指紋識別演算法講解

Ⅰ 每天都用指紋識別，那指紋識別技術的工作方式是什麼呢

首先介紹一下生活中主要應用的幾種指紋識別技術，分別是光學式和電容式指紋識別還有超聲波識別。

光學式指紋識別

光學識別是應用比較早的一種指紋識別技術，比如之前很多的考勤機、門禁都採用的就是光學指紋識別技術。

它主要是利用光的折攝和反射原理，將手指放在光學鏡片上，手指在內置光源照射下，光從底部射向三棱鏡，並經棱鏡射出，射出的光線在手指表面指紋凹凸不平的線紋上折射的角度及反射回去的光線明暗就會不一樣。用棱鏡將其投射在電荷耦合器件上CMOS或者CCD上，進而形成脊線（指紋圖像中具有一定寬度和走向的紋線）呈黑色、谷線（紋線之間的凹陷部分）呈白色的數字化的、可被指紋設備演算法處理的多灰度指紋圖像。然後對比資料庫看是否一致。而三星Galaxy S7 Edge就採用了用手指直接按壓屏幕就可以實現解鎖的光學指紋解鎖技術。

超聲波指紋識別

超聲波指紋識別也可稱為射頻式指紋識別。超聲波指紋識別與電容式需要檢測指紋表面不同，超聲波具有穿透性，利用指紋模組發出的特定頻率的超聲波掃描手指，利用指紋的不同對超聲波反射的不同，能夠建立3D指紋圖形，因此對手指表面的清潔程度並不用太過考慮。另外，由於超聲波具有比較強的穿透性，可以穿透金屬、玻璃等常用手機材質，因此對手機外觀方面也不會有太多限制。

Ⅱ 指紋識別是怎麼進行的

導語：指紋識別技術通常使用指紋的總體特徵如紋形、三角點等來進行分類，再用局部特徵如位置和方向等來進行用戶身份識別。盡管指紋只是人體皮膚的小部分，但是，它蘊涵著大量的信息。那麼，接下來就讓我們一起來具體的了解以下關於指紋識別是怎麼進行的內容吧。文章僅供大家的參考!

指紋識別是怎麼進行的

1.指紋圖像的獲取

指紋圖像的採集是自動指紋識別系統的重要組成部分。早期的指紋採集都是通過油墨按壓在紙張上產生的。20世紀80年代，隨著光學技術和計算機技術的發展，現代化的採集設備開始出現。

感測器是一種能把物理量或化學量變成便於利用的電信號的器件。在測量系統中它是一種前置部件，它是被測量信號輸入後的第一道關口，是生物認證系統中的採集設備。

這些感測器根據探測對象的不同，可分為光學感測器、熱敏感測器和超聲感測器;根據器件的不同，可分為CMOS器件感測器和CCD器件感測器。它們的工作原理都是：將生物特徵經過檢測後轉化為系統可以識別的圖像信息。在生物認證系統中，可靠和廉價的'圖像採集設備是系統運行正常、可靠的關鍵。

2.指紋圖像的增強

常見的預處理方法如下：

(1)採用灰度的均衡化，可以消除不同圖像之間對比度的差異。

(2)使用簡單的低通濾波消除斑點雜訊、高斯雜訊。

(3)計算出圖像的邊界，進行圖像的裁剪，這樣可以減少多餘的計算量，提高系統的速度。

常用圖像增強演算法具體包括以下幾種：

(1)基於傅里葉濾波的低質量指紋增強演算法;

(2)基於Gabor濾波的增強方法;

(3)多尺度濾波方法;

(4)改進的方向圖增強演算法;

(5)基於知識的指紋圖像增強演算法;

(6)非線性擴散模型及其濾波方法;

(7)改進的非線性擴散濾波方法。

目前最新的分割演算法有以下幾種：

(1)基於正態模型進行的指紋圖像分割演算法;

(2)基於馬爾科夫隨機場的指紋圖像分割演算法;

(3)基於數學形態學閉運算的灰度方差法;

(4)基於方向場的指紋圖像分割演算法。

3.指紋特徵的提取

近年來，新的指紋特徵提取演算法主要包括以下幾種：

(1)基於Gabor濾波方法對指紋局部特徵的提取演算法。

(2)基於CNN通用編程方法對指紋特徵的提取演算法。

(3)基於IFS編碼的圖像數字化技術，即建立IFS模型，計算源圖像與再生圖像之間的相似性，快速提取指紋圖像的特徵。

(4)基於脊線跟蹤的指紋圖像特徵點提取演算法。該演算法可以直接從灰度指紋圖像中有效提取細節點和脊線骨架信息。

(5)基於小波變換和ART(自適應共振理論)神經網路的指紋特徵提取演算法。

4.指紋圖像的分類與壓縮

常用的指紋分類技術有以下幾種：

(1)基於規則的方法，即根據指紋奇異點的數目和位置分類。

(2)基於句法的方法。這種方法的語法復雜，推導語法的方法復雜、不固定。這種方法已經逐漸被淘汰了。

(3)結構化的方法，即尋找低層次的特徵到高層次的結構之間相關聯的組織。

(4)統計的方法。

(5)結合遺傳演算法和BP神經元網路的方法。

(6)多分類器方法。

常用的壓縮演算法有以下兩種：

(1)圖像壓縮編碼方法：包括無損壓縮(熵編碼)和有損壓縮(量化)。

(2)基於小波變換的指紋壓縮演算法：包括WSQ演算法、DjVu演算法、改進的EZW演算法等。

5.指紋圖像的匹配

傳統的指紋匹配演算法有很多種：

(1)基於點模式的匹配方法：如基於Hough變換的匹配演算法、基於串距離的匹配演算法、基於N鄰近的匹配演算法等。

(2)圖匹配及其他方法：如基於遺傳演算法的匹配、基於關鍵點的初匹配等。

(3)基於紋理模式的匹配：如PPM匹配演算法等。

(4)混合匹配方法等。

近幾年，又出現了如下新的匹配演算法：

(1)基於指紋分類的矢量匹配。該法首先利用指紋分類的信息進行粗匹配，然後利用中心點和三角點的信息進一步匹配，最後以待識別圖像和模板指紋圖像的中心點為基準點，將中心點與鄰近的36個細節點形成矢量，於是指紋的匹配就轉變為矢量組數的匹配。

(2)基於PKI(Public Key Infrastructure，公鑰基礎設施)的開放網路環境下的指紋認證系統。

(3)實時指紋特徵點匹配演算法。該演算法的原理是：通過由指紋分割演算法得到圓形匹配限制框和簡化計算步驟來達到快速匹配的目的。

(4)一種基於FBI(Federal Bureauof Investigation)細節點的二次指紋匹配演算法。

(5)基於中心點的指紋匹配演算法。該演算法利用奇異點或指紋有效區域的中心點尋找匹配的基準特徵點對和相應的變換參數，並將待識別指紋相對於模板指紋作姿勢糾正，最後採用坐標匹配的方式實現兩個指紋的比對。

Ⅲ 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。

Ⅳ 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。