基于特征提取与匹配的指纹识别毕业论文(编辑修改稿)

基于特征提取与匹配的指纹识别毕业论文(编辑修改稿)内容摘要：

法 叫做多幅图像平均法。 如果假设理想数字图像表达式形式是 ),( yxf ,而混杂在图像中的噪声表达式是m4 m3 m2 m5 m0 m1 m6 m7 m8 (a) n4 n3 n2 n5 n0 n1 n6 n7 n8 (b) p (c) 7 ),( yxn ,那么就可以推算出平时所获得掺杂有噪声的图像表达式为： ),(),(),( yxnyxfyxg  () 如果图片所受到的噪声是彼此独立的加性噪声，而且它们的平均值是 0，那么就可以用下面的表达式来表示理想图像： )],([),( yxgEyxf  () 其中 )],([ yxgE 是 ),(g yx 的数学期望， N 张含有噪声干扰的图像取均值实验之后有： Ni i yxgNyxgyxf 1 ),(1),(),(ˆ () 在这种条件下的误差是：   2)y,x(n2N1ii2N1ii22)y,x(gN1)y,x(nN1E)y,x(f)y,x(fN1E)y,x(f)y,x(fˆE  () 也就是说，对 N 张指纹图像进行均值操作后，就可以将噪声的方差降低为原来的 1/N， N越大，所得到的处理过的指纹图像就越接近于理想指纹图像。 中值滤波法 从理论上来讲根据中值滤波法进行的平滑去除噪声的这个过程是非线性的。 中值滤波的具体做法是针对每一个像素的灰度值，相应的都取出该像素的邻近像素的灰度值，然后将这些数值按照单调递增或者单调递减的顺序排列起来形成一个序列，并取出该序列的中值，并把这个数值赋给当前的点。 中值滤波法对于 降噪处理尤其是对椒盐噪声的处理尤为明显，除此之外中值滤波的处理过程对于信号的边缘不会造成明显的影响，这是各种线性处理方案所不能实现的。 而且由于这种算法计算量很小算法也比较简单，所以非常方便于实际中在各种硬件上实现这一功能。 进一步的理论依据可以参照排序统计理论。 为了实现针对于指纹图像的中值滤波法，通常的情况下会选取一个 3 3 的模板，然后取出这个模板内部每个像素的灰度值并以升序或者是降序进行大小的排列，这样就得到了一个一共有 9 个元素的有序数列，那么然后将这个有序数列的中值赋给模板的中间点。 接下来将这个模板移动 到其他位置继续上面的操作。 直到整个指纹图像都已经经过滤波为止，这也就完成了基本的去噪。 本次毕业设计的过程中讨论的为指纹数字图像的识别，为了减小计算量，也为了简化算法结构并提高整个识别过程的运行速度，在本次设计的过程中利用中值滤波法作为指纹图像的平滑处理的方案。 通过实际实验操作，图 经过平滑处理实验之后所生成的结果图如图 (b)所示 : 8 (a)原始指纹图像 (b)平滑后 图 实验处理生成的指纹图像 指 纹图像的锐化 经过裁剪与平滑处理的图片虽然在大小与噪声方面已经比较完善，但是图像中的线条仍可能并不是很清晰，这就会使得程序不能清晰地提取到脊线，端点或是分叉点等等的特征条件，这样的话就不利于后续进行特征比对，同时特征匹配的效果也会埋下隐患。 为了避免这个问题，该处就需要对当前数字图像进行增强，以突出图像信息，为二值化打下基础。 这时候就需要利用锐化使图片中边界细节增强。 而具体来讲这里要做的操作就是通过卷积来增强图像中的灰度反差。 就此处的研究而言的图像增强处理是凭借高通滤波器完成的。 一般来说高通滤波的效果是突 出原图中的线条与形状，增强图像的对比度从而提升特征的可提取性。 实现起来就是通过设定一个较高的数值，通过卷积去除掉频率较低的部分从而达到锐化（增强）图像的目的、 这里本文根据前人总结经验而在这次实验过程中使用的高通滤波模板为： 121219212171H () 通过实际实验操作，图 (b)经过与模版卷积锐化之后得到的实验结果如图 (b)所示 : 9 (a)锐化前 (b)锐化后 图 锐化实验所产生的指纹图像前后对比 指纹图像的二值化 通过图像增强之后，噪声受到了有效的抑制，而边缘信息也变得十分明显，其对应的细节特征也变得容易提取起来。 尽管如此，如果此时直接对图像进行操作的话，由于灰度图像各个像素的灰度值从 0 到 255 分布，就无疑会产生大量的计算压力，也会降低程序运行的效率，也不方便进行特征的提取与比对。 为了将图像变为计算机中容易识别和操作的对象，并减轻计算的压力，同时 加速程序的运行速度，系统就要对锐化后的指纹图像做进一步处理，而本次设计研究的范畴仅指某个像素有或者无纹线的情况，对于图像的色彩等等问题并没有说没关系。 对于这种情况，这里就可以依赖二值化操作来处理经过上一个步骤处理过的图像。 一般的，对图像进行处理，使得图像中每个像素的灰度值不是“ 0”就是“ 1”的操作叫做图像的二值化。 本文中将变换函数 )(xf 表示如下：   Tx Txxf ,1,0)( () 其中 T 为指定的阈值， x 为灰度数值。 承接以上图像平滑锐化的结果，二值化操作在指纹在整个指纹识别中扮演着举足轻重的角色，因为它是图像细化的前提。 就目前而言，所有的指纹识别系统中的细化步骤都是建立在指纹图像已经完成二值化操作的基础上执行的。 指纹图像在完成了二值化操作之后，不但极大地减少了多余的信息，同时也方便了增强后的特征提取操作。 由于二值化图像的性质只和两个数值“ 0”与“ 1”的分布情况相关，而不再受制于 0255 的灰度值区间的困扰，这就为信息的存储与 处理提供了便利，提高了整个过程的性能。 但是，一旦二值化过程中出现了差错，就会对整个识别程序带来很严重的问题。 所以经过实践总结，前人对于二值处理后的结果提出了以下若干硬性要求：。 10。 ，并且各个纹线不会相连。 在将经过噪声抑制与线条增强之后的指纹图像实施二值化的过程中，要注意到由于图像采集或者传输等等的原因，一张指纹图像中的各个位置的颜色深浅是各异的，如果此时 贸然直接当前的对指纹图像使用同一个阈值来实现二值化操作，那么势必会产生大量的错误，从而导致指纹识别的失败。 为此本文在这里介绍一种基于自适应阈值方法的二值化方案。 作为一种改进的阈值技术，自适应阈值方法中的阈值是以变量的状态存在的。 指纹图像各个位置的阈值的大小与该部分的小的区域内的颜色深浅有关。 也就是说基本上对于每个像素点，其阈值都不相同。 这就保证了各个区域内的二值化处理的准确性，从而生成实验中所需的二值化图像。 为了实现二值化操作，就要把指纹图像分割成尺寸为 mm 的小区域，接下来针对每一个独立的小区域求其阈 值，并依据所求的阈值来对相应的小区域实施二值化操作。 考虑到人类指纹的脊线与谷线的宽度是基本一致的固有特性，不难推断出通过实验得到的二值化图像中“ 1”与“ 0”的数量应该也是基本一致的。 在这次毕业设计中，使用最大类间方差法来为指纹图像找到相应的合适的阈值。 这样一来的话就将指纹图像明确的分为目标以及背景这两类了，也就为系统之后的指纹图像的细化以及特征提取的工作打下了坚实的基础。 通过实际实验操作，图 (b)经过二值化处理实验之后所生成的结果图如图 (b)所示 : (a)二值化前 (b)二值化后 图 二值化实验生成的指纹图像 指纹图像的细化 11 在系统完成了以上的指纹图像二值化处理之后，就已经得到了噪声比较小，而且相比较而言易于在硬件上完成保存与管理的指纹图像。 不过由于指纹纹线粗细不一，这就会多占用一定内存空间，也不利于接下来进行进一步的处理，且各个位置的特征并不十分明显。 尤其是针对于叉点而言，这种情况下直接进行特征提取的话必然会产生许多错误的伪叉点，这就会对设计的整个指纹识别过程产 生严重的影响。 为了避免以上的问题，这里就需要利用细化来处理当前得到的经过平滑，锐化，二值化处理的指纹图像。 图像细化的含义 通常情况下，依靠将一个曲线形状的图形变化为宽度只有一个像素大小的同时图形化的显示原图形的拓扑性质的过程叫做细化过程。 图像细化的处理进一步的削减了指纹图像所占用的内存空间，也有效的使程序计算负担变得更小了，同时优化了算法结构。 经过细化处理过后的指纹图像纹线位置是分布在原图像的中轴附近位置的，这也就是细化之后的图像可以维持原图像几何性质的原因所在。 一般来说，通过不同 的细化处理方案所得到的细化图像是不一样的，但是不论是说采用什么方法，处理之后所得到的细化图像都必须满足不破坏原始指纹图像的几何性质与区域连接性。 本次毕业设计中认为合格的图像细化方法最后得到的细化图像必须满足以下的性质：① 保持性：所谓保持性就是指细化处理并不会对当前图像的细节造成破坏； ② 收敛性：所谓的收敛性是指在进行细化的操作期间，实验使用的迭代在数学意义上是收敛的，而不是发散的； ③ 拓扑性：所谓拓扑性是说在实施细化期间实验并对原始拓扑性质造成损坏； ④ 连通性：所谓连通性是指实验的细化结果的连通特性与原图的特性是基本一致的； ⑤ 中轴性：所谓中轴性是表示在实施变换的期间实验所用到的骨架的相应坐标应该要尽量贴靠在纹线中轴； ⑥快速性：快速性在这里是指实验中实施的算法要简 明易懂，运行起来速度快，计算起来压力小； ⑦ 细化性：所谓细化性是指试验中的骨架都是以一个像素大小为宽度值的，也就是说宽度都是单像素的； 常见的细化算法包括 OPTA 算法，迭代法等等，以上两种算法都是基于模板匹配的原理实现的。 通常来讲选取的模板大小一般是 33 或者是 55 的，然后在模板内的每一个像素按照该像素邻域的分布情况进行分类处理。 其中 OPTA 虽然可以取得比较好的细化的效果，但是其四邻域与八邻域的细化骨架在面对三叉点情况下的细化能力表现的却差强人意。 这是因为这种算法破坏了细化性与中轴性的特性要求。 实际上本次设计在进行细化操作的时候，需要考虑到当前像素周围八个领点的属性，依据其具体情况判断该点的像素到底是应该保留还是应该去掉，这个操作与腐蚀的过程比较相似。 而图 就具体描述了在各种八邻域属性情况的中间待处理像素的去留问题 : 12 (a)不可剔除 (b)不可剔除 (c)可剔除 (d)不可剔除 (e)可剔除 (f)不可剔除 (g)不可剔除 图 黑点附近邻域像素分布情况分类图 根据上面的图 ，结合刚刚提到的细化图像必须满足的几个性质问题，其实不难得出如下的结论： 图 .（ a）的中间点不能被剔除，如果剔除了这个点，就破坏了骨架，违背了细化的拓扑性性质； 图 .（ b）的中间点也不 能被剔除，因为剔除这个点的操作违背细化的连通性这个基本性质； 图 .（ c）的中间点是可以进行剔除的，因为剔除这个点并不会对图像的连通性或拓扑性造成什么影响； 图 .（ d）的 中间点是不可以被剔除的，因为剔除这一个点就会破坏图像的拓扑性； 图 .（ e）的中间点是可以被剔除的，因为这个点并不会作为骨架； 图 .（ f）的中间点是不可以被剔除的，如果将作为直线的端点的点都剔除掉了，那么最终指纹图像中所有的纹线也就被剔除掉了，这显然是不对的； 图 .（ g）的中间点也是不可以被剔除的，这个点是一个孤立点，以自身作为骨架。 13 根据图 的分析，最终发现当一个点作为直线的端点，或者是某连通区域的内部点，或者是作为模板中孤立点的形式出现时，按照细化特性是不可以剔除这个点的。 而在一个点 作为边界点出现的情况下，倘若剔除这一个点的操作不会对原图像的连通分量造成影响，那么就可以将这个点剔除掉。 细化过程 参照图 与其相对应的分析，不难发现其实在实施细化处理时的情况是比较复杂的，为了避免由于细化操作而在算法中进行大量的分类讨论，在次的毕业设计过程中将引入细化查找表的概念。 不过在定义。