基于圖像序列的指紋識別算法

寧玉門

（中原工學院，河南 鄭州 450007）

在指紋識別中，特征提取成為指紋識別的重要步驟.而在指紋采集過程中，一些扭曲變形是由于手指表皮與采集系統表面接觸而引起的，一些圖像采集系統提供糾正一些失真的方法，但應用都受一定的限制.基于圖像序列的指紋圖像分析法是利用被掃描設備丟棄的圖像，采集整個圖像序列.從圖像序列中挖掘更多的細節特征用于指紋識別.

1 相關工作

基于圖像序列的指紋識別算法中的數據融合是通過特征拼接將圖片特征提取中獲取的兩個模板進行融合。文獻資料表明特征級別的拼接優于圖像級別的拼接［1］1－4.圖像序列分析算法采用單次指紋提取中獲取的緊密相關的圖像序列信息.圖像序列中對圖像特定部分所感測數據的質量會有所不同.

1.1 特征提取和跟蹤

分析首先從指紋掃描儀獲取圖像序列開始.以每幀每秒的k幀速率拍攝，t秒的時間間隔內采集N幀指紋圖像.通過圖像分割找到指紋細化區域，接著進行圖像增強處理，提取特征點和邊緣細節.為每幀圖像創建模板，包含特征信息.此外，可以對圖像進行并行處理，以減少計算時間.

讓I＝（I1，…，IN）代表在采集過程獲取的圖像序列，其中下標代表時間的序列.每幀圖像通過CLAHE（Contrast Limited Adaptive Histogram Equalization）算法進行圖像增強，采用用二值化算法［2］139－141從每幀圖像提取特征點.然后通過二值化增強后的圖像創建脊線骨架，并反復運用形態學細化.收集脊線骨架的端點和分叉點獲取細節特征.

使用貝葉斯估計進行跟蹤細節特征.使用基于卡爾曼濾波［3］111－113的跟蹤細節特征對應整個序列.過濾器用于確定模板細節特征的位置.對于低質量細節特征或低質量的區域中的細節特征，一個粒子過濾器對于背景噪音具有穩定性.對細節的位置、模式等進行跟蹤，建立預測中的模板.

1.2 模板融合

讓Ti：j代表特征點的一組中所包含的模板Ti.這種“時間模板”可以表示為：T1t＝∪i＝1tTt

方法中，每個細節特征點都可以分配一個復合型和總體品質值.讓Qtk代表t時刻分配的細節特征點Mk的質量，使用值［0，100］和Qik＝0表示還沒有被檢測到的Mk的退化情況.對于獲取的N幀圖像的序列中，我們定義的概率為：

然后通過比較復合模板的概率來選擇細節特征點類型

圖1為用于復合的模板的時態數據的例子.由追蹤整個序列的類型，反映出特征點數據所表示的置信水平.深藍色（－100）代表高置信分叉點.紅色（100）代表高置信端點.綠色（0）表示不會出現在隨后的模板后第一次被檢測到的一個細節特征.黑色的區域表示時間序列中首次被發現前的細節特征.

圖1 細節特征跟蹤整個序列

2 試驗結果與分析

采用捕捉到指紋印記更多細節特征的方法，并且將其存儲成復合圖像；通過收集一個指紋序列數據庫來評估所提出的這個方法。掃描儀采用佳能9000FMarkll.以10幀每秒的速度和每英寸500像素分別率收集圖像，對于每一個序列，一個圖像緩沖區被填充1.5s相當于用手指推壓掃描儀的時間.收集開始于圖像強度的方差達到經驗確定的水平，這可提供大約15幅指紋印記.試驗收集了70個獨特手指的5個序列的350幅圖像.圖像增強采用CLAHE，然后采用翟俊海［4］108－109等所述方法進行特征提取.目前，在MATLAB運行成本中加工成一個復合模板是一個單一的序列，時間約19～20秒.

2.1 指紋區可靠性

試驗研究在一個指紋印記中指紋圖像序列的局部變化.每個圖像序列中高質量的塊圖像是由11×11規格的像素塊構成.每個塊圖像的質量變化是通過測定整個序列中的圖像獲得的.創建一個最高質量的塊圖像，反映出整個序列中最高質量測量圖像的每個塊.這可以被認為是在序列中的位置，其中每個區域呈現其最佳的品質.如果從最終的圖像序列中的塊的最高質量來測量，每個塊是要添加到最終的圖像里.

圖2（a）顯示了此試驗的結果，結果顯示了在最高質量最終圖像中和圖像序列中前景塊的質量（可靠性）的平均增幅.假設最終的圖像是傳統的靜態圖像，試驗發現就平均而言，從時間角度分析，與復合指紋區域相比，9%的靜態指紋區是不可靠的.此外，添加到合成圖像中塊的平均可靠性平均增加12%.

2.2 細節可靠性和類型

圖2（b）顯示出了另一個散點分布圖，表示在時間分析中已檢測到的特征點占它們的平均質量（可靠性）的百分比.這表明，相比于簡單的靜態分析，有大量可靠的細枝特征被檢測到.圖像序列分析顯著提高了檢測到的特征點的平均可靠性.在圖2（c），細節計數分布顯示傳統的靜態模板生成和復合模板.相比于靜態模板直方圖，復合模板的直方圖轉移到右側，表示在復合材料中的模板特征計數的增加.從這兩個數字的試驗中可以得出結論，大量可靠的細節在某時刻指紋印記中的序列圖像中被發現，而不是在最終圖像中.

圖2 （a）散點圖顯示額外的前景塊與靜態圖像塊的質量（可靠性）的平均增幅的百分比（b）散點圖顯示分析檢測的細節特征點未在靜態圖像中出現的數量和質量（c）細節計數頻率為靜態模板和模板建議

試驗研究了在單一的指紋印記中特征變化的細節類型，發現有17.5%的特征點變異發生在數據組中的整個序列（在終止和分叉之間改變）.在一些點序列中細節特征的改變，有9.3%的改變是從終止到分叉，而4.7%的改變是從分叉到終止.剩余3.5%是那些從開始和結束都相同但在整個序列中卻發生了改變的類型.

2.3 匹配

首先測試該系統的能力，以提高整體匹配性能.采用Verifinger的基于細節建立的匹配器能夠有效地衡量匹配分數.假設指紋掃描忽略了最終圖像之前拍攝的圖像，我們創建了一個模板數據庫表示傳統的靜態提取的380個樣本，使用時序分析從復合模板中創建一個獨立的數據庫.在靜態和復合數據庫中對指紋之間的獨立性進行詳盡的匹配.對于整體性匹配，試驗看到了一個較小的改進.在這種情況下，ROC曲線繪制FAR和FRR的誤差是3.5%.這種情況符合預期，因為當細節計數已經很高時，增加新的細節更能影響到匹配.

2.4 局部標識

在圖3中，累積匹配特性（CMC）曲線如圖所示.有關數據來自于廣州某高科研究所的專題數據庫.在CMC域塊的排名識別率表明，正確的匹配在所有比較者中獲得最高分.等級為1級、10級、20級時，識別率分別增加為9.26%，5.73%和5.21%.

圖3 累計匹配特征

3 結語

該文提出了一種基于圖像序列的指紋分析方法，用以解決圖像失真和圖像質量的變化問題.這種方法，通過分析整個圖像序列特征點的動態復合模板，結合有關質量和圖像序列中存在的信息，提出了特征點的置信措施.試驗結果表明采用基于圖像序列的指紋分析方法，指紋識別率顯著提高.

［1］蔡麗歡，廖英豪，郭東輝.圖像拼接法及其關鍵技術研究［J］.計算機技術與發展，2008，18（3）.

［2］袁 路，李仁發.一種改進的字符圖像二值化算法［J］.微計算機信息，2012，28（3）.

［3］張永偉，楊鎖昌，張 敏.卡爾曼濾波在落點偏差預測算法中的應用［J］.中國測試，2012，38（12）.

［4］翟俊海，趙文秀，王熙照.圖像特征提取研究［J］.河北大學學報（自然科學版），2009，（1）.