一種基于混合匹配的指紋識別方法

摘要：為克服傳統(tǒng)的基于細節(jié)點匹配的不足，對基于點模式匹配算法與改進的2DPCA 匹配算法的混合識別算法進行了改進。改進后的算法在點模式匹配算法中加入改進的2DPCA 算法的初匹配得分權重， 提高了點模式匹配算法的準確性； 并利用點模式匹配算法對2DPCA 算法的匹配結果進行二次匹配，同時也提高了2DPCA 算法匹配的準確率。

　　指紋識別技術是一種非常重要的生物特征識別技術， 應用十分廣泛。指紋識別一般包括指紋圖像采集、指紋圖像增強、特征提取和匹配幾個部分， 其中特征匹配在整個系統(tǒng)中占有重要地位。指紋識別系統(tǒng)中的匹配算法主要分為基于細節(jié)信息和基于全局信息兩種模式。

　　目前， 大部分的指紋識別系統(tǒng)都是采用基于細節(jié)特征的匹配方法， 即提取細化后的指紋圖像的端點和分叉點信息， 采用一定的算法實現(xiàn)匹配。此類算法雖然取得了較好的識別效果， 但是對發(fā)生偏移、形變、斷紋等低質量的指紋圖像效果不佳， 并由于該類方法在提取特征之前要對指紋圖像做一系列的預處理， 耗時較長。

　　本文采用了一種基于點模式算法和改進的2DPCA的混合匹配算法， 能夠充分利用指紋紋線中脊線和谷線的全局信息， 彌補點模式算法的不足。

　　1 基于點模式的匹配算法

　　本文采用一種在極坐標下基于中心點的指紋匹配算法， 該算法的具體實現(xiàn)步驟如下。

　?。?） 構造指紋圖像特征點的集合， 在預處理階段計算出指紋圖像的特征點及其特征點信息， 包括特征點的坐標FeatureX 與FeatureY、特征點的方向DirectiON 和特征點的類型Type（ 包括端點和分叉點）。通過上述信息， 設系統(tǒng)數(shù)據(jù)庫中已存在的指紋圖像為P， 其特征點的數(shù)量為m， 在線錄入的指紋圖像為Q， 其特征點的數(shù)量為n ，則它們對應的兩個點集為：

　　其中，

　　（2） 獲取中心點CorePoint_X、CorePoint_Y 及中心點的方向CorePoint_Dir。

　?。?） 以各自圖像的中心點為極點， 按照公式將所有的特征點都轉換到極坐標下：

　　通過上述公式轉換后， 指紋圖像中的任一特征點可以表示為一個四維向量（Radius,θ，Dir,Type）。其中，Radius表示該特征點在極坐標下的極徑，θ 表示極角，Dir 表示該特征點在極坐標下的方向；Type 表示該特征點的類型。

　　（4） 分別將模板指紋P 和輸入Q 特征點按照極角遞增的方向排序， 形成兩個新的特征點集：

　　（5） 匹配誤差值的設定。為了克服指紋出現(xiàn)旋轉、形變等非線性形變帶來的誤差，本文引入了可變界限盒的概念， 如圖1 所示， 其中，Rw為兩個特征點間的極徑允許的誤差范圍，θw為極角間的允許誤差范圍。

　圖1 可變界限盒示意圖

　　距離中心點遠的特征點有可能發(fā)生的位移或形變的幅度較大， 而距離中心點近的特征點往往發(fā)生的位移或形變較小， 為減少誤判， 將Rw和θw設為兩個動態(tài)的值， 其具體值由不同的極徑?jīng)Q定。