Chapter13 指紋辨識

目錄

實驗目的1

原理說明2

實驗步驟3

結果與討論4

5 參考文獻

實驗目的

認識指紋辨識及其應用以商業軟體-VeriFinger進行資料建檔及辨識，示範指紋辨識軟體功能及效果。

了解指紋特徵擷取技術利用影像處理運算，將一般指紋影像轉成可萃取其特徵的影像。

了解指紋辨識的原理利用特徵點之間的角度和距離，定義出一個特徵模板，再將其幾何關係轉換成數位資料，藉以識別個人。

指紋辨識及其應用

利用軟體分析指紋特徵點的幾何圖案，如每根手指特有的脊紋與溝紋，然後再與合法使用者登錄的指紋模式進行比對。

目前的應用層面有公司機構和監獄的門禁控制、電子商務的數位簽署及電腦系統登入管理。

科學人2003.4

指紋特徵擷取技術

掃瞄器會將指紋處理成一個解析度達500dpi的數位灰階影像。軟體會記錄指紋上10~40個特徵點，以及主要特徵點，然後計算主要特徵點之間的距離和角度，而定義出一個模板。

科學人2003.4

原理說明

流程圖

影像增強

指紋掃瞄器

脊谷偵測

向量一致性

影像處理

特徵點萃取

指紋比對

分割

平滑化

細化

為何要強化影像?

影像尺寸縮減

將資料庫內的指紋影像裁切成相同大小的影像以進行後續處理。

影像正規化

為了能正確計算指紋影像的方向，我們要減少山脊和山谷的灰度值變化，即使兩者對比加強。因此，需將指紋影像正規化，以符合分布的平均值和標準差。設為原影像在像素點(i,j)處的灰階值，而G(i,j)為經由下式所得的影像灰階值。

M 和VAR 分別表示所估計的灰階I平均值與標準差，常設及 表示希望能達到的灰階分布平均值與標準差。

))(()( 0 Mi,jIαMi,jG -+= VARVARα 0=,

1500 =M

60000 =VAR

紋路流向計算

利用Sobel運算子分別計算影像中x方向和y方向的梯度 及)(i,jGx )(i,jGy

)2()2()( 987321 ZZZZZZi,jGx ++++= -

)2()2()( 963741 ZZZZZZi,jGy ++++= -

1 4 7

2 5 8

3 6 9

y x

紋路流向計算

式中的 表示像素點(i,j)的灰階值。然後將正規化後的影像G分割成(w=8)大小的區塊，再利用下式計算區塊中心點(i,j)的紋路流向。

5Z

∑ ∑×+

×=

×+

×=

××

=11)( 11)(

)( )(2 22

1)(- -wi

wiu

wj

wjvyxx u,vGu,vGww

i,jV

( )∑ ∑×+

×=

×+

×=×=

11)( 11)(22 )()(

221)(

- -

-wi

wiu

wj

wjvyxy u,vGu,vGww

i,jV

⎟⎟⎠

⎞⎜⎜⎝

⎛=

)()(

tan21)( 1

i,jVi,jV

i,jx

y-θ

ww 22 ×

0)(0,V

31)(31,V

12)(14,V 12)(14,V

紋路流向

向量一致性分析

每個區塊均具有紋路流向，其向量場的分布情況可以由向量一致性(Consistency Level，CL)來進行評估，而區塊(i,j)的向量一致性定義為

通常一幅指紋影像會有幾個紋路品質較差的區域，這些區域會產生一些不存在或錯誤的特徵點。為了能更精準的將指紋進行分類，我們將對指紋影像區塊進行CL分析，摒除較差區域所得的特徵點，以得到較正確的特徵點分布。

22

)()(

)()()( ⎟⎟

⎠

⎞⎜⎜⎝

⎛+⎟⎟

⎠

⎞⎜⎜⎝

⎛=

i,jVi,jV

i,jVi,jVi,jCL

e

y

e

x ( )∑ ∑+

=

+

=

+=1 1

222e )()( )(

-

-

-

-

wi

wiu

wj

wjvyx u,vGu,vGi,jV

(a) 紋路清晰的指紋影像

(c) 紋路模糊的指紋影像

(b) (a)的 CL分布

(d) (c)的 CL分布

CL的橫座標為CL值，縱座標為整幅影像的CL值的數目。

指紋影像強化

在獲得紋路流向圖後，我們再將原始影像平滑化。首先，定義一個

的中值濾波器，將矩陣中央的灰階值 以陣列中9個像素的灰階值中位數取代。

結合紋路流向圖及方向遮罩。

33×

5Z

中值濾波器

指紋影像強化

影像強化前後如下

低階影像處理-二值化

在許多影像處理應用中，我們必須將256灰階數的影像轉化成黑白影像，即二值圖，這部份的運算稱為分割運算。基本上，我們必須選定一個門檻值，使得高於此值的像素值設為1；低於此值的像素值設為0。而二值化後的影像，以1(白色)作為背景；0(黑色)作為處理物件。

低階影像處理-二值化

首先，定義一個 大小的圖框，然後計算圖框內所有像素值的平均數T，將其作為門檻值而去二值化圖框左半邊的區域( )，接著再將圖框右移8個像素距離，重複計算像素平均值，二值化左半邊區域，直到圖框右方移到影像右方，再將圖框往下移16個像素距離，如此重複不斷，直到圖框繞行整幅影像，即可得到二值圖。

816×1616×

低階影像處理-平滑化

經由二值化的影像將會使雜訊點變的更明顯，因此，我們使用中值濾波器進行影像平滑化，這能消除影像上的雜訊點，使得紋路特徵萃取更加準確。

低階影像處理-細化

細化，亦稱為骨架化，以不斷縮減二值化影像上物件的寬度，並且保留物件的完整性，不將其連續性破壞，直到其寬度剩下1個像素大小。細化後的二值化指紋影像便接近人們對於指紋的印象，而且對於細化後的紋路影像，在萃取特徵點時也更適合、直觀。

細化模型

特徵萃取

指紋上的特徵點是分辨不同指紋的基本要素，局部特徵點通常是利用山脊的改變，如短脊、點、脊端點和脊分叉處。

其中最常使用的特徵是脊端點和脊分叉處。

科學人2003.4

特徵萃取

首先，我們定義細化後的指紋影像前景(黑色線段)陣列值為1，背景(白色區域) 陣列值為0，利用條件數找出脊端點和脊分岔處。條件數的計算方式定義如下式

在一個遮罩中，一個端點僅有一個相鄰的陣列值為1，而一個分岔處會有三個相鄰的陣列值為1，如此一來，我們便可以利用條件數來判定端點和分岔處。

∑=

+=8

1)()1(

21

jN |jIj|IC - (1)(9) II =

I1 I8 I7

I2 k I6

I3 I4 I5

特徵萃取

然而，並非經由條件數計算所獲得的特徵點就是真的特徵點，其中有一些因為影像處理造成的錯誤判定，如斷點、凸刺和梯狀，如下圖所示。

利用一個門檻值刪除這些錯誤的特徵點，門檻值的選取為兩細化後紋路之間的平均距離。

特徵濾波

特徵萃取

在刪除掉錯誤的特徵點後，大約還有30到50個特徵點可供進行指紋比對，我們將其座標一一紀錄下來，並且標注種類(b表示分岔處；e表示端點)及每一個紋路流向。

指紋匹配

本實驗介紹[Wah98]方式使用局部特徵比對技術。在此方法中，每一個特徵點皆被定義為一個半徑為R ( R = 50像素)的圓心，包含在此圓的其它特徵點稱為周邊特徵。

比對局部特徵的形式如下圖所示，我們必須計算中央特徵點與周邊特徵的距離和相對角度。然後，定義兩種特徵點向量以供比對：第一種向量是一個一維向量，其內容記錄中央特徵點的種類(端點或分岔處)；另一種向量是一個三維向量，其內容包含特徵點種類、距離和相對於周邊特徵點的角度。

指紋匹配

如果欲檢驗的指紋影像所提取的特徵點與資料庫中所儲存的資料點相當接近，則此組指紋往往是相匹配的。所以只要檢驗的指紋特徵數目與資料庫中的指紋特徵數目相差為 ，即設立一個門檻值，如 ，小於 便可判定此組指紋匹配。

先對中央特徵點進行比對，若符合其特徵向量，則再比對周邊特徵點向量，直到指紋影像上所有的特徵點均比對為中央特徵點，並將其相似度進行紀錄。重複以上兩個步驟，以進行資料庫的搜尋比對，最後，將其相似度進行降序排列，若有相似度高於90%的指紋出現在資料庫中，則可判定該指紋已建檔，並匹配成功；反之，則匹配失敗。

fT 15=fTfT

實驗步驟

在本實驗中，將使用VeriFinger這套功能強大的軟體展示建立指紋資料庫、指紋確認和識別。

比對速度高達每秒20000枚指紋。

DEMO

建立指紋資料

指紋確認

指紋辨識

結果與討論

本實驗介紹了指紋識別系統，並描述了該系統的處理過程。

該系統包含四個步驟，包括影像擷取、影像處理、特徵萃取和匹配。

使用一套商業軟體-Verifinger來處理指紋影像特徵萃取以進行指紋資料庫的建立、指紋驗證和辨識，結果顯示該技術已相當成熟。

參考文獻

[Emi97] I. Emiroglu, and M.B. Akhan, “Pre-processing of Fingerprint Images”, European Conference on Security and Detection, 147-151, 1997.[FBI84] Federal Bureau of Investigation, “The Science of Fingerprints: Classification and Uses”, U.S. Government Printing Office, Washington, D. C., 1984.[Hon98] L. Hong, Y. Wan, and A.K. Jain, “Fingerprint Image Enhancement: Algorithm and Performance Evaluation”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 20, No. 8, 777-789, 1998.[Jai97] A.K. Jain, L. Hong, S. Pankanti, and R. Bolle, “An Identification-Authentication System Using Fingerprints”, Proceedings of the IEEE, Vol. 85, No. 9, 1365-1388, 1997.[Mai97] D. Maio and D. Maltoni, “Direct Gray-Scale Minutiae Detection In Fingerpints”, IEEE Transactions on Pattern Aanlysis and Matching Intelligence, Vol. 19, No.1, 27-40, 1997.[Nac84] N.J. Naccache and R. Shinghal, “An Investigation Into the Skeketonization Approach of Hilditch”, Pattern Recognition Soeiety, 279-284, 1984.[Rao90] A.R. Rao, “A Taxonomy for Texture Description and Identification”, New York: Springer-Verlag, 1990.[Rat95] N.K. Ratha, S. Chen, and A.K. Jain, “Adaptive Flow Orientation-Based Feature Extraction in Fingerprint Images”, Pattern Recognition, Vol. 28, No. 11, 1657-1672, 1995.[Wah98] A. Wahab, S.H. Chin, and E.C. Tan, “Novel Approach to Automated Fingerprint Recognition”, IEE Proceedings-Vision, Image, and Signal Processing, Vol.1453, No. 3, 160-166, 1998.[Wil01] A.J. Willis and L. Myers, ”A Cost-Effective Fingerprint Recognition System for Use with Low-Quality Prints and Damaged Fingerprints”, Pattern Recognition, Vol. 34, 255-270, 2001.[Xia91] Q. Xiao and H. Raafatm, “Fingerprint Image Postprocessing: A Combined Statistical and Structural Approach”, Pattern Recognition, Vol. 24, No.10, 985-992, 1991.