基于ARM的不同場(chǎng)合指紋細(xì)節(jié)點(diǎn)提取

劉 輝

（吉林建筑工程學(xué)院城建學(xué)院 電氣信息工程系，吉林 長(zhǎng)春 130111）

0 引 言

指紋特征提取的目的是要獲得真正的細(xì)節(jié)特征，同時(shí)去除由噪聲或污染等因素所造成的偽細(xì)節(jié)特征。細(xì)節(jié)特征是指在指紋拓?fù)鋱D中的幾種有效的特征，它是指紋識(shí)別的最基本的依據(jù)。即使兩枚指紋的總體特征相同，但是它們的細(xì)節(jié)特征卻不可能完全相同。美國(guó)國(guó)家標(biāo)準(zhǔn)測(cè)量局（National Institute of Standards and Testing，NIST）提出一種指紋細(xì)節(jié)分類方式，將指紋特征分為4類[1]：端點(diǎn)、分叉點(diǎn)、復(fù)合點(diǎn)和未定義特征。而最重要的細(xì)節(jié)特征就是端點(diǎn)和分叉點(diǎn)。大量的統(tǒng)計(jì)結(jié)果表明，使用這兩類特征點(diǎn)就足以描述指紋的唯一性[2]。

文中在ARM平臺(tái)上使用美國(guó)Veridicom公司生產(chǎn)的FPS200傳感器進(jìn)行活體指紋采集[3]，分別針對(duì)清晰的指紋圖像和模糊的指紋圖像應(yīng)用了8鄰域指紋細(xì)節(jié)特征點(diǎn)提取和SUSAN指紋細(xì)節(jié)特征點(diǎn)提取方法對(duì)指紋進(jìn)行分叉點(diǎn)和端點(diǎn)的提取。實(shí)驗(yàn)證明，SUSAN指紋細(xì)節(jié)特征點(diǎn)的提取算法可以直接從二值圖像中提取特征點(diǎn)，且此算法中建立的USAN區(qū)域的求和相當(dāng)于求積分，簡(jiǎn)化了編程和計(jì)算過(guò)程，且對(duì)較清晰的圖像和模糊的圖像有較強(qiáng)的魯棒性；傳統(tǒng)的8鄰域指紋細(xì)節(jié)特征點(diǎn)提取對(duì)預(yù)處理的質(zhì)量要求嚴(yán)格，對(duì)清晰圖像的特征提取效果較好，抗噪聲能力強(qiáng)，但對(duì)模糊圖像噪聲干擾嚴(yán)重，紋線修復(fù)困難，而改進(jìn)的8鄰域指紋特征點(diǎn)提取算法可從二值圖像[4]中直接進(jìn)行特征提取，紋線修復(fù)簡(jiǎn)單，抗噪性強(qiáng)，大大減少了偽特征點(diǎn)。

1 改進(jìn)的8鄰域指紋細(xì)節(jié)特征提取

像素的8鄰域點(diǎn)定義如圖1所示。

圖1 像素的8鄰域點(diǎn)定義

設(shè)P點(diǎn)為目標(biāo)像素點(diǎn)（即待處理的圖像點(diǎn)），其周圍相鄰的8點(diǎn)P1，P2，…，P8被稱為P點(diǎn)的8鄰點(diǎn)。基于對(duì)該8鄰點(diǎn)的統(tǒng)計(jì)分析，可定義指紋細(xì)節(jié)特征點(diǎn)提取算法為：

其中，P9＝P1。

1.1 常規(guī)算法

常規(guī)的細(xì)節(jié)特征提取算法是先將圖像進(jìn)行預(yù)處理、細(xì)化等步驟后，再采用式（1）提取細(xì)節(jié)特征點(diǎn)。對(duì)圖像中任一目標(biāo)點(diǎn)P，如果TSum（P）的值等于1，則該點(diǎn)為紋線端點(diǎn)；如果TSum（P）的值等于3，則該點(diǎn)為紋線分叉點(diǎn)。

1.2 改進(jìn)后的算法

式（1）對(duì)指紋紋線的預(yù)處理和細(xì)化的結(jié)果有很強(qiáng)的依賴性，對(duì)于質(zhì)量較好的圖像可以很準(zhǔn)確地提取其細(xì)節(jié)特征點(diǎn)，但當(dāng)噪聲干擾比較嚴(yán)重、指紋圖像采集質(zhì)量不好時(shí)，此常規(guī)算法的特征提取效果會(huì)受到嚴(yán)重的影響。

式（2）對(duì)式（1）進(jìn)行了改進(jìn)，即使對(duì)于未完全細(xì)化的指紋圖像也可以正確地提取細(xì)節(jié)特征信息。如果TSub（P）的值等于2，則該點(diǎn)為紋線端點(diǎn)；如果TSub（P）的值等于6，則該點(diǎn)為紋線分叉點(diǎn)。

2 基于SUSAN的指紋細(xì)節(jié)點(diǎn)提取

2.1 SUSAN 特征檢測(cè)原理[5－7]

SUSAN特征檢測(cè)原理如圖2所示。

圖2 SUSAN特征檢測(cè)原理

用一個(gè)圓形模板在圖2所示的圖像上移動(dòng)，若模板內(nèi)像素的灰度與模板中心像素（稱為核Nucleus）灰度的差值小于一定閾值，則認(rèn)為該點(diǎn)與核具有相同（或相近）的灰度，由滿足這樣條件的像素組成的區(qū)域稱為USAN（Univalue Segment Assimilating Nucleus）。

觀察可知，當(dāng)圓形模板完全處在圖像或背景中時(shí)，USAN區(qū)域面積最大（見圖2中a和b）；當(dāng)模板移向圖像邊緣時(shí)，USAN區(qū)域逐漸變小（見圖2中c）；當(dāng)模板中心處于邊緣時(shí)，USAN區(qū)域減小到模板面積的一半（見圖2中d）；當(dāng)模板中心處于角點(diǎn)時(shí)，USAN區(qū)域最小（見圖2中e）?？梢钥闯?，在邊緣處像素的USAN值都小于或等于其最大值的一半。因此，計(jì)算圖像中每一個(gè)像素的USAN值，只要通過(guò)設(shè)定一個(gè)USAN閾值查找小于閾值的像素點(diǎn)，即可確定為邊緣點(diǎn)。

2.2 SUSAN邊緣檢測(cè)算法

用圓形模板對(duì)整幅圖像中的所有像素進(jìn)行掃描，比較模板內(nèi)每一像素與中心像素的灰度值，并將其與給定的閾值比較，來(lái)判別該像素是否屬于USAN區(qū)域，如下式：

式中 ：c（r，r0）板內(nèi)屬于USAN區(qū)域的像素的判別函數(shù)；

I（r0）——模板中心像素（核）的灰度值；

I（r）——模板內(nèi)其它任意像素的灰度值；

t—— 灰度差門限。

圖像中每一點(diǎn)的USAN區(qū)域大小可用下式表示：

式中：D（r0） 以r0為中心的圓形模板區(qū)域。

得到每個(gè)像素的USAN值n（r0）以后，再與預(yù)先設(shè)定的門限g進(jìn)行比較，當(dāng)n（r0）＜g時(shí)，則認(rèn)為所檢測(cè)到像素位置r0是一個(gè)邊緣點(diǎn)。據(jù)統(tǒng)計(jì)規(guī)律，門限值g一般設(shè)定為整個(gè)模板面積的1／3左右，而t的大小與對(duì)比度和噪聲情況有關(guān)，所以本實(shí)驗(yàn)選取不同的t值。

2.3 基于SUSAN的指紋細(xì)節(jié)點(diǎn)提取算法

根據(jù)指紋圖像的特點(diǎn)，選擇正方形模板進(jìn)行實(shí)驗(yàn)，指紋圖像中USAN的4種情況如圖3所示。

圖3 指紋圖像中USAN的4種情況

觀察圖3可發(fā)現(xiàn)角點(diǎn)必為邊緣點(diǎn)，所以當(dāng)掃描遇到角點(diǎn)時(shí)，為了簡(jiǎn)化計(jì)算，就先執(zhí)行SUSAN算法。由于本實(shí)驗(yàn)采用的是活體指紋采集，采集技術(shù)和條件也不同，所以紋線采集質(zhì)量差距較大，有些采集到的紋線比較細(xì)，USAN區(qū)域很小，由圖中分析可知，這樣的非角點(diǎn)很容易被錯(cuò)判成角點(diǎn)，因此，對(duì)紋線特別細(xì)的地方，本實(shí)驗(yàn)采用計(jì)算特征點(diǎn)距離的方法去除偽細(xì)節(jié)點(diǎn)。實(shí)驗(yàn)中取特征點(diǎn)的距離值為脊線寬，如果距離值小于選擇的脊線寬，則認(rèn)為是偽特征點(diǎn)，予以刪除。

3 實(shí)驗(yàn)結(jié)果分析

文中采用了8鄰域特征提取算法和SUSAN的特征提取算法，分別對(duì)較清晰圖像和模糊圖像進(jìn)行特征提取，如圖4所示。

圖4 指紋特征提取結(jié)果

傳統(tǒng)的8鄰域特征提取算法對(duì)指紋的采集質(zhì)量有較高的要求，要嚴(yán)格依賴前期的指紋預(yù)處理效果，即二值化和細(xì)化的結(jié)果（見圖4（b）），對(duì)于清晰的圖像而言，由于預(yù)處理結(jié)果理想，傳統(tǒng)的8鄰域特征提取算法提取指紋特征點(diǎn)的效果較理想，具有很強(qiáng)的魯棒性，但對(duì)于模糊的圖像易出現(xiàn)偽特征點(diǎn)（見圖4（f）），抗噪性能差，預(yù)處理過(guò)程出現(xiàn)嚴(yán)重的紋線缺失現(xiàn)象，直接影響了指紋的匹配結(jié)果，但是它的編程是相當(dāng)簡(jiǎn)單易懂。而改進(jìn)后的8鄰域特征提取算法，不像傳統(tǒng)的特征提取算法那樣對(duì)細(xì)化結(jié)果要求很高，它可以不經(jīng)過(guò)細(xì)化的過(guò)程直接進(jìn)行指紋特征提取，滿足了實(shí)時(shí)性，但是效果沒有細(xì)化后再進(jìn)行特征提取的效果理想（見圖4（g））。改進(jìn)的8鄰域特征提取算法編程比較簡(jiǎn)單，在Matlab上調(diào)試也比較容易。

SUSAN特征提取就是一種角點(diǎn)檢測(cè)算法，它對(duì)邊緣點(diǎn)反應(yīng)比較靈敏，可以直接從二值化圖像進(jìn)行特征提取，省略了細(xì)化的過(guò)程，滿足了嵌入式系統(tǒng)的實(shí)時(shí)性，大大節(jié)省了匹配時(shí)間。SUSAN計(jì)算、編程也較簡(jiǎn)單，對(duì)于模糊的圖像，抗噪能力強(qiáng)，能準(zhǔn)確地對(duì)指紋特征點(diǎn)進(jìn)行定位（見圖4（e）），SUSAN特征提取算法采用動(dòng)態(tài)變化的閾值選取，增強(qiáng)了本算法對(duì)角點(diǎn)的敏感性，但對(duì)清晰圖像（c）來(lái)說(shuō)，對(duì)于端點(diǎn)部位反映太過(guò)靈敏，易出現(xiàn)偽特征點(diǎn)，所以不如傳統(tǒng)的8鄰域算法特征提取的效果好。但是，從二值化的圖像直接提取特征點(diǎn)易出現(xiàn)環(huán)孔狀的偽特征點(diǎn)，這一點(diǎn)還要繼續(xù)進(jìn)行研究?jī)?yōu)化處理。因此，各自算法有各自的優(yōu)缺點(diǎn)，對(duì)于不同質(zhì)量的圖像，可以根據(jù)不同的需要選擇不同的編程方法。

4 結(jié) 語(yǔ)

分別應(yīng)用了改進(jìn)的8鄰域指紋特征提取算法和SUSAN指紋特征提取算法，對(duì)清晰的指紋圖像和模糊的指紋圖像進(jìn)行指紋特征點(diǎn)的提取，在

ARM系統(tǒng)下驗(yàn)證了其實(shí)時(shí)性，在MATLAB下仿真的效果比較理想，保證了算法的效率，并總結(jié)了各自算法的優(yōu)缺點(diǎn)，對(duì)于不同質(zhì)量的圖像，可以根據(jù)不同的需要選擇不同的編程方法。這樣使特征點(diǎn)的定位更加準(zhǔn)確，抗噪能力強(qiáng)，有利于實(shí)現(xiàn)算法的穩(wěn)定性、有效性、魯棒性。

[1]何天文.微機(jī)指紋識(shí)別技術(shù)的研究[D]：[碩士學(xué)位論文].重慶：重慶大學(xué)，2002.

[2]尹義龍，寧新寶，張曉梅.改進(jìn)的指紋細(xì)節(jié)特征提取算法[J].中國(guó)圖像圖形學(xué)報(bào)，2002，7（12A）：1302－1306.

[3]游林儒，丁飛，勞中建，等.基于ARM的指紋特征點(diǎn)快速提取改進(jìn)算法[J].計(jì)算機(jī)應(yīng)用，2007，27（1）：88－90.

[4]劉躍鋒，宋永霞，李松濤.一種基于直方圖對(duì)二值圖像進(jìn)行處理的方法[J].長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，31（5）：554－558.

[5]文瀟，華驊，徐安士.基于SUSAN的指紋細(xì)節(jié)點(diǎn)提取算法[J].四川大學(xué)學(xué)報(bào)，2005，42（5）：952－956.

[6]馬桂珍，房宗良，姚宗中.SUSAN邊緣檢測(cè)算法性能分析與比較[J].現(xiàn)代電子技術(shù)，2007，247（8）：189－191.

[7]張從力，王述勇，王蓮.一種具有保留邊緣信息的改進(jìn)SUSAN去噪方法[J].國(guó)外電子測(cè)量技術(shù)，2007，26（10）：33－35.