《生物图像特征提取算法研究毕业论文.doc》由会员分享，可在线阅读，更多相关《生物图像特征提取算法研究毕业论文.doc（27页珍藏版）》请在三一办公上搜索。
1、生物图像特征提取算法研究摘要生物识别技术就是指通过计算机，利用生物所固有的特征或行为来进行身份鉴定。如今，生物识别技术已经在国家安全部门、金融领域和普通百姓家庭得到了广泛应用。生物特征提取算法是生物特征识别的核心之一。本文对部分生物特征（如人脸、虹膜、掌纹、视网膜和指纹等）提取算法进行研究。首先对人脸、虹膜、掌纹和视网膜的特征提取算法进行简单分析，然后对最常用的生物特征（指纹）图像的增强算法进行详细研究，再通过指纹图像提取算法中的基于结构的特征提取和基于细节点的特征提取这两种算法作较深入的比较和分析。最后对生物特征识别技术的发展方向做了总结。关键词：生物识别图像增强特征提取 Study of
2、Method of Biometric Feature Extraction Abstract:Biometic recognition techniques deal with the identification of individual based on their behavioral. Actually, biometic recognition techniques have used in national security department, financial realm and plebeian families. Method of biometric featur
3、e extraction is a indispensable tache in biometic recognition techniques.In this paper, investigate several methods of biometric feature extraction which are face,irie, palmprint, retina and fingerprint. In the first place, methods of feature extraction of face,irie, palmprint, retina are researched
4、 briefly. And then methods of image enhancement of fingerprint are researched amply . Whereafter, method on structure-based fingerprint feature extraction and method on minutine fingerprint feature extraction have been analysed and compared of.At last,the development of feature extraction is also su
5、mmarized.Key words：biometic recognition; image enhancement; feature extraction目录1绪论11.1论文研究的背景和现状11.2生物识别的国内外研究现状22生物图像特征提取算法简介32.1引言32.2虹膜特征提取32.2.1传统虹膜特征提取方法32.2.2基于独立分量分析的虹膜特征提取方法42.2.3基于结构特征的虹膜特征提取方法42.2.4其他方法42.3人脸特征提取42.3.1基于局部特征的提取方法42.3.2基于整体特征的提取方法52.4掌纹特征提取52.4.1基于结构的特征提取62.4.2基于空域-频域变换的特征
6、提取62.4.3基于统计的特征提取62.4.4基于子空间的特征提取62.5视网膜特征提取72.6小结83指纹图像增强算法研究83.1引言83.2基于傅里叶变换的指纹增强算法83.3基于Gabor滤波的指纹增强算法103.4基于空域、频域和方向滤波相结合的指纹增强算法113.4小结124指纹图像特征提取算法研究124.1引言124.2概述124.3基于结构的指纹特征提取算法134.3.1概述134.3.2中心点的确定154.3.3确定特征提取区及归一化154.3.4特征提取及编码164.4基于细节点的指纹特征提取算法184.4.1点方向图的获取184.4.2方向图后处理194.4.3二值化204
7、.4.4细化204.4.5特征点提取及后处理204.5 小结225 总结22参考文献24英 文 摘 要26致谢27XX毕业论文(设计)成绩评定表281绪论伴随着信息时代的来临，人们在日常生活中愈来愈多地面临身份鉴别的问题。目前熟悉的身份鉴别方法一般是使用某种标记物如：钥匙、徽章、印鉴、身份证或辅之以密码、口令的各种证件及卡片等，但这些方法在现代社会中所暴露出的诸如磨损、被盗、仿冒、复制、遗忘、破解等问题以及这些方法存在的资源共享性给个人及社会信息管理安全带来巨大的隐患，不能适应技术进步和社会发展的需要。生物识别技术作为新兴的身份鉴别方法，能够克服传统方法的弊端，更安全、可靠、准确、方便，随着计
8、算机及网络技术的迅速发展，在电子商务、政务、金融、司法及社会事务管理等领域有广泛的应用前景，日益引起人们的关注并成为研究热点1。 1.1论文研究的背景和现状作为21世纪最具发展潜力的十大高科技之一，生物识别技术在我们的生活中正发挥着越来越重要的作用。从公安、交通、金融、工商、旅游等部门对大型生物识别系统的采用，到考勤机、门禁、保险柜、电脑等设备对小型生物识别系统的利用，生物识别技术已与我们的生活密不可分。随着网络的发展,网上购物、银行转账等电子商务应用越来越广泛,传统的安全保护方式只能提供有限的保障,而且它们经常会被非法盗用或滥用,这造成网络交易中的身份确认、数据交换极大的不便。美国信息技术协
9、会信息安全副主席Gregory Garcia 警告说:随着越来越多的人倾向于网上购物、网上银行和其他网上交易,势必会引来更多的网络犯罪者涌入互联网。2003 年2 月,美国奥马哈(Omaha) 的一家服务器被黑客攻击,约有800 万张VISA、MasterCard 和American Express 的信用卡账号被盗取。而由于人的生物特征具有人体所固有的不可复制的惟一性,因此这一生物特征密钥无法复制、也不会失窃或遗忘。生物识别研究领域目前包括了指纹、手形、眼虹膜、声音、脸相、DNA 等与生俱来的终身难以改变的生理特征以及笔迹、步态等后天形成的行为特征2。近年来，生物识别技术已经逐渐从法律、公安
10、刑侦领域的应用，推广到民用市场，离人们的生活越来越近。一些办公场所或政府机关开始采用生物自动识别技术进行门禁管理和考勤；德国的一些超市已经推出了一款新型的指纹付账系统，事先将个人银行信息，大拇指、食指的指纹进行关联注册，指纹就能在结账时发挥信用卡的作用；在国际通关中，虹膜识别已是身份验证的主要手段。在我国，虹膜识别技术已被用在了矿井人员安全监测等方面。从全球来看，生物识别技术在出入境、机场安检、电子护照以及智能身份证等方面正得到广泛应用。生物识别技术之所以能开始大规模进入人们日常生活,除了在核心理论、算法、技术方面的不断成熟以外,与之相配的外围硬件、应用系统以及相关技术(如IC 卡技术,高性能
11、计算技术等)不断发展成熟,特别是“911”以后,各个国家对生物识别技术越来越重视3。1.2生物识别的国内外研究现状在生物识别技术研究和产业推动方面，欧洲和美国已经做得非常成熟，走在世界的前列。2005 年，全球生物识别市场规模达到15亿美元，2010年有望突破60亿美元。欧美以及日韩等国目前在指纹、虹膜这两方面的研究比较深入，其相关应用也比较广泛。美国是目前全球指纹识别技术应用最为成熟的国家，全球约有50%以上的指纹采集芯片厂商和约30%以上的指纹软件提供商在美国，约有20%以上的指纹识别产品需求在美国。而日本是亚洲最大的指纹识别产品消费国，其生物识别产品销售额年增幅达30%至40%。作为最精
12、确也是最昂贵的生物识别技术，虹膜识别目前已被用于英国的民航通关系统。虹膜技术也很有可能成为英国政府身份证卡（ID card）项目中采用的技术。而人脸识别技术应用广泛而且持续增长，英国的警力部门很早就开始研究怎么把脸部识别软件加载到国家嫌疑犯数据库中。就专利申请而言，美国、日本等国的生物识别专利数量是我国的很多倍，而且国外公司或个人申请的专利多为基础性的核心技术4。据了解，我国的生物识别技术（主要是指纹识别）与美国和日本相比要研发起步晚10 到20年时间。近两年来，随着移动存储设备等数码类产品的大量使用，指纹技术与数码类产品的结合应用开始展开，指纹识别产业开始步入由点到面的全面发展阶段。据国内知
13、名生物识别专家、亚略特生物识别研究院院长杨若冰介绍，目前，我国生物识别产业中70%至80%是指纹识别，不包括指纹产品的贴牌厂商和经销厂商在内，从事指纹技术研究和开发的企业有50到100家，预计整个指纹产业的从业人员在10万人以上。而中科院自动化所是国内生物识别技术研究的领头者。据中科院高技术局邱显杰介绍，中科院自动化所目前在生物识别、人脸识别等方面已形成了多项专利成果。但从申请专利情况看，我国生物识别领域申请专利数量较少，而且申请专利的技术多为应用性技术。目前在我国申请的与指纹技术相关的专利有1300多条，与指纹识别相关的有200多条，但其中有相当一部分来自美国、欧洲、日本、中国台湾等。尽管目
14、前我国生物识别产业发展比较迅速，并且某些方面的研究已居于世界前列，但从总体上看，我国在生物识别领域拥有核心技术的状况并不乐观，核心技术缺乏已成为制约我国生物识别产业发展的关键因素。因此，国家中长期科学和技术发展规划纲要（2006-2020）在信息前沿领域和国家安全领域都特别提到了要加强生物识别技术的研究5。2生物图像特征提取算法简介2.1引言生物识别技术就是，通过计算机与各种传感器和生物统计学原理等高科技手段密切结合，利用人体固有的生理特性和行为特征，来进行个人身份的鉴定。生理特征与生俱来，多为先天性的；行为特征则是习惯使然，多为后天性的。将生理和行为特征统称为生物特征6。目前，研究和使用的生
15、物特征包括脸部、虹膜、视网膜、指纹、掌纹、手形等生理特征和语音、签名、步态等行为特征。生物识别的核心在于如何提取这些生物特征。特征提取就是将图像中最有代表性的特征变成特征向量，以减少信息的冗余度。本章简单介绍几种生理特征（虹膜、人脸、掌纹、视网膜）的特征提取方法。2.2虹膜特征提取虹膜位于角膜后、晶状体前，是黑色瞳孔和白色巩膜间的环状部分，总体上呈现出一种由里向外的放射状结构，由相当复杂的纤维组织构成,包含很多相互交错的斑点、细丝、冠状物、条纹及隐窝等细节特征。大量的临床观察表明，虹膜的整体形态取决于人体基因，由于自然原因使得两个虹膜纹理相同的可能性极小。采用高效的特征提取方法既保留虹膜尽可能
16、多的信息，又能达到对数据降维的效果是虹膜特征提取的关键。2.2.1传统虹膜特征提取方法Daugman7较早地提出了应用2D Gabor 变换将经过预处理的虹膜图像进行滤波, 并映射到一个虹膜码本, 然后与事先量化得到的样本做异或计算, 采用典型的虹膜代码的Hamming 距离进行匹配, 取得了较高的识别效果。Boles 等人8提出了一种基于一维小波变换的虹膜特征提取算法。王蕴红等则采用Gabor 滤波和Daubichies 小波变换等纹理分析方法提取特征。其中Daugman 的方法优点是计算简单, 速度快, 但是存在着要求获取图像的分辨率、大小以及光照等条件保持基本不变的缺点。Boles 等人
17、的一维小波变换方法对于光照变化、噪声的干扰不敏感, 但只分析了虹膜中一系列同心圆周的一维信号。王蕴红等人使用多尺度的纹理分析方法提取全局特征, 具有平移和旋转不变性, 并且对于光照的变化不敏感,采用两维的分析方法, 虹膜的纹理更加明显。但是此方法忽视了局部特征, 造成了混淆和误识。2.2.2基于独立分量分析的虹膜特征提取方法 该方法是在对虹膜纹理进行分析基础上,利用独立分量分析提取虹膜的纹理特征。该方法具有大小、旋转不变性的优点, 同时对较模糊的图像以及噪声的干扰相对不敏感, 能够达到较高的识别率。但是, 此方法对虹膜图像预处理以及对特征的选择的要求较高, 且需要大规模样本的进一步测试9。2.
18、2.3基于结构特征的虹膜特征提取方法该方法首先利用LOG (Laplacian of Gaussian) 滤波器提取特征区域, 然后在特征区中确定特征点。这一方法具有直观、稳定且编码效率高、抗噪声能力强、识别准确性好的优点, 便于数据交换。此方法用特征区域的中心作为特征点, 对虹膜图像进行编码比对, 取得了初步理想的结果。但由于样本数还不多, 需要通过进一步工作进行测试和改进10。2.2.4其他方法目前虹膜的特征识别方法相当丰富, 例如虹膜自相似性识别方法, 一种基于子块图像互相关的虹膜识别方法, 基于卷缩轮信息的虹膜识别等等。还有许多纹理分析的方法都可用来抽取虹膜特征, 传统的Gabor 滤
19、波和小波变换应用最为广泛11。2.3人脸特征提取人脸图像往往受到表情、角度、光照、背景等细微变化的影响，于是，能否精确而有效地提取人脸特征成为人脸识别技术的关键所在。目前提取特征的方法归纳起来分为两大类：基于整体特征的提取方法和基于局部特征的提取方法。2.3.1基于局部特征的提取方法常用的该类方法有利用几何特征的提取方法和模板匹配法。模板匹配法即用一个包括人脸器官的模板来对各器官进行提取。人脸的基本轮廓和脸部器官位置基本是固定的，在提取特征之前先定义一个标准的模板，利用Hough变换、方差投影和模板匹配相结合，有效地确定出眼睛、嘴巴和鼻子等器官的位置。定义模板需要用到人脸器官的几何特征矢量(如
20、眼睛、鼻子和嘴的位置和宽度等)。标准模板可以是固定模板，也可以是参数可变的可变性模板。固定模板较简单，但是随着环境的变化模板也要更换，有很大的局限性，一般只针对简单的图像；当物体结构事先知道但大小、位置和中心不确定时，可变形模板法(Deformable Template) 则是一种有效的定位方法。人脸几何特征具有直观性，易于理解和应用，该类方法很早在模式识别领域得到了广泛使用，但由于人脸器官受光照、姿态等变化影响较大，故特征提取的可靠性不高。2.3.2基于整体特征的提取方法该类方法把人脸图像灰度分布整个作为一个特征模式来提取特征。由于对人脸整体特征的提取无需精确获取人脸各器官局部信息，可以充分
21、考虑到图像本身具有的灰度信息，因此器官变化对人脸特征的影响不大，能够获得较好的识别效果。目前大多都是基于整体特征的提取方法，如特征脸（Eigenface）法、Fisher脸法、弹性匹配法、基于离散余弦变换(Discrete Cosine Transform，DCT)的方法等12。特征脸法通过提取人脸图像的主成分进行识别，是基于重建准则，即重建误差最小，它无法揭示数据的局部结构。当人脸的光照、表情产生比较大的变化时，其识别率一般。Fisher脸法属于有监督识别方法，利用线性判别分析(Linear Discriminant Analysis，LDA)，寻找使类间距和类内距比值最大化的投影方向，一般
22、先采用主成分分析降维，然后再用LDA提取特征。弹性匹配法定义了一种对于人脸变形具有不变性的距离，采用属性拓扑图代表人脸。拓扑图的顶点采用了Gabor小波变换特征，对光线、大小和表情等具有一定的不变性。从理论上弥补了特征脸提取特征的缺陷。特征点主要定位在灰度变化剧烈、信息丰富的地方(如眼球、眼角等) 13。2.4掌纹特征提取掌纹图像主要由三种不规则的线条(屈肌纹、乳突纹和褶皱) 组成。图1 是一幅掌纹图像。图 1掌纹图像乳突纹成规则排列,具有终生不变性和唯一性。褶皱纹会随着年龄的增长逐渐变多,变长, 位置不定。掌纹屈肌线特征稳定且明显，与皱线混杂成不规则排列，且特征与背景对比度低，是掌纹身份识别
23、的主要特征纹线。按照分析和描述的方式，掌纹的特征提取方法大致可分为如下4类：基于结构的特征提取； 基于时频变换的特征提取； 基于统计的特征提取； 基于子空间的特征提取14。由于掌纹识别起步较晚，目前流行的特征提取方法都是从整体来提取掌纹的纹理能量特征，典型的方法有基于Gabor滤波器、基于小波变换的特征提取法等。2.4.1基于结构的特征提取基于结构的方法是掌纹特征提取中的最传统方法。该种特征包括主线、皱纹、数据点和细节等。结构特征一般分为点特征和线特征两大类。点特征的提取只能在高分辨率图像中实现。Moravee是比较经典的提取点特征的算子之一。方向投影算法（directional projec
24、tion algorithm）也是点特征和线特征提取的经典算法，目前在掌纹识别领域中，绝大部分点特征的提取均依赖于此算法完成。传统的线特征提取多基于边缘检测。基于堆栈滤波（stack filter）的金字塔边缘检测算法和依据灰度形态学中的膨胀（dilation）、腐蚀（erosion）开、闭等概念构造的算子被用于掌纹纹理特征的提取。点特征可以精确描述掌纹，鲁棒性强，鉴别能力高，一些基准点还具有旋转不变的特性。线特征明显稳定，表示方法简单，特征空间小。 但脊线和皱纹的交错和重叠使线特征的提取和表示变得困难。2.4.2基于空域-频域变换的特征提取基于空域-频域变换的特征提取将原始空域掌纹图像变换到
25、频域，在频域内定义并计算若干特征变量，作为特征提取的步骤，也被称为谱分析法（spectral approach），常用方法有傅里叶变换、Gabor变换、小波变换。空间域内的图像抗噪性能很差，将图像从空域变换到频域后再进行特征提取和描述可以增强系统的鲁棒性，且可简化甚至免去图像预处理的步骤。但不足之处是在频域内分析图像时，将忽略图像本身的丰富纹理信息，受光照条件影响而产生的不稳定性也较大。2.4.3基于统计的特征提取基于统计的方法用统计特征组成的随机模型来重新定义和衡量原始图像，常见的统计特征包含各阶矩（moment）：均值-一阶原点矩；方差-二阶中心矩；斜态（skwness）-三阶中心矩；峰态
26、（kurtosis）-四阶中心矩；还包括熵，能量等。基于统计的方法重点在于计算随机模型中的统计特征， 这些特征和基于结构的特征相比更易于提取和表示，但基于统计的特征提取的缺点在于其中几乎不包含结构信息，识别掌纹的能力比结构特征要差。2.4.4基于子空间的特征提取基于子空间的特征提取指的是通过对掌纹原始图像进行映射变换或是矩阵运算，实现从n 维欧氏样本空间到m维欧氏特征子空间的转换。 根据映射变换的性质，变换后的子空间可分为线性子空间和非线性子空间，目前运用在掌纹识别上的多为线性子空间方法，如主成分分析法包括一维和二维主成分分析，特征掌（eigenpalm）方法，基于Fisher线性判别的fis
27、herpalm方法等等。子空间法提取特征具有描述性强，计算代价小，易实现和可分性好等特点15。 2.5视网膜特征提取在众多人体生物特征中，视网膜有别于其它生物特征的独特之处在于：视网膜位于眼球的最内层，本身透明，其特征主要由从视盘出发并向表面延伸分布的动脉静脉血管所代表，在宏观上称为视网膜血管形态。视网膜血管所组成的形态结构，因人而异，没有相重性16。图2是一幅视网膜血管形态图。图 2 视网膜血管形态视网膜图像中血管的提取是一个非常重要的研究问题。研究者已经提出一些血管提取方法。如Chaudhuri等提出一种2维匹配滤波方法( matched filter response, MFR)，该方法
28、是利用表征不同方向的12个高斯血管模板作为匹配滤波器来对图像进行滤波，但是该方法可能会丢失血管分叉点和细小的血管；Hoover等在MFR图像的基础上采用阈值递减探索、区域特性分析等方法来提取血管,这种算法综合利用了血管本身的局部特征及血管网分布的区域特征来探索合适的局部阈值,但是该方法计算非常复杂；Jiang和Mojon首先用几个不同的全局阈值分别将血管图像二值化，然后在每个二值图像中识别出血管，而所有识别结果的并集就是分割结果。由于血管分布网络具有连通性，提出了不同的血管追踪算法, Sun提出一种自适应追踪算法。这种算法以血管中心线、方向、直径和灰度的空间连续性作为追踪依据，它不但需要人工确
29、定追踪的起始点，而且不能识别重叠的血管。Tolias和Panas提出一种基于模糊聚类的追踪算法。该方法噪声对它的影响比较小，但该方法不仅难于识别并追踪细血管和灰度对比较小的血管，而且起始点的确定也可能发生错误17。2.6小结本章介绍了人脸、虹膜、掌纹以及视网膜的特征和特征提取方法。目前，有三种生物特征被认为是最具固有性和唯一性：视网膜、虹膜和指纹。因此，这三种生物特征在生物识别技术中具有最高的可信度和准确度。众多的生物识别技术中，指纹识别的技术应用最广泛、最方便、可靠和非侵害的，因此其特征提取技术也相应最为成熟，算法研究的最多。目前人脸特征提取算法主要适用于限定环境，限定类别数量条件下的应用。
30、人脸姿态的多样性和面部非刚体变化决定了人脸模式的复杂性，从而导致难以提取足够多的不变性特征。而虹膜识别、视网膜识别、掌纹识别等还有待进一步推广。3指纹图像增强算法研究3.1引言在指纹采集中, 对干、湿、老化、破损的指纹, 往往难以得到清晰的图像, 为了弥补指纹图像的质量缺陷, 确保指纹特征提取算法的鲁棒性, 有必要在指纹特征提取之前实施指纹图像增强，它是最关键的步骤,直接影响特征提取和匹配。指纹增强是对低质量的指纹图像采用一定的算法进行处理, 使其纹线结构清晰, 进而突出和保留固有的特征信息而避免产生伪特征信息。其目的是在保护纹线结构的前提下增加脊线和谷线的对比度,减少伪信息。目前已经提出了许
31、多关于指纹图像增强的算法。OGorman和Nickerson最先提出了基于方向滤波的指纹图像增强方法。该方法使用具有方向性的滤波器来沿着指纹纹线方向进行平滑,同时还能够在梯度方向上提高纹理的对比度。Sherlock等人则在频率域进行方向滤波。将经过滤波的图像根据原始图像的局部方向信息来进行融合, 得到完整的增强图像。基于Gabor滤波的指纹图像增强方法能取得较好的处理效果,是目前被广泛应用的算法。本章将重点讨论几种指纹图像增强算法：（1）基于傅里叶变换的指纹增强算法；（2）基于Gabor滤波的指纹增强算法；（3）基于空域、频域和方向滤波相结合的指纹增强算法。3.2基于傅里叶变换的指纹增强算法（
32、1） 均衡化均衡化是为了减小灰度值沿脊线和谷线的变化范围，调整指纹图像的均值和方差接近期望的均值和方差。这里用式（1）来均衡化。 （1）式中：Mo 和Vo 期望的均值和方差（分别取为150和200）。（2） 傅立叶变换如图3 (a) 所示指纹图像是由脊线和谷线交替组成，脊线宽度一般在36个像素之间，具有很强的周期性，并且在局部有很强的方向性，这些特性都有利于图像的频域处理，同时对指纹图像进行频域处理可以取得比空域更好的效果。这里采用傅立叶变换对指纹图像进行频域处理。首先对指纹图像用式（2）进行二维离散傅立叶变换。 （2）由图3 (b)可以看出经过傅立叶变换的指纹图像中间有一个较亮的高能量带，它
33、几乎包含了指纹图像的全部信息。其它的亮点是图像噪声的干扰，我们对图像进行带通滤波去除干扰信息。带通滤波式为（3），将其它的频率幅度置为0。 （3）同时取功率谱的1.3 次方来增强图像，即用式（4）对增强后的图像进行离散二维傅立叶逆变换。 （4）由图3(c)可以看出经过傅立叶变换处理的指纹图像有了显著增强，并去除了大部分的噪声干扰，脊线变的更加平滑，许多毛刺、短线和黑点被去除，而且断线也连接上了18。(a) 原指纹图像(b) 傅立叶变换后图像(c) 增强后的图像图3 图像增强过程3.3基于Gabor滤波的指纹增强算法在指纹图像增强方面, 利用指纹的方向特性设计出Gabor 滤波器, 并且根据指纹
34、核心区域方向变化比较剧烈, Gabor滤波求取的结果不够准确, 对核心区域采用了单一方向Gabor滤波以及多方向Gabor滤波合成的方法, 取得了较好的效果。由于Gabor 滤波器可以同时在空域和频域上获得最佳的分辨率, 具有良好的带通性和方向选择性, 可以采用Gabor滤波器来实现指纹图像的增强。根据需要, 将Gabor 函数略作修改, 得到一个数字滤波器, 如公式(5) 所示: （5）这里得到的Gabor 滤波器h ( x , :, f ) 用于对指纹图像的局部区域进行滤波。其滤波参数与局部图像块的方向、频率、尺寸和位置有关。式中: 表示滤波器的方向; f 表示脊线形成的正弦波频率，x 和
35、y 为沿X 轴和Y 轴的空间常量。利用公式(5) 对图像进行滤波, 其滤波公式为: （6）式中:( i , j)为滤波后的图像,为图像块的方向, f为脊线的频率(本算法取固定值) ,I( i , j)为规格化后的指纹图像, wg为Gabor滤波器的大小,一般为一个脊线宽度。考虑到在指纹图像的核心区域方向变化比较剧烈,针对指纹图像的不同区域采取了单一方向Gabor 滤波及多方向Gabor 滤波合成的综合增强方法,算法步骤如下:(1) 把指纹图像分成大小为16 16 的互不重叠的小块;(2) 对当前小块,计算其方向值与4 个邻域子块的方向值的差值;(3) 如果差值都小于45，则利用当前的方向参数得
36、到Gabor 滤波器进行滤波；(4) 如果差值有大于45的，则分别取当前子块和四邻域子块的方向参数得到5个Gabor滤波器，用这5个Gabor滤波器分别进行滤波，并相加合成。孙以雷等人在该算法中取：x = 4.0 ,y = 4.0 , f = 0.1 ,经过以上的方法进行增强以后，指纹图像的脊线连通性较好，在脊线方向变化较大的局部区域取得了较好的处理效果19。3.4基于空域、频域和方向滤波相结合的指纹增强算法利用空域增强来增加对比度、消除传感器噪声, 利用频域增强来增强指纹纹线, 利用方向滤波连接纹线不应有的间断, 同时将粘连的纹线分离开。（1） 基于空域的图像增强采用灰度均衡化来消除传感器噪
37、声以及手指压力不均造成的灰度差异。使用公式（1）均衡化。其中M0、V0是图像预置的均值和方差(均设为100), M、V为图像计算的均值和方差, I(i,j)、N(i,j)分别为均衡化前后像素灰度值。由于用采集器采集的指纹图像纹线的脊和谷都较暗, 采用自动对比度增强, 来提高指纹图像的对比度, 从而得到清晰的指纹图像。公式（7）如下: （7）根据上式可以将任意像素灰度f(x,y)变换成灰度g(x,y)。变换前的图像灰度的最小值a和最大值b分别被变换为c和d,处理后的脊线和谷线的对比度增加, 图像变得清晰。（2） 基于频域的图像增强把高通滤波和低通滤波的方法结合起来形成了带通滤波, 带通滤波只保留
38、傅立叶变换后环域部分。经过实验, 理想带通滤波的效果不好, 原因在于理想滤波器有陡峭频率的截止特性, 会产生振铃现象使图像变得模糊。Butterworth滤波是一种非线性滤波, 通带和阻带之间没有明显的不连续性, 故图像的模糊减少。孙燕等人在算法中采用了对指纹图像做傅里叶变换后进行Butterworth带通滤波的方法，其实验结果明显优于单纯使用低通滤波或高通滤波。（3）方向滤波 图像方向场提取将指纹图像划分为不重叠的大小为ww的块，初始值科设置为1616；对整幅指纹图像进行增强，采用Sobel算子计算其每一像素点的一阶偏导数；计算每块图像的方向信息。 方向滤波结合纹线本身的方向信息, 构建适当
39、的模板, 沿着纹线切线方向对纹线进行平滑处理, 可以连接不应有的间断；沿着纹线的法线方向对纹线进行增强, 可以将粘连的纹线分离开。利用前一步求出的方向角信息来构建这个77 的方向模板20。3.4小结指纹图像增强在指纹特征提取中是个难点，尽管存在许多方法，但指纹增强中的一些问题仍然没有得到很好的解决，特别是对一些质量比较低的图像，以及指纹中疤痕的处理。在数字图像处理中，已存在许多去噪方法，它们可以应用到指纹图像增强中来，但这些方法需要与指纹图像的特性结合起来才能取得较好的效果。4指纹图像特征提取算法研究4.1引言用计算机的语言完整地描述稳定而又有区别的指纹特征是实现自动指纹识别的一个关键问题。选
40、择什么特征以及如何表示这种特征既关系指纹本身的特点，又和具体的指纹匹配算法紧密联系，同时还要考虑所采用的指纹采集设备的特点。目前普遍采用的指纹特征是细节点（minutiae），分为极限末梢和分叉点。指纹的特征可以反映给定的人类群体里来自不同手指的指纹之间相似的程度。指纹的特征信息很多。这些所有的指纹特征信息构成了庞大的指纹特征集合。一组好的特征不仅要能达到身份识别的基本要求，而且对噪声、畸变和环境条件不敏感。为了识别的快速、准确,指纹特征提取算法应具备以下特性:1) 易计算;2) 稳定,随噪声及干扰信号变化不大;3) 保持指纹特征点的唯一性;4) 适于实现自动识别算法。本章主要通过基于结构的指
41、纹特征提取算法和基于细节点的指纹特征提取算法对指纹图像特征提取算法进行研究，并对两种算法作比较。4.2概述作为最传统、最成熟的生物识别方式,指纹有如下两个突出的特点:人各不同,指指相异。每个人的指纹不一样,即使同一个人的每个手指也不相同。特征稳定,终生基本不变。指纹是手指末梢乳突纹突起形成的纹线图案，指纹纹线中包含有很多类似于起点、终点、分歧、结合、小勾、小眼、小桥、短棒、小点等细节特征点21。现今已经确定的指纹特征有150多种22，但这些特征出现的概率不等，很多特征是极其罕见的，其中最稳定、最广泛应用的细节特征是脊线的端点和分叉点，如图4所示。(a)端点 (b)分叉点图4 细节特征点指纹图像
42、的特征提取方法可以从三个方面（指纹的细节特征、纹理特征和结构化的指纹特征）来研究。对于指纹细节点特征提取来说，特征提取算法的任务是通过算法检测指纹图像中细节点和奇异点的数量及每个特征点的类型、位置和所在区域的纹线方向。传统的指纹特征提取算法一般由图像分割、增强、方向信息提取、脊线提取、图像细化和细节特征提取等步骤组成。但指纹图像灰度图进行二值化和细化不仅耗时，还可能丢失一些有用的信息。Tico等没有应用任何图像增强环节，直接对灰度图采用小波变换来提取指纹的细节特征，并取得较高的识别率。J.Liu与Z.Huang等提出了一种基于脊线和褶皱关系的直接从灰度图获取细节信息的算法。Dario Maio
43、和Maltoni等提出直接从灰度图像提取细节点的算法。1992年V.S.Srinivasan和N.N.Murthy采用在邻域中使用方向直方图的方法，用来平均噪声。该算法由邻域信息和方向直方图推导提取出特征奇异点，允许有较大的噪声23。4.3基于结构的指纹特征提取算法4.3.1概述纹理是以相似的模式或空间排列的点，它们具有一定的统计或结构特征和灰度变化规律，纹理结构是指灰度分布性质或图像表面呈现出的方向信息，如图5。(a)指纹的一部分(脊间距是常量) (b)图(a)中的脊方向图5 指纹方向纹理图一般来说，纹理图像中灰度分布具有某种周期性，即使灰度变化是随机的，它也具有一定的统计特征。根据纹理结构
44、的不同，抽取或分割图形的一些区域，以了解图像构成为目的进行图像分析，就成为纹理结构分析。纹理分析需要识别纹理的那些可以用来分割、区分和识别的特性，或进行形状计算，研究计算方法用以实现上述任务。纹理结构信息包含在图像有限范围内的灰度分布的性质中，因此在纹理分析中，需要引进子图像的概念，即具有与整个图像相比相当小，而与象素相比又相当大的子图像，称为图像子块如何在图像子块中抽取出表示每个象素或者是表示空间灰度分布的特征量，然后根据所抽取的纹理结构信息进行区域的抽取与分割，就是纹理结构分析中所要解决的主要问题对于任何一种纹理结构分析方法，其基本内容是根据某种能够描述空间分布的模型，给出纹理特征的定量估
45、计。通过把指纹图像分解到不同的方向空间，从而建立起基于纹理结构的新型指纹描述体系提取算法的四个主要步骤：(1)定位指纹中心点；(2)以中心点为参考点，在其周围做圆形网格作为特征提取区域并进行归一化处理；(3)利用Gabor滤波器的频域和方向选择性。使用8个方向的滤波器对特征提取区域滤波(8方向是获得指纹局部脊特征，而4方向是获取全局的形状)，如图6所示；(4)指纹特征抽取。用Gabor滤波器提取指纹图像特征的具体算法流程如图7所示。图 6 参考点（）及圆形网络区域原始指纹图像方向图计算确定中心点定特征提取区归一化图像Gabor滤波特征提取图7 基于纹理结构的指纹特征提取算法流程图4.3.2中心
46、点的确定指纹中心点的确定是指纹识别中至关重要的步骤，我们把中心点定义为下凹脊线曲率最大处的点。徐杨等人提出一种新的直接从灰度图像中自动搜索中心点的算法步骤如下：(1)将指纹图像5分成大小为ww的块(取w=8)；(2)计算每个像素点(i，j)的梯度和；(3)估算以像素(i，j)为中心的块方向，使用如下公式(8) （8）(4)为了后续处理的需要将角度调整到O之间；(5)对每个块中脊线方向O(i)，作其法线(根据经验值，预置法线长度为l =9)，求出每个交点C(i)在x轴和y轴上的投影分量xi和yi ；(6)遍历图中每个块，分别从x轴方向和y轴方向对C(i)的坐标投影分量值xi和yi进行累加，统计每
47、个方向块中投影值累加和，则其中最大值所对应的点即为中心点。对于纹理清晰的指纹图像，我们一般都能够准确地找到中心点的位置。图8显示了用这种算法对各种类型指纹图像定位中心点的结果。4.3.3确定特征提取区及归一化为解决旋转不变采用了方便计算的圆形网格，以指纹中心点(xc，yc)作为参考点，做若干个同心圆，每个圆形带状的宽度，即相邻同心圆半径的差，再把每个带分成小的扇区(如图6所示)，形成若干个扇形块，每一块的灰度值统计量分别表达了指纹在该区域的局部信息。结合在一起整体描述了指纹特征区的全局信息。对各圆形区域先使用公式(1)对各区域归一化，其中M0和V0是预置的均值和方差(都置为50)，而M和V为各区域的均值和方差，I（x，y）
