指紋識別演算法仍有優化空間

[日期：2006-01-23]

指紋識別演算法是實現指紋識別的關鍵，它直接決定了識別率的高低，是指紋識別技術的核心。雖然這些演算法日臻完善，但仍有進一步降低錯誤率的空間。

目前，指紋識別技術的研究無論是在前端的資料採集上還是在後端的指紋識別演算法上都已經取得了巨大的進展。於是，很多人認為現在的指紋識別技術已經很完善了，不再需要研究了。但這種觀點是錯誤的，在指紋識別技術上仍然有一些沒有解決好的問題，如: 低質量指紋圖像的處理、形變指紋圖像的匹配、活體指紋的檢測等。這些都是經常遇到、非常重要和亟待解決的問題。在國際指紋識別競賽（fvc2004）中，指紋資料庫db1中有些指紋圖像的形變就很大，而位於第一名的指紋識別演算法的等錯誤率(eer)是1.97%，從中可以看出形變指紋圖像的處理仍然不是很理想，有著很多任務作要做。

圖1 自動指紋識別系統框圖

本文主要對指紋影象增強、特徵點提取、匹配以及分類和壓縮演算法進行介紹。

指紋影象增強演算法

採集獲得的指紋圖像通常都伴隨著各種各樣的雜訊，一部分是由於採集儀造成的，比如採集儀上的汙漬，採集儀的引數設定不恰當等。另外一部分是由於手指的狀態造成的，比如手指的過幹、太濕、傷疤、脫皮等等。第一種相對來說是固定的系統誤差，比較容易恢復。另外一類和個體手指密切相關，比較難於恢復。指紋增強在指紋圖像的識別過程中是最為重要的一環，這部分演算法的優劣將對整個系統的效能產生至關重要的影響。如果這一部分沒有處理好，也很難通過改進後面的細節提取過程而獲得好的效果。

指紋圖像是連續脊線和谷線組成的（在細節點處除外），具有豐富紋理資訊的影象。對於灰度指紋圖像，脊線和谷線在區域性的小鄰域內可以認為是正弦波形狀，具有一定的頻率和方向。使用方向場和gabor濾波器來進行增強的演算法就是基於這樣的特點進行。

指紋專家通常是根據視覺上的脊線資訊來準確地識別出真正的細節點。這些脊線的關係有區域性脊線的方向、脊線的連續性、脊線的曲率、光滑度、脊線走向趨勢等等。而諸如指紋的脊線連線、區域性脊線方向和脊線的光滑度這樣的結構資訊是有可能在計算機中表示出來的。所以也可以把人對指紋結構的認識引入指紋影象處理的過程中，用計算機來模擬指紋專家做影象增強的演算法。

影象的預處理指的是在指紋進行影象增強前使用一些簡單的影象處理手段對影象進行初加工的過程。常見的預處理有: 灰度的均衡化，這可以消除不同影象之間對比度的差異; 使用簡單的低通濾波消除斑點雜訊、高斯雜訊; 計算出影象的邊界，進行影象的裁剪，這樣可以減少下一步的計算工作量，提高系統的速度。

指紋特徵提取演算法

圖2 指紋圖像及其特徵

用計算機的語言完整地描述穩定而又有區別的指紋特徵是實現自動指紋識別的乙個關鍵問題。選擇什麼特徵以及如何表示這種特徵既關係指紋本身的特點，又和具體的指紋匹配演算法緊密聯絡，同時還要考慮所採用的指紋採集裝置的特點。目前的自動指紋識別系統普遍採用的指紋特徵是細節點（minutiae），分為極限末梢和分叉點，見圖2。

指紋的特徵可以反映給定的人類群體裡來自不同手指的指紋之間相似的程度。指紋的特徵資訊很多。這些所有的指紋特徵資訊構成了龐大的指紋特徵集合。那麼，特徵層需要研究和解決的問題主要與這些特徵資訊有關，比如: 「特徵是否是終生不變的、惟一的」，「特徵之間存在什麼樣的相互關係」，「什麼樣的特徵子集可以使某種演算法達到最佳的識別效果」，「指紋特徵用於身份鑑別是否更安全」等等。一組好的特徵不僅要能達到身份識別的基本要求，而且對雜訊、畸變和環境條件不敏感。

圍繞指紋特徵展開研究是伴隨著人們對指紋進行身份鑑別的認識而進行的，如今已經有很長的歷史。2023年英國sir francis galton對指紋進行了系統研究，首次提出了指紋特徵惟一性的問題。隨著資訊科技的發展，人們對身份認證的準確性要求明顯提高，同時也對指紋有效鑑定身份的能力產生質疑。2023年1月，美國聯邦法官路易斯·波拉克做出的「憑藉指紋鑑定不能定罪」的裁決促動了針對指紋特徵的兩個方面的研究工作: (1)在實踐中為指紋定出可以作為有效特徵的標準，使得兩幅指紋是否相符不依賴於鑑定人員的主觀判斷; (2)研究指紋特徵產生誤差的根源，從技術角度將出現的誤差量化。

指紋匹配

指紋匹配指的是通過對兩枚指紋特徵集間的相似性比較，來判斷對應的指紋圖像是否來自同一手指的過程，它是一種非常經典而又亟待解決的模式識別問題。

目前，指紋細節點匹配演算法分類有多種: 根據指紋識別的目的可以分為一比一匹配和一比n匹配; 根據操作過程的差異可分為自動匹配和人機互動匹配; 根據匹配適應性可以分為彈性匹配和剛性匹配。根據指紋細節點定義和相似性判斷函式選取的不同，指紋匹配方法更是多種多樣的，比如基於奇異點的、基於三角形的、基於極座標變換的，基於動態規劃的、基於圖匹配的等等方法，不勝列舉。需要說明的是這些分類方法都難以囊括所有的指紋匹配演算法，因為同時有很多演算法彼此交叉。

指紋分類與壓縮

識別乙個人需要將他的指紋與資料庫中的所有指紋做比較。在某些民用或刑偵場合，資料庫可能非常大（比如幾百萬枚指紋）。在這種情況下，識別就需要耗費很長的時間，這是無法接受的。這一識別過程可以通過減少必須執行的匹配次數來提高速度。在某些情況下，如果加入諸如性別、種族、年齡等與個體有關的資訊能顯著降低搜尋資料庫的範圍，然而這些資訊並不總是存在的，比如在犯罪現場的指紋。通常的策略是將指紋資料庫劃分成幾個子類，這樣識別指紋時只需將此指紋與資料庫中同一類的指紋做比較。

指紋分類就是研究如何以穩定而且可靠的方式將指紋劃為某一類別。指紋匹配多根據指紋的區域性特徵（如細節點）來判別，而指紋分類則根據指紋的全域性特徵（如全域性脊線結構、奇異點）來判別。由於各指紋模式具有較小的類間差距和較大的類內差距，指紋分類是乙個非常難的模式識別問題。指紋圖像通常還有雜訊，這使得分類任務更加困難，因此指紋分類問題一直是模式識別領域中的難點問題，一直以來也吸引了科研人員的極大興趣。

指紋壓縮技術也是自動指紋識別系統中的一項重要技術，在大容量的指紋庫中，為了節省儲存空間必須對指紋圖進行壓縮儲存，使用時再進行解壓縮。影象壓縮編碼的目的是以盡量少的位元數表示影象，同時保持復原影象的質量，使它符合預定應用場合的要求。基於小波的指紋壓縮演算法，是目前技術較成熟、應用較廣泛的指紋圖像壓縮演算法。

指紋識別演算法仍有優化空間

指紋識別演算法仍有優化空間

ZKT指紋識別演算法

iOS 指紋識別

指紋識別演算法仍有優化空間

指紋識別演算法仍有優化空間

ZKT指紋識別演算法

iOS 指紋識別

相關推薦