基于tms320c5402的指纹识别系统的的设计实现t本文为word格式包含有20多页的源程序极有参考价值

基于tms320c5402的指纹识别系统的的设计实现t本文为word格式包含有20多页的源程序极有参考价值内容摘要：

30余条。 (2)斗型纹 (Whorl):中心花纹呈环、螺、曲状，由内向外扩展与上下包围线汇合形成两个以上的三角 的纹线 ， 称 为斗型纹。 分为环形、螺形、囊形、双箕形、杂形五种。 斗型纹的中心花纹，在 由 一条环、螺、曲等纹线构成时，与两侧三角相对的弧形线凸面，必须是不折、不断的，并且不与来自从三角中的其它纹线相接。 (3)弓型纹 (Arch): 由 弓形线和横直线层叠而成 ，中心花纹与上下包围 线无明显界限，因此也没有真正的三角区。 分弧形和帐形纹两种。 (4)弧形纹：是 由 平缓的或略微突起的弧形线组成的一种结构简单的花纹形式。 (5)帐形纹： 由 平行的和突起的弧形线组成。 花纹中部有直立的或倾斜的纹线，将弧形线撑起 呈 帐蓬状。 指纹类型的三类九种，是按我国现行的十指指纹分析法划分的。 这是一种基本分类，也叫两极分类法。 实际上指纹种类远不只这些。 指纹的 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。 特征点的分类有以下几种 (如图 ),最典型的是 端 点和分叉点 [22]。 16 图 指纹特征示意图 很多研究者试图解决指纹分类问题，但至今分类算法的误识率仍较高。 如何提高指纹分类的准确率在自动指纹识别研究中是一个较关键的问题。 应用于指纹匹配的指纹特征 在指纹特征中由于中心点、三角点、 端点、叉点、纹型、相对纹密度、纹曲率等元素的分布对于某一个特定人的指纹来说，在他的一生中永远不会改变，具有终生不变性和惟一性，因而被称为永久性特征。 永久性特征在手指前端的典型区域 (也被称为中心花纹区 )中最为清晰和明显，其分布也最均匀，是指纹匹配的主要参数 [23]。 指纹图像处理与识别 指纹图像处理与识别是自动指纹识别系统的核心技术 ,其研究已有很长的历史了 ,但是总体的思路变化不大。 可以把识别算法大致分为下述 3个步骤 : (1)图像预处理 原始指纹图像需要进行滤波除噪、脊线增强、动态二值化、方向信息计算、 初分类、背景分割、纹线间隔估计等处理。 图像预处理的效果好坏直接影响系统性能。 个别应用还需要指纹图像的压缩编码。 预处理的目的是改善输入指纹图像的质量，以提高特征提取的准确性。 预处理常基于方向图，方向图是指纹图像的近似描述，方向图的每一元素代表指纹图像中某个给定区域的纹理方向。 原始指纹图像一般有很多噪声、断纹或纹线模糊等，需要进行图像增强（使用滤波技术）以改善质量。 由于指纹的特征仅包含在纹线的形状结构中，所以，通过二值化和细化把深浅不一、宽度不同的纹线变成灰度相同的单像素宽的细纹线，以便于特征提取。 (2)指 纹特征提取 包括纹线细化、特征点 (交叉点、断点、中心点、三角点等 )检测与分类、伪特征点消除、特征点特性参数计算、特征参数压缩编码、全局特征 (“斗”、“箕”、“旋向”等 )检测等步骤。 特征提取算法应能适应噪声、畸变、位移、旋转、缺损、变形等常见的实际情况。 经预处理后的指纹图像通过相应的处理算法自动提取指纹的全局特征和细节特征。 自动指纹识别系统中一般把指纹的类型分为弓、左箕、右箕、斗、杂和不可分六类。 细 17 节特征主要由其位置和方向确定，因此细节特征一般只考虑纹线的端点和分叉点（包括汇合点），眼和桥等也用相应的分叉点 表示，不再特殊区分，在有的系统中，还将细节特征与中心之间、或细节特征之间的纹线数提取并记录下来。 提取后的特征还需要进行后处理以去掉假特征。 (3)指纹特征比对 即比较现场提取的某一个指纹特征点集合和原先建立的数据库中的某一个指纹特征点集合的相似程度。 通常用代价函数 (或匹配能量 )来表示相似程度 ,取合适的门限将给出该两组指纹特征是否来自同一枚指头的判断。 特征比对的方法有点图松弛匹配方法、最小距离图法和 Delaunay 三角形化变换等。 指纹算法的具体性能评价指标 [24] 就一个自动指纹识别系统来说，其指 纹识别算法的精确度是整个系统性能指标中最为关键的指标。 所谓指纹识别算法的精确度是指其识别与提取的特征数量与准确率及进行特征匹配时的准确率。 下面线介绍一下有关指纹识别的基本概念。 匹配 (Matching):匹配也称对比过程，是指将两个指纹特征模板通过相应的算法求出它们之间的相似程度的处理过程。 若相似程度大于一个事先给定的门限阈值，则该笔对结果被认为接受或者称匹配。 反之，则被视为拒绝或不匹配。 认证 (Verification)：认证是指将现场采集的待测指纹样本与标本指纹特征模板进行“一对一”比对 (One to One Matching,简记为 1： 1)，得出“是否是同一人”的结论。 识别 (Identification):识别是指将现场采集到的待测指纹样本与指纹特征数据库中的标本指纹进行“一对多”的搜索比对 (One to Many Matching,简记为 1： N)，得出“有无此人”以及“此人是谁”的结论。 门限阈值 (Threshold): 门限阈值是用于判别两个指纹特征模板相似程度的分界值，门限阈值定的越高，表示对相似度的要求越严。 (1)拒识率和误识率 (False Rejection Rate， FRR)：拒识率又称拒真率，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 100%。 (False Accept Rate,FAR)：误识率又称认假率，指将不同的指纹误认为是相 18 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 100%。 (2)拒登率 拒登率 (Error Registration Rate， ERR)是用来描述指纹设备的适应性。 其定义为： ERR=出现不能登录及处理的指纹数目 /考察的指纹总 数目 100%。 ERR 指的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。 (3)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，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板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板库的分类方法有很大关系。 (4)平衡点 :即调整指纹识别的门限 ,使拒真率和认假率相同，平衡点越低越好。 (5)建档时间 :即平均每一枚指纹进行指纹图像采集、图像处理、特征提取和特征建库的时间，建档时间越短越好。 (6)比对效率 :即在建档后 ,直接比对一对指纹特征 (不进行图像处理和特征提取 )所用的时间 ,一般用每秒钟比对的次数来表示 ,当然越多越好。 (7)特征文件字节数 :即平均每一枚建档指纹所用的特征文件长短 ,用字节表示 ,越短越好。 (8)算法通用性 :即指纹识别算法对指纹传感器的敏 感性。 需要考虑当传感器图像尺寸、噪声水平、失真程度、手指摁印角度等因素改变时 ,识别算法的适应性或程序修改的工作量，这一条暂时没有具体衡量指标。 (9)其他软件工程指标 :包括程序可靠性、易用性、界面友好、统计资料齐全、数据库管理方便等。 容易看出 ,上述指标互相是有矛盾和抵触的 ,单一指标衡量算法性能很可能是片面的、不科学的。 所以 ,从全面的角度衡量性能指标是有必要的 19 其中， FAR 和 FRR 是一对相互矛盾的技术指标，在大多数 “ 一对一 ” 比对中，如普通的指纹门禁、指纹证件、权限管理与文件保护等指纹应用场合，考虑到指纹的多样 性和不易仿冒性，对 FAR 指标的要求可适当放宽，而把设备的易用性和方便性放在第一位，要求 FRR 值尽可能地低。 但是在 “ 一对多 ” 以及高安全度的应用场合，则要求 FAR 尽可能低，以避免误认他人。 事实上在多数指纹设备中，可以通过改变系统识别的阈值设定来选择 FAR 和 FRR的数值。 高安全性的指纹设备通常具有对活体指纹生命特征的识别能力，能够在很大程度上防止假手指作弊，但也正因为如此，常常容易受各种因素变化（干燥、脱皮、污染、干扰和使用时压力或摆放不当）的影响而把真手指当做假手指拒认，从而使其易用性指标下降。 如何处理安全 性与易用性这一对矛盾，是指纹设备选购时另一个值得注意的问题。 一般除非是用于无人值守的高安全性场合，指纹设备的易用性指标应摆在首位，尽量做到方便、好用，使绝大多数人在各种环境下均能使用。 本章小结 本章重点介绍了指纹识别的历史和发展过程，及其原理方法等。 并列出了指纹算法的相关评价标准。 20 第三章指纹识别算法的实现 3． 1 指纹图像的预处理 [25] 精确的指纹识别高度依赖于对脊线纹理结构、细节特点信息的辨识。 然而，在指纹自动识别过程中 ,由于手指本身的因素和采集条件等各种原因的影 响，从指纹传感器上采集到的原始指纹会不同程度地受到各种因素干扰，图像中往往包含很多的噪声，造成指纹图像质量严重下降。 在实际应用中，指纹图像质量不佳，尤其是噪声高、坏区多和对比度差的 劣质 指纹图像对指纹细节特征点提取过程的精确度影响很大。 具体表现有：指纹模糊不清造成指纹纹线间的粘连、模糊或断裂 ,会导致产生虚假的指纹细节特征点；遗漏或忽略了正确的细节特征点；在有关描述细节特征点的位置和方向等属性时产生严重失真。 因此指纹图像质量的高低直接关系到细节特征点提取的有效性和可信性，影响系统在匹配 时 的拒认率和误识率，从而 最终影响整个系统识别的结果。 由此可知，在进行指纹分类和细节特征匹配之前一定要先对采集到的指纹图像进行针对性的预处理。 预处理是指纹自动识别系统中的最重要的一步 ,它的好坏直接影响着指纹识别的效果。 预处理的目的就是去除图像中的噪声 ,把它变成一幅清晰的点线图 ,增强图像的可识别性 ,便于提取正确的指纹特征。 图像的预处理大致可以划分为以下几步： 平滑滤波，归一化，二值化。 主要流程如下图 图 预处理主要流程 图像的平滑 指纹图像预处理的过程是从对原始指纹图像的灰度图进行平滑处理开始的。 平滑处理就是通过选择适当的滤波程序对原始指纹图像进行滤波处理，滤掉图像中不必要的高频成分。 其主要作用是尽量保持图像中纹路边缘完好的前提下，去除原始指纹图像中一些离散、孤立的高对比度像素点在后续的指纹图像处理过程中可能造成的计算与分析误灰度图 平滑滤波 归一化 二值化 细化处理 21 差，同时也可以尽量消除指纹图像中由于图像噪声存在而导致的纹路中脊线上呈现的许多的微小疵点 [26]。 使用二维 FFT变换滤波法。 这些方法主要是针对离线采集的指纹图像比较合适，对计算机的性能要求比较高。 而对于指纹图像质量比较差，对比度小，指纹重叠区域小，而且处理的是活体实时采集的指纹图像，这就需要一些更有效，速度更快的指纹图像增强算法。 本文采取的 直方图均衡化 [27]来实现图象的增强。 直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。 对图像空间域点的增强过程是通过增强函数t=EH(s)来完成的， t、 s 分别为目标图像和原始图像上的像素点 (x， y)，在进行均衡化处理时， 增强函数 EH需要满足两个条件： [28][29] (1)增强函数 EH(s)在 0≤s≤L 1 的范围内是一个单调递增函数，这个条件保证了在增强处理时没有打乱原始图像的灰度排列次序 ； (2)对于 0≤s≤L 1 应当有 0≤EH(s)≤L 1，它保证了变换过程中灰度值的动态范围的一致性。 同样的，对于反变换过程 s=EH1(t),在 0≤t≤1 时也必须满足上述两个条件。 通过该函数可以完成 s到 t的均匀分布转换。 在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布 tk，按式 tk=[(N1)* tk+]对其取整并得出源灰度 Sk到 tk的灰度映射关系，其中 N为灰度的级数。 重复上述步骤，得到所有的源图像各灰度级到目标图像各灰度级的映射关系，再按照新的映射关系对源图像各点像素进行灰度转换，即可完成对源图的直方图均衡化。 具体方法是： (1)给出原始图像所有灰度级 Sk,k=0,1„， L1。 (2)统计原始图像各灰度级的像素数 nk。 (3)用式 P(Sk)= nk/n, k=0,1„， L1计算原始图像的直方图。 (4)计算原始图像的累计直方图： tk = EH(Sk)=∑(n i/n)=∑ Ps(si)，（ k=0， 1， 2„„L 1） 22 (5)取整计算： tk =int[(N1) tk +k/N] (6)确定映射关系。