指纹识别系统本科毕业论文(编辑修改稿)

指纹识别系统本科毕业论文(编辑修改稿)内容摘要：

179。 6英寸的盒子里，在不久的将来更小的设备可能只有3179。 1179。 1英寸。 这些进展得益于多种光学技术的发展。 例如 :可以利用纤维光束来获取指纹图像。 纤维光束垂直照射到指纹的表面，他照亮指纹并探测反射光。 另 一个方案是把含有微型二棱镜矩阵的表面安装在弹性的平面上，当手指压在此表面上时，由于指纹脊和谷的压力不同而改变了微型二棱 镜的表面，这些变化通过三棱镜光的反射而反映出来。 半导体传感器 半导体传感器是 1998 年在市场上才出现的，这些含有微型晶体的平面通过多种技术来绘制指纹图像。 8 （ 1）硅电容指纹图像传感器。 这是最常见的半导体指纹传感器，它通过电子度量来捕捉指纹。 在半导体金属阵列上能结合大约 100000 个电容传感器，其外面是绝缘的表面。 传感器阵列的每一点是一个金属电极，充当电容器的一极，按在传感面上的手指头的对应点则作为另一极，传感面形成两极之间的介电层。 由于指纹的脊和谷相对于另一极之间的距离不同 (纹路深浅的存在），导致硅表 面电容阵列的各个电容值不同，测量并记录各点的电容值，就可以获得具有灰度级的指纹图像。 （ 2）半导体压感式传感器。 其表面的顶层是具有弹性的压感介质材料，它们依照指纹的外表地形（凹凸）转化为相应的电子信号，并进一步产生具有灰度级的指纹图像。 （ 3）半导体温度感应传感器。 它通过感应压在设备上的脊和远离设备的谷温度的不同就可以获得指纹图像。 半导体指纹传感器采用了自动控制技术（ AGC 技术），能够自动调节指纹图像像素行以及指纹局部范围的敏感程度，在不同的环境下结合反馈的信息便可产生高质量的图像。 例如：一个不清晰（对比 度差）的图像，如干燥的指纹，都能够被感觉到，从而可以增强其灵敏度，在捕捉的瞬间产生清晰的图像（对比度好）；由于提供了局部调整的能力，图像不清晰（对比度差）的区域也能够被检测到（如：手指压得较轻的地方），并在捕捉的瞬间为这些像素提高灵敏度。 半导体指纹采集设备可以获得相当精确的指纹图像，分辨率可高达 600dpi，并且指纹采集时不需要像光学采集设备那样，要求有较大面积的采集头。 由于半导体芯片的体积小巧，功耗很低，可以集成到许多现有设备中，这是光学采集设备所无法比拟的，现在许多指纹识别系统研发工作都采用半导体采集设 备来进行。 早期半导体传感器最主要的弱点在于：容易受到静电的影响，使得传感器有时会取不到图像，甚至会被损坏图像。 手指的汗液中的盐分或者其他的污物，以及手指磨损都会使半导体传感器的取像很困难。 另外，它们并不像玻璃一样耐磨损，从而影响使用寿命。 随着各种工艺技术的不断发展，芯片的防静电性能和耐用度得到了很大的改善。 半导体传感器 的缺点在于 ，其价格与硅晶片的面积相关，晶片面积越大，芯片价格越高。 为了降低成本，晶片面积一般都比较小。 小的接触面积使每次捕捉的指纹图像重叠区域变小，这样导致输入指纹与模板指纹间缺乏足够的对应 细节点，传统的基于细节点的算法的性能就会下降。 9 超声波扫描传感器 超声波扫描传感器工作原理为传送超声波，并通过手指、台板和空气间的电阻来测量距离的方法完成录入，扫描指纹的表面，接收设备获取了其反射信号，测量它的范围，得到脊的深度。 超声波扫描被认为是指纹取像技术中非常好的一类，积累在皮肤上的脏物和油脂对超声波获得的图像影响不大，是实际脊地形 (凹凸 )的真实反映，为精确度最高的指纹录入技术。 但由于超声波录入设备的耐久性还难以估计，因此实际中应用得较少。 Ultrascan 公司首开超声波指纹图像采集设备产品先河。 但成本很高，而且还处于实验室阶段。 近年来，随着电子技术的发展，指纹采集设备越来越便宜，这为指纹识别技术的普遍应用提供了良好的条件。 特征提取与匹配 AFIS 系统中，指纹识别算法最终都归结为在指纹图像上提取和比对指纹特征。 迄今为比，指纹的提取和比对方面人们己经做了大量的研究。 新近的算法大致可以分为 ： 基于 结构 的特征提取和匹配、基于特征点的匹配和基于神经网络的方法 [19]。 比如 Isenor等指出了一种用图匹配来对两幅指纹图像进行匹配的方法。 Hrechak 等用结构匹配来做指纹识别。 基于 DHNN 人工神经 网络的指纹识别技术。 其中最多的是基于点匹配的方法，有 Ranade 等的松弛算法， Chang 等基于 一 维聚类的快速算法， Miklos z的三角匹配算法， Jain 等的串匹配算法，以及 Luo 等针对 Jain 等的算法所提出的改进算法等。 这几种方法各有优缺点。 点匹配方法虽然应用得最多，发展得最成熟。 但是其有步骤繁多，抗干扰能力差，对指纹图像质量依赖性强，提取特征点可靠性差等缺点。 基于神经网络算法容错性高，但需要大量样本事先对系统进行训练才能发挥作用，而且计算量也偏大，不符合实时性的要求。 而基于图像匹配的方法不能很好的解决 指纹旋转、平移等问题。 性能评价 指纹算法中引入了两个重要的数字指标来描述该系统的精确度。 拒判率 10 (False Rejection Rate， FRR)和误判率 (False Accept Rate， FAR)。 此外拒登率 (Error Registration Rate， ERR)和识别速度也会影响到使用的方便性。  FRR 拒判率又称拒真率，指将相同的指纹误认为是不同的指纹，而加以拒绝的出错概率。 其定义为： FRR=拒识的指纹数目 /考察的指纹总数目179。 100%。  FAR 又称认假率，指将不同的指纹误认为是相同的指纹 ，而加以接收的出错概率。 其定义为： FRR=错判的指纹数目 /考察的指纹总数目179。 100%[19]。  拒登率是用来描述指纹设备的适应性，是指纹设备出现不能登录及处理的指纹的概率，拒登率 ERR 过高将会严重影响设备的使用范围。  速度。 指纹识别系统的工作速度主要由采集时间、图像处理时间、比对时间和平均识别速度几项指标构成。 采集时间通常包含了采集的操作时间和图像的传输时间；图像处理时间指的是从计算机处理指纹图像到提取出所有特征、输出特征模板所耗费的时间；比对时间是指计算机对两组指纹特征模板进行比对并给出结果所耗费的时间； 平均识别速度指计算机从指纹特征模版库中搜索出特定指纹特征模板的速度，通常是一个统计平均值，其速度的快慢与指纹特征模版库的分类方法有很大关系。 F A R FR R E E R 图 13 FAR 和 FRR 关系曲线图 ROC 曲线 由于计算机处理指纹时，只是涉及了指纹的一些有限的信息，而且比对算法并不是精确匹配，其结果也不能保证 100%准确。 指纹识别系统的特定应用的重要衡量标志是识别率。 主要由两部分组成，拒判率 (FRR)和误判率(FAR)。 我们可以根据不同的用途来调整这两个值。 FRR 和 FAR 是 成反比的， 11 降低 FAR，会增加 FRR；反过来，降低 FRR，又会增加 FAR。 用 比来表达这个数。 ROC(Receiver Operating Curve)曲线给出 FAR 和 FRR 之间的关系。 尽管指纹识别系统存在着可靠性问题，但其安全性也比相同可靠性级别的“用 户 ID+密码”方案的安全性高得多。 例如采用四位数字密码的系统，不安全概率为 %，如果同采用误判率为 %指纹识别系统相比，由于不诚实的人可以在一 段时间内试用所有可能的密码，因此四位密码并不安全，但是他绝对不可能找到一千个人去为他 把所有的手指（十个手指）都试一遍。 正因为如此，权威机构认为，在应用中 1%的误判率就可以接受。 图 14 ROC 曲线图 FRR 实际上也是系统易用性的重要指标。 由于 FRR 和 FAR 是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。 一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极大地提高了系统安全性。 有学者推论：以全球 60亿人口计算， 300 年内都不会有两个相同的指纹出现。 本文所做工作及论文结构 指纹识别技术作为一种新兴的身份验证技术，具有广阔的应用空间。 而考虑到产品的 体积与价格因素， DSP 系统是比较符合要求的。 本文 的指纹传感器模块就 采用 DSP 来实现指纹识别。 本文首先介绍了在身份验证中的指纹识别算法，采用一种新的算法一基于小波变换的统计算法对指纹图像进行特征提取和特征匹配。 12 本文在第二章中详细介绍了指纹识别的常规算法和本文所采用的算法，并比较了两种算法的性能特点 ， 同时对本文指纹奇异点提取所采用的具体方法作了详细介绍。 第 三 章介绍了本设计所使用的硬件开发工具以及在 AVR 开发系统中实现指纹 系统 程序 设计 的过程。 第 四 章是对本文所做工作的总结，并提出了今后改进的方案和指纹识别技术的 前景展望。 13 第二章 指纹识别算法 本章首先 介绍了传统的基于细节点的指纹识别算法，以及基于结构的指纹识别算法的基本原理，接着 介绍 本文 指纹识别的核心算法 —— 指纹特征提取与匹配算法，不仅对常规的点匹配的方法和本文的算法进行介绍，并且对它们的性能进行了比较；而第二部分则介绍了指纹奇异点提取算法的思想和实现的具体步骤。 指纹 识别 的基本知识 我们定义了指纹的两类特征来进行指纹的验证：总体特征 [19]和局部特征。 总体特征 总体特征是指那些用肉眼直接就可以观察到的特征，包括： 1. 纹形 环型（ loop） 弓型（ arch） 螺旋型（ whorl） 图 21 指纹纹形分类 指纹的纹形主要有环型、弓型和螺旋型三种， 其他的指纹图案都基于这三种基本图案。 仅仅依靠纹形来分辨指纹是远远不够的，这只是一个粗略的分类，通过更详细的分类使得在大数据库中搜寻指纹更为方便快捷。 2. 模式区（ Pattern Area） 模式区是指指纹上包 括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。 有的指纹识别算法只使用模式区的数据。 SecureTouch 的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进 14 行分析和识别。 3. 核心点（ Core Point） 核心点位于指纹纹路的渐进中心，它在读取指纹和比对指纹时作为参考点。 许多算法是基于核心点的，既只能处理和识别具有核心点的指纹。 核心点对于 SecureTouch 的指纹识别算法很重要，但没有核心点的指纹它仍然能够处理。 4. 三角点（ Delta） 三角点位于从核心点开始的第一个分叉点 或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。 三角点提供了指纹纹路的计数跟踪的开始之处。 5. 纹数（ Ridge Count） 指模式区内指纹纹路的数量。 在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。 模式区 核心点 三角点 纹数 图 22 指纹总体特征 局部特征 局部特征是指指纹上的节点的特征，这些具有某种特征的节点称为特征点。 两枚指纹经常会具 有相同的总体特征，但它们的局部特征 —— 特征点，却不可能完全相同。 指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或打折。 这些断点、分叉点和转折点就称为“特征点”。 就是这些特征点提供了指纹唯一性的确认信息。 指纹上的细节特征点有四种不同的特征：特征点的类型、特征点的方向、特征点纹线的曲率、特征点的位置。 指纹特征点的 类型 见表 21， 其中 最典型的是终结点和分叉点。 方向 是指 纹路 灰度连续的方向，特征点 可以朝着一定的方向。 曲率 描述纹路方向改变的速度。 特征点 的位置通过（ x, y）坐标来描述，可以是绝对的，也可 以 15 是相对于三角点或特征点的。 表 21 特征点分类表 终结点（ Ending） —— 一条纹路在此终结。 分叉点（ Bifurcation） —— 一条纹路在此分开成为两条或更多的纹路。 分歧点（ Ridge Divergence） —— 两条平行的纹路在此分开。 孤立点（ Dot or Island） —— 一条特别短的纹路，以至于成为一点。 环点（ Enclosure） —— 一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称 为环点。 短纹（ Short Ridge） —— 一端较短但不至于成为一点的纹路。 指纹的特征提取与匹配算法 指纹其实是比较复杂的。 与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。 多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图像属于个人隐私， 因此不能直接处理指纹图像）。 但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。 传统的基于 特征 点的指纹识别算法的不足之处在于：只利用了指纹图像中一小部分信息 (细节点 )，丢失了丰富的结构信息，对于小面积的指纹图像就有可能因为缺乏足够的信息而影响识别率；在细节点的提取过程中，很容易产生虚假细节点和丢失真正的细节点，在指纹的受损区域，这种现象更为突出；由于每个指纹的细节点数都不相同，产生的特征矢量长度不同，不利于快速比对 (搜索指纹库 )；特征比对时，细节点的相对位置随指纹的弹性变性而改变，影响比对的准确性。