外文翻译--一个混杂的指纹自动识别系统 中文版

一个 混杂的指纹自动识别系统 家 学电子工程部门， 信息处理实验室 军事学校电子工程 泰国 10120 电子工程部门 部门，泰国 26001 信箱 #352500，华盛顿大学， 西 雅图佤 要 本文讲述的是 一个混合型的指纹识别系统。这个系统包括几个 步骤 ， 指纹增强，指纹图象特征提取， 纹理特征 的提取， 快速的纹理匹配和指纹图形特征的匹配。现在提出的这种方法比传统的方法需要更少的步去辨认个性（差别）。 我们的方法已经在一个巨大的指纹数据库上测试过了，实验结果就是一个有效的表现，它无需要匹配所有数据库的指纹。 1 序言 在众多的指纹识别系统中，传统的 基于指纹 纹理结构的方法已经广泛用 因为指纹的细节拓扑学结构是独特的 而且不随着年龄的老化发生改变。 5，在那书里作者使用了与 指纹特征点相 联系的 脊 去 实现变量参量 ，并且有弹性匹配为匹配所用 ，同时 系统需要一个大 的存贮空间 ，因为所有的脊都要被保存下来。 另外一种指印证明方法，所谓基于 6， 在指印使用 捕捉指印的细节 作为定长 这种匹配根据 的是 2个 几里德距离 。因此，它比 通常的 方法更迅速，但是响应时间更慢。 在 方法 中 ，卷 积用 现， 主要是 计算到整体特征抽出时间 。在这篇文章中， 我们使用一个以一快速基于过滤器的搜寻和细节匹配自动指印证明的框架 。 我们提出的 混合 指印鉴定系统流程图 （ 表 I ）。在第 2部分解释指印改进和特征点提取框架。第 3部分讨论一个基于 快速的指印配比的系统 。第 4部分谈到的是一个混合指纹系统，实验结果在第 5部分，接下来的第 6 部分是结论。 图表 2改进和特征点提取 计 优选的 脊 方向被定义为 显示 统治地方结构取向的定向领域 。 我们提出 一个 近似 方向角度 的 小波变换 。 2维空间被分为 4个区域， H，对应于低频率，水平的细节，垂直的细节 ， 和对角线系数 。 让 0是取向角度， 水平的 (波系数。 统治取向的估计 在 以（ n， r）为中心的 P x 出。 （ 1） 使用小波系数为取向角度估计的好处 在于 波系数， 它可以 看成平滑梯度信息 ,可直接计算 ,并视为偏导的结果 . 因此 ,平滑不须经过方向估计 . 在实验中 ,建议 比如 （ a） (b) 图表 2. a 原图象 b 指纹增强后的图象 指纹增强过滤的目的是使 脊 光滑沿着同一条 脊 线，描绘边缘和被削尖的细节在 脊方向的垂线 ， 结合任何低通和高通滤波在垂直方向可以用来顺利提升形象 。 为求简便 ,我们选择了 斯零均值和标准差 ( )实施 。低通和高通高斯空间域可以表示 为： 因此单独从产品的 好坏来 看， 2 维滤波 器 可以实现乘法的 2）和（ 3）。 譬如，为了不 失 一般性，让我们假定脊绝对的水平，二维过滤和加强后的脊可以给出： 同样的分析方法可以解决不同方向的脊的过滤问题，通过使用适当的过滤器，可以使脊的的光滑性加强。以适当的方向旋转横向 滤波的高斯面， G（ x， y），可以找到 已经 加强 过 了的不同方向的指纹。更具体的说，设 数，定向滤波器可以写成 为转角， i=（ 1， 2， 3 N）。从 的估计要从 8个方向，因此，为了增强整个指纹图象， 8定向过滤是必需的。 增强指纹图象， ，是 决定于过滤后的指纹图象， ，并通过适当的定向过滤面， ，这里 取决于脊方向的指纹图象， 。为了提升加强后的指纹图象，以下的参数必须给定： 1 平滑滤波器的大小（ m），在我们的这个 模拟中，假定 1。 2 我们定义了 3个标准差， ，我们使用了一个恒值 根据我们的观察 ,脊线 厚度 的指纹数据库 有 8至 16个像素 ,在第 12号 像素每英寸产生的最高和最低频率为 1/8和 1/高频滤波的近似标准偏差被记为 和 ，在低频下记为 。在整个的模拟报道 中 我 们 使 用 这 些 值 （ 在 本 文 中 ）， 图 象 增 强 后 可 表 示 后处理分为二值化 ,细化 ,特征提取 . 和伪细节还原 . 详情可参阅 3， 经过加工处理后我们获得了具有最高一直性 4的 50 个特征点。 c 的估计是在一个以（ n， r）为中心的 里 特征向量构造基于类 (结局 和 分 叉 )， 在每一个细节点 (称为参考节点 ), 我们通过收集五个最邻近 特征点 和计算距离 ,不同的纹线方向 以及 脊之间的参考 来 创造的一个特征向量 ,我们还 存储 定位的差 异和距离核心和参考节点 . 因此 ,每一个指纹包含 50 载体 ,每个载体有 23个特征 ,这旋转和平移不变 . 我们可以直接 在 细节匹配阶段 利用 这 些。 纹理特征提取的程序 见 6. 我们 纹理 特征提取需要较小的运算和存储能力 节我们获得了低频小波系数（ 而不是从原始的图象中去获得的。 1） 用 2。 1 节中提到的 2） 把小波系数的 个同心圆带，都带有参考点。每个级别 有 16个部门和 10个像素宽（见图表三，指纹 3） 用 8方向 理 图象 . 我们设定滤波器 频率等于 的平均脊频率 小波系数 (F=1/5). 我们的实验 中 过滤面罩尺寸 设置为标准高斯偏差 都被设置为 4） 计算每一节的标准差 对于每一个经过图象过滤后得到的标准差分别取值为 0， 1和 此，每个过滤器占据 2个 5） 通过 2 步骤顺时钟跟 2步骤逆时钟旋转一个指纹向量，得到一个量化的轮换的指纹编码，每一次旋转的角度是 每个指纹有 5个特征向量，可以用于匹配阶段。我们的方法跟 6中提到方法的最大不同就 格化值，减少的特征向量的长度。欧几里德距离是用来衡量配对的程度。 我们把完全匹配分为 2个阶段。 第一阶段， 我们提出用距离矩阵来进行快速指纹匹配； 第 2阶段 ， 我们用第一阶段中的指纹识别系统来核实一个已经匹配了的指纹。 我们已经观察到 2个具有类似纹理特征指纹之间的距离比 2个不具有类似纹理特征的指纹之间的距离要近（见图表三），因此在我们实验中距离成了我们进行快速指纹匹配的一个标准。 1） 对于给定的数据库，我们把指纹都划分等级， i， e，即 7中提到的左回路，右回路跟双回路，并且对数据库中的指纹构建距离矩阵（ 2） 对于指纹查询，该系统首先确定给定指纹的等级，然后去数据库中去匹配 相 应等级的指纹。 3） 如果距离小于某一阈值 而且 停止准则得到满足 , 该系统 则把 首指纹 识别 为一个配对之一 统通过看距离矩阵确定下个指纹侯选，选出 具有相同 等级 和最接近的距离 的指纹，给出相应的匹配分数。 4） 如果配对分数低于目前的配对评分 ， 配对评分 将被更新而且系统配比分数改变 ,然后 继续 3)和 4),直至距离小于预先选定阈值 和停止准则满足 . 否则 ,系统继续下一立柜远程数据库汇总表 . 只要停止准则得不到满足，系统就会一直匹配数据库中其余尚未处理的指纹， 并把这种可能的指纹匹配（具有最小距离的指纹）称为纹理核查阶段。停止准则取决于每个人指纹登记的数目，假设我们录入 5个指纹 （每个人都录入 5个指纹到数据库中），那么停止准则将满足： 1）距离小于或者等于预先选定的指纹 2）对应的级需要其真实配比评分小于或者等于第 6级的排序距离矩阵。以这个标准，我们将避免局部极小问题。 图 3:示例纹理距离图像 . 2是相同的指纹有不同的印象 . 有类似特征 脊 . 给定 2套指纹特征向量（其中一个是置疑指纹，另外一个是已经匹配好的具有最小距离的指纹称为模板），我们进一步匹配每一个置疑的向量通过与模板相比较，利用相关配套 8，计算数的相似率。为了避免出现 误差， 配对应容忍一些边际距离 。如果下面的条件全部满足，相似值加 1。 1） 如果查询值跟模板的一对参考点跟邻居节点有相同的类型（结尾和分叉）。 2） 当查询值跟模板都在边际距离的时候，核心点和参考节点的距离跟方向不同。在实验中，我们经验性的选择 40 个像素 的边距离和 22。 5度的角度差。 3） 如果 查询值跟模板的一对参考点跟邻居节点是边际节点，我们经验性的选择 15个像素边距离， 22。 5度的角度差，而且设定脊的值为 1。 具有相似值等于或大于的参考细节被标记成对 。波择聚类已经被用来计算将标记的查询节点转换成指纹模板中节点。转换参数 以及转换角度 ，用来记性正确的 图形变换。图形变换后，我们通过边际框和计算配对细节来匹配 2 个指纹。 如果 当前匹配分数 大于某一阈值 ,我们确定 它 为一个匹配的指纹 . 否则 ,我们返回纹理 匹配 系统 ,配对 不同的指纹 等级 ,并继续细节匹配 。 如果 匹配分数 不大于某一阈 值， 该系统认定为拒绝 。 在实验中，我们采集了 100个人的指纹图象，其中每个人采集 8张，然后把其中的 500张去构建数据库。纹理特征跟细节特征的描叙在第 2节跟第 3节。我们建立距离矩阵跟混杂的配对系统，在第 4节。其余 300套不在数据库中的指纹是用来测试算法的。设 N 是数据库中的指纹数，全面搜索和线性搜索需要的时间是和 。在我们提出的这个快速匹配系统中（ 500个指纹），平均需要 10个步骤 就能找的到最小距离（如果指纹分类正确的话）和 40 个步骤（如果分类不正确）。在线性搜索上我们的实验达到的预期的目的，在全面搜索上约我 2%的下调但是需要更少捕步骤的计算。模拟结果见表 1跟表 2。 表 1：快速匹配的模拟结果 表 2：全面匹配的模拟结果 6 总结和结论 我们已经开发完了一个混杂的指纹匹配系统，这个系统由几部分内容组成，指纹增强、特征点萃取，用小波进行纹理萃取，快速纹理匹配和 特征 点核查。我们系统区别于其他系统的地方在于 用小波系统 进行 角度估计、纹理特征提取、快速纹理特征查询和混杂系统，比如，结合纹理匹配、 指纹分类、特征点核查等等。实验结果显示我们的系统比传统的系统需要更少的步骤就能实现。它同样在实时 的数据 库的应用上有很大的实用。系统 美中不足的是指纹分类的准确性还不够，指纹的分类仅仅是根据数量和奇异点的位置。奇异点不能完全被检测到 有一部分的指纹被录入的话。全体的脊的特征都应该被包括进去，错误的分类将导致慢转换，因此，提高分类的效率和准确率可以提高我们系统的性能。 7 参考文献： 1 o. 1892. 2 L. Y. 20, 8, 998. 3 S. im . N. 2000. 4 1997. 5 A. K. L. . 19. 4. 997. 6 A. K. L. . 9, 5, 000. 7 K. 29, 3, 3891996. 8 A. to 145, 3, 160998.