开题报告基于Matlab的指纹识别.docx

开题报告基于Matlab的指纹识别.docx

《开题报告基于Matlab的指纹识别.docx》由会员分享，可在线阅读，更多相关《开题报告基于Matlab的指纹识别.docx（10页珍藏版）》请在冰豆网上搜索。

毕业设计选题：

基于matlab的指纹识别

随着科学技术的不断发展，自动化的指纹识别技术如今已经被人们广泛地应用在银行、商业交易、公安部门、海关部门等需要对人的身份进识别的领域，而本文所描述的是对自动化指纹识别系统的研究现状以及自动化指纹识别系统的基本算法和流程，本实验是利用MATLAB2012来进行了指纹识别系统的仿真和实验的。

然而在生物识别技术的快速发展的今天，人们通过研究发现了每一个人的指纹都具有唯一性和不变性。

也正因为这样，指纹识别技术正在逐步的发展成为一种新的身份识别技术，并且凭借它良好的安全性以及可靠性，逐步有取代传统身份认证的方式趋势。

本实验简单的介绍了指纹识别图像的预处理的方法和步骤。

指纹图像预处理之后将会得到一个宽度为统一像素的细化后的二值化图像，最后再根据特定的指纹图像的端点以及交叉点的特征进行对指纹自动匹配。

本论文中采用MATLAB2012编程实现所有算法。

关键词：

指纹识别技术指纹图像预处理指纹识别MATLAB2012

1.1指纹及其识别

如今，生物特征识别领域中的最为成熟的应用技术之一--指纹识别技术。

其实它已经有非常悠久的历史了。

很久以前，指纹识别技术已经很早就应用于刑事侦查和司法鉴定领域了，很多人不知道的是。

随着计算机网络和信息处理技术的快速发展，这门历史悠久的指纹识别技术也开拓了更多更广阔的市场，自动的指纹识别技术和与其相关的产品越来越多的应用在普通人的生活当中。

生物识别技术（BiometricIdentificationTechnology）的定义是：

利用人体的不同的生物特征来进行对人的身份进行认证的一种技术[1]。

这是因为人的生物特征是唯一的，可以区分与他人不同的特征。

并且我们还可以通过技术测量或者是自动识别来检验出生理特性以及行为方式，我们所说的这个特征分为生理特征、行为特征。

我们对生物特性来进行提取并放入数据库，再将提取出来的人的唯一特征和它的身份一一对应起来。

指纹识别技术：

对“全局特征”、“局部特征”进行分析的技术就是我们所说的指纹识别技术。

而且我们每一个人的指纹都具有独一无二的特征点，而且这些特征点都是可以测量的。

每一个特征点还会伴随着大概七个左右不同的特征。

可想而知，我们有10个手指，将产生至少4900的独立功能并可以测量的数据。

这将意味：

指纹识别技术是一个门可靠的身份识别技术。

根据不同的人的指纹也会有不同，即使是同一个人，也会有不同的指纹。

而且纹线走向、纹线的断点、交叉点的不同更加决定了指纹都具有“唯一”的这种特性，这恰恰就是指纹识别技术的原理。

不仅如此，我们的指纹也是不会随着我们年龄的增长而发生太大的变化，也就是说我们指纹是终生不变的。

利用唯一性和稳定性这个指纹的特性，可以将一个人身份个人信息和他所对应的指纹联系起来。

实现的方法就是：

通过对他的指纹样本的预先保存，再和指纹模板进行配对和比较。

再利用计算机对指纹图像进行快速的识别。

这样就能很快的识别出指纹所对应的的人的真实身份了。

从而达到一种身份认证和识别的功能。

1.2指纹识别算法概述

本实验所使用的主要算法是滤波特征和不变矩指纹识别算法。

滤波特征识别算法：

大小不变，不变的位置，方向不变，这是特征指纹图像必须满足的三个特点。

大小不变性是很容易满足的。

而在滤波特征提取算法中，位置不变性，则是通过确定指纹图像的中心点位置来实现的。

通过在匹配阶段，建立起多个角度的旋转特征向量来实现指纹图像的方向不变性。

而滤波特征的提取算法，包括了4个步骤。

一是先确定指纹图像的中心点。

作为需要处理的指纹区域的中心位置，记为R01区域；二是以中心位参考点，对R01区域来进行适当的划分，得到一定大小的块；三是运用一组Gabor滤波器，对R01区域做八个不同方向的滤波运算；四是对滤波后的图像，分别计算出每一块中。

图像灰度值相对于均值的平均绝对偏差。

进而得到特征向量或特征编码。

这种指纹识别算法。

首先要对指纹图像提取滤波特征，然后在特征向量上（由滤波特征值构成的）进行匹配。

不变矩识别算法的基本思路是：

1、搜索预处理后的二值化图像中，所有可能成为目标的区域。

2、计算出R01区域中7个不变矩特征，求出与模板匹配程度最高的R01区域进行匹配。

其中相似度度量采用欧式距离（Euclideandistance）。

这里，搜索算法为系统使用的最简单的顺序查找方法。

就是对数据库文件，逐一搜索。

一张指纹数字图像图片被系统读入时，就会根据上述的方法，先对这一幅指纹数字图像进行特征值提取和编码，并保存到临时变量中去。

系统的指纹数字图像数据库文件里同时也会保存一组指纹数字图像灰度偏差的特征。

过程如下：

1．申请内存空间。

将匹配结果的临时变量进行保存，对输入系统的要匹配的指纹数字图像的编码进行保存。

2.搜索系统的数据库文件。

当数据库文件为空时，程序结束查找。

3.当系统的数据库文件不为空时。

由于在指纹数字图像在入库的时候，指纹数字图像是按一定排列顺序的编码。

同样地，系统也将匹配的指纹数字图像的图象编码设置同样的顺序。

这样系统就按照一定得顺序进行匹配。

这样可以通过欧氏距离（ED）匹配算法，来判断两个指纹数字图像之间的欧氏距离。

前面提到系统是对一张指纹数字图像进行两次编码的保存。

将相对应的特征向量进行比较，取其中最小的一个作为系统比对的结果输出。

这里是通过欧式距离来实现的对比数据库中模板图像和待测试图像相对应的特征点向量距离计算的。

对于计算机计算出来的数据，如果匹配指数小于定值T，则被认为是匹配成功，否则匹配失败。

简单的说，欧氏距离（Euclideandistance）就是将两组特征向量相减，然后求出他们对应之间的差的平方和，然后开根号。

举个例子来说吧：

A=（1，2，3）B=（4，5，6）则他们之间的距离就是d=sqrt（（1-4）2+（2-5）2+（3-6）2）。

接着识别系统就逐一搜索数据库中的数据文件，求的他们距离的最小数值。

如果对比的两张指纹数字图像的特征向量之间的距离是0，则系统会认为这两张数字图像是同一张，或者说来自于同一手指。

从而达到识别的功能。

欧氏距离表示的是两张指纹数字图像的特征向量的相似程度。

距离越近就越容易相互干扰，误码率也就越高，也就越相似。

1.3采集指纹图像的技术

获得良好的指纹图像是一个十分复杂的问题。

因为用于测量的指纹仅是相当小的一片表皮，所以指纹采集设备应有足够好的分辨率以获得指纹的细节。

目前所用的指纹图像采集设备，基本上基于三种技术基础：

光学技术、半导体硅技术、超声波技术。

1.光学技术[10]　　

借助光学技术采集指纹是历史最久远、使用最广泛的技术。

将手指放在光学镜片上，手指在内置光源照射下，用棱镜将其投射在电荷耦合器件（CCD）上，进而形成脊线（指纹图像中具有一定宽度和走向的纹线）呈黑色、谷线（纹线之间的凹陷部分）呈白色的数字化的、可被指纹设备算法处理的多灰度指纹图像。

光学的指纹采集设备有明显的优点：

它已经过较长时间的应用考验，一定程度上适应温度的变异，较为廉价，可达到500DPI的较高分辨率等。

缺点是：

由于要求足够长的光程，因此要求足够大的尺寸，而且过分干燥和过分油腻的手指也将使光学指纹产品的效果变坏。

2.硅技术（CMOS技术）[10]　　

20世纪90年代后期，基于半导体硅电容效应的技术趋于成熟。

硅传感器成为电容的一个极板，手指则是另一极板，利用手指纹线的脊和谷相对于平滑的硅传感器之间的电容差，形成8bit的灰度图像。

硅技术优点是可以在较小的表面上获得比光学技术更好的图像质量，在1cm×1.5cm的表面上获得200~300线的分辨率（较小的表面也导致成本的下降和能被集成到更小的设备中）。

缺点是易受干扰，可靠性相对差。

3.超声波技术[10]　　

为克服光学技术设备和硅技术设备的不足，一种新型的超声波指纹采集设备已经出现。

其原理是利用超声波具有穿透材料的能力，且随材料的不同产生大小不同的回波（超声波到达不同材质表面时，被吸收、穿透与反射的程度不同），因此，利用皮肤与空气对于声波阻抗的差异，就可以区分指纹脊与谷所在的位置。

超声波技术所使用的超声波频率为1×104Hz~1×109Hz，能量被控制在对人体无损的程度（与医学诊断的强度相同）。

超声波技术产品能够达到最好的精度，它对手指和平面的清洁程度要求较低，但其采集时间会明显地长于前述两类产品。

1.4指纹预处理

而在指纹采集过程中，不可避免的会引入各种噪声，如图像中的叉连、断点等，这些噪声对指纹特征信息的提取造成一定的影响，甚至会产生许多伪特征点。

因此在提取指纹特征之前，需要对指纹图像进行滤波处理，以去除无用信息，增强有用信息。

在得到增强的灰度图后，需要将其进一步二值化，便于后续过程的处理。

指纹图像预处理是去除指纹图像中的噪声，使指纹图像清晰、边缘明显，以便于提高提取和存储特征点的准确率。

包括指纹区域检测、图像质量判断、方向图和频率估计、图像增强、指纹图像二值化和细化等[9]。

指纹图像获取是通过专门的指纹采集仪可以采集活体指纹图像。

目前，指纹采集仪主要有活体光学式、电容式和压感式。

对于分辨率和采集面积等技术指标，公安行业已经形成了国际和国内标准，但其他还缺少统一标准。

根据采集指纹面积大体可以分为滚动捺印指纹和平面捺印指纹，公安行业普遍采用滚动捺印指纹。

另外，也可以通过扫描仪、数字相机等获取指纹图像。

指纹图像只有脊和谷之分，因此完全可以由二值图象来描述，也就是指纹图像的二值化。

目前指纹的二值化不外乎两种方法[13]，一种是固定门限法，另一种是动态门限法。

固定门限法是对整幅图象用一个灰度门限值，它对输入图象要求高，要求整幅图象灰度分布均匀。

因此我们把均衡增强后的图象作为它的输入图象。

动态门限法是根据不同区域取不同门限值，一般采用平均域值法。

它对输入图象照射要求不高。

因此我们把方向性滤波后图象作为输入图象。

指纹图像的细化是找出指纹纹线的轴心线来代替纹线的过程。

目前采用的细化方法就是迭代一一轮廓剥离法。

每次垒图象扫描迭代一次[8]，就剥掉边界象素中不影响连通性的象素，直至纹线宽度为1个象素为止。

这样一来，如果被细化的纹线宽度越厚，迭代次数就越多，细化时间就越长，这是我们不希望的。

指纹形态特征包括中心（上、下）和三角点（左、右）等，指纹的细节特征点主要包括纹线的起点、终点、结合点和分叉点。

将这些点进行自动选择从而完成指纹形态和细节特征提取的工作[14]。

指纹比对是将可以根据指纹的纹形进行粗匹配，进而利用指纹形态和细节特征进行精确匹配，给出两枚指纹的相似性得分。

根据应用的不同，对指纹的相似性得分进行排序或给出是否为同一指纹的判决结果。

1.5指纹图像预处理过程及一般算法

在指纹图象处理的流程中，预处理是第一个处理环节．它对原始灰度图像进行平滑、锐化、增强、二值化等处理，从而使细化、特征抽取等操作能够有效进行。

在常见的图象处理技术中，通常按处理目的把预处理过程分为平滑、增强、二值化等步骤。

每一步骤都有一些常用算法，如用于平滑的均值滤波法、中值滤波法、迭代加权法等，用于增强的规格化法、自适应算法、拉普拉斯法、Wdlis滤波、Lee滤波等[5]。

经过很长时间的深入研究和反复实践，发现这些常用的算法应用在指纹图象处理中有下列的问题：

（1）这些算法对于指纹图象处理的效果并不理想，尽管从视觉上有一定改善，但对于后续的细化和特征抽取处理效果来看，不能有效地提高特征的准确率。

（2）不能较好地处理指纹的背景部分，严重影响特征抽取和识别。

（3）不能根据指纹图象的质量差别进行特殊处理，通常获得的指纹图象，会有部分区域质量较差，无法抽取特征，在这些算法中，无法找到一个判别标准[5]。

对此，则需要我们对算法原理的进一步了解及改进。

方向图算法正是基于以上特点在80年代初期，就已经开