本发明专利技术公开了一种自动指纹识别方法中的图像分割及指纹纹线距离提取技术，针对现有指纹图像分割方法对指纹图像质量的适应性较低，对质量较差的指纹图像分割结果处理不准确的缺陷，引入了指纹图像灰度分布的概率密度模型，提出了基于马尔科夫链蒙特卡洛模拟对指纹图像进行分割处理的新方法。本方法即使对低质量的指纹图像也可以准确的实现对指纹图像的有效分割。本发明专利技术针对离散傅立叶谱分析方法以及现有统计方法求取的指纹纹线距离和真实的纹线距离偏差较大及对图像质量的适应性不高的问题，提出了通过二维信号采样定理将指纹图像的离散谱转换为连续谱，并在此基础上提取准确的连续纹线距离，提高整个指纹识别技术的准确率。
【技术实现步骤摘要】
本专利技术属于生物特征识别领域，具体地说是涉及一种手指指纹图像分割和指纹纹线距离提取技术。
技术介绍
自动指纹识别技术是指利用手指指头表面纹路的脊线、谷线分布模式来确认识别对象身份的一种生物特征识别技术。指纹作为人体基本特征之一，它具有唯一性、不变性和排列分布规律性的特点。人类使用指纹作为身份识别的手段已经有很长的历史了，使用指纹进行鉴定的合法性也早已得到了广泛的认可。目前自动指纹识别技术的应用不再仅局限于司法、公安领域，它可以作为计算机确认用户的手段，还可以作为访问网络资源的信息安全技术，另外它还可以用于银行ATM卡和信用卡的确认，各类智能IC卡、雇员考勤、电子门锁等。现代指纹识别技术的研究是从十六世纪开始的。1864年，英国植物学家Nehemiah Graw发表了人类对指纹识别技术进行科学研究的第一篇论文，研究了指纹纹线脊、谷和孔状结构的对称性。从此以后，很多人开始致力于指纹识别技术的研究。1788年，Mayer发表论文详细描述了指纹纹线的结构，并对纹线的结构特征进行了定义。1809年，ThomasBewick开始使用其指纹作为他的私章，被认为是现代化指纹识别技术研究的里程碑。1823年，Perkinje提出了第一套指纹分类方案，根据纹线的全局结构模式，将指纹大致分为九类。1880年，Heney Fauld第一次比较科学地研究了指纹的唯一性问题。大约在同一时间，Herschel宣称他从事指纹识别技术的研究已有近20年的历史。这些研究奠定了现代指纹识别技术的基石。在十九世纪后期，Francis Galton对指纹进行了较为深入的研究，他于1888年撰文将指纹细节特征引入到指纹识别领域。到了二十世纪早期，指纹的概念已为人们所熟知，逐步归纳并建立了关于指纹的三条基本原则1、不同的人的指纹具有不同的脊、谷纹线结构，每个人的指纹具有唯一性特征。2、指纹全局结构模式是因人而异的，但种类是有限的，对指纹进行分类是可行的。3、对每个人来讲，指纹的全局结构模式和细节特征是与生俱来和终生不变的。第一和第三条原则是指纹识别的基础，而第二条原则是指纹分类的基础。按照各自的实现功能，自动指纹识别技术可以被分解为以下四个主要模块(1)指纹采集就是将指纹纹线分布结构经相关指纹采集设备录入并进行数字化的过程；(2)指纹特征信息提取就是对所采集到的指纹图像进行处理，提取出可以代表指纹唯一性的特征信息；(3)指纹分类根据指纹纹线客观上所具有的全局结构模式指定相应的分类标准，将具有相同全局结构模式的指纹归结到同一类别中；(4)指纹匹配根据指纹的特征信息来判断两枚指纹是否同源，即是否来自于同一个人的同一个手指。早期的指纹采集都是通过油墨按压在纸上产生的，二十世纪八十年代，随着光学扫描技术的发展，开始出现了光学指纹采样仪，随着半导体技术的进步，陆续出现了指纹传感器、热敏传感器、超声波传感器等新型传感器。不同的采集方法采集的指纹图像质量存在着不同的差异。但这些采集方式无法解决由于指纹本身的质量不好，对自动指纹识别技术的影响，无法实现对由于手指干燥、脱皮、老化、横纹等所引起的质量很差的指纹所带来的不利影响。自动指纹识别技术发展到现在已经走向了实际应用。但是到目前为止，自动指纹识别技术中仍然存在一些技术难点未得到有效解决，从而也在一定程序上阻碍了自动指纹识别技术的广泛应用。目前，现有自动指纹识别系统中的指纹图像分割处理技术及指纹纹线距离提取技术对指纹的质量适应性不强，在噪声严重时无法获取准确的指纹信息，其概况叙述如下(1)指纹图像分割处理技术指纹图像分割处理是指将有效的指纹图像区域从背景区域和噪声干扰严重的区域中分离处理，以便减少后续算法处理的时间，降低背景噪声对后续算法处理结果的影响，从而达到提高整个自动指纹识别系统性能的目的。指纹图像一般可分为前景和背景两部分，所谓前景指的是清晰的指纹图像，而背景指的是采集区域中无纹线部分及纹线非常模糊的部分。采集到的指纹图像，总是不可避免地存在着背景区域，而且背景区域的面积往往要占到整个采集区域面积的1/3～1/2。从背景中分离指纹图像的目的就是确定指纹图像的有效区域，有针对性地进行处理，既可以大大节约处理时间，又能够提高后期的处理结果。现有的指纹图像与背景区域的分割方法主要可以归结为以下两大类一类是基于块水平的分割方法，另一类是基于像素水平的分割方法。二者大都是根据指纹图像灰度的统计特征(如方差、均值)设计算法的，后来，尹义龙等人又运用基于二次曲面的指纹分割，将指纹图像的灰度方差、均值、方向一致性作为指标，在一个二次曲面上实现指纹区与背景区的分割。一般来说，在正常情况下分割的效果能够满足需要，但是对于一些干扰强烈的指纹分割效果并不理想。例如，对于前次采集留下的痕迹，其颜色较淡，但形状与正常指纹无异。如果以灰度方差作为指标进行分割，很难将其分开，甚至可能比真正的指纹区的灰度方差都大。因此，方差等统计特性并不能很好地体现指纹的特性，不能充分利用指纹图像所带来的信息，以方差等特征为指标进行指纹图像分割，也不能很好的适应各种情况。(2)指纹纹线距离提取技术指纹图像的纹线距离信息是指纹两条相邻脊线中心之间的距离。脊线、谷线分别是指指纹图像中深色和浅色的纹线，脊线、谷线和纹线距离的定义如图2所示。在自动指纹识别技术中，准确地提取指纹图像中的纹线距离信息是对指纹进行有效增强处理的基础，在大多数指纹增强算法中，纹线距离或者纹线频率都是作为一个重要参数来使用的。此外，指纹图像的平均纹线距离还可用于指纹比对和指纹分类，对于相同分辩率下所采集到的两枚指纹，如果它们的平均纹线距离明显不同，系统可以直接判定这两个指纹是不匹配的。纹线距离提取方法主要可以归结为两类基于整幅图像的纹线距离估计方法和基于块水平的纹线距离估计方法(窗口方法)。O’Gorman和Nickerson在指纹滤纹器设计中将纹线距离作为滤波器的一个关键参数来使用，该方法使用的是纹线距离的统计均值，假定纹线距离在整幅指纹图像上是一个常量。Lin and Dubes试图实现纹线数目的自动统计并假定纹线距离在整幅指纹图像上是一个常量。D.C.Douglas Hung在整幅指纹图像上估计纹线的平均距离。基于整幅图像的纹线距离估计方法在于假定整幅指纹图像范围内纹线距离是一个常量，完全忽略了指纹图像中不同部分间纹线距离的差异，而且由于多使用统计均值作为整幅图像的平均纹线距离，当图像中包含部分低质量指纹区域时，会对纹线距离估计结果的可靠性造成严重影响。L.Hong等人提出了一种估计纹线频率的方向窗方法。在图像对比度好和方向窗内纹线方向比较一致的情况下，该方法可以可靠地估计纹线频率。但当噪声干扰严重或者方向窗内纹线方向不完全一致时，该方法的性能会受到严重影响。Z.M.Kovacs-Vajna等人提出了纹线距离估计的几何法，该方法也是针对分块图像估计纹线距离的，也属于窗口方法的范畴。几何法的一个优点是它不需要纹线方向的计算结果作为先导。但由于该方法中有很多门槛值需要精确选定，这些门槛值又会因图像质量的差异和其他因素的影响而变化，这就使得这种方法比较复杂，实现的难度也比较大。
技术实现思路
本专利技术的目的是提供一种基于马尔科夫链蒙特卡洛模拟(MarkovChain Monte 本文档来自技高网...
【技术保护点】
一种自动指纹识别方法中的指纹图像分割及指纹纹线距离提取方法，其特征是指纹图像分割方法为先构造边界曲线概率密度模型，再根据指纹图像所具有的内在特征，构造外背景区域概率密度函数和内指纹区域概率密度函数，然后形成边界曲线的Ｍａｒｋｏｖ链，再采用蒙特卡洛模拟方法加速Ｍａｒｋｏｖ链收敛到最优解，实现对指纹图像的快速分割处理，将有效指纹图像从背景区域中分割开来，其步骤是：①构造边界曲线概率密度模型：对一条闭合曲线Γ，Γ的外部环形区域在背景区的外背景概率密度函数记为Ｐｏｕｔ（Γ），同样，内指纹概率密度函数记为Ｐｉｎ（Γ），Γ的边界曲线概率密度函数记为ＰＬ（Γ），则有：ＰＬ（Γ）＝Ｐｉｎ（Γ）Ｐｏｕｔ（Γ）；②根据指纹图像所具有的内在特征，构造外背景区域概率密度函数和内指纹区域概率密度函数：Ａ、脊线区域中像素的灰度值服从以脊线中心灰度为中心的正态分布，概率密度函数定义为：ｐ（ｉ（ｘ，ｙ）｜ｒｉｄｇｅ）＝＊＊＊Ｂ、谷线区域和背景区域中像素的灰度值服从以谷线中心灰度为中心的正态分布，概率密度函数定义为：ｐ（ｉ（ｘ，ｙ）｜ｖａｌｌｅｙ）＝ｐ（ｉ（ｘ，ｙ）｜ｂａｃｋ）＝＊＊＊Ｃ、对于准确地将有效指纹区域从背景中分割开的闭合曲线Γ，其外部区域一定在背景区，则定义外背景概率密度函数为：Ｐｏｕｔ（Γ）＝＊＊＊而其内部区域一定在有效指纹区，其上的像素既可能在脊线区域上，也可能在谷线区域上，而谷线的灰度分布跟背景灰度分布相同，脊线和谷线在指纹区域交替出现。因此，定义内指纹概率密度函数为：Ｐｉｎ（Γ）＝（１－｜１－２ｋ／Ｎ｜）＊＊＊③构造指纹边界曲线的马尔科夫链：Ａ、对当前状态下边界曲线上每个点ｘ↓［ｉ］↑［ｋ］做布朗运动，得到下一个状态下所有边界曲线上的点ｘ↓［ｉ＋１］↑［ｋ］＝Ｂ（ｘ↓［ｉ］↑［ｋ］）；Ｂ、依顺序连接ｘ↓［ｉ＋１］↑［ｋ］，得到下一个状态下的边界曲线Γ↓［ｉ＋１］↑［０］＝｛ｘ↓［ｉ＋１］↑［１］，ｘ↓［ｉ＋１］↑［２］，…，ｘ↓［ｉ＋１］↑［ｋ］，…，ｘ↓［ｉ＋１］↑［ｎ↓［ｉ］］｝；Ｃ、对曲线进行整理，去掉一些重复的圈，从而得到Ｍａｒｋｏｖ链上的下一个状态Γ↓［ｉ＋１］＝ｍ（Γ↓［ｉ＋１］↑［０］）；④采用蒙特卡洛模拟方法加速收敛到最优解Ａ、采用Ｍｅｔｒｏｐｏｌｉｓ－Ｈａｓｔｉｎｇｓ方法构造以下转移核：Ｐ（Γ↓［ｉ＋１］｜Γ↓［ｉ］）＝ｍｉｎ｛１，ＰＬ（Γ↓［ｉ＋１］）／ＰＬ（Γ↓［ｉ］）｝对马尔科夫链上的两个状态Γ↓［ｉ...
【技术特征摘要】
【专利技术属性】
技术研发人员：詹小四，陈蕴，孙道德，陈超，王峰，
申请(专利权)人：阜阳师范学院，
类型：发明
国别省市：34[中国|安徽]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。