基于matlab指纹识别论文

基于matlab指纹识别论文内容摘要：

偏远省份重新办理一套身份系统，包括户口、身份证、档案等。 在很多情况下，一个人的真实身份是很难被分辨的。 指纹识别作为一个人基本社会角色定位点，其方便性和准确性已经得到了全世界范围内的认可。 通过各 种各样的指纹识别系统，社会公共管理的职能得到了强化，效率得到了提高。 原来的养老保险系统，冒领保险金现象比较严重。 随着越来 越多的地方实施了指纹养老金发放系统，这一现象得到了彻底改善，没有当事人 6 的指纹，对应的养老金是不可能被领取的。 深圳罗湖口岸，指纹出入境系统的实施大大提高了通关效率，过关旅客再也不需要拿着身份证排长队等待检查。 指纹识别承载了很多的社会意义，从最根本上来讲，是可以良好的判断和定义一个人的真实生物身份。 从而降低社会活动中的信任成本，从根本上改变经济和社会交往模式改变，提高效率。 指纹识别作为一种 生物鉴定技术，为人类的个体的定义提供了一个到目前为止最为快捷和可信的方法。 随着指纹识别技术的日渐成熟，图像处理及模式识别界曾一度认为自动指纹识别问题已经得到很好的解决。 但实际上，指纹识别的核心技术仍然存在许多尚 未解决的难题，尤其是对残缺、污损指纹图象进行识别的鲁棒性和适应性方面不 能令人满意。 指纹识别系统将随着更小更廉价的指纹输入设备的出现、计算能力 更强更廉价的硬件以及互联网的广泛应用而进一步拓宽应用。 其中，能适应在线 应用的自动指纹识别系统的算法有待进一步改进，多种指纹识别方法的集成应用 以及包括指 纹识别在内的多种生物特征鉴定技术的集成应用也将是今后研究的 发展方向。 因此，自动指纹识别技术现在是，未来几年仍将是一个重要的、极具 挑战性的模式识别研究课题。 本论文结构 本论文主要分为四章： 第一章 绪论。 介绍 课题研究背景意义及国内外发展研究现状； 第二章 指纹识别的理论和方法。 介绍指纹识别系统的基本理论和几种常见算法； 第三章 matlab 仿真 实验结果与分析。 分析几种算法的实验仿真结果，并通过结果进行分析总结各个算法的特点； 第四章 结论。 7 第 二 章 指纹识别的理论和 方法 十九世纪初，科学研究发 现了至今仍然承认的两个重要特征：一是两个不同手指的指纹纹脊的样式（ Ridge Pattern）不同，另外一个是指纹纹脊的样式终生不变。 这个研究成果使得指纹在犯罪鉴别中得以正式应用。 二十世纪六十年代，由于计算机可以有效地处理图形，人们开始着手研究计算机来处理指纹，自动指纹识别系统 AFIS 在法律实施方面的研究与应用有就由此展开来。 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象。 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 图象属于个人隐私，因此不能直接存储指纹图象）。 但指纹识别算法最终都归结为在指纹图象上找到并比对指纹的特征。 1． 指纹的特征 我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。 在考虑局部特征的情况下，英国学者 认为，只要比对 13 个特征点重合 ，就可以确认为是同一个指纹。 总体特征 ： 总体特征是指那些用人眼直接就可以观察到的特征，包括：基本纹路图案环型（ loop） ,弓型（ arch） ,螺旋型（ whorl）。 其他的指纹图案都基于这三种基本图案。 仅仅依靠图案类型来分辨指纹是远远不够的，这只是一 个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。 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。 2． 指纹的特征点 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。 工作 流程 指纹识别技术主要涉及四个功能：读取指纹图象、提取特征、保存数据和比对。 系统 开始，通过指纹读取设备 读取到人体指纹的图象，取到指纹图象之后，要对原始图象进行初步的处理，使之更清晰。 接下来，指纹辨识软件建立指纹的数字表示特征数据，一种单方向的转换，可以从指纹转换成特征数据但不能从特 8 征数据转换成为指纹，而两枚不同的指纹不会产生相同的特征数据。 软件从指纹上找到被称为（ minutiae）的数据点，也就是那些指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。 因为通常手指上平均具有 70 个节点，所以这种方法会产生大约 490 个数据。 有的算法把节点和方向信息组合产生了更多的数据，这些方向信息表明了 各个节点之间的关系，也有的算法还处理整幅指纹图像。 总之，这些数据，通常称为模板，保存为 1K 大小的记录。 无论它们是怎样组成的，至今仍然没有一种模板的标准，也没有一种公布的抽象算法，而是各个厂商自行其是。 最后，通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。 指纹识别系统框图如图 所示。 指 纹 采 集图 像 预 处 理特 征 提 取特 征 匹 配指 纹 识 别指 纹 库 图 指纹识别系统工作原理框图 指纹识别技术的方法 本文重点研究 基于神经网络指纹识别算法、滤波特 征和不变矩指纹识别算法和指纹匹配算法， ， 针对已有的三种指纹识别算法进行编程识别，通过 matlab 仿真，从而进一步论证三 种算法的优缺点。 神经网络指纹识别算法 用神经网络进行识别选用哪种特征是个关键问题考虑到本文这里的识别过 9 程是在同类型指纹间进行的这些指纹具有相似的纹线走向指纹的方向信息在这里就显得无关紧要了通过对同类型指纹的分析发现它们差别主要体现在具体的每个细节点上因此本文就提取了指纹的细节点特征作为识别特征每个样本提取的细节点特征是一个 80 1 维的向量包含 20 个特征点每个特征点的特征值是个4 维的向量分别是特征点的类型特征点与参考点的纹线方向差值特征点与参考点的距离特征点与参考点的角度我们认为特征点的这些信息即可充分体现同类型指纹间的细微差别也同时具有一定的抗 平移和抗旋转性。 本文采用的是学习矢量量化 LVQ神经网络模型 LVQ 神经网络由于其自身的自组织和聚类特性可以很好地给出模式在多维空间的概率分布估计从而可较好地完成指纹的识别 ,其识别模型如图 所示 . 图 基于神经网络的自动指纹识别模型 滤波特征和不变矩指纹识别算法 滤波特征识别算法 ： 指纹图像特征的表示要求满足尺度不变性、 位移不变性和旋转不变性 3 个特征。 尺度不变性是满足的。 在滤波提取算法中 ,位移不变性是通过确定指纹 图像的中心参考点来实现的。 图像的旋转不变性可以通过在匹配阶段建立多 角度旋转特征向量来实现。 滤波特征的提取算法包括 4 个步骤 : 确定指纹图像的中心参考点 ,以及要处理的指纹区域 ,记为 ROI 区域 ； 以参考点为中心 , 对 ROI 区域进行划分 , 得到一定大小的块。 用一组 Gabor 滤波器在八个不同的方向对 ROI 区域进行滤波运算 (在指纹图像中 ,完全获取指纹的局部脊线特征需要使用 8 个方向滤波器 , 获取全局结构信息仅需要 4 个方向滤波器 )； 在滤波图像中 ,计算每一块中灰度值相对于均值的平均绝对偏差 , 进而得到特征向量或特征编码。 基于滤波特征的指纹识别算法 ,首先对指纹图像进行 滤 波 10 特征提取 ,然后在滤波特征值构成的特征向量的基础上进行匹配。 不变矩识别算法 ： 算法的基本思路是 :搜索预处理后的二值图像中所有可能为目标的区域，计算区域的 7 个不变矩特征，认为与模板匹配程度最高的区域为目标。 其中相似度度量采用欧式距离。 算法程序： void COpenCVTest::TestMoment() { CvRect r。 = 120。 = 100。 = 20。 = 20。 CvMoments m。 CvMat mat。 IplImage* src。 //8 位图 必须为灰度图像 src = cvLoadImage(c:\\自然图 ,0)。 CvArr *arr。 arr = cvGetSubRect(src, amp。 mat, r)。 //获取矩 cvMoments(arr, amp。 m, 0)。 //获取空间矩 double m00 = cvGetSpatialMoment(amp。 m,0,0)。 //获取 hu 不变矩 11 CvHuMoments hu。 cvGetHuMoments(amp。 m, amp。 hu)。 CString str。 (空间矩： m00 = %f \n Hu 不变矩： h1 =。