摘 要： 為克服傳統(tǒng)的基于細(xì)節(jié)點(diǎn)匹配的不足，對(duì)基于點(diǎn)模式匹配算法與改進(jìn)的2DPCA匹配算法的混合識(shí)別算法進(jìn)行了改進(jìn)。改進(jìn)后的算法在點(diǎn)模式匹配算法中加入改進(jìn)的2DPCA算法的初匹配得分權(quán)重，提高了點(diǎn)模式匹配算法的準(zhǔn)確性；并利用點(diǎn)模式匹配算法對(duì)2DPCA算法的匹配結(jié)果進(jìn)行二次匹配，同時(shí)也提高了2DPCA算法匹配的準(zhǔn)確率。
關(guān)鍵詞： 指紋識(shí)別； 點(diǎn)模式匹配； 二維主成分分析
指紋識(shí)別技術(shù)是一種非常重要的生物特征識(shí)別技術(shù)，應(yīng)用十分廣泛。指紋識(shí)別一般包括指紋圖像采集、指紋圖像增強(qiáng)、特征提取和匹配幾個(gè)部分，其中特征匹配在整個(gè)系統(tǒng)中占有重要地位。指紋識(shí)別系統(tǒng)中的匹配算法主要分為基于細(xì)節(jié)信息和基于全局信息兩種模式。目前，大部分的指紋識(shí)別系統(tǒng)都是采用基于細(xì)節(jié)特征的匹配方法，即提取細(xì)化后的指紋圖像的端點(diǎn)和分叉點(diǎn)信息，采用一定的算法實(shí)現(xiàn)匹配。此類算法雖然取得了較好的識(shí)別效果，但是對(duì)發(fā)生偏移、形變、斷紋等低質(zhì)量的指紋圖像效果不佳，并由于該類方法在提取特征之前要對(duì)指紋圖像做一系列的預(yù)處理，耗時(shí)較長(zhǎng)[1]。
本文采用了一種基于點(diǎn)模式算法和改進(jìn)的2DPCA的混合匹配算法，能夠充分利用指紋紋線中脊線和谷線的全局信息，彌補(bǔ)點(diǎn)模式算法的不足。
1 基于點(diǎn)模式的匹配算法
本文采用一種在極坐標(biāo)下基于中心點(diǎn)的指紋匹配算法，該算法的具體實(shí)現(xiàn)步驟如下。
(1)構(gòu)造指紋圖像特征點(diǎn)的集合，在預(yù)處理階段計(jì)算出指紋圖像的特征點(diǎn)及其特征點(diǎn)信息，包括特征點(diǎn)的坐標(biāo)FeatureX與FeatureY、特征點(diǎn)的方向Direction和特征點(diǎn)的類型Type(包括端點(diǎn)和分叉點(diǎn))。通過(guò)上述信息，設(shè)系統(tǒng)數(shù)據(jù)庫(kù)中已存在的指紋圖像為P，其特征點(diǎn)的數(shù)量為m，在線錄入的指紋圖像為Q，其特征點(diǎn)的數(shù)量為n，則它們對(duì)應(yīng)的兩個(gè)點(diǎn)集為：
2 基于改進(jìn)的2DPCA的指紋識(shí)別
2DPCA算法是一種以圖像為分析對(duì)象的特征提取算法，因此在構(gòu)造圖像協(xié)方差矩陣時(shí)，可以直接利用圖像矩陣。2DPCA算法以圖像的全局信息為處理對(duì)象，在實(shí)現(xiàn)降維和提取特征的過(guò)程中，賦予了圖像矩陣中每個(gè)像素相同的地位，如果直接采用2DPCA算法對(duì)圖像進(jìn)行處理，將不可避免地?fù)p失掉一部分類間訓(xùn)練樣本所包含的判別信息[2]。
基于以上不足，本文設(shè)計(jì)一種基于樣本類別信息的改進(jìn)2DPCA算法，該算法根據(jù)樣本類別信息的差異性，利用樣本的類內(nèi)協(xié)方差矩陣作為特征向量的產(chǎn)生矩陣，利用類聚值向量和類間協(xié)方差矩陣來(lái)提取訓(xùn)練樣本的特征。
2.1 改進(jìn)的2DPCA算法
假設(shè)訓(xùn)練樣本為m×n的圖像矩陣,總數(shù)量為P,訓(xùn)練樣本的類別數(shù)為L(zhǎng),設(shè)第l類的訓(xùn)練樣本數(shù)量為Pl,則滿足:
最后采用最近鄰法則，當(dāng)諸如樣本T與其同類的某一幅訓(xùn)練樣本Plj(Plj∈Pl)擁有最小歐氏距離且該距離滿足一定的閾值的時(shí)候，即可判定輸入樣本T與訓(xùn)練樣本為同一幅圖像，即完成整個(gè)識(shí)別。
3 基于混合模式的指紋識(shí)別算法
基于混合模式的指紋識(shí)別算法的流程圖如圖2所示。
設(shè)共采集到N幅指紋圖像，樣本共分為K類，其中第k(k∈[1,K])類包含M幅圖像，則具體實(shí)現(xiàn)步驟如下：
(1) 輸入指紋圖像的采集與質(zhì)量評(píng)估；
(2) 對(duì)輸入指紋圖像進(jìn)行樣本類別劃分,設(shè)該輸入屬于第k類；
(3) 對(duì)輸入指紋圖像進(jìn)行2DPCA的預(yù)處理；
(4) 提取輸入圖像的2DPCA特征向量集；
(5) 采用2DPCA匹配算法在指紋圖像的第k類數(shù)據(jù)庫(kù)中進(jìn)行初匹配，若不滿足匹配要求，則系統(tǒng)最終匹配失敗；滿足時(shí)，通過(guò)相應(yīng)閾值的設(shè)定得到m(m<< M)幅候選指紋和它們的匹配得分權(quán)重，并同時(shí)按照索引得到它們的點(diǎn)模式特征點(diǎn)集[5]；
(6) 對(duì)輸入指紋圖像進(jìn)行點(diǎn)模式預(yù)處理；
(7)對(duì)預(yù)處理后的輸入指紋圖像進(jìn)行點(diǎn)模式特征集中，采用點(diǎn)模式匹配算法進(jìn)行二次匹配，并加入對(duì)應(yīng)的2DPCA匹配的得分權(quán)重。若滿足匹配要求，則系統(tǒng)最終匹配成功；若不滿足，則失敗。
4 實(shí)驗(yàn)結(jié)果與分析
本文在CPU為2.00 GHz、1.99 GHz，內(nèi)存為2.00 GB的PC和Matlab R2007B，Visual Studio 2007的開發(fā)環(huán)境下，選用FVC2002DB2_A中的880幅指紋圖像進(jìn)行匹配算法的實(shí)驗(yàn)。該指紋庫(kù)共采集110個(gè)指紋，每個(gè)手指分別采集8次得到8幅指紋。實(shí)驗(yàn)采用交叉匹配的方式，即每個(gè)手指從8幅中選取6幅作為模板指紋，2幅作為輸入指紋，一共進(jìn)行220次匹配，得到實(shí)驗(yàn)結(jié)果如表1所示。
從表中可以看出，采用本文算法進(jìn)行指紋匹配的識(shí)別率為93.57%，與點(diǎn)模式匹配算法相比，識(shí)別率有所提高。改進(jìn)的2DPCA 算法在空間降維提取特征方面由于指紋圖像出現(xiàn)較大程度的位移，且部分粘連現(xiàn)象較為嚴(yán)重，使得最終算法中根據(jù)最近鄰原則所得到的匹配圖像出現(xiàn)錯(cuò)誤，但是觀察其歐氏距離值的排序，正確的指紋圖像一般位于前列，這就為混合匹配算法提供了依據(jù)。采用混合匹配，識(shí)別率略有提升。本文將點(diǎn)模式匹配算法與2DPCA結(jié)合起來(lái),在點(diǎn)模式匹配算法中加入了2DPCA算法的初匹配得分權(quán)重，提高了點(diǎn)模式的準(zhǔn)確性；并采用基于樣本類別信息的方法，大大減少了點(diǎn)模式匹配中與原始數(shù)據(jù)點(diǎn)集之間的搜索和逐對(duì)匹配的次數(shù)，因此要比原有點(diǎn)模式的效率高。
本文對(duì)基于細(xì)節(jié)點(diǎn)的指紋匹配算法和基于全局信息的改進(jìn)2DPCA匹配算法進(jìn)行了分析；然后對(duì)三種模式的算法進(jìn)行了比較，總結(jié)了其優(yōu)缺點(diǎn)；最后將兩種模式的算法相結(jié)合，設(shè)計(jì)了一種混合指紋識(shí)別算法。該算法具有兩種模式的優(yōu)點(diǎn)，能夠縮小匹配范圍，減少匹配次數(shù)，并且在一定程度上提高了識(shí)別率，降低誤判和拒識(shí)率。
參考文獻(xiàn)
[1] JAIN A K, ROSS A, PRABHAKAR S. An introduction to biometric recognition [J]. IEEE Transactions on Circuits and Systems for Video Technology，2004,14(1):4-20.
[2] WANG Yong Xu. A fingerprint recognition algorithm based on principal component analysis[C]. Proc. of IEEE TENCON’06.Hong Kong, China:[s,n.], 2006.
[3] 羅希平，田捷. 自動(dòng)指紋識(shí)別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法[J]. 軟件學(xué)報(bào), 2002,13（5）：946-956.
[4] 祝恩. 低質(zhì)量指紋圖像的特征提取與識(shí)別技術(shù)的研究[D].長(zhǎng)沙：國(guó)防科技大學(xué)博士論文，2005.
[5] 金莉莉，李勇平,汪勇旭，等. 基于二維主成分分析的指紋識(shí)別算法[J].計(jì)算機(jī)工程,2008,34(7):215-217,220.