毕业论文——基于神经网络的指纹识别.doc

《毕业论文——基于神经网络的指纹识别.doc》由会员分享，可在线阅读，更多相关《毕业论文——基于神经网络的指纹识别.doc（39页珍藏版）》请在三一文库上搜索。

1、湖 南 科 技 大 学毕 业 设 计（ 论 文 ）题目基于神经网络的指纹识别系统研究作者颜金伟学院专业学号指导教师二 年 月 日iii湖 南 科 技 大 学毕业设计（论文）任务书 院 系（教研室）系（教研室）主任: （签名） 年 月 日学生姓名: 学号: 专业: 1 设计（论文）题目及专题： 2 学生设计（论文）时间：自 年 月 日开始至 年 月 日止3 设计（论文）所用资源和参考资料：4 设计（论文）应完成的主要内容：5 提交设计（论文）形式（设计说明与图纸或论文等）及要求：6 发题时间： 年 月 日指导教师： 学 生： 湖 南 科 技 大 学毕业设计（论文）指导人评语指导人： 年 月 日

2、指导人评定成绩： 湖 南 科 技 大 学毕业设计（论文）评阅人评语评阅人： （签名）年 月 日 评阅人评定成绩： 湖 南 科 技 大 学毕业设计（论文）答辩记录日期： 学生： 学号： 班级： 题目： 提交毕业设计（论文）答辩委员会下列材料：1 设计（论文）说明书共页2 设计（论文）图 纸共页3 指导人、评阅人评语共页毕业设计（论文）答辩委员会评语：答辩委员会主任： 委员： 答辩成绩： 总评成绩： 湖南科技大学本科生毕业设计（论文）摘 要随着信息技术的和网络技术的发展，信息安全越来越引起人们的重视。为了保护，自身的信息、财产、以及资料安全，很多场合和设备都需要对来访者和使用者进行身份验证。指纹识

3、别由于具有唯一性、可靠性，基于指纹识别的技术的身份识别系统以其独特的技术优势和成本优势广泛的应用于个领域。目前指纹匹配系统的主要问题存于这几个方面：在系统采集的指纹图像易受噪声和皮肤弹性等因素影响；特征匹配的效率较低；容易受伪特征点的影响；对模糊和有一定位移、旋转的图像无法准确识别等。本文将神经网络技术与模式识别技术相结合，提出一种对解决指纹识别技术中的问题切实有效的解决办法。概括起来，本文主要对指纹识别系统的以下几个方面进行了深入研究。本文给出了用matlab对指纹图像的处理算法以及处理结果。主要使用了，图像的频域增强，自适应阀值二值化和指纹的细化。实验显示，matlab实现的处理结果比较理

4、想，满足识别的应用性。在指纹的特征点提取技术研究中，本文采用了全局的一个指纹走向特征和局部的细节特征点作为神经网络识别的特征，从而达到准确识别指纹图像的目的。在指纹的识别方法中，本文使用了一种基于BP神经网络的指纹识别算法，使用神经网络的识别，能有效的提高指纹识别的鲁棒性。关键词：BP神经网络；指纹图像预处理；指纹特征提取；伪指纹特征处理AbstractWith the development of information technology and network technology, more and more people pay attention to information s

5、ecurity. In order to protect their own information, property, as well as data security, on many occasions and equipment needs of visitors and user authentication. Fingerprint recognition due to unique, reliability, identification systems based on fingerprint recognition technology with its unique te

6、chnical advantages and cost advantages of a wide range of applied field.Fingerprint matching system stored in these aspects: the fingerprint image acquisition by the system is susceptible to noise and skin elasticity and other factors; less efficient feature matching; vulnerable to the impact of fal

7、se feature points; blur and a certain displacement, the rotation of the image can not accurately identify. Neural network and pattern recognition technology is presented by combining an effective solution to solve the problem in fingerprint recognition technology. To sum up, this article is mainly o

8、n the following aspects of the fingerprint identification system in-depth study.In this paper, using matlab fingerprint image processing algorithms and processing results. Mainly spent, in the frequency domain of the image enhancement, adaptive threshold binarization and thinning of the fingerprint.

9、 The experiments showed that the Matlab achieve results, to meet the identified application.Fingerprint feature point extraction technology research, this paper uses a fingerprint of the global trend features and local minutiae as the neural network to identify the characteristics, so as to achieve

10、the purpose of accurate identification of the fingerprint image.Fingerprint identification method, the use of a fingerprint recognition algorithm based on BP neural network, neural network identification, can effectively improve the robustness of fingerprint identification.Keywords: BP neural networ

11、k; fingerprint image preprocessing; fingerprint feature extraction; pseudo fingerprint feature processing目 录摘 要iAbstractii第一章 绪 论- 1 -1.1 生物识别技术简介- 1 -1.2 指纹识别技术简介- 2 -1.3 神经网络技术简介- 3 -1.4 本文的主要工作- 4 -第二章 指纹图像的预处理及其实现- 5 -2.1 指纹的概述- 5 -2.1.1 指纹的形成- 5 -2.1.2 指纹的特性- 5 -2.1.3 指纹识别的基本原理- 6 -2.1.4 指纹的采集技

12、术- 9 -2.2 图像频域增强- 11 -2.2.1 图像频域增强简介- 11 -2.2.2 图像频域增强的基本步骤- 11 -2.3 图像的二值化- 12 -2.3.1 图像二值化算法- 12 -2.3.2 二值化算法的matlab的仿真- 13 -2.4 指纹图像的细化- 14 -2.4.1 指纹图像的细化算法- 14 -2.4.2 细化算法的matlab仿真- 14 -第三章 指纹特征的提取- 15 -3.1指纹图像特征点的提取- 15 -3.1.1 基于灰度图像的直接提取法- 15 -3.1.2 基于细化图像的邻域法- 15 -3.1.3 两种算法的比较- 16 -3.2 伪特征点的

13、剔除- 17 -3.2.1.伪特征点分类及特点- 17 -3.2.2 伪特征点剔除算法- 18 -3.3 本章小节- 19 -第四章 基于BP神经网络的指纹的识别- 20 -4.1 BP神经网络及其原理- 20 -4.1.1 BP神经网络简介- 20 -4.1.2 BP神经网络的特点- 21 -4.1.3 BP神经网络的主要功能- 21 -4.2 BP网络输入向量构建- 22 -4.2.1 基于纹路整体走向的总体特征提取- 22 -4.2.2 基于端点和分支点统计特性的局部特征提取- 23 -4.3 用自适应步长的BP网络进行指纹识别- 23 -4.4 实验结果- 24 -第五章 总结与展望-

14、 26 -5.1 总结- 26 -5.2 展望- 26 -致 谢- 27 -参 考 文 献- 28 -第一章 绪 论1.1 生物识别技术简介 已经有许多的生物识别技术，如指纹识别，掌形识别，虹膜识别，视网膜识别，面部识别，签名识别，语音识别，但部分技术含量高的生物特征识别方法仍处于实验阶段。随着科学技术的飞速进步，将会有更多更多的生物识别技术应用到现实生活。传统的识别方法，包括身份的物品（如钥匙，ID，ATM卡等）和身份（如用户名和密码）的知识，但主要是通过在体外材料鉴定项目，一旦身份证明和鉴定被盗或遗忘的知识其身份被假冒或替换。生物识别技术比传统的识别方法，保密和方便更安全。不容易被遗忘的生

15、物特征识别技术，安全功能，难以伪造或被盗，便携式携带，可随时，随地，等等。人的特点是人体固有的不可复制的只有这一生物密钥无法复制，失窃或被遗忘，利用生物识别技术进行身份确认，安全，可靠和准确的。普通的密码，IC卡，条码，磁卡或钥匙丢失，遗忘，复制和未经授权使用的诸多不利因素。因此，采用生物“钥匙”，你不必携带大串钥匙，不用费心记忆或变更密码。系统管理员不必忘记密码无奈。生物识别技术产品均借助于现代计算机技术实现，很容易与计算机安全，监控，管理系统和自动化管理。生物识别技术可广泛应用于政府，军队，银行，社会福利和安全，电子商务，安全和国防。例如，储户到银行，他既不用银行卡，还有的是没有记住你的密

16、码直取款时，他的自动柜员机提款，一个视频摄像头扫描用户的眼睛，然后迅速而准确地完成用户的认证结束业务，这是实拍岛，得克萨斯州，美国联合银行的销售部门。该业务部门是现代生物识别技术虹膜识别系统。 “有几种方法来实现指纹识别。其中有一些遵循传统的公安部门所使用的方法，以局部细节，比较指纹，有的直接通过所有的特点，确定一些独特的方法，如指纹波纹边缘模式和超声波。有些设备可以实时测量的指纹，而别人做不到的。在所有生物识别技术中，指纹识别是目前使用最广泛的指纹识别更适合室内安防系统，因为可以有足够的教育和培训，并为用户提供系统运行环境是可控的条件。由于其相对较低的价格，较小的体积（可以很容易地集成到键盘

17、），且易于集成，使工作站的安全访问在几乎所有的应用指纹识别系统。1.2 指纹识别技术简介指纹识别是基于生物特征识别的一种，具有所有生物识别的共性。用于个人身份识别的生物识别技术中指纹特征是第一个被发现和应用，因此，长期与其他识别技术相比，指纹识别的历史更加悠久。指纹识别技术是目前最成熟且价格便宜的生物特征识别技术。目前来说指纹识别的技术应用最为广泛，我们不仅在门禁、考勤系统中可以看到指纹识别技术的身影，市场上有了更多指纹识别的应用：如笔记本电脑、手机、汽车、银行支付都可应用指纹识别的技术。指纹识别的主要步骤如图1.2.1： 图1.2.1 指纹识别的一般步骤总的来说，指纹识别的原理包括指纹采集原

18、理、指纹图像处理原理、指纹特征提取原理和指纹特征匹配原理四大部分。 （1）指纹采集的过程本质上是指纹成像的过程。其原理是根据嵴与峪的几何特性、物理特征和生物特性的不同，以得到不同的反馈信号，根据反馈信号的量值来绘成指纹图像。（2）指纹图像处理的过程 就是对指纹采集中湿法和干法，老化，损坏的指纹进型处理的到清晰的图像以拟补对指纹图的质量缺陷，确保处理后的指纹的对处理算法具有良好的鲁棒性。在图像处理中一般由规格化、方向图的就算、滤波几个方面组成。（3）指纹的特征提取主要是提取指纹图像中总体特征点信息和局部特征点信息，并去除应为图像采集过程中产生的一些伪特征点。（4）指纹特征匹配的过程就是，对当前输

19、入指纹图像的经过前面所述3步产生的特征数据与数据库内的信息进行比较以验证是否属于同一个指纹图像。本文中的匹配算法采用了神经网络的BP网络进行识别，大大提高了识别的鲁棒性。1.3 神经网络技术简介人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据

20、的模式。神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”，见图1.3.1）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。它的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Met

21、hod）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。人工神经网络具有四个基本特征：非线性、非局限性、非常定性和非凸性。神经网络有以下几个突出优点： （1）可以充分逼近任意复杂的非线性关系； (2)采用并行分布处理方法，使得快速进行大量运算成为可能； (3)所有定量或定性的信息都等势分

22、布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； (4) 能够同时处理定量、定性知识。 (5)可学习和自适应不知道或不确定的系统； 图1.3.1 神经元示意图 1.4 本文的主要工作 本文的主要任务是结合神经网络技术对指纹识别系统进行设计和基于matlab平台上的一个仿真。主要工作包括：对指纹图像的预处理，然后进行指纹特征的提取和伪特征的去除，提取出适合神经网络识别的特征数据，最后用基于神经网络的方法完成对指纹的识别。第2章 指纹图像的预处理及其实现2.1 指纹的概述2.1.1 指纹的形成我们可以看看自己，人体的表面各处布满了毛细孔和毛发，但是在手掌及脚掌的地方却没有这些构造。然而在我们手

23、指和脚趾的第一节内面有特殊的凸起纹路，有着各种不同的形状，这些纹路会产生分泌物，由指端脊纹排泄出来，所以当我们接触到物体时，在物体的表面就会留下这些纹路的痕迹，这就是我们取得指纹的来源。2.1.2 指纹的特性 指纹的形状千变万化，之所以指纹会成为现代科学鉴别的工具，是因为指纹有着特殊的性质，介绍如下:（1）指纹因人而异到目前为止，世界上没有找到过有两个指纹相同的人，即使是双胞胎，他们的指纹纹路虽然会非常相似，但是比对其细节的部分还是会有很大的不同。十八世纪以前，有些学者认为地球上几十亿的人口，总会找到有指纹相同的人，所以对这种认证的方式感到怀疑，但是后来检查世界各国的指纹资料库，在所有的指纹卡

24、上实在找不出两个完全指纹相同的指纹，这才确立了指纹有因人而异的特性。有人曾以电脑来计算，结论是要到四十二位数时，才可能用指纹相同的人，所以说，这在地球上是不太可能会发生了，就真得有指纹相同的人，他们也不太可能生存在同一个世纪。（2）指纹永久不变人在母体内四个月时，指纹就以经全部形成，会随着个人的发育而成长，然而纹路及形状从出生到老死都不会有改变，为了证实这个特点，十九世纪末，有一位德国人类学家威尔氏及英国学者贺须尔氏，都先后留下指纹，经过二十年后再来进行比对，结果几乎不受时间的影响而改变。由此永久不变的特性，是指纹验证被采用的原因之一。（3）触物痕迹 指纹每条纹路的凸纹上都布满了汗腺，随时都不

25、断的在分泌汗液，这些分泌除了水分之外，还有脂肪、蛋白质、尿素及其它有机混合物，特性是黏性特别强，挥发性慢，可以在物体上保留很长的时间。值得一提的是，人体在精神亢奋时，汗腺排泄的分泌液会特别多，如犯罪者在作案时，几乎是凡触摸过必留下痕迹。（4）损而复生人体的皮肤组织具再生的能力，而手指皮肤的再生能力比起其它的部位又特别的强，指纹的成形根于皮肤组织真皮层的根部，假设是在火伤，外科手术等等的情况下，会造成指纹一时间的无法辨识，但是经过一段时间后，指纹的纹路便会自动恢复到原有的样子，丝毫不会改变。除非真的受到非常深的创伤，组织受到完全的破坏，才有可能留下永久的疤痕。2.1.3 指纹识别的基本原理指纹的

26、图像是复杂的，生物识别技术公司并不直接存储指纹图像。经过长时间的发展和研究，在各个公司及其研究机构都产生了许多的数字算法（美国有关法律认为，指纹图像属于个人隐私，因此不能直接存储指纹图像）。指纹识别算法最终都归结为指纹图像和指纹的特征值的识别匹对。我国目前所采用的指纹制度和世界各国统一标准一致，使用的是英国学者ERHenry的现代指纹法，即Henry System分类整理法，将指纹分为二部八类，Henry并确认了若指纹上有13个特征点重合，即可确认为本人。指纹的特征可分总体特征和局部特征：（1） 总体特征总体特征就是那些可以直接用人眼进行观察和鉴别的特征，包括基本纹路图案环型（loop），弓型

27、(arch)，螺旋型(whorl) 如图2.1.1所示。其他的指纹图案都基于这三种基本图案。图2.1.1 环型、弓型、螺旋型指纹图像 模式区即指纹上包括了总体特征的区域，从此区域就能够分辨出指纹是属于哪一种类型的。有的指纹识别算法只使用模式区的数据，有的则使用所取得的完整指纹（SecureTouch的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别）。图2.1.2模式区核心点位于指纹纹路的渐进中心，它在读取指纹和比对指纹时作为参考点。许多算法是基于核心点的，既只能处理和识别具有核心点的指纹。（核心点对于SecureTouch的指纹识别算法很重要，但没有核心点的指纹它仍然能够处理

28、）如图2.1.3所示。图2.1.3核心点三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数跟踪的开始之处，如图2.1.4所示。图2.1.4三角点指纹模式区内指纹纹路的数量。在计算指纹的纹数时，一般先连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数，如图2.1.5所示。图2.1.5 纹数（2） 局部特征局部特征是指指纹上的节点的特征，这些具有某种特征的节点称为特征点。两枚指纹经常会具有相同的总体特征，但它们的局部特征一特征点，却不可能完全相同。指纹的纹路不是一直连续、平滑笔直的，纹路很多时候都会出现

29、中断、分支或者折返。这些端点、分支点和转折点就被称为“特征点”。就是这些点提供了指纹唯一性的必要信息。指纹的节点主要有以下几种特性：终结点(Ending)：一条纹路在此终结，如图2.1.6所示。图2.1.6 终结点分叉点(Bifurcation)：一条纹路在此分开成为两条或更多的纹路，如图2.1.7所示。图2.1.7 分叉点孤立点(Dot or Island): 一条特别短的纹路，以至于成为一点，如图2.1.8所示。图2.1.8孤立点 分歧点(Ridge Divergence): 一两条平行的纹路在此分开，如图2.1.9所示。图2.1.9 分歧点环点(Enclosure): 一条纹路分开成为两

30、条之后，立即有合并成为一条，这样形成的一个小环称为环点，如图2.1.10所示。图2.1.10 环点短纹(Short Ridge): 一端较短但不至于成为一点的纹路，如图2.1.11所示。图2.1.11 短纹方向(Orientation): 一节点可以朝着一定的方向。曲率(Curvature): 一描述纹路方向改变的速度。位置(Position): 一节点的位置通过(x,y)坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。2.1.4 指纹的采集技术 指纹采集技术的发展经历了一段很长的历史时期。采集技术其过程也受到传感技术发展的影响。指纹采集技术分为两种采集模式，一种是在被采集人已知的情

31、况下实施的采集。另一种是其未知的状况下的采集，如刑侦现场。第一代的指纹采集技术采用 “ 按压留痕 ” 的方式来采集指纹，利用的是指纹 “ 触物留痕 ” 的特性。这段时期主要通过 “ 油墨指纹卡 ” 的方式采集。第二代的指纹采集技术采用的是自动化、数字化的采集方式。指纹数据大多以数字信息表示并存储。下文主要介绍第二代的指纹采集技术。 指纹采集的过程在本质上是使指纹成像的过程。原理是根据嵴与峪的几何特性、物理特征和生物特性的不同，得到不同的反馈信号，根据反馈信号的量值来绘成指纹图像。 指纹的几何特性是指在空间上嵴是突起的，峪是凹下的。嵴与嵴相交、相连、分开会表现为一些几何图案。 指纹的生物特性是指

32、嵴和峪的导电性不同，与空气之间形成的介电常数不同、温度不同等。 指纹的物理特性是指嵴和峪着力在水平面上时，对接触面形成的压力不同、对波的阻抗不同等。 指纹采集的方法可以分成两种，一种是由器件主动向手指发射出探测信号，然后再分析反馈的信号，以形成指纹的嵴与峪的图案。如射频（ RF ）和光学采集采集就属于主动式采集。另一种则是器件被动感应的方法。当手指放置到采集设备上时，因为指纹的嵴和峪的生物特性或物理特性的不同，就会形成不同的信号，然后分析信号的量值从而形成指纹图案。（如半导体电容采集、热敏采集和半导体压感采集属于第二种） 对于指纹采集设备来讲，一般经过 “ 手指感知” 、 “ 图像的拍照 ”“

33、 质量判断与自动调整 ” 三个过程。考虑到设备的功耗，在没有手指接触的时候，采集设备一般处在休眠状态。当手指接触到设备时，采集器就会感知到手指的接触并切换其状态。对于半导体类的采集设备大部分具备这种敏锐的指纹察觉技术。随着活体采集的技术的研究和发展，采集设备还可以判别出是否为活体手指，这能通过检测手指的活体特性来实现。 在理想的情况下，如果在采集的过程中外界噪声足够小，采集得到的指纹图像将是干净的、真实的。然而现实的情况是，由于人手指表面脱皮和污渍的影响还有设备的采集面不干净等各种因素的影响，所以还需对采集到的图像进行预处理。这将在指纹图像预处理部分叙述。图2.1.12 不同质量的指纹图像当今

34、使用的主流指纹采集技术有光学指纹采集技术，半导体指纹采集技术和超声波指纹采集技术。光学指纹采集技术，其原理是利用光的全反射原理，将照射到压有指纹的玻璃表面的反射光线通过CCD来获取，反射光的量将依赖于压在玻璃表面的指纹脊和谷的深度和皮肤与玻璃间的油脂和水分。光线穿过玻璃照射到有谷的地方后在玻璃与空气的界面发生会全反射，光线被反射到CCD, 而射向脊部位的光线却不发生全反射，这样就在采集的CCD上形成了指纹的图像。半导体传感器是1998年在市场上才出现的，这些含有微型晶体的平面通过多种技术来绘制指纹图像。主要使用的方案有：硅电容指纹图像传感器、半导体压感式传感器和半导体温度感应传感器。 超声波指

35、纹图像采集技术，是Ultra-scan公司首开超声波指纹图像采集设备产品的先河。超声波指纹图像采集技术是被认为在指纹采集技术中最好的一种，但在实际的指纹识别系统中却还不常见，其成本很高，并且还处于实验室阶段。超声波指纹取像的原理是:当超声波扫描指纹的表面，紧接着接收设备获取的其反射信号，由于指纹的脊和谷的声阻抗的不同，导致反射回接受器的超声波的能量不同，测量超声波能量大小，进而获得指纹灰度图像。积累在皮肤上的脏物和油脂对超声波取像影响不大。所以这样获取的图像是实际指纹纹路凹凸的真实反映。2.2 图像频域增强2.2.1 图像频域增强简介 在数字图像处理中，图像最直观的理解是把图像理解为二维函数F

36、(x,y)，其中x，y作为数字图像中象素的二维空间的坐标，F的值作为数字图像象素该位置的灰度值。但是在空间域在处理某些数字图像的问题时，会比较困难甚至是几乎难以处理。在频率下处理的时候，同样的问题用不同的描述方式是和空间域的表示是等价的，但由于描述方式不同了以前空间上很难处理的问题在频率域上就有可能变得很容易了。在频率域上处理时，还可以使用数字信号处理的一系列成熟的方法，让我们处理特殊的问题有了很多的工具，所以频率图像增强是很有价值进行学习和研究的。2.2.2 图像频域增强的基本步骤 图像频域增强的一般方法归纳为一下六步： （1）计算原始图像的FFTF(u,v)； （2）四个角落的零频点移到图

37、像中央； （3）H(u,v）*F(u,v)=G（u,v）; （4）G(u，v)零频点移回四个角落； （5）傅里叶反变换得到最终的图像。无论是何种类型，何种目的的频率域图像增强，处理的过程都是基本一致的，都如下图所示图2.2.1 图像频域处理基本步骤 下图为处理后的效果图图2.2.2 频域处理后对比图2.3 图像的二值化2.3.1 图像二值化算法指纹图像的二值化是作为指纹图像处理过程的过程之一，是进行指纹图像细化处理的先决条件。目前的指纹细化算法都是基于二值指纹图像进行的。对指纹图像进行二值化处理的优点在于是图像的几何性质只与0和1在图像矩阵中的位置有关，不再涉及到图像像素的灰度值，使算法的处理

38、过程变的简单，这给指纹图像的存储和对其的相应的处理操作都带了很大的便利性，同时也提高了系统的运行效率。一个好的二值化算法可以得到一个高质量的二值图像。反之，如果该阶段处理不当引入了噪声，就会直接降低图像的质量，对后序的识别过程造成很大程度上的干扰。对指纹图像二值化的基本要求就是二值化后的图像能完整的反映出原指纹，具体要求表现为：（1） 纹线中不能出现空白。（2） 二值化的纹线基本保持原指纹图像的特征。（3） 指纹的纹线中不能有太多的算法引起的间断和纹线的想连。（4） 指纹纹线间的间距应该基本相同。 大多数灰度图像的二值化变化函数F(x)都可以用下述公式进行表达： 公式中的T为人为指点的阀值，自

39、变量x为图像像素点的灰度值。局部自适应阀值算法先是利用固定阀值算法的思想，然后再根据图像中每一个部分的明暗度来调整阀值。首先把图像分割成若干个w*w的方块，每一块都根据自身的阀值来进行二值化。这个算法利用了指纹图像中脊线与谷线宽度基本相同的特点，即二值化后图像的黑白像素点的个数也应该大致相同，首先利用固定阀值算法的特点对指纹图像中的每个一子块确定一个大致的阀值，然后再利用自适应的算法思想进行阀值的调整，当阀值最合适时图像是最光滑的，既没有“黑洞”（阀值过大），也没有“白点”（阀值过小），因此0-1之间的转换次数最少。以下为区域阀值的T的选取算法：（1） 将指纹划分为相互不重叠的w*w的子块，计

40、算该子块区域内所有像素的灰度平均值。 （2） 计算该区域内的Nk(灰度值大于等于T的像素点的个数)和Nl（灰度值小于T的像素点的个数）的值 （3）.如果 ,则T为阀值；（4） 若，则T=T+1,否则T=T-1,返回第二步。2.3.2 二值化算法的matlab的仿真本文使用matlab图像处理工具箱中提供的im2bw函数来实现对指纹图像的二值化。以下为实现的matlab代码：I=imread(image2.jpg);level=graythresh(I);J=im2bw(I,level);imshow(J);通过matlab执行后的仿真结果如图2.3.1图2.3.1 二值化结果2.4 指纹图像的

41、细化2.4.1 指纹图像的细化算法细化又被称为骨骼化，是指在不对图像的拓扑结果有影响的情况下，将图像中宽度大于一个像素的线条转化为只有一个像素宽度的线条的图像处理过程。由于在指纹识别的图像处理过程中，指纹的特征、方向特征和位置特征，只跟指纹图像的拓扑结构有关，而与脊线和脊谷的宽度没有关系，同时通过细化的过程能极大的便利后序对指纹图像特征点提取的操作，因此在指纹的图像预处理中，需要对指纹图像进行细化的处理。细化效果的好坏会直接的影响到后序特征点能否进行高效的提取。若细化的效果不好的话，很可能导致后序的特征点提取工作出现大量的伪特征点，致使匹配的工作无法进行，因此细化的操作对于指纹图像的预处理非常重要。由于指纹识别与一般的图像识别有很大的不同，指纹识别的匹配是直接与细化后的图像的端点相关的，因此细化的操作不能对指纹图像的端点的位置和方向产生影响。2.4.2 细化算法的matlab仿真本文使用matlab图像处理工具箱提供的bwmorph函数来实现对指纹图像的细化操作，一下是matlab的实现过程：I=imread(image3.jpg);K=bwmorph(J,thin,inf);imshow(K);通过matlab仿真后的结果如图2.4.1图2.4.1 指纹图像的细化结果第3章 指