指纹识别算法讲解

Ⅰ 每天都用指纹识别，那指纹识别技术的工作方式是什么呢

首先介绍一下生活中主要应用的几种指纹识别技术，分别是光学式和电容式指纹识别还有超声波识别。

光学式指纹识别

光学识别是应用比较早的一种指纹识别技术，比如之前很多的考勤机、门禁都采用的就是光学指纹识别技术。

它主要是利用光的折摄和反射原理，将手指放在光学镜片上，手指在内置光源照射下，光从底部射向三棱镜，并经棱镜射出，射出的光线在手指表面指纹凹凸不平的线纹上折射的角度及反射回去的光线明暗就会不一样。用棱镜将其投射在电荷耦合器件上CMOS或者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。然后对比资料库看是否一致。而三星Galaxy S7 Edge就采用了用手指直接按压屏幕就可以实现解锁的光学指纹解锁技术。

超声波指纹识别

超声波指纹识别也可称为射频式指纹识别。超声波指纹识别与电容式需要检测指纹表面不同，超声波具有穿透性，利用指纹模组发出的特定频率的超声波扫描手指，利用指纹的不同对超声波反射的不同，能够建立3D指纹图形，因此对手指表面的清洁程度并不用太过考虑。另外，由于超声波具有比较强的穿透性，可以穿透金属、玻璃等常用手机材质，因此对手机外观方面也不会有太多限制。

Ⅱ 指纹识别是怎么进行的

导语：指纹识别技术通常使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行用户身份识别。尽管指纹只是人体皮肤的小部分，但是，它蕴涵着大量的信息。那么，接下来就让我们一起来具体的了解以下关于指纹识别是怎么进行的内容吧。文章仅供大家的参考!

指纹识别是怎么进行的

1.指纹图像的获取

指纹图像的采集是自动指纹识别系统的重要组成部分。早期的指纹采集都是通过油墨按压在纸张上产生的。20世纪80年代，随着光学技术和计算机技术的发展，现代化的采集设备开始出现。

传感器是一种能把物理量或化学量变成便于利用的电信号的器件。在测量系统中它是一种前置部件，它是被测量信号输入后的第一道关口，是生物认证系统中的采集设备。

这些传感器根据探测对象的不同，可分为光学传感器、热敏传感器和超声传感器;根据器件的不同，可分为CMOS器件传感器和CCD器件传感器。它们的工作原理都是：将生物特征经过检测后转化为系统可以识别的图像信息。在生物认证系统中，可靠和廉价的'图像采集设备是系统运行正常、可靠的关键。

2.指纹图像的增强

常见的预处理方法如下：

(1)采用灰度的均衡化，可以消除不同图像之间对比度的差异。

(2)使用简单的低通滤波消除斑点噪声、高斯噪声。

(3)计算出图像的边界，进行图像的裁剪，这样可以减少多余的计算量，提高系统的速度。

常用图像增强算法具体包括以下几种：

(1)基于傅里叶滤波的低质量指纹增强算法;

(2)基于Gabor滤波的增强方法;

(3)多尺度滤波方法;

(4)改进的方向图增强算法;

(5)基于知识的指纹图像增强算法;

(6)非线性扩散模型及其滤波方法;

(7)改进的非线性扩散滤波方法。

目前最新的分割算法有以下几种：

(1)基于正态模型进行的指纹图像分割算法;

(2)基于马尔科夫随机场的指纹图像分割算法;

(3)基于数学形态学闭运算的灰度方差法;

(4)基于方向场的指纹图像分割算法。

3.指纹特征的提取

近年来，新的指纹特征提取算法主要包括以下几种：

(1)基于Gabor滤波方法对指纹局部特征的提取算法。

(2)基于CNN通用编程方法对指纹特征的提取算法。

(3)基于IFS编码的图像数字化技术，即建立IFS模型，计算源图像与再生图像之间的相似性，快速提取指纹图像的特征。

(4)基于脊线跟踪的指纹图像特征点提取算法。该算法可以直接从灰度指纹图像中有效提取细节点和脊线骨架信息。

(5)基于小波变换和ART(自适应共振理论)神经网络的指纹特征提取算法。

4.指纹图像的分类与压缩

常用的指纹分类技术有以下几种：

(1)基于规则的方法，即根据指纹奇异点的数目和位置分类。

(2)基于句法的方法。这种方法的语法复杂，推导语法的方法复杂、不固定。这种方法已经逐渐被淘汰了。

(3)结构化的方法，即寻找低层次的特征到高层次的结构之间相关联的组织。

(4)统计的方法。

(5)结合遗传算法和BP神经元网络的方法。

(6)多分类器方法。

常用的压缩算法有以下两种：

(1)图像压缩编码方法：包括无损压缩(熵编码)和有损压缩(量化)。

(2)基于小波变换的指纹压缩算法：包括WSQ算法、DjVu算法、改进的EZW算法等。

5.指纹图像的匹配

传统的指纹匹配算法有很多种：

(1)基于点模式的匹配方法：如基于Hough变换的匹配算法、基于串距离的匹配算法、基于N邻近的匹配算法等。

(2)图匹配及其他方法：如基于遗传算法的匹配、基于关键点的初匹配等。

(3)基于纹理模式的匹配：如PPM匹配算法等。

(4)混合匹配方法等。

近几年，又出现了如下新的匹配算法：

(1)基于指纹分类的矢量匹配。该法首先利用指纹分类的信息进行粗匹配，然后利用中心点和三角点的信息进一步匹配，最后以待识别图像和模板指纹图像的中心点为基准点，将中心点与邻近的36个细节点形成矢量，于是指纹的匹配就转变为矢量组数的匹配。

(2)基于PKI(Public Key Infrastructure，公钥基础设施)的开放网络环境下的指纹认证系统。

(3)实时指纹特征点匹配算法。该算法的原理是：通过由指纹分割算法得到圆形匹配限制框和简化计算步骤来达到快速匹配的目的。

(4)一种基于FBI(Federal Bureauof Investigation)细节点的二次指纹匹配算法。

(5)基于中心点的指纹匹配算法。该算法利用奇异点或指纹有效区域的中心点寻找匹配的基准特征点对和相应的变换参数，并将待识别指纹相对于模板指纹作姿势纠正，最后采用坐标匹配的方式实现两个指纹的比对。

Ⅲ 指纹识别技术是基于哪些原理

指纹识别技术的原理
指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司及其研究机构产生了许多数字化的算法（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）。但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。
指纹的特征
我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。总体特征是指那些用人眼直接就可以观察到的特征，包括：
基本纹路图案
环型（loop）,
弓型（arch）,
螺旋型（whorl）。其他的指纹图案都基于这三种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。
模式区（Pattern
Area）模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。
Aetex
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。
核心点（Core
Point）核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。
三角点（Delta）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和跟踪的开始之处。
式样线（Type
Lines）式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。
纹数（Ridge
Count）指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先在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。
局部特征
局部特征是指指纹上的节点。两枚指纹经常会具有相同的总体特征，但它们的局部特征--节点，却不可能完全相同
节点（Minutia
Points）指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为"节点"。就是这些节点提供了指纹唯一性的确认信息。
指纹上的节点有四种不同特性：
1.
分类
-
节点有以下几种类型，最典型的是终结点和分叉点
A.
终结点（Ending）
--
一条纹路在此终结。
B.
分叉点（Bifurcation）
--
一条纹路在此分开成为两条或更多的纹路。
C.
分歧点（Ridge
Divergence）
--
两条平行的纹路在此分开。
D.
孤立点（Dot
or
Island）
--
一条特别短的纹路，以至于成为一点
E.
环点（Enclosure）
--
一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点
F.
短纹（Short
Ridge）
--
一端较短但不至于成为一点的纹路，
2.
方向（Orientation）
--
节点可以朝着一定的方向。
3.
曲率（Curvature）
--
描述纹路方向改变的速度。
4.
位置（Position）
--
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。

Ⅳ 开发一个指纹识别系统要采用什么方法

指纹识别技术通过分析指纹的局部特征，从中抽取详尽的特征点，从而可靠地确认个身份。指纹识别的优点指纹作为人体独一无二的特征，它的复杂度可以提供用于鉴别的足够特征，具有极高的安全性。相对于其他身份认证技术，指纹识别是一种更为理想的身份认证技术，指纹识别不仅具有许多独到的信息安全优点，更重要的是具有很高的实用性、可行性，已经广泛应用于金融、电子商务以及安全性能要求教高的行业中。

目前多数指纹识别系统是将指纹图象采集到计算机中，利用计算机进行识别。外一些公司生产的独立指纹识别系统，价格比较高昂。些都限制了指纹识别技术的普及。因此，研究开发快速、识别率高、廉价的独立指纹识别系统具有很大的市场前景和重要的科学研究价值。

本文提出了一种新型基于DSP的指纹识别系统，硬件上利用DSP的高速处理能力，构建高速的数据处理平台，软件上考DSP和硬件逻辑的处理特点，对传统的指纹算法进行改进，满足实时性和可靠性要求。

2 硬件系统结构

系统的原理框图如图（1）所示：

图（1）系统结构框图

本系统整体上可以分为图像采集模块、图像处理及识别模块以及输出模块三部分组成。

2.1 图像采集模块

图像采集模块中，由于指纹识别系统中并不需要实时观察图像，所以对传感器要求不是很高，一般的黑白数字CMOS传感器都能满足要求。本系统中采用了一款300万象素的高清晰度黑白传感器作为图像获取器件，非常适合作为指纹图像传感器使用。主要考虑到CMOS器件成本低、分辨率高、可靠性好的优点。缺点为当手指汗液多或干裂时成像质量可能变差。在图像识别过程中，采用了基于GABOR的增强算法，基本上可以克服由此造成的影响。

2.2 图像处理及识别模块

图像处理及识别模块的结构关系到系统的性能的总体水平，采用FPGA+DSP的体系结构有利于构建高效的数据处理流程和方便处理任务的分配，提高系统的并行程度和资源利用率。系统中的SRAM、SDRAM、FLASH直接连到DSP上供其使用：FLASH用于存放程序和一些固定的表格数据；SDRAM作为DSP的系统内存，用于系统程序的运行；SRAM是高速的数据存储区，用于存放程序运行是产生的临时变量。而DDR SDRAM是专门用于存放采集到的指纹数据以及预处理过程中计算得到的象素点梯度数据等一些大容量的数据块，直接连接到FPGA，是系统中最高速的内存区域。FPGA除了作为DSP处理器的扩展总线接口外，还分担了部分数据处理任务，因为仅仅靠一块DSP是不能胜任所有的运算和控制任务的，指纹数据处理时，经常会遇到一些繁琐的加减运算和比逻辑运算，通常这部分都是由FPGA代为处理的，考虑到指纹处理算法的特殊性，同时还要兼顾实现DDR控制功能。

由于指纹识别过程中数学运算量大，因此程序设计不可避免的需要较大的存储空间，为了提高整体性能，需要把繁重的运算任务交给DSP处理，而图像采集部分则要尽可能少的占用DSP时间。另外，利用图像采集的间隙，或是图像采集的同时，由硬件完成一部分简单而繁琐的运算可以分担DSP的处理任务，提高处理的并行度，满足对实时性的要求。本系统采用了TMS320VC5402，其运算速度快，并且具有很高的性价比。系统中采集到的8bits灰度指纹图像，每个像素占用一个字节，图像尺寸为512×512个像素大小，存储一帧图像需要256k字节存贮空间。DSP单元是整个指纹处理系统的核心，负责对指纹进行实时处理。

2.3 输出模块

作为独立的指纹识别系统，经过系统识别的数据可以通过LCD直接显示出来。系统在设计时，也可以将系统作为终端使用，即通过FPGA扩展出以太网接口，作为需要通过网络传送指纹库数据的大型指纹识别系统终端。

3 指纹识别算法

指纹识别算法是指纹识别的核心，本系统中采用的指纹识别算法流程如图（2）所示。

图（2）指纹识别算法流程

图像增强是指纹图像预处理需要解决的核心问题，指纹图像增强的主要目的是为了消除噪声，改善图像质量，便于特征提取。由于指纹纹理由相间的脊线和谷线组成。这些纹理蕴涵了大量的信息，如纹理方向、纹理密度等等。在指纹图像的不同区域，这样的信息是不同的。指纹图像增强算法就是利用图像信息的区域性差异来实现的。传统的指纹图像增强就是利用图像的纹理方向信息，构造方向滤波器模板来实现滤波的。滤波器构造的简单性和指纹图像复杂性的矛盾限制了其作用的有效性。本系统中采用的是参考了指纹图像纹理频率信息，并且以GABOR变换这个能够同时对图像局部结构的方向和空域频率进行解析的最优滤波器作为滤波器的模板，因而极大的改善了增强算法的效果。

3.1 脊线方向

除奇异区外，指纹图像在一个足够小的区域内，纹理近似于相互平行的直线，这就是指纹图像的方向性特征。方向性特征是指纹图像中最为明显的特征之一，它以简化的形式直观的反映指纹图像的基本形态特征，因而被广泛应用于指纹图像的分类、增强、特征提取等方面。

提取脊线方向方法为：

⑴ 将指纹图像分割成足够小的子块，以满足块中纹理近似平行的条件。

3.2 脊线频率

指纹纹理除了具有稳定的方向性特征外，还具有稳定的频率性特点。在指纹图像的一个局部区域内，脊线和谷线的纹理走向平行，同时沿脊谷方向的灰度分布近似于正弦包络。

脊线频率被定义为两条脊线之间间距的倒数。通过定位该包络中极大、极小值点，就能得到相应的脊线间距和谷线间距，进而计算出脊线频率。

3.3 GABOR滤波器

GABOR变换由于具有最佳时域和频域连接分辨率的特点，能够同时对图像局部结构的方向和空域频率进行解析，可以很好地兼顾指纹图像的脊线方向和脊线频率信息。

本系统中采用GABOR滤波器函数的实部作为模板，以与子块纹线方向垂直的方向作为滤波器方向，以脊线频率作为滤波器频率来构建滤波器。滤波过程如下式所示：

其中， 为原始图像灰度， 是GABOR滤波后的图像灰度，W为滤波器模板大小，S为模板系数和， 为子块的域方向值。需要注意的是GABOR滤波器中的 与指纹文理方向垂直。对 和 的取值需要进行折衷，取值越大，则滤波器的抗噪性能越好，但也容易声成假的脊线。这里取 和 。

3.4 指纹匹配

本系统中指纹匹配采用基于特征点集合匹配的校准算法，该算法多为简单的比较逻辑和加减运算，不需要用到DSP处理单元。

4 系统处理流程

整个系统的处理的过程分为四个步骤：

⑴ 从图像传感器输出的指纹图像首先送到FPGA缓冲，同时运用设计好的预处理模块对数据进行处理，得到各像素点的梯度值以及子块中极大值点的坐标，所有这些数据连同原始数据以突发模式存入DDR SDRAM中；

⑵ DSP通过FPGA从DDR SDRAM中读取所有相关数据，计算出脊线方向和脊线频率，然后利用GABOR对原始数据进行滤波，处理后的图像数据再通过FPGA存入DDR SDRAM中，因此在DDR SDRAM的输入输出端都需要进行缓冲；

⑶ 根据DSP处理的指令要求，从DDR SDRAM中读出滤波后的数据，由FPGA内部的比较逻辑提取出指纹图像中每行（每列）中的极大值点，送到DSP进行进一步处理，完成指纹图像脊线提取；

⑷ 由DSP完成匹配识别算法，并输出处理结果。

5 结论

以上设计方案综合考虑了各方面因素，兼顾了DSP处理器和FPGA协处理器的性能状况和资源需求来分配任务，而且在数据采集的同时完成了指纹方向和频率提取的部分运算，减少了内存操作的次数，采用的根据系统特点优化的基于GABOR的增强算法，提高了系统的实时性，满足应用要求。