注册指纹融合方法

摘要

多注册指纹融合方法属于指纹识别技术领域，其特征在于：它对数据库中同一手指的m枚指纹两两进行细节点比对，求出其相似度，再据此算出优良性系数，取其中最大者作为基准指纹，复制到模板上；把其他指纹与它进行细节点比对，并按比对成功的次数修改模板细节点的置信度值，得到一个融合模板；再配合传统的细节点特征进行决策融合和最终融合，得到注册手指和申请指纹之间的相似度。与单纯的细节点方法比较，在相同的错误接收率下，它有较低的错误拒绝率。

主权项

1.多注册指纹融合方法其特征在于，它依次含有以下步骤：一、学习阶段计算机在离线状态下对所有注册的指纹进行细节点的提取、存储，再进行伪细节点的去除和特征融合后，建立数据库；它依次含有以下步骤：(1)对计算机进行初始化设定下列各初始值：设定注册指纹数量m＝4；在指纹有效区域的检测步骤中，对于已经分割成大小为4×4像素的方格的原始指纹图像而言，当以点(i，j)为左上角的每一个方格的灰度均值I_avg(i，j)和方差Var(i，j)处于下述范围内时，该方格为有效，标记为1；否则为无效，标记为0；th1＜I_avg(i，j)＜th2且Var(i，j)＞th3，其中th表示为阈值：th1＝20；th2＝220；th3＝6；在图像增强的步骤中，Gabor滤波器空域表达形式G(x_掩，y_掩，θ)中的参数值δ_x′＝δ_y′＝5.0，f＝0.6，空域掩模大小为7×7像素；设定细节点比对中两个细节点比对成功的阈值为8像素；设定特征融合的置信度阈值为0.5；设定最终融合相似度域值Th_s为0.4；(2)计算机通过取指器采集所有注册指纹的原始图像并存储，对同一枚手指提取m枚指纹；(3)计算机检测指纹的有效区域，它依次包含以下步骤：(3.1)把原始图像分割成大小为4×4像素的方格；(3.2)计算机按下式计算以点(i，j)为左上角的每一个方格的灰度均值I_avg(i，j)和方差Var(i，j)： $I_{\mathrm{avg}}(i,j)=\frac{1}{16}\underset{x=0}{\overset{3}{\Sigma }}\underset{y=0}{\overset{3}{\Sigma }}I(i+x,j+y),$ $\mathrm{Var}(i,j)=\frac{1}{16}\underset{x=0}{\overset{3}{\Sigma }}\underset{y=0}{\overset{3}{\Sigma }}{(I(i+x,j+y)-I_{\mathrm{avg}}(i,j))}^2,$其中，I(i+x，j+y)为(i+x，j+))点的图像灰度值；(3.3)计算机按下式判断上述每一个方格是否有效：若th1＜I_avg(i，j)＜th2且Var(i，j)＞th3，则该方格有效标记为1；(3.4)去噪声处理(3.4.1)对上述图像进行3×3滤波，即检查以待测点为中心的3×3邻域内的9个点，如果只有该待测点是有效的，则认为该点为噪声，更改标记为0，表明以该点为左上角的方格无效；若只有该待测点是无效的，则认为该点为有效点，更改标记为1，表明以该点为左上角的方格有效；(3.4.2)去掉有效区域中间的“洞”，即逐行对上述图像扫描，填补最左边和最右边的有效点之间的所有无效点，将其标记为有效；逐列扫描，填补最上边和最下边的有效点之间的所有无效点，将其标记为有效，从而得到有效区域，长和宽分别为原图的1/4；(4)用基于梯度统计的金字塔形算法进行方向场估计，它依次包含以下步骤：(4.1)利用Soble算子的水平方向算子S_x和竖直方向算子S_y求取点(x，y)的灰度梯度：水平方向： $G_x(x,y)=\frac{1}{8}{\Sigma }_{j=y-1}^{y+1}{\Sigma }_{i=x-1}^{x+1}{S}_x(x-i,y-j)I(i,j),$竖直方向： $G_y(x,y)=\frac{1}{8}{\Sigma }_{j=y-1}^{y+1}{\Sigma }_{i=x-1}^{x+1}{S}_y(x-i,y-j)I(i,j),$其中I(i，j)为(i，j)点的灰度值，S_x(x-i，y-j)，S_y(x-i，y-j)分别表示水平和竖直方向的Soble算子，在(x-i，y-j)点的值，算子分别用一个大小为3×3的掩膜表示；(4.2)把指纹图划分成大小为W×W的方格，W＝7，再依次进行以下步骤：(4.2.1)用下式求取每一方格对应的局部方向θ： $\theta (i,j)=\frac{1}{2}{\tan }^{-1}\left(\frac{{\Sigma }_{i=1}^{\bar{W}}{\Sigma }_{j=1}^{\bar{W}}2G_x(i,j)G_y(i,j)}{{\Sigma }_{i=1}^{\bar{W}}{\Sigma }_{j=1}^{\bar{W}}(G_x^2(i,j)-G_y^2(i,j))}\right);$(4.2.2)计算方向场一致性水平： $E_0=\frac{1}{N}\sqrt{\underset{(i^{\prime },j^{\prime })\in \Omega }{\Sigma }{|\theta (i^{\prime },j^{\prime })-\theta (i,j)|}^2};$其中，Ω是第(i，j)方格的邻域，取为5×5，N是Ω中所含方格的个数，N＝25；θ(i′，j′)和θ(i，j)分别为第(i′，j′)和第(i，j)方格的局部方向；若E₀＞T_c，则令W＝1.5W，重新估计Ω中各方格的方向，重复步骤(4.2.1)和(4.2.2)；直至E₀≤T_c，这里T_c＝1.5；(5)采用Gabor滤波方法进行图像增强，它依次包含以下步骤：(5.1)Gabor滤波器空域表达形式为：其中θ∈[0，180)为当前点的方向场垂直方向，x_掩，y_掩为掩膜中各点相对于掩膜中心点的坐标，δ_x′＝δ_y′＝5.0，f＝0.6，空域掩膜大小为7×7像素；(5.2)自适应滤波：假设输入指纹灰度图像为I(i，j)，θ为(i，j)点方向场方向垂直的方向，则用上述滤波器滤波如下：其中W＝3；然后按下式求取一个数值： $\mathrm{flag}(i,j)=\frac{{\Sigma }_{x=-\frac{L}{2}}^{\frac{L}{2}-D}|F(i+x\cos \theta ,j+x\sin \theta )-F(i+(x+D)\cos \theta ,j+(x+D)\sin \theta )|}{{\Sigma }_{x=-\frac{L}{2}}^{\frac{L}{2}-D}\left[\begin{array}{c}|F(i+x\cos \theta ,j+x\sin \theta )-F(i+(x+D)\cos \theta ,j+(x+D)\sin \theta )|\\ \times F[i+(x+\frac{D}{2})\cos \theta ,j+(x+\frac{D}{2})\sin \theta ]\end{array}\right]}.$其中L＝12为统计数据区域长度，D＝2为统计步长，进行脊线提取：如果F(i，j)＞flag(i，j)，则(i，j)点位于谷即背景，否则位于脊即前景；(6)脊线细化，它依次包含以下步骤：(6.1)在保持原图的骨架即不改变拓扑结构和不删除直线端点的前提下，根据以待测点为中心的8邻域的不同状态来决定待测点的“去”或“留”，“去”用“0”表示，“留”用“1”表示；(6.2)建立1维索引表table，标记索引为0～255，共256个元素，每个元素取1表示保留，0表示去掉；(6.3)遍历有效区域内所有点，考察其8邻域，对所有排列组合通过下面的公式映射到0～255之间：index＝A32×2⁰+A31×2¹+A21×2²+A11×2³ +A12×2⁴+A13×2⁵+A23×2⁶+A33×2⁷；其中，Aij代表8个邻域中的点的值，然后通过查询索引表中索引值为index的元素即table[index]，决定该待测点是否保留或者去掉；(6.4)重复(6.3)直到没有被去掉的点出现；(6.5)细化后处理：(6.5.1)，按照细化图，初步确定细节点中的端点，即本身为1且周围8个点中有且仅有一个点为1，和分岔点，即本身为1且周围8个点中有且仅有三个点为1；(6.5.2)，沿着细节点生长，对细节点进行后处理：(a)，对于端点，如果在其12×12的邻域内有另一个端点的方向与之接近，即角度差小于Tha＝30度，则将这两个端点都去掉；(b)，将形成环形的邻近分叉点连接起来，对于一个分叉点，如果在其12×12的邻域内有另一个分叉点的方向与之接近，即角度差小于Tha＝30度，则将两者都去掉；(c)，去除一些小短棒对应的两个端点，对于一个端点，如果沿着它所在脊线经过12个像素之内就碰到另一个端点，则将两个端点都去掉；(6.5.3)，筛除方向与该点方向场角度差大于30度的特征点；(7)对所有注册指纹进行步骤(2)～(6)的操作，并把所得的细节点集合存入数据库；(8)对同一枚手指的m枚指纹两两进行细节点比对；(8.1)用基于Hough变换的方法进行细节点配准：计算补偿旋转和平移偏差，按照下面方法计算：把两个指纹各自的细节点分别构成各自含有M和N个细节点的点集，从两个点集中各选一个细节点分别表示为(x₁，y₁，θ₁)和(x₂，y₂，θ₂)，利用它们之间的坐标、方向求出一个平移量： ${\Delta }_t=\left[\begin{array}{c}{\Delta }_x\\ {\Delta }_y\end{array}\right]=\left[\begin{array}{c}{x}_2-x_1\\ y_2-y_1\end{array}\right],$一个旋转量：Δ_θ＝θ₂-θ₁，遍历所有M×N对细节点对，统计(Δ_x，Δ_y，Δ_θ)出现的次数，得票最高的平移旋转量就是最终使用的平移旋转量，同时记录得票数vote；用下面的公式计算平移旋转后的新坐标：x″＝x′×cos(Δ_θ)-y′×sin(Δ_θ)+Δ_x；y″＝x′×sin(Δ_θ)-y′×cos(Δ_θ)+Δ_y；其中(x′，y′)是旋转平移前的坐标，(x″，y″)是旋转平移后的坐标；(8.2)公共有效区域提取：记两枚指纹r，t配准后的有效区域分别为R_r、R_t，根据上面求得的参数(Δ_x，Δ_y，Δ_θ)，利用上述新坐标求取公式对R_t进行旋转平移，则公共有效区域为R＝R_r∩R_t；(8.3)比对指纹r，t中所有的细节点，记录比对成功的细节点对数；若两幅匹配好的指纹图中的两个细节点距离小于设定用像素数表示的阈值，则比对成功，该阈值为8；(8.4)计算指纹r，t细节点集合的相似度M_rt，0＜M_rt＜1： $M_{\mathrm{rt}}=\frac{\mathrm{count}}{\max ({\mathrm{count}}_t,{\mathrm{count}}_r)}\times \min (\frac{\mathrm{vote}}{\mathrm{Th}},1);$其中count表示比对成功的细节点对数，count_r表示指纹r在两幅指纹公共有效区域内的细节点个数，count_t表示指纹t在两幅指纹公共有效区域内的细节点个数；Th为经验阈值，取为12；(9)特征级融合，即把数据库中对应同一个手指的m枚指纹中的细节点进行融合，它依次含有以下步骤：(9.1)把同一手指对应的m枚注册指纹两两按上述步骤(8)所述的方法进行细节点比对操作，得出用S_ij表示的两枚指纹之间的相似度，其中：S_ij表示第i枚指纹与第j枚指纹的相似度，i＝1，2，…m，j＝1，2，…m，且i≠j；(9.2)计算每一枚指纹相对于其他m-1枚指纹的优良性参数J_i： $J_i=\frac{1}{m-1}\times \underset{j\ne i}{\overset{m}{\underset{j=1}{\Sigma }}}{S}_{\mathrm{ij}}$(9.3)按下式选取m枚指纹中J值最高的一个作为基准，即J_a＝max(J_i)，i＝1，2，…，m，记为F¹；(9.4)将F¹中所有细节点M_k的置信度c_k记为1，即c_k＝1，k＝1，2，…，n¹，n¹表示F¹中细节点的个数；(9.5)将F¹复制到模板T，令n^t＝n¹，n^t为模板中细节点个数，用c_k表示模板T中第k个细节点的置信度，与步骤(9.4)中的c_k值相等；(9.6)对于T中的所有细节点M_k，k＝1，2，…，n^t，在F²的所有细节点M_j，j＝1，2，…，n²中，寻找与M_k匹配的细节点，即两个细节点距离小于8像素：如果找到，则T中的细节点M_k的置信度c_k增1，即c_k＝c_k+1；如过所有的寻找已经进行完，而F²中某个细节点仍未与T中任何细节点匹配，则直接将其加到T中并将其置信度置为1，同时令T中细节点数n^t＝n^t+1；对于F²中所有没有匹配的细节点都进行这样的操作；(9.7)重复步骤(9.6)，依次把F²替换成F²，…，F^m，直到所有m枚指纹融合完毕；(10)对融合后的模板T进行后处理，即去掉置信度低于某一阈值的细节点，得到一个由细节点合成的合成模板，该阈值为0.5；(11)对数据库中每一个手指进行上述步骤(9)～(10)的操作，则每一个手指对应唯一的一个合成模板；二、验证阶段(1)把申请指纹按学习阶段的步骤(2)～(6)进行细节点提取；(2)把(1)中得到的申请指纹的细节点按学习阶段的(8)和同一手指的模板进行细节点比对得出相似度S_f；(3)决策融合，它依次含有以下步骤：(3.1)把(1)中得到的申请指纹的细节点与同一个手指的所有m枚注册指纹按学习阶段步骤(8)进行细节点比对，得出m个相似度S¹，...，S^m；(3.2)按下式求取申请指纹与注册手指之间的相似度S_d： $S_d=\frac{1}{m}\underset{i=1}{\overset{m}{\Sigma }}{S}^i;$(4)最终融合：用下面所选的加权平均方法对合成模板给出的相似度S_f和决策融合给出的相似度S_d进行最终融合：(4.1)计算最终融合的相似度S：S＝w_dS_d+(1-w_d)S_f，其中w_d是决策融合结果的权重，设定为w_d＝0.5；(4.2)比较S与预设的相似度阈值Th_s，设定为0.4：若S≥Th_s，则判断申请者与注册者是同一个人；若S＜Th_s，则判断申请者与注册者不是同一个人。