毛元，馮桂，湯繼生

（華僑大學(xué) 信息科學(xué)與工程學(xué)院，福建 廈門361021）

隨著身份鑒別技術(shù)在社會各個領(lǐng)域的廣泛應(yīng)用，生物特征識別技術(shù)成為近年來研究的熱點.指紋特征因具備普遍性、長久性、唯一性和易采集性的特點，同時可以實現(xiàn)一對一比對和一對多的比對模式，使得指紋識別成為解決現(xiàn)代身份認(rèn)證問題的有效方法之一.指紋中心點的計算精度和有效的提取指紋特征是影響指紋識別系統(tǒng)正確率的關(guān)鍵因素.目前，基于特征點的匹配算法［1-2］已被大部分自動指紋識別系統(tǒng)所采用，主要思想為根據(jù)指紋脊線端點和交叉點的坐標(biāo)及方向信息進(jìn)行匹配.此算法在一定程度上取得了較好的識別效果，但低質(zhì)量指紋圖像因細(xì)節(jié)點較難有效提取，其識別效果往往不佳.為解決平移不變問題和提高指紋識別性能，本文將指紋增強(qiáng)算法和復(fù)濾波器中心點定位結(jié)合使用，提出一種基于八方向Gabor濾波的指紋識別算法.

1 指紋識別算法原理

采用基于結(jié)構(gòu)的特征提取算法不僅可以提取指紋局部脊線特征，而且考慮到全局紋理特征［3］.算法主要有3個步驟：1）指紋圖像增強(qiáng)；2）指紋中心點定位；3）確定感興趣區(qū)域（region of interest，ROI）和特征提取.把圍繞中心點作的同心環(huán)作為ROI并進(jìn)行分扇區(qū)歸一化，將八方向Gabor濾波器組與歸一化后的ROI相卷積；最后將待匹配指紋的特征與指紋模板庫進(jìn)行最小距離匹配.圖1為算法流程圖.

圖1 指紋識別算法流程圖Fig.1 Algorithm flow chart for fingerprint identification

1.1 指紋圖像增強(qiáng)

由于指紋在采集過程中可能會帶來各種噪聲，產(chǎn)生的一些低質(zhì)量指紋圖像，影響到指紋中心點的定位和識別系統(tǒng)的準(zhǔn)確率.因此，需要先對指紋圖像進(jìn)行增強(qiáng)以獲取更好的指紋脊線結(jié)構(gòu).采用Hong等提出的基于Gabor濾波的指紋圖像增強(qiáng)算法［4-5］進(jìn)行圖像增強(qiáng) .圖2為指紋圖像增強(qiáng)算法框圖，該算法主要包括如下3個步驟.

1）方向場估算 .將圖像劃分為w×w的小塊，并在每一小塊中計算像素（i，j）處的梯度值?x（i，j）和?y（i，j），最后計算出以像素（i，j）為中心的方向θ（i，j）.即

由于采集環(huán)境和手指本身狀態(tài)等原因造成指紋圖像含有噪聲，所求方向場中因存在著方向突變塊并不準(zhǔn)確，故需用高斯低通濾波器進(jìn)行平滑.

2）頻率場估算 .根據(jù)指紋紋線在垂直于紋線的方向上灰度大致成正弦波的規(guī)律，可以計算出相鄰峰值之間的平均像素數(shù)T（i，j），則紋線頻率F（i，j）＝1／T（i，j）.

3）Gabor濾波 .以方向場和頻率場為參數(shù)構(gòu)造Gabor濾波函數(shù)，適當(dāng)調(diào)整濾波器參數(shù)，則可以減弱脊線噪聲，增強(qiáng)指紋圖像.

圖2 基于Gabor濾波的增強(qiáng)過程Fig.2 Process for image enhancement based on Gabor filters

1.2 指紋中心點定位

指紋中心點定義為指紋脊線曲率最大的點，其定位精度很大程度上影響匹配的正確率.定位指紋中心點是解決指紋平移問題的常用方法，而旋轉(zhuǎn)不變問題可以通過循環(huán)旋轉(zhuǎn)指紋碼的特征值得到較好的解決［6］.定位指紋中心點可以在方向圖中進(jìn)行，而Poincare索引數(shù)值法［7］是廣泛應(yīng)用的方法之一，但該方法的缺陷在于方向場較難提取或估計精度往往不夠時，導(dǎo)致定位效果不理想.Nilsson等［8］提出利用指紋中心點的對稱性對復(fù)濾波器的強(qiáng)響應(yīng)，從而定位中心點的方法.該算法把指紋圖像的塊方向和脊線細(xì)節(jié)特征有機(jī)結(jié)合起來，相比僅依賴局部脊線結(jié)構(gòu)的定位方法能有效地抵抗圖像噪聲，從而更好地定位中心點.文中采用該算法確定指紋中心點位置，有如下3個基本步驟.

1）計算原始指紋圖像I（x，y）的復(fù)方向場，即有

式（4）中：fx和fy分別表示原始指紋圖像在x方向和y方向的梯度.

2）由于僅對檢測中心點感興趣，故只需使用拋物對稱形式的濾波器，即

3）將復(fù)方向場圖像與中心點相匹配的濾波器進(jìn)行卷積并取模，即

式（6）中：中心點是R（x，y）最大時所對應(yīng)的像素點.

該算法較好地解決了低質(zhì)量指紋圖像中心點問題.3種不同低質(zhì)量類型指紋增強(qiáng)后中心點定位效果，如圖3所示.

1.3 感興趣區(qū)域的確定和特征提取

當(dāng)指紋中心點檢測出后，中心點周圍的區(qū)域被定義為指紋感興趣區(qū)域（ROI）.ROI經(jīng)八方向Gabor濾波便可提取出指紋的全局和局部特征.具體算法有如下7個主要步驟.

1）確定指紋中心點位置，并圍繞中心點裁剪指紋感興趣區(qū)域（ROI）.

圖3 3種不同低質(zhì)量類型指紋圖像中心點定位Fig.3 Reference point location on three different poor quality fingerprints

2）以中心點為中心作同心圓，分割ROI成B個環(huán)形區(qū)域，最后將每個環(huán)形區(qū)域分割成K個扇形區(qū)域.對于分辨率為500 dpi的指紋圖像，取環(huán)形區(qū)域的寬度為20個像素寬，B＝5，K＝16.

3）為消除指紋噪聲的影響，分扇區(qū)歸一化指紋圖像.

4）歸一化后的ROI與八方向Gabor濾波器組分別進(jìn)行卷積.

5）圖像經(jīng)濾波后，計算每個扇區(qū)Si內(nèi)的平均絕對誤差（average absolute deviation，AAD）特征值，其計算式為

式（7）中：Fi，θ（x，y）為扇形區(qū)域Si內(nèi)的各個像素的灰度值；Pi，θ表示區(qū)域Si內(nèi)像素灰度的均值；ni表示環(huán)形區(qū)域Si內(nèi)的數(shù)目；i∈｛0，1，2，…，79｝；θ∈｛0°，22.5°，45°，67.5°，90°，112.5°，135°，157.5°｝；Vi，θ被稱為平均絕對誤差（AAD）特征值.其中，每一方向的濾波圖像可由個數(shù)為5×16＝80的特征向量來表示，故每幅指紋圖像經(jīng)8方向濾波后提取AAD特征個數(shù)為8×80＝640，AAD特征向量表示的指紋特征被稱為Finger Code.

6）設(shè)Finger Code 1從指紋原圖像中提取獲得，F(xiàn)inger Code 2通過將原圖像旋轉(zhuǎn)11.25°以后提取獲得.將Finger Code 1和Finger Code 2分別旋轉(zhuǎn)R×22.25°（R＝0，…，15），來實現(xiàn)旋轉(zhuǎn)不變性，旋轉(zhuǎn)特征向量與將指紋圖像先旋轉(zhuǎn)再提取特征向量等價.對于偏轉(zhuǎn)集中在±45°的指紋庫，可以只將兩個特征向量分別旋轉(zhuǎn)0°，22.5°，45°，315°，337.5°；對于每個指紋，對應(yīng)10個指紋模板保存在指紋模板庫中.

7）計算輸入指紋的AAD特征值與指紋模板庫中每個指紋模板的歐式距離，并采用最小距離法進(jìn)行匹配.

2 實驗結(jié)果與分析

在CPU為3.40 GHz，3.39 GHz，內(nèi)存為2.00 GB的PC和 Matlab R2006A的開發(fā)環(huán)境下，選用FVC2004DB1的指紋數(shù)據(jù)庫（http：∥bias.csr.unibo.it／fvc2004）作為實驗對象.該指紋庫圖像來自100個不同的手指，每個手指分別采集8次，共800幅，圖像尺寸為480 px×640 px，分辨率為500 dpi.

1）選取DB1中5＿3.tif為實驗對象，其指紋中心點定位，ROI確定和歸一化圖像，如圖4所示.

圖4 確定特征提取區(qū)和圖像歸一化Fig.4 Area of interest and normalized image

2）八方向Gabor濾波及特征提取 .指紋圖像與Gabor濾波器組卷積后，每一方向濾波后圖像中各個扇區(qū)的AAD反映了指紋的局部特征，而扇區(qū)的有序排列則表征了指紋的全局特征.與濾波結(jié)果相對應(yīng)的AAD特征，如圖5所示.

圖5 與八方向濾波結(jié)果相對應(yīng)的AAD特征Fig.5 AAD feature corresponding to eight directions filtering results

實驗中采用的每個手指是從8幅中選取5幅作為模板指紋，3幅作為輸入指紋.FVC2004DB1的指紋數(shù)據(jù)庫中指紋圖像偏轉(zhuǎn)集中在±45°，通過將原始指紋和旋轉(zhuǎn)11.25°的指紋圖像進(jìn)行八方向Gabor濾波，提取到兩個FingerCode特征 .分別將其旋轉(zhuǎn)0°，22.5°，45°，315°，337.5°，與待驗證指紋進(jìn)行5×2＝10次匹配，近似實現(xiàn)旋轉(zhuǎn)不變性.

表1列出了單Finger Code［9］和本文算法（雙Finger Code）兩種匹配方法的識別率 .由表1可見：基于雙Finger Code匹配算法（本文算法）比基于單Finger Code算法的更有效.

點模式匹配算法［10-11］和本文算法的實驗結(jié)果對比，如表2所示.由表2可見：采用本文算法的識別率為92.67%，較點模式匹配算法識別率有所提高.

表1 單Finger Code和雙Finger Code的識別率Tab.1 Recognition rate of single finger code and double finger code

3 結(jié)論

將指紋增強(qiáng)算法和復(fù)濾波器中心點定位結(jié)合使用，對指紋尤其低質(zhì)量指紋圖像取得良好的定位效果，較好的解決了平移不變問題.同時，循環(huán)移動雙Finger Code特征值近似實現(xiàn)旋轉(zhuǎn)不變性，算法取得了較好的識別效果.八方向Gabor濾波器組同時提取指紋的全局和局部特征，該算法優(yōu)于基于單Finger Code特征和基于點模式的指紋識別算法.

表2 兩種模式指紋匹配算法實驗結(jié)果Tab.2 Experimental results of the different fingerprint identification algorithm

［1］ RANADE S，ROSENFELD A.Point pattern matching using minutiae and by relaxation［J］.Pattern Recognition，1980，12（5）：269-275.

［2］ JAIN A K，PRABHAKAR S，CHEN Shao-yun.Combining multiple matchers for a high security fingerprint verification system［J］.Pattern Recognition Letters，1999，20（11／12／13）：1371-1379.

［3］ 回紅.基于結(jié)構(gòu)的指紋表達(dá)及匹配算法研究［D］.杭州：浙江大學(xué)，2002：42-45.

［4］ HONG Lin，WANG Yi-fei，JAIN A.Fingerprint image enhancement：Algorithm and performance evaluation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20（8）：777-789.

［5］ 太艷榮.基于 MATLAB實現(xiàn)的指紋圖像預(yù)處理［J］.西南民族大學(xué)學(xué)報：自然科學(xué)版，2008，34（4）：837-838.

［6］ 賀穎，蒲曉蓉.應(yīng)用 Gabor濾波的指紋識別算法的研究與實現(xiàn)［J］.計算機(jī)工程與應(yīng)用，2010，46（12）：172-175.

［7］ 田捷，楊鑫.生物特征識別理論與應(yīng)用［M］.北京：電子工業(yè)出版社，2005：213-218.

［8］ NILSSON K，BIGUN J.Localization of corresponding points in fingerprints by complex filtering［J］.Pattern Recognition Letters，2003，24（13）：2135-2144.

［9］ JAIN A K，PRABHAKAR S，HONG Lin.Finger code：A filterbank for fingerprint representation and matching［C］∥Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Colorado：IEEE Press，1999：187-193.

［10］ 張志禹，佀薇.一種基于混合匹配的指紋識別方法［J］.微型機(jī)與應(yīng)用，2011，30（2）：42-44.

［11］ 羅希平，田捷.自動指紋識別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法［J］.軟件學(xué)報，2002，13（5）：946-956.