指紋識別演算法研究

『壹』 畢業設計題目：指紋識別演算法及其在保險箱系統中的應用，開題報告該怎麼寫

手指上的指紋表徵了一個人的身份特徵。1788年Mayer首次提出沒有兩個人的指紋完全相同，1823年Purkinie首次把指紋紋形分成9類，1889年Henry提出了指紋細節特徵識別理論，奠定了現代指紋學的基礎。但採用人工比對的方法，效率低、速度慢。20世紀60年代，開始用計算機圖像處理和模式識別方法進行指紋分析，這就是自動指紋識別系統（簡稱AFIS）[1]。20世紀70年代末80年代初，刑事偵察用自動指紋識別系統（police�AFIS，P�AFIS）投入實際運用。20世紀90年代，AFIS進入民用，稱為民用自動指紋識別系統（civil�AFIS，C�AFIS）。本文試圖從指紋特徵分析著手，闡述指紋作為人體身份識別的原理方法、指紋識別的主要技術指標和測試方法，以及實際應用的現實性與可靠性[2-4]。

1 指紋識別的原理和方法

1.1 指紋的特徵與分類
指紋識別學是一門古老的學科，它是基於人體指紋特徵的相對穩定與唯一這一統計學結果發展起來的。實際應用中，根據需求的不同，可以將人體的指紋特徵分為：永久性特徵、非永久性特徵和生命特徵[5]。
永久性特徵包括細節特徵（中心點、三角點、端點、叉點、橋接點等）和輔助特徵（紋型、紋密度、紋曲率等元素），在人的一生中永不會改變，在手指前端的典型區域中最為明顯，分布也最均勻[1]。細節特徵是實現指紋精確比對的基礎，而紋形特徵、紋理特徵等則是指紋分類及檢索的重要依據。人類指紋的紋形特徵根據其形態的不同通常可以分為「弓型、箕型、斗型」三大類型，以及「孤形、帳形、正箕形、反箕形、環形、螺形、囊形、雙箕形和雜形」等9種形態[1]。紋理特徵則是由平均紋密度、紋密度分布、平均紋曲率、紋曲率分布等紋理參數構成。紋理特徵多用於計算機指紋識別演算法的多維分類及檢索。
非永久性特徵由孤立點、短線、褶皺、疤痕以及由此造成的斷點、叉點等元素構成的指紋特徵，這類指紋有可能產生、癒合、發展甚至消失[1]。
指紋的生命特徵與被測對象的生命存在與否密切相關。但它與人體生命現象的關系和規律仍有待進一步認識。目前它已經成為現代民用指紋識別應用中越來越受關注的熱點之一。

1.2 指紋識別的原理和方法
指紋識別技術主要涉及四個功能：讀取指紋圖像、提取特徵、保存數據和比對。通過指紋讀取設備讀取到人體指紋的圖像，然後要對原始圖像進行初步的處理，使之更清晰，再通過指紋辨識軟體建立指紋的特徵數據。軟體從指紋上找到被稱為「節點」（minutiae）的數據點，即指紋紋路的分叉、終止或打圈處的坐標位置，這些點同時具有七種以上的唯一性特徵。通常手指上平均具有70個節點，所以這種方法會產生大約490個數據。這些數據，通常稱為模板。通過計算機模糊比較的方法，把兩個指紋的模板進行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結果[5-6]。採集設備（即取像設備）分成幾類：光學、半導體感測器和其他。

2 指紋識別技術的主要指標和測試方法

2.1 演算法的精確度

指紋識別系統性能指標在很大程度上取決於所採用演算法性能。為了便於採用量化的方法表示其性能，引入了下列兩個指標。
拒識率（false rejection rate，FRR）：是指將相同的指紋誤認為是不同的，而加以拒絕的出錯概率。FRR=（拒識的指紋數目／考察的指紋總數目）×100%。
誤識率（false accept rate，FAR）：是指將不同的指紋誤認為是相同的指紋，而加以接收的出錯概率。FAR=（錯判的指紋數目／考察的指紋總數目）×100%。
對於一個已有的系統而言，通過設定不同的系統閾值，就可以看出這兩個指標是互為相關的，FRR與FAR成反比關系。這很容易理解，「把關」越嚴，誤識的可能性就越低，但是拒識的可能性就越高。

2.2 誤識率和拒識率的測試方法
測試這兩個指標，通常採用循環測試方法[7]。即給定一組圖像，然後依次兩兩組合，提交進行比對，統計總的提交比對的次數以及發生錯誤的次數，並計算出出錯的比例，就是FRR和FAR。針對FAR=0.0001%的指標，應採用不少於1 415幅不同的指紋圖像作循環測試，總測試次數為1 000 405次，如果測試中發生一次錯誤比對成功，則FAR=1/1 000 405；針對FRR=0.1%，應採用不少於46幅屬於同一指紋的圖像組合配對進行測試，則總提交測試的次數為1 035次數，如果發生一次錯誤拒絕，則FRR=1/1 035。測試所採用的樣本數越多，結果越准確。作為測試樣本的指紋圖像應滿足可登記的條件。

2.3 系統參數
拒登率（error registration rate，ERR）：指的是指紋設備出現不能登錄及處理的指紋的概率，ERR過高將會嚴重影響設備的使用范圍，通常要求小於1%。
登錄時間：指紋設備登錄一枚指紋所需的時間，通常單次登錄的時間要求不超過2 s。
比對時間：指紋設備對兩組指紋特徵模版進行比對所耗費的時間，通常要求不超過1 s。
工作溫度：指紋設備正常工作時所允許的溫度變化范圍，一般是0～40 ℃。
工作濕度：指紋設備正常工作時所允許的相對濕度變化范圍，一般是30%～95%。

3 指紋識別技術的應用
指紋識別技術已經成熟，其應用日益普遍，除了刑事偵察用之外，在民用方面已非常廣泛，如指紋門禁系統、指紋考勤系統、銀行指紋儲蓄系統、銀行指紋保管箱、指紋醫療保險系統、計劃生育指紋管理系統、幼兒接送指紋管理系統、指紋獻血管理系統、證券交易指紋系統、指紋槍械管理系統、智能建築指紋門禁管理系統、駕駛員指紋管理系統等。
指紋門禁系統和指紋考勤系統是開發和使用得最早的一種出入管理系統，包括對講指紋門禁、聯機指紋門禁、離線指紋門禁等等。在入口將個人的手指按在指紋採集器上，系統將已登錄在指紋庫中的指紋（稱為已經注冊）進行對比，如果兩者相符（即匹配），則顯示比對成功，門就自動打開。如不匹配，則顯示「不成功」或「沒有這個指紋」，門就不開。在指紋門禁系統中，可以是一對一的比對（one�to�one matching），也可以是一對幾個比對（one�to�few matching）。前者可以是一個公司、部門，後者可以是一個家庭的成員、銀行的營業廳、金庫、財務部門、倉庫等機要場所。在這些應用中，指紋識別系統將取代或者補充許多大量使用照片和ID系統。
把指紋識別技術同IC卡結合起來，是目前最有前景的一個應用之一。該技術把卡的主人的指紋（加密後）存儲在IC卡上，並在IC卡的讀卡機上加裝指紋識別系統，當讀卡機閱讀卡上的信息時，一並讀入持卡者的指紋，通過比對就可以確認持卡者是否是卡的真正主人，從而進行下一步的交易。指紋IC卡可取代現行的ATM卡、製造防偽證件等。ATM卡持卡人可不用密碼，避免老人和孩子記憶密碼的困難。

近年來，互聯網帶給人們方便與利益已，也存在著安全問題。指紋特徵數據可以通過電子郵件或其它傳輸方法在計算機網路上進行傳輸和驗證，通過指紋識別技術，限定只有指定的人才能訪問相關的信息，可以極大地提高網上信息的安全性。網上銀行、網上貿易、電子商務等一系列網路商業行為就有了安全性保障。
指紋社會保險系統的應用為養老金的准確發放起了非常有效的作用。避免了他人用圖章或身份證復印件代領，而發放人員無法確定該人是故世的問題，要憑本人的活體指紋，才可准確發放養老金。

4 指紋識別的可靠性
指紋識別技術是成熟的生物識別技術。因為每個人包括指紋在內的皮膚紋路在圖案、斷點和交叉點上各不相同，是唯一的，並且終生不變。通過他的指紋和預先保存的指紋進行比較，就可以驗證他的真實身份。自動指紋識別是利用計算機來進行指紋識別的一種方法。它得益於現代電子集成製造技術和快速而可靠的演算法理論研究。盡管指紋只是人體皮膚的一小部分，但用於識別的數據量相當大，對這些數據進行比對是需要進行大量運算的模糊匹配演算法。利用現代電子集成製造技術生產的小型指紋圖像讀取設備和速度更快的計算機，提供了在微機上進行指紋比對運算的可能。另外，匹配演算法可靠性也不斷提高。因此，指紋識別技術己經非常簡單實用。由於計算機處理指紋時，只是涉及了一些有限的信息，而且比對演算法並不是十分精確匹配，其結果也不能保證100%准確。

指紋識別系統的特定應用的重要衡量標志是識別率。主要包括拒識率和誤識率，兩者成反比關系。根據不同的用途來調整這兩個值。盡管指紋識別系統存在著可靠性問題，但其安全性也比相同可靠性級別的「用戶ID+密碼」方案的安全性要高得多。拒識率實際上也是系統易用性的重要指標。在應用系統的設計中，要權衡易用性和安全性。通常用比對兩個或更多的指紋來達到不損失易用性的同時，極大提高系統的安全性。

『貳』 指紋識別演算法都有哪些，最先進的是什麼演算法

現在國內外大都採用基於細節特徵點的指紋識別技術，即採用基於圖像處理的指紋識別演算法，有兩種比較有代表性的。一種是基於方向濾波增強，並在指紋細化圖上提取特徵點的演算法，另一種是直接從指紋灰度圖上提取特徵點的演算法。難題在於有些演算法會由於指紋圖像的噪音、皮膚彈性引起的非線性形變等多方面因素，導致在識別過程中出現誤差，影響識別率等[1-2]

指紋演算法存在的難題與方向
指紋圖像預處理：預處理的目的是改善輸入指紋圖像的質量，以提高特徵提取的准確性。本文採用灰度分割法對指紋圖像進行分割。利用中值濾波去噪。通過自適應二值化的方法處理指紋圖像，最後再對圖像進行細化處理並去除毛刺，斷裂等干擾。
指紋圖像特徵提取：對指紋圖像的特徵點進行提取。由於經過預處理後的細化圖像上存在大量的偽特徵點，這些偽特徵點的存在，不但使匹配的速度大大降低，還使指紋識別性能急劇下降，造成識別系統的誤拒率和誤識率的上升。因此在進行指紋匹配之前，應盡可能將偽特徵點去除，針對提取出的指紋細節特徵點含有大量的偽特徵點這一問題，提出了一種邊緣信息判別法，有效地去除了邊界偽特徵點，再根據脊線結構特性去除其毛刺和短脊等偽特徵點，明顯的減少了偽特徵點。
指紋匹配：對指紋圖像的匹配演算法進行研究。特徵匹配是識別系統的關鍵環節，匹配演算法的好壞直接影響識別的性能、速度和效率。為了克服指紋圖像非線性形變的影響，採用基於結構特徵的點匹配演算法，對校準後的點集進行匹配，匹配的特徵點個數在兩個點集中所佔比例大約百分之六十五的范圍內就可判為匹配成功。

『叄』 指紋識別的原理是什麼

原理：指紋紋路經常出現中斷、分叉或轉折，這些斷點、分叉點和轉折點被稱為"特徵點"。特徵點提供了指紋唯一性的確認信息，正因為這些不同，才可以進行識別。

『肆』 指紋識別技術的演算法

於指紋所具有的唯一性和不變性，以及指紋識別技術所具有的可行性和實用性，指紋識別成為目前最流行、最方便、最可靠的身份認證技術之一。指紋圖像數據量大，通過直接比對指紋圖像的方法來識別指紋是不可取的，應該先對指紋圖像進行預處理，然後提取出指紋的特徵數據，通過特徵數據的比對來實現自動指紋識別。指紋圖像預處理作為指紋自動識別過程的第一個環節，它的好壞直接影響著自動識別系統的效果。預處理通常包括濾波、方向圖的求取、二值化、細化等幾個步驟。
本文首先闡述了生物特徵識別技術的基本概念，對自動指紋識別系統的組成也作了簡要的介紹。然後對目前指紋圖像預處理的一些常用演算法進行了介紹，針對指紋圖像的特徵，採用了基於Gabor濾波器的指紋預處理方法，它為特徵提取和比對奠定了良好的基礎。
本文所提到的演算法已在PC機上用Visual C++6.0編程實現，實驗結果表明，這種方法能獲得令人滿意的指紋圖像預處理效果。

『伍』 指紋識別技術是基於哪些原理

指紋識別技術的原理
指紋其實是比較復雜的。與人工處理不同，許多生物識別技術公司並不直接存儲指紋的圖像。多年來在各個公司及其研究機構產生了許多數字化的演算法（美國有關法律認為，指紋圖像屬於個人隱私，因此不能直接存儲指紋圖像）。但指紋識別演算法最終都歸結為在指紋圖像上找到並比對指紋的特徵。
指紋的特徵
我們定義了指紋的兩類特徵來進行指紋的驗證：總體特徵和局部特徵。總體特徵是指那些用人眼直接就可以觀察到的特徵，包括：
基本紋路圖案
環型（loop）,
弓型（arch）,
螺旋型（whorl）。其他的指紋圖案都基於這三種基本圖案。僅僅依靠圖案類型來分辨指紋是遠遠不夠的，這只是一個粗略的分類，但通過分類使得在大資料庫中搜尋指紋更為方便。
模式區（Pattern
Area）模式區是指指紋上包括了總體特徵的區域，即從模式區就能夠分辨出指紋是屬於那一種類型的。有的指紋識別演算法只使用模式區的數據。
Aetex
的指紋識別演算法使用了所取得的完整指紋而不僅僅是模式區進行分析和識別。
核心點（Core
Point）核心點位於指紋紋路的漸進中心，它用於讀取指紋和比對指紋時的參考點。
三角點（Delta）三角點位於從核心點開始的第一個分叉點或者斷點、或者兩條紋路會聚處、孤立點、折轉處，或者指向這些奇異點。三角點提供了指紋紋路的計數和跟蹤的開始之處。
式樣線（Type
Lines）式樣線是在指包圍模式區的紋路線開始平行的地方所出現的交叉紋路，式樣線通常很短就中斷了，但它的外側線開始連續延伸。
紋數（Ridge
Count）指模式區內指紋紋路的數量。在計算指紋的紋數時，一般先在連接核心點和三角點，這條連線與指紋紋路相交的數量即可認為是指紋的紋數。
局部特徵
局部特徵是指指紋上的節點。兩枚指紋經常會具有相同的總體特徵，但它們的局部特徵--節點，卻不可能完全相同
節點（Minutia
Points）指紋紋路並不是連續的，平滑筆直的，而是經常出現中斷、分叉或打折。這些斷點、分叉點和轉折點就稱為"節點"。就是這些節點提供了指紋唯一性的確認信息。
指紋上的節點有四種不同特性：
1.
分類
-
節點有以下幾種類型，最典型的是終結點和分叉點
A.
終結點（Ending）
--
一條紋路在此終結。
B.
分叉點（Bifurcation）
--
一條紋路在此分開成為兩條或更多的紋路。
C.
分歧點（Ridge
Divergence）
--
兩條平行的紋路在此分開。
D.
孤立點（Dot
or
Island）
--
一條特別短的紋路，以至於成為一點
E.
環點（Enclosure）
--
一條紋路分開成為兩條之後，立即有合並成為一條，這樣形成的一個小環稱為環點
F.
短紋（Short
Ridge）
--
一端較短但不至於成為一點的紋路，
2.
方向（Orientation）
--
節點可以朝著一定的方向。
3.
曲率（Curvature）
--
描述紋路方向改變的速度。
4.
位置（Position）
--
節點的位置通過（x,y）坐標來描述，可以是絕對的，也可以是相對於三角點或特徵點的。

『陸』 指紋識別演算法或者相關的圖片像素的演算法

您好，目前指紋識別系統大多都採用特徵點匹配，識別系統將指紋圖像經過去噪處理後，把指紋圖像紋理細化，然後根據指紋的特徵，找到指紋的特徵點進行識別，它的識別速度快，能夠滿足一對多個指紋的識別需要。但是對於殘缺、污損指紋，在進行特徵點提取的過程中只能提取到部分特徵點，不能達到指紋識別所需的特徵點數量，不能完成識別。同時研究發現在指紋圖像的某些局部圖像中，變化不明顯或是有規律變化的，所以根據這些局部圖像的不變和有規律變化提出了基於圖像匹配的指紋局部取像輔助識別系統。因此在原有指紋系統的基礎上，增加了基於garbor方向濾波的指紋識別紋理匹配的演算法，作為指紋識別系統的一種有效補充，提高了識別率和降低誤識率。通過對資料庫BVC2004中100張不同的指紋圖像測試後，系統運行性能穩定可靠，該系統既可以用於有關部門對殘缺、污損指紋的識別，同時也可以滿足那些強調安全性的使用者的更高使用要求。

『柒』 開發一個指紋識別系統要採用什麼方法

指紋識別技術通過分析指紋的局部特徵，從中抽取詳盡的特徵點，從而可靠地確認個身份。指紋識別的優點指紋作為人體獨一無二的特徵，它的復雜度可以提供用於鑒別的足夠特徵，具有極高的安全性。相對於其他身份認證技術，指紋識別是一種更為理想的身份認證技術，指紋識別不僅具有許多獨到的信息安全優點，更重要的是具有很高的實用性、可行性，已經廣泛應用於金融、電子商務以及安全性能要求教高的行業中。

目前多數指紋識別系統是將指紋圖象採集到計算機中，利用計算機進行識別。外一些公司生產的獨立指紋識別系統，價格比較高昂。些都限制了指紋識別技術的普及。因此，研究開發快速、識別率高、廉價的獨立指紋識別系統具有很大的市場前景和重要的科學研究價值。

本文提出了一種新型基於DSP的指紋識別系統，硬體上利用DSP的高速處理能力，構建高速的數據處理平台，軟體上考DSP和硬體邏輯的處理特點，對傳統的指紋演算法進行改進，滿足實時性和可靠性要求。

2 硬體系統結構

系統的原理框圖如圖（1）所示：

圖（1）系統結構框圖

本系統整體上可以分為圖像採集模塊、圖像處理及識別模塊以及輸出模塊三部分組成。

2.1 圖像採集模塊

圖像採集模塊中，由於指紋識別系統中並不需要實時觀察圖像，所以對感測器要求不是很高，一般的黑白數字CMOS感測器都能滿足要求。本系統中採用了一款300萬象素的高清晰度黑白感測器作為圖像獲取器件，非常適合作為指紋圖像感測器使用。主要考慮到CMOS器件成本低、解析度高、可靠性好的優點。缺點為當手指汗液多或乾裂時成像質量可能變差。在圖像識別過程中，採用了基於GABOR的增強演算法，基本上可以克服由此造成的影響。

2.2 圖像處理及識別模塊

圖像處理及識別模塊的結構關繫到系統的性能的總體水平，採用FPGA+DSP的體系結構有利於構建高效的數據處理流程和方便處理任務的分配，提高系統的並行程度和資源利用率。系統中的SRAM、SDRAM、FLASH直接連到DSP上供其使用：FLASH用於存放程序和一些固定的表格數據；SDRAM作為DSP的系統內存，用於系統程序的運行；SRAM是高速的數據存儲區，用於存放程序運行是產生的臨時變數。而DDR SDRAM是專門用於存放採集到的指紋數據以及預處理過程中計算得到的象素點梯度數據等一些大容量的數據塊，直接連接到FPGA，是系統中最高速的內存區域。FPGA除了作為DSP處理器的擴展匯流排介面外，還分擔了部分數據處理任務，因為僅僅靠一塊DSP是不能勝任所有的運算和控制任務的，指紋數據處理時，經常會遇到一些繁瑣的加減運算和比邏輯運算，通常這部分都是由FPGA代為處理的，考慮到指紋處理演算法的特殊性，同時還要兼顧實現DDR控制功能。

由於指紋識別過程中數學運算量大，因此程序設計不可避免的需要較大的存儲空間，為了提高整體性能，需要把繁重的運算任務交給DSP處理，而圖像採集部分則要盡可能少的佔用DSP時間。另外，利用圖像採集的間隙，或是圖像採集的同時，由硬體完成一部分簡單而繁瑣的運算可以分擔DSP的處理任務，提高處理的並行度，滿足對實時性的要求。本系統採用了TMS320VC5402，其運算速度快，並且具有很高的性價比。系統中採集到的8bits灰度指紋圖像，每個像素佔用一個位元組，圖像尺寸為512×512個像素大小，存儲一幀圖像需要256k位元組存貯空間。DSP單元是整個指紋處理系統的核心，負責對指紋進行實時處理。

2.3 輸出模塊

作為獨立的指紋識別系統，經過系統識別的數據可以通過LCD直接顯示出來。系統在設計時，也可以將系統作為終端使用，即通過FPGA擴展出乙太網介面，作為需要通過網路傳送指紋庫數據的大型指紋識別系統終端。

3 指紋識別演算法

指紋識別演算法是指紋識別的核心，本系統中採用的指紋識別演算法流程如圖（2）所示。

圖（2）指紋識別演算法流程

圖像增強是指紋圖像預處理需要解決的核心問題，指紋圖像增強的主要目的是為了消除雜訊，改善圖像質量，便於特徵提取。由於指紋紋理由相間的脊線和谷線組成。這些紋理蘊涵了大量的信息，如紋理方向、紋理密度等等。在指紋圖像的不同區域，這樣的信息是不同的。指紋圖像增強演算法就是利用圖像信息的區域性差異來實現的。傳統的指紋圖像增強就是利用圖像的紋理方向信息，構造方向濾波器模板來實現濾波的。濾波器構造的簡單性和指紋圖像復雜性的矛盾限制了其作用的有效性。本系統中採用的是參考了指紋圖像紋理頻率信息，並且以GABOR變換這個能夠同時對圖像局部結構的方向和空域頻率進行解析的最優濾波器作為濾波器的模板，因而極大的改善了增強演算法的效果。

3.1 脊線方向

除奇異區外，指紋圖像在一個足夠小的區域內，紋理近似於相互平行的直線，這就是指紋圖像的方向性特徵。方向性特徵是指紋圖像中最為明顯的特徵之一，它以簡化的形式直觀的反映指紋圖像的基本形態特徵，因而被廣泛應用於指紋圖像的分類、增強、特徵提取等方面。

提取脊線方向方法為：

⑴ 將指紋圖像分割成足夠小的子塊，以滿足塊中紋理近似平行的條件。

3.2 脊線頻率

指紋紋理除了具有穩定的方向性特徵外，還具有穩定的頻率性特點。在指紋圖像的一個局部區域內，脊線和谷線的紋理走向平行，同時沿脊谷方向的灰度分布近似於正弦包絡。

脊線頻率被定義為兩條脊線之間間距的倒數。通過定位該包絡中極大、極小值點，就能得到相應的脊線間距和谷線間距，進而計算出脊線頻率。

3.3 GABOR濾波器

GABOR變換由於具有最佳時域和頻域連接解析度的特點，能夠同時對圖像局部結構的方向和空域頻率進行解析，可以很好地兼顧指紋圖像的脊線方向和脊線頻率信息。

本系統中採用GABOR濾波器函數的實部作為模板，以與子塊紋線方向垂直的方向作為濾波器方向，以脊線頻率作為濾波器頻率來構建濾波器。濾波過程如下式所示：

其中， 為原始圖像灰度， 是GABOR濾波後的圖像灰度，W為濾波器模板大小，S為模板系數和， 為子塊的域方向值。需要注意的是GABOR濾波器中的 與指紋文理方向垂直。對 和 的取值需要進行折衷，取值越大，則濾波器的抗噪性能越好，但也容易聲成假的脊線。這里取 和 。

3.4 指紋匹配

本系統中指紋匹配採用基於特徵點集合匹配的校準演算法，該演算法多為簡單的比較邏輯和加減運算，不需要用到DSP處理單元。

4 系統處理流程

整個系統的處理的過程分為四個步驟：

⑴ 從圖像感測器輸出的指紋圖像首先送到FPGA緩沖，同時運用設計好的預處理模塊對數據進行處理，得到各像素點的梯度值以及子塊中極大值點的坐標，所有這些數據連同原始數據以突發模式存入DDR SDRAM中；

⑵ DSP通過FPGA從DDR SDRAM中讀取所有相關數據，計算出脊線方向和脊線頻率，然後利用GABOR對原始數據進行濾波，處理後的圖像數據再通過FPGA存入DDR SDRAM中，因此在DDR SDRAM的輸入輸出端都需要進行緩沖；

⑶ 根據DSP處理的指令要求，從DDR SDRAM中讀出濾波後的數據，由FPGA內部的比較邏輯提取出指紋圖像中每行（每列）中的極大值點，送到DSP進行進一步處理，完成指紋圖像脊線提取；

⑷ 由DSP完成匹配識別演算法，並輸出處理結果。

5 結論

以上設計方案綜合考慮了各方面因素，兼顧了DSP處理器和FPGA協處理器的性能狀況和資源需求來分配任務，而且在數據採集的同時完成了指紋方向和頻率提取的部分運算，減少了內存操作的次數，採用的根據系統特點優化的基於GABOR的增強演算法，提高了系統的實時性，滿足應用要求。

『捌』 我現在在准備GMAT考試 之前托福找人幫忙的 但是他說gmat 不行 我想問問大家 那個指紋識別技術是怎麼回事

需要本人的指紋識別才能進入考場考試的

指紋識別技術把一個人同他的指紋對應起來，通過比較他的指紋和預先保存的指紋進行比較，就可以驗證他的真實身份。每個人（包括指紋在內）皮膚紋路在圖案、斷點和交叉點上各不相同，是唯一的，依靠這種唯一性和穩定性，我們才能創造指紋識別技術。每個人包括指紋在內的皮膚紋路在圖案、斷點和交叉點上各不相同，呈現唯一性且終生不變。

每個人包括指紋在內的皮膚紋路在圖案、斷點和交叉點上各不相同，呈現唯一性且終生不變。據此，我們就可以把一個人同他的指紋對應起來，通過將他的指紋和預先保存的指紋數據進行比較，就可以驗證它的真實身份，這就是指紋識別技術。

指紋識別主要根據人體指紋的紋路、細節特徵等信息對操作或被操作者進行身份鑒定，得益於現代電子集成製造技術和快速而可靠的演算法研究，已經開始走入我們的日常生活，成為目前生物檢測學中研究最深入，應用最廣泛，發展最成熟的技術。

指紋其實是比較復雜的。與人工處理不同，許多生物識別技術公司並不直接存儲指紋的圖象。多年來在各個公司及其研究機構產生了許多數字化的演算法（美國有關法律認為，指紋圖象屬於個人隱私，因此不能直接存儲指紋圖象）。但指紋識別演算法最終都歸結為在指紋圖象上找到並比對指紋的特徵。

與人工處理不同，一般的生物識別技術公司並不直接存儲指紋的圖象，而是使用不同的數字化演算法在指紋圖象上找到並比對指紋的特徵。每個指紋都有幾個獨一無二、可測量的特徵點，每個特徵點都有大約5~7個特徵，我們的十個手指產生最少4900個獨立可測量的特徵，這足以說明指紋識別是一個更加可靠的鑒別方式。