基于ARM的不同場合指紋細節點提取

劉 輝

（吉林建筑工程學院城建學院 電氣信息工程系，吉林 長春 130111）

0 引 言

指紋特征提取的目的是要獲得真正的細節特征，同時去除由噪聲或污染等因素所造成的偽細節特征。細節特征是指在指紋拓撲圖中的幾種有效的特征，它是指紋識別的最基本的依據。即使兩枚指紋的總體特征相同，但是它們的細節特征卻不可能完全相同。美國國家標準測量局（National Institute of Standards and Testing，NIST）提出一種指紋細節分類方式，將指紋特征分為4類[1]：端點、分叉點、復合點和未定義特征。而最重要的細節特征就是端點和分叉點。大量的統計結果表明，使用這兩類特征點就足以描述指紋的唯一性[2]。

文中在ARM平臺上使用美國Veridicom公司生產的FPS200傳感器進行活體指紋采集[3]，分別針對清晰的指紋圖像和模糊的指紋圖像應用了8鄰域指紋細節特征點提取和SUSAN指紋細節特征點提取方法對指紋進行分叉點和端點的提取。實驗證明，SUSAN指紋細節特征點的提取算法可以直接從二值圖像中提取特征點，且此算法中建立的USAN區域的求和相當于求積分，簡化了編程和計算過程，且對較清晰的圖像和模糊的圖像有較強的魯棒性；傳統的8鄰域指紋細節特征點提取對預處理的質量要求嚴格，對清晰圖像的特征提取效果較好，抗噪聲能力強，但對模糊圖像噪聲干擾嚴重，紋線修復困難，而改進的8鄰域指紋特征點提取算法可從二值圖像[4]中直接進行特征提取，紋線修復簡單，抗噪性強，大大減少了偽特征點。

1 改進的8鄰域指紋細節特征提取

像素的8鄰域點定義如圖1所示。

圖1 像素的8鄰域點定義

設P點為目標像素點（即待處理的圖像點），其周圍相鄰的8點P1，P2，…，P8被稱為P點的8鄰點。基于對該8鄰點的統計分析，可定義指紋細節特征點提取算法為：

其中，P9＝P1。

1.1 常規算法

常規的細節特征提取算法是先將圖像進行預處理、細化等步驟后，再采用式（1）提取細節特征點。對圖像中任一目標點P，如果TSum（P）的值等于1，則該點為紋線端點；如果TSum（P）的值等于3，則該點為紋線分叉點。

1.2 改進后的算法

式（1）對指紋紋線的預處理和細化的結果有很強的依賴性，對于質量較好的圖像可以很準確地提取其細節特征點，但當噪聲干擾比較嚴重、指紋圖像采集質量不好時，此常規算法的特征提取效果會受到嚴重的影響。

式（2）對式（1）進行了改進，即使對于未完全細化的指紋圖像也可以正確地提取細節特征信息。如果TSub（P）的值等于2，則該點為紋線端點；如果TSub（P）的值等于6，則該點為紋線分叉點。

2 基于SUSAN的指紋細節點提取

2.1 SUSAN 特征檢測原理[5－7]

SUSAN特征檢測原理如圖2所示。

圖2 SUSAN特征檢測原理

用一個圓形模板在圖2所示的圖像上移動，若模板內像素的灰度與模板中心像素（稱為核Nucleus）灰度的差值小于一定閾值，則認為該點與核具有相同（或相近）的灰度，由滿足這樣條件的像素組成的區域稱為USAN（Univalue Segment Assimilating Nucleus）。

觀察可知，當圓形模板完全處在圖像或背景中時，USAN區域面積最大（見圖2中a和b）；當模板移向圖像邊緣時，USAN區域逐漸變小（見圖2中c）；當模板中心處于邊緣時，USAN區域減小到模板面積的一半（見圖2中d）；當模板中心處于角點時，USAN區域最小（見圖2中e）。可以看出，在邊緣處像素的USAN值都小于或等于其最大值的一半。因此，計算圖像中每一個像素的USAN值，只要通過設定一個USAN閾值查找小于閾值的像素點，即可確定為邊緣點。

2.2 SUSAN邊緣檢測算法

用圓形模板對整幅圖像中的所有像素進行掃描，比較模板內每一像素與中心像素的灰度值，并將其與給定的閾值比較，來判別該像素是否屬于USAN區域，如下式：

式中 ：c（r，r0）板內屬于USAN區域的像素的判別函數；

I（r0）——模板中心像素（核）的灰度值；

I（r）——模板內其它任意像素的灰度值；

t—— 灰度差門限。

圖像中每一點的USAN區域大小可用下式表示：

式中：D（r0） 以r0為中心的圓形模板區域。

得到每個像素的USAN值n（r0）以后，再與預先設定的門限g進行比較，當n（r0）＜g時，則認為所檢測到像素位置r0是一個邊緣點。據統計規律，門限值g一般設定為整個模板面積的1／3左右，而t的大小與對比度和噪聲情況有關，所以本實驗選取不同的t值。

2.3 基于SUSAN的指紋細節點提取算法

根據指紋圖像的特點，選擇正方形模板進行實驗，指紋圖像中USAN的4種情況如圖3所示。

圖3 指紋圖像中USAN的4種情況

觀察圖3可發現角點必為邊緣點，所以當掃描遇到角點時，為了簡化計算，就先執行SUSAN算法。由于本實驗采用的是活體指紋采集，采集技術和條件也不同，所以紋線采集質量差距較大，有些采集到的紋線比較細，USAN區域很小，由圖中分析可知，這樣的非角點很容易被錯判成角點，因此，對紋線特別細的地方，本實驗采用計算特征點距離的方法去除偽細節點。實驗中取特征點的距離值為脊線寬，如果距離值小于選擇的脊線寬，則認為是偽特征點，予以刪除。

3 實驗結果分析

文中采用了8鄰域特征提取算法和SUSAN的特征提取算法，分別對較清晰圖像和模糊圖像進行特征提取，如圖4所示。

圖4 指紋特征提取結果

傳統的8鄰域特征提取算法對指紋的采集質量有較高的要求，要嚴格依賴前期的指紋預處理效果，即二值化和細化的結果（見圖4（b）），對于清晰的圖像而言，由于預處理結果理想，傳統的8鄰域特征提取算法提取指紋特征點的效果較理想，具有很強的魯棒性，但對于模糊的圖像易出現偽特征點（見圖4（f）），抗噪性能差，預處理過程出現嚴重的紋線缺失現象，直接影響了指紋的匹配結果，但是它的編程是相當簡單易懂。而改進后的8鄰域特征提取算法，不像傳統的特征提取算法那樣對細化結果要求很高，它可以不經過細化的過程直接進行指紋特征提取，滿足了實時性，但是效果沒有細化后再進行特征提取的效果理想（見圖4（g））。改進的8鄰域特征提取算法編程比較簡單，在Matlab上調試也比較容易。

SUSAN特征提取就是一種角點檢測算法，它對邊緣點反應比較靈敏，可以直接從二值化圖像進行特征提取，省略了細化的過程，滿足了嵌入式系統的實時性，大大節省了匹配時間。SUSAN計算、編程也較簡單，對于模糊的圖像，抗噪能力強，能準確地對指紋特征點進行定位（見圖4（e）），SUSAN特征提取算法采用動態變化的閾值選取，增強了本算法對角點的敏感性，但對清晰圖像（c）來說，對于端點部位反映太過靈敏，易出現偽特征點，所以不如傳統的8鄰域算法特征提取的效果好。但是，從二值化的圖像直接提取特征點易出現環孔狀的偽特征點，這一點還要繼續進行研究優化處理。因此，各自算法有各自的優缺點，對于不同質量的圖像，可以根據不同的需要選擇不同的編程方法。

4 結 語

分別應用了改進的8鄰域指紋特征提取算法和SUSAN指紋特征提取算法，對清晰的指紋圖像和模糊的指紋圖像進行指紋特征點的提取，在

ARM系統下驗證了其實時性，在MATLAB下仿真的效果比較理想，保證了算法的效率，并總結了各自算法的優缺點，對于不同質量的圖像，可以根據不同的需要選擇不同的編程方法。這樣使特征點的定位更加準確，抗噪能力強，有利于實現算法的穩定性、有效性、魯棒性。

[1]何天文.微機指紋識別技術的研究[D]：[碩士學位論文].重慶：重慶大學，2002.

[2]尹義龍，寧新寶，張曉梅.改進的指紋細節特征提取算法[J].中國圖像圖形學報，2002，7（12A）：1302－1306.

[3]游林儒，丁飛，勞中建，等.基于ARM的指紋特征點快速提取改進算法[J].計算機應用，2007，27（1）：88－90.

[4]劉躍鋒，宋永霞，李松濤.一種基于直方圖對二值圖像進行處理的方法[J].長春工業大學學報：自然科學版，2010，31（5）：554－558.

[5]文瀟，華驊，徐安士.基于SUSAN的指紋細節點提取算法[J].四川大學學報，2005，42（5）：952－956.

[6]馬桂珍，房宗良，姚宗中.SUSAN邊緣檢測算法性能分析與比較[J].現代電子技術，2007，247（8）：189－191.

[7]張從力，王述勇，王蓮.一種具有保留邊緣信息的改進SUSAN去噪方法[J].國外電子測量技術，2007，26（10）：33－35.