自动指纹识别算法研究

《自动指纹识别算法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、学号：分类号：TP391硕士学位论文自动指纹识别算法研究研究生姓名：指导教师：学科门类：工科专业名称：计算机软件与理论论文提交日期：烟台大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律结果由本人承担。论文作者签名：日期：年月日学位论文使用授权说明本人完全了解烟台大学关于收集、保存、使用学位论文的规定，即：按照学校要

2、求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。（保密论文在解密后遵守此规定）论文作者签名：导师签名：日期：年月日摘要指纹具有唯一性和终生不变性，它作为一种身份认证手段被广泛应用在警用和民用领域。尤其是在民用领域，随着社会发展对自动身份认证技术需求的增加，以指纹为代表的生物特征识别已经成为一个重要的产业，市场份额以逐年扩大的趋势迅速发展。指纹算法研发是一项长期、复杂的高难度课题，很多难题至今还

3、没有解决。因此，仍然有必要对指纹识别算法进行深入研究。本文在系统研究自动指纹识别算法各环节的基础上，提出了一套实用的指纹识别算法，并取得了以下研究成果。首先，本文提出了一种改进的基于梯度的点方向场计算方法。传统的方向场计算方法存在抗噪声能力不强、分块过大不能充分描述奇异点附近方向剧烈变化等缺点。改进算法使用高斯滤波器提取其原始图像低频信息并对其缩小，在缩小图像的基础上计算点方向场，在保证速度的同时极大的提高了方向场的准确性，为后续处理垫定了良好的基础。其次，本文提出了一种基于一维滤波器的快速高效的指纹增强方法，极大地提高了算法速度，解决了Gabor滤波器

4、计算量大的问题。纵观各种增强方法的原理，其作用无非表现在两个方面，沿着纹线方向的低通平滑和垂直于纹线方向的带通锐化。根据这个原理本文设计了十字形一维滤波器对指纹图像进行增强并取得了很好的效果。最后，在特征匹配阶段，本文提出了快速模式和精准模式相结合两阶段算法，进一步提高了算法性能。判定两枚指纹是否是同源指纹，一般要结合匹配成功的细节点数和整体相似度两个指标来进行判断。传统方法一般采用刚性标准，即两个指标中有一个不能达到阈值，则判为失败。本文通过对失败且指标在阈值一定范围之内的指纹进行二次精准匹配，根据精准匹配的结果判断两枚指纹是否为同源。这种两阶段的方法

5、在很大程度上提高了算法的识别率。关键字：指纹识别；指纹分割；方向场；指纹增强；特征提取；特征匹配IVAbstractIV目录摘要IAbstractII目录III1绪论11.1生物特征识别技术简介11.1.1指纹识别21.1.2人脸识别31.1.3虹膜识别[8]41.1.4视网膜识别51.1.5掌形识别51.1.6语音识别61.1.7签名识别61.1.8多模态识别71.1.9生物特征识别的市场调查和发展前景71.1.10生物特征识别技术的横向比较91.2指纹识别技术简介111.2.1指纹识别的历史111.2.2指纹识别与其他生物特征识别技术的比较121.2

6、.3自动指纹识别技术的应用领域131.2.4自动指纹识别所面临的问题131.3论文的任务及创新点141.4论文的组织结构152自动指纹识别技术基础162.1指纹识别中的基本概念162.2指纹识别方法综述202.3自动指纹识别系统组成202.4自动指纹识别系统的性能评价指标232.5本章小结243指纹图像预处理263.1指纹图像预处理概述263.2指纹图像的规格化273.2指纹图像的分割283.3指纹图像方向场计算和校正313.3.1概述31IV3.3.2方向场计算方法323.3.3方向场校正353.3.4方向场计算与校正的难点分析383.3.5本文提出的

7、快速有效的方向场计算方法393.4频率场的计算与校正403.5指纹图像的增强413.5.1指纹图像增强方法概述413.5.2指纹图像增强的难点433.5.3本文提出的改进的增强方法433.6实验结果及效果分析443.5指纹图像的二值化和细化464指纹特征提取及分类474.1指纹细节点的提取471边缘点482断脊483纹线叉连484孔洞495毛刺496短线494.2指纹奇异点的提取504.3指纹分类技术概述524.4小结555指纹特征匹配算法研究565.1指纹特征匹配算法概述565.2基于点模式的指纹匹配算法概述565.2.1基于Hough变换的匹配算法5

8、75.2.2基于串距离的匹配算法585.2.3基于N近邻的匹配算法585.2.4