设备指纹算法,利用中心点信息的活体指纹分类算法

摘要：一种活体指纹样本的分类算法。指纹分为四类：弓型、左型、右型、右环型和螺纹型。据公安部统计，我国指纹类型分布为弓形1.1%，账户形1.4%。对于实验系统来说，没有必要将它们分开。而且弓和帐篷弓在结构上非常相似，没有明显的特征可以很好的区分开来。文献中的实验表明，在不影响分类器效率的情况下，可以提高正确率。本文采用指纹结构特征分析方法，基于实际考虑，将采集到的指纹分为四类：拱形、左环、右环和螺纹。如图1所示。目前指纹分类的研究对象主要是通过滚墨指令获得的指纹图像，一般采用美国中央情报局的Sint4、 NIST9、 NIST 14、 NIST 24等认可数据库。这些指纹图像通常保留了特征点，如三角形点和中心点。但是体内采集通常不能完全采集三角点。体内采集的样本与传统墨水采集的样本有很大不同。从目前可获得的国内外文献来看，针对活体样本的分类算法研究很少，效果也不是很理想。本文研究的指纹数据库是由主流的芯片级指纹采集器——，富士通BMF200电容式指纹传感器采集的。该采集器已广泛应用于自动指纹识别系统中。因此，对这种样本库的分类算法的研究具有现实和理论意义。传统的分类算法沿用了指纹分类方法，将指纹分为五类：拱形、帐篷拱形、左环、右环和螺线。据公安部统计，我国指纹类型分布为弓形1.1%，账户形1.4%。对于实际系统来说，没有必要将两者分开。而且弓和帐篷弓在结构上非常相似，没有明显的特征可以很好的区分开来。文献中的实验结果表明，在不影响分类器效率的情况下，可以提高正确率。本文分析了指纹的结构特征，将采集到的指纹分为四类：拱形、Letf环、右环和螺纹。如图1所示。1指纹分类算法的基本步骤是：(1)图像预处理：为了使指纹图像具有相同的均值和方差，对原始图像进行归一化处理，然后根据图像的灰度信息对图像进行分割，分离出背景区域；(2)计算方向图：用于计算指纹图像的每个点的方法；(3)特征提取：根据方向图，找出指纹的奇异点；(4)分类：根据指纹特定区域的中心点数量和流向，将指纹分为四类。程序流程图如图2所示。1.1图像预处理包括归一化和背景分割。归一化就是将原始图像的灰度均值和方差转化为期望的均值和方差。归一化后对图像进行分割，用灰度信息将指纹区域和背景分开。图3是指纹图像的分割结果。1.2方向图的计算与平滑输入指纹图像为240264，分为88个小块。首先计算每个点的方向，将平面空间量化为八个方向码，通过公式(1)计算每个点的方向。其中：D(i，j)代表点(I，j)的方向码；这里n的值是8。G(i，j)代表点(I，j)的灰度值；w表示以点(I，j)为中心的方向d的直线每边的点数。G(ik，jk)d表示在D方向的直线上取的像素点的灰度值。点的方向码的计算和解释如下：在一个点的小范围内，纹理线上的点的灰度值相关性很小，而纹理线上的点和非纹理线上的点的灰度值差别很大。

因此，沿脊线计算的差值的绝对值之和较小，而沿其他方向计算的差值的绝对值之和较大。为了保证方向的抗干扰能力，在块划分不变的情况下，可以适当扩大方向码的统计区域。块的划分大小为88，统计该区域的方向码时，按照1212扩展区域。统计每个方向码在每个小块对应区域的像素数，像素数最多的方向码为小块的主方向。为了消除局部模式的计算误差，对模式进行了平滑处理。在平滑模式下，使用33均值滤波器实现平滑滤波。图4示出了过滤前后的图案。1.3寻找并纠正奇异点指纹分类前，先找出指纹的特殊点。对指纹分类有用的是指纹的奇异点：核心和增量。文献中介绍了判断中心点和三角点的方法。中心点沿逆时针方向的角度变化(不超过90度)为180度，三角形点沿反时序方向的角度变化(不超过90度)为-180度。在实际计算中，由于模式的划分和干扰的存在，按照上述准则找到的中心点和三角形点可能是伪奇异点，需要根据实际情况进行一些修正，删除伪奇异点。纠正奇异点的准则是：(1)如果指纹纹线局部变化较大，相邻两块的方向可能相互垂直，可能使中心点和三角形点重合。这种情况发生在中心区域而不是三角形区域，所以需要删除与中心点重合的三角形点。(2)指纹图像的边缘区域有噪声，容易出现伪奇异点，所以如果在计算出的奇异点的一个适当的区域有背景区域，就删除奇异点。(3)由于噪声的影响，或者手指上有较大的皱纹，在计算的奇异点中会出现非常接近的中心点和三角点，都是伪奇异点。因此，如果有一个中心点和一个三角形点的距离小于设定的阈值，则删除这两个点，并且进一步删除与这两个点的距离小于阈值的其他奇异点；(4)对于指纹脊线在特征区域中变化较大的情况，在一个特征区域中可能发现不止一个奇异点。因此，在上述三个步骤中删除伪奇异点后，剩下的中心点和三角点用聚类分析方法分成若干个聚类，每个聚类的中心就是最终的奇异点。图5示出了在奇异性校正之前和之后质量差的指纹图像。本文根据中心点个数的分类标准将指纹分为三类：0个中心点为弓形，2个中心点为斗形，1个中心点为左或右。这一标准需要根据实际情况进一步修改和完善。当中心点数为1时，有三角形点。如果三角形点和中心点之间的距离小于阈值。指纹是弓形的。1.4左右手帕的区分对于有1个中心点的指纹，可以根据中心点以下指纹纹线的流向进一步将指纹分为左手帕和右手帕。左簸箕指纹线向左流动，右簸箕指纹线向右流动。方向滤波可以近似地通过计算中心点以下一定角度的区域的方向码来实现：p为滤波值，n为该区域的块数，pi为每个块的滤波值，di为该块的方向码，D0为滤波方向，其中d0=4 (90)。不考虑垂直于D0的方向码。如果p为负，则为左篮，否则为右篮。图6示出了两种类型的特征区域中指纹线的流向。1.5斗形指数参数计算斗形指纹在汉族人中占很大比例，大约一半。因此，有必要对b进行细分

对于桶形指纹，将长轴与短轴的比值作为桶形指纹的索引，在数据库中进行搜索，这是桶形指纹一步分类中连续分类思想的体现。文献提出了连续分类的概念，它不同于传统的排他性分类。通过一定的特征提取方法，得到一个特征向量，然后将这个特征向量作为评估关键。对于给定的公差，在特征空间中，以待考察样本为中心，以半径为待考察样本的搜索域的超球。事实上，有大量的异形指纹无法归入既定的类别，有歧义的指纹可以同时归入一个以上的类别，甚至指纹专家也无法确定其类别，这些都影响了传统排他性分类算法的准确性。对于连续分类，没有这种干扰。然而，文献中提出的分类算法主要是针对墨迹滚动的指纹图像，算法复杂度大，不适合实时系统。本文桶指标参数的计算是连续分类思想在研究实时系统算法中的一种尝试。图7是方向代码为0和3的两个坐标的示意图。图8是900个桶指纹样本的参数平坦度的分布图。从图8中可以看出，通过使用桶指纹的长轴与短轴的比率，可以很好地排列桶指纹。2实验结果使用该算法，测试了2150个指纹样本。这些样本来自215根手指，每根手指采集10次。有63个误分类样本，分类准确率为97.1%。具体结果如表1所示。计算了910个桶形指纹的长轴与短轴之比，结果在1.0到2.8之间。10个样本中每个指纹的长轴和短轴的比值之差一般小于0.5。说明该参数可以作为水桶指纹的特征参数。由于采集器面积小，手指不滚动，采集到的样本与传统的油墨滞留有很大的不同，采集样本的算法和方向也与传统的油墨滞留有很大的不同，算法、方向图计算、奇异性校正和分类方法都有了很大的改进。本文提出的算法计算量小，CPU奔腾III550MHz，内存288MB。指纹图像的平均处理时间为0.26秒，其中0.2s用于计算指纹图像各点的方向。这也是指纹识别的必要步骤。因此，该算法为自动指纹识别系统带来的额外时间开销很小，满足实际实时系统的要求。此外，由于指纹分类所依据的指纹的宏观特征以及采集者面积小，分类难度较大，需要进一步研究更有效的分类算法。表1测试样本分类结果输出结果待测样本类型为弓桶形右筐形左筐形弓199044桶形188154右筐形865750左筐形2236432。