一種基于信息融合的指紋奇異點(diǎn)提取及紋型分類算法

張 曄 彭小奇，2 鐘云飛 唐 英

一種基于信息融合的指紋奇異點(diǎn)提取及紋型分類算法

張 曄1彭小奇1，2鐘云飛3唐 英1

1(中南大學(xué)物理與電子學(xué)院 湖南 長(zhǎng)沙 410083)

2(湖南第一師范學(xué)院信息科學(xué)與工程系 湖南 長(zhǎng)沙 410205)

3(中南大學(xué)信息科學(xué)與工程學(xué)院 湖南 長(zhǎng)沙 410083)

準(zhǔn)確可靠地實(shí)現(xiàn)紋型分類對(duì)提高大容量指紋庫(kù)中的檢索和匹配效率具有重要意義。提出一種基于信息融合的指紋奇異點(diǎn)提取與紋型分類算法。首先，分別給出一種基于奇異點(diǎn)區(qū)域方向場(chǎng)信息和奇異區(qū)復(fù)數(shù)濾波場(chǎng)信息的改進(jìn)的奇異點(diǎn)提取算法，并將兩者融合以完整提取奇異點(diǎn)；再利用所提取奇異點(diǎn)鄰域的Gaussian-Hermite矩的分布屬性剔除偽奇異點(diǎn)；最后，利用奇異點(diǎn)的數(shù)目和位置關(guān)系及中心點(diǎn)的主方向?qū)⒅讣y分為常見(jiàn)的六種紋型，對(duì)缺少三角點(diǎn)的指紋，使用脊線跟蹤算法進(jìn)行分類。實(shí)驗(yàn)表明，該方法新穎有效，具有較高的準(zhǔn)確性和魯棒性。

指紋 奇異點(diǎn) 信息融合 主方向 分類

0 引 言

個(gè)人身份識(shí)別是信息化社會(huì)正常運(yùn)行不可或缺的基礎(chǔ)性技術(shù)，指紋因其唯一性而在個(gè)人身份識(shí)別中得到廣泛應(yīng)用。隨著自動(dòng)指紋識(shí)別系統(tǒng)中的指紋數(shù)據(jù)庫(kù)的規(guī)模日益龐大，指紋檢索效率亟待提高，指紋分類技術(shù)顯得尤為重要。目前常用的指紋分類算法大致可分為四類：基于規(guī)則的[1,2]、基于結(jié)構(gòu)的[3]、基于統(tǒng)計(jì)的[4]、基于神經(jīng)網(wǎng)絡(luò)的[5,6]。這些分類算法大都建立在Henry的紋型分類模式[7]或其變種基礎(chǔ)上，但因各紋型模式類間差距較小而類內(nèi)差距較大，加上指紋圖像還可能存在噪聲和殘缺，故指紋分類一直是一個(gè)難題。

當(dāng)今主流的分類方法多是依據(jù)奇異點(diǎn)的位置、類型、數(shù)量和奇異點(diǎn)與其周圍脊線的關(guān)系實(shí)現(xiàn)分類，因此，準(zhǔn)確、全面、快速地提取奇異點(diǎn)具有重要意義。國(guó)內(nèi)外常見(jiàn)的奇異點(diǎn)提取算法主要有基于Poincare index(簡(jiǎn)記為PI)的算法及其改進(jìn)算法[8,9]、基于復(fù)數(shù)濾波的算法[10]、基于方向場(chǎng)模型的算法[11,12]、基于形態(tài)分析的算法[13]等，其中主流的是PI算法和基于復(fù)數(shù)濾波的算法，兩者各有優(yōu)勢(shì)和不足：PI算法提取的奇異點(diǎn)較為齊全，但易受噪聲干擾而產(chǎn)生偽奇異點(diǎn)，且無(wú)法穩(wěn)定地判定奇異點(diǎn)類型；基于復(fù)數(shù)濾波的算法雖能準(zhǔn)確定位奇異點(diǎn)位置及類型，但提取效果受限于所設(shè)置的門(mén)限值，且易受噪聲干擾。盡管這兩種方法單獨(dú)使用時(shí)效果不佳，但具備一定的互補(bǔ)性。

本文提出了一種融合PI算法與復(fù)數(shù)濾波算法的奇異點(diǎn)提取算法及以此為基礎(chǔ)的一種改進(jìn)的指紋紋型分類算法?；贔VC2002和NIST-4指紋算法測(cè)試數(shù)據(jù)庫(kù)所做的實(shí)驗(yàn)表明，本文提出的指紋圖像奇異點(diǎn)提取與紋型分類方法具有較高的準(zhǔn)確性和魯棒性。

1 改進(jìn)的基于方向場(chǎng)信息的奇異點(diǎn)提取算法

1.1 指紋圖像塊方向場(chǎng)估計(jì)

將經(jīng)過(guò)濾波增強(qiáng)后的指紋圖像分為16×16的方塊，用經(jīng)典的公式法[14]計(jì)算其塊方向場(chǎng)：

(1)

(2)

(3)

(4)

1.2 奇異區(qū)定位算法

為減少奇異點(diǎn)提取算法的運(yùn)算量并降低圖像噪聲干擾，應(yīng)先初步定位奇異點(diǎn)所在的區(qū)域。為此，定義圖像子塊的曲率為：

(5)

式中的φ(m+i,n+j)為某圖像子塊周圍八鄰域子塊的方向，圖1(a)所示指紋圖像的塊曲率場(chǎng)如圖1(b)所示。根據(jù)奇異點(diǎn)所在的圖像子塊及其鄰域的圖像子塊曲率較大的特點(diǎn)，當(dāng)某圖像子塊同時(shí)滿足以下兩個(gè)條件時(shí)，可判定其為奇異區(qū)：

(1) 其周圍的八鄰域子塊中的任意四塊滿足下式：

(6)

(2) 滿足C(m,n)>Cmean+Csd，Cmean和Csd分別為該圖像子塊及其周圍八鄰域子塊的曲率均值和曲率均方差。

(a) 指紋圖像 (b) 指紋圖像曲率場(chǎng)

(c) 利用曲率場(chǎng)找到的奇異區(qū)

圖1 指紋圖像的曲率場(chǎng)與奇異區(qū)效果圖

1.3 奇異點(diǎn)定位算法

如圖2所示，奇異點(diǎn)區(qū)域的方向場(chǎng)有如下三個(gè)特征：

(1) 環(huán)繞以奇異點(diǎn)為中心的閉曲線，以順時(shí)針遍歷一周，閉曲線上點(diǎn)的方向角度值由正變負(fù)和由負(fù)變正各一次。

(2) 與指紋圖像上其他點(diǎn)相比，奇異點(diǎn)周圍的紋線方向變化十分明顯，圍繞奇異點(diǎn)的閉曲線上的大多數(shù)相鄰點(diǎn)的方向角度差的絕對(duì)值都大于π/2ψ(ψ為閉曲線上像素點(diǎn)的個(gè)數(shù))。

(3) 在圍繞奇異點(diǎn)的閉曲線上所有的方向角度差中，有某個(gè)方向角度差dδ(k)的絕對(duì)值遠(yuǎn)大于其他的方向角度差絕對(duì)值，如圖2(a)、(b)圈處所示，稱此現(xiàn)象為方向角度差突變。

(a) 中心點(diǎn) (b) 三角點(diǎn)圖2 奇異點(diǎn)周圍封閉曲線上方向變化示意圖

利用上述三個(gè)特征可對(duì)指紋圖像奇異區(qū)內(nèi)的點(diǎn)進(jìn)行篩選，得到候選的奇異點(diǎn)集；然后通過(guò)計(jì)算候選奇異點(diǎn)的Poincare index值進(jìn)行奇異點(diǎn)及其類型判定，判定過(guò)程如下：

(1) 計(jì)算指紋圖像奇異區(qū)內(nèi)的點(diǎn)方向場(chǎng)φ(x,y)。將式(1)中圖像子塊的中心點(diǎn)坐標(biāo)(u,v)改為像素點(diǎn)坐標(biāo)(x,y)后，利用式(1)-式(4)可得指紋圖像奇異區(qū)內(nèi)的點(diǎn)方向場(chǎng)φ(x,y)。

(2) 統(tǒng)計(jì)奇異區(qū)內(nèi)像素點(diǎn)(x,y)周圍封閉曲線上ψ個(gè)點(diǎn)的方向角度值由正變負(fù)和由負(fù)變正的次數(shù)，若兩者各有一次，則進(jìn)入步驟(3)，否則認(rèn)定像素點(diǎn)(x,y)為普通點(diǎn)。

(3) 計(jì)算順時(shí)針圍繞像素點(diǎn)(x,y)的封閉曲線上相鄰兩點(diǎn)的方向角度差，若有T個(gè)方向角度差的絕對(duì)值大于π/2ψ，且T>T1(T1=ψ/2)，則進(jìn)入步驟(4)，否則認(rèn)定其為普通點(diǎn)。

(4) 搜索圍繞點(diǎn)(x,y)的封閉曲線上方向角度差絕對(duì)值的最大值，若封閉曲線上僅有該方向角度差的絕對(duì)值大于閾值π/2，則認(rèn)為該點(diǎn)為奇異點(diǎn)。

(5) 計(jì)算奇異點(diǎn)的PI值，視其為1/2或-1/2而分別判定相應(yīng)奇異點(diǎn)為中心點(diǎn)或三角點(diǎn)。

2 改進(jìn)的基于復(fù)數(shù)濾波的奇異點(diǎn)提取算法

利用中心點(diǎn)(Core點(diǎn))具備較強(qiáng)的圓對(duì)稱性、三角點(diǎn)(Delta點(diǎn))具備較強(qiáng)的三角對(duì)稱性的特點(diǎn)，分別使用圓對(duì)稱和三角對(duì)稱濾波器對(duì)指紋奇異區(qū)的平方復(fù)數(shù)點(diǎn)方向場(chǎng)進(jìn)行濾波，可獲得圖3(b)、(d)所示的濾波響應(yīng)場(chǎng)，所獲濾波響應(yīng)場(chǎng)具備以下特點(diǎn)：

(1) 中心點(diǎn)對(duì)于圓對(duì)稱濾波器的響應(yīng)明顯強(qiáng)于三角點(diǎn)，而三角點(diǎn)對(duì)于三角對(duì)稱濾波器的響應(yīng)明顯強(qiáng)于中心點(diǎn)，噪聲點(diǎn)在這兩種濾波器作用下均有較強(qiáng)的響應(yīng)；

(2) 奇異點(diǎn)附近區(qū)域內(nèi)的點(diǎn)呈現(xiàn)與該奇異點(diǎn)一致的圓對(duì)稱性或三角對(duì)稱性，而噪聲點(diǎn)附近的點(diǎn)一般不具備與噪聲點(diǎn)一致的圓對(duì)稱性或三角對(duì)稱性。

根據(jù)濾波響應(yīng)場(chǎng)的上述特點(diǎn)可判定奇異點(diǎn)及其類型[10]，但判定結(jié)果易受噪聲干擾。因此，本文提出在對(duì)指紋圖像奇異區(qū)進(jìn)行復(fù)數(shù)濾波的基礎(chǔ)上，分別對(duì)圓對(duì)稱和三角對(duì)稱濾波響應(yīng)場(chǎng)進(jìn)行增強(qiáng)處理，以加大奇異點(diǎn)附近的復(fù)數(shù)濾波響應(yīng)并抑制噪聲點(diǎn)的濾波響應(yīng)，改進(jìn)后的基于復(fù)數(shù)濾波的奇異點(diǎn)提取算法如下：

(1) 計(jì)算指紋圖像奇異區(qū)內(nèi)的梯度矢量場(chǎng)[Gx(x,y),Gy(x,y)]，由此獲得奇異區(qū)內(nèi)的平方復(fù)數(shù)點(diǎn)方向場(chǎng)p(x,y)：

(7)

對(duì)p(x,y)進(jìn)行小尺度的高斯低通濾波以平滑圖像的平方復(fù)數(shù)點(diǎn)方向場(chǎng)的噪聲并保留奇異區(qū)內(nèi)的細(xì)節(jié)紋理特性[15]。

hcore(s,t)=(s+it)g(s,t)

(8)

hdelta(s,t)=(s-it)g(s,t)

(9)

式(8)、式(9)中的g(s,t)為高斯窗函數(shù)。

(11)

式(10)、(11)中的rcore(x,y)和rdelta(x,y)分別表示點(diǎn)(x,y)的圓對(duì)稱和三角對(duì)稱濾波響應(yīng)幅度，αcore(x,y)和αdelta(x,y)分別表示點(diǎn)(x,y)的圓對(duì)稱和三角對(duì)稱濾波響應(yīng)幅相角。

(4) 分別對(duì)rcore和rdelta進(jìn)行增強(qiáng)處理：

Rcore(x,y)=rcore(x,y)×[1-rdelta(x,y)]

(12)

Rdelta(x,y)=rdelta(x,y)×[1-rcore(x,y)]

(13)

(14)

(15)

對(duì)比圖3(b)和(c)、(d)和(e)可以發(fā)現(xiàn)，經(jīng)過(guò)本文增強(qiáng)和均值濾波處理的濾波響應(yīng)幅度場(chǎng)受噪聲干擾的影響明顯變小。

(a) 指紋圖像

(b) 圓對(duì)稱濾波幅度場(chǎng) (c) 增強(qiáng)的圓對(duì)稱濾波幅度場(chǎng)

(d) 三角對(duì)稱濾波幅度場(chǎng) (e) 增強(qiáng)的三角對(duì)稱濾波幅度場(chǎng)圖3 指紋圖像的復(fù)數(shù)濾波幅度場(chǎng)效果圖

3 基于信息融合的奇異點(diǎn)提取算法

基于奇異點(diǎn)方向場(chǎng)信息和復(fù)數(shù)濾波信息融合的奇異點(diǎn)提取算法步驟如下：

(1) 對(duì)指紋圖像進(jìn)行分割和圖像增強(qiáng)處理以連接斷紋并濾除圖像噪聲；

(2) 計(jì)算經(jīng)過(guò)預(yù)處理后的指紋圖像的塊方向場(chǎng)，并定位指紋圖像的奇異區(qū)；

(3) 基于奇異點(diǎn)方向場(chǎng)信息，在奇異區(qū)中提取候選奇異點(diǎn)。采用5×5和7×7兩條不同的封閉曲線分別在奇異區(qū)中尋找奇異點(diǎn)，若某點(diǎn)在兩條封閉曲線上均滿足奇異點(diǎn)判定條件，則將其作為候選奇異點(diǎn)，由此獲得候選奇異點(diǎn)集A；

(4) 根據(jù)點(diǎn)集A中各候選奇異點(diǎn)的PI值判定其為中心點(diǎn)或三角點(diǎn)，分別組成中心點(diǎn)點(diǎn)集Acore和三角點(diǎn)點(diǎn)集Adelta；

(6) 通過(guò)信息融合提取奇異點(diǎn)：

(a) 若點(diǎn)集A和B中候選奇異點(diǎn)數(shù)同為0、2或4個(gè)，且兩個(gè)點(diǎn)集中對(duì)應(yīng)點(diǎn)的位置及類型信息一致(對(duì)應(yīng)點(diǎn)的歐氏距離在10個(gè)像素以內(nèi))，則認(rèn)為點(diǎn)集A和B中的候選奇異點(diǎn)均為真實(shí)奇異點(diǎn)，點(diǎn)集Acore為真實(shí)中心點(diǎn)集，點(diǎn)集Adelta為真實(shí)三角點(diǎn)集，結(jié)束奇異點(diǎn)提取過(guò)程；

(b) 若點(diǎn)集A和B中對(duì)應(yīng)位置的候選奇異點(diǎn)僅類型不同，其余情況與(a)中的描述一致，考慮到改進(jìn)的基于復(fù)數(shù)濾波的算法對(duì)奇異點(diǎn)的分類更為穩(wěn)定和準(zhǔn)確，則將點(diǎn)集Bcore作為真實(shí)中心點(diǎn)集，點(diǎn)集Bdelta作為真實(shí)三角點(diǎn)集，結(jié)束奇異點(diǎn)提取過(guò)程；

(c) 若(a)和(b)均不滿足，則首先確定點(diǎn)集A和B中位置和類型信息一致的對(duì)應(yīng)點(diǎn)，將其作為真實(shí)奇異點(diǎn)，并根據(jù)其類型分別放入中心點(diǎn)點(diǎn)集Ccore或三角點(diǎn)點(diǎn)集Cdelta中，然后刪除點(diǎn)集A和B中已提取的對(duì)應(yīng)點(diǎn)，對(duì)兩個(gè)點(diǎn)集中其余的點(diǎn)取并集得到點(diǎn)集C，執(zhí)行步驟(7)；

遍歷C中所有的點(diǎn)，計(jì)算以每個(gè)點(diǎn)為中心、半徑為6r(r為平均紋線間距)的圓形區(qū)域內(nèi)的coherence值，并將該圓形區(qū)域分為16個(gè)方向。為統(tǒng)計(jì)每個(gè)方向上coherence值的變化情況，將該圓形區(qū)域用半徑分別為2r和4r的兩個(gè)內(nèi)圓劃分為圖4(c)中所示的一個(gè)中心圓形區(qū)域和32個(gè)扇形區(qū)域；計(jì)算16個(gè)方向中每個(gè)方向?qū)?yīng)的三個(gè)區(qū)域(圓形區(qū)域和兩扇形區(qū)域)各自的coherence平均值，若從內(nèi)到外三個(gè)區(qū)域的coherence值逐漸增大，則判定該方向有效，統(tǒng)計(jì)每個(gè)點(diǎn)周圍有效的方向數(shù)num，若num≥12，則保留該點(diǎn)，否則認(rèn)為該點(diǎn)為偽奇異點(diǎn)，將其從點(diǎn)集C中刪除；

(8) 使用改進(jìn)的基于復(fù)數(shù)濾波的算法對(duì)點(diǎn)集C中保留的候選奇異點(diǎn)進(jìn)行分類，根據(jù)分類結(jié)果將其分別放入點(diǎn)集Ccore和Cdelta中；

(9) 合并真實(shí)中心點(diǎn)集Acore、Bcore、Ccore和真實(shí)三角點(diǎn)集Adelta、Bdelta、Cdelta。

(a)指紋圖像候補(bǔ)奇異點(diǎn)集示意圖 (b)指紋圖像的Coherence場(chǎng)去偽效果

(c) 候補(bǔ)奇異點(diǎn)周圍圓形區(qū)域

圖4 基于Gaussian-Hermite矩的奇異點(diǎn)去偽示意圖

4 基于中心點(diǎn)最優(yōu)方向和脊線跟蹤相結(jié)合的紋型分類算法

利用奇異點(diǎn)信息和其他輔助信息可以將指紋圖像分為拱形、尖拱、左旋、右旋、漩渦、雜類六類，其中雜類為無(wú)法分為前五類的指紋圖像集合；由于雙旋和漩渦兩種類型容易混淆，故將其統(tǒng)一歸入漩渦類。

利用奇異點(diǎn)信息分類的算法大都使用中心點(diǎn)的方向與中心點(diǎn)和三角點(diǎn)連線方向的角度差來(lái)判斷左旋、右旋和尖拱三種紋型，這種分類辦法雖然簡(jiǎn)單直觀，但如何準(zhǔn)確地計(jì)算中心點(diǎn)的方向成為難點(diǎn)。中心點(diǎn)的方向應(yīng)該與其所在的主脊線方向一致，而實(shí)驗(yàn)表明，直接使用中心點(diǎn)對(duì)應(yīng)的點(diǎn)方向場(chǎng)值或者復(fù)數(shù)濾波所得的方向角度值往往不夠準(zhǔn)確。因此，本文對(duì)于有一個(gè)中心點(diǎn)和一個(gè)三角點(diǎn)的指紋圖像，首先計(jì)算中心點(diǎn)的最優(yōu)方向，然后根據(jù)最優(yōu)方向與兩奇異點(diǎn)連線方向的角度差進(jìn)行分類；針對(duì)缺失三角點(diǎn)的指紋圖像，利用脊線跟蹤進(jìn)行分類；其余指紋圖像根據(jù)奇異點(diǎn)數(shù)目進(jìn)行分類。具體分類算法如下：

(1) 若不存在奇異點(diǎn)，則將指紋圖像分類為拱形。

(2) 若中心點(diǎn)和三角點(diǎn)各有兩個(gè)，則將指紋圖像分類為漩渦。

(16)

(6) 針對(duì)采集漩渦形指紋時(shí)易遺漏三角點(diǎn)的問(wèn)題，為避免將其分為雜類，若指紋圖像有兩個(gè)中心點(diǎn)和一個(gè)三角點(diǎn)，則對(duì)其進(jìn)行脊線跟蹤，若跟蹤到下凹形脊線，則將其分為漩渦類。

(7) 其他未分類的指紋統(tǒng)一歸為雜類。

5 實(shí)驗(yàn)結(jié)果與分析

選用測(cè)試指紋識(shí)別系統(tǒng)性能的常用指紋數(shù)據(jù)庫(kù)FVC2002和NIST- 4來(lái)驗(yàn)證本文的奇異點(diǎn)提取和紋型分類算法的準(zhǔn)確性。實(shí)驗(yàn)在酷睿i5- 3210M(2.50 Ghz)處理器、內(nèi)存為5.87 GB的PC機(jī)上運(yùn)行，采用Matlab 7.8(R2009a)軟件對(duì)指紋圖像進(jìn)行處理。

在FVC2002數(shù)據(jù)庫(kù)的Db1指紋庫(kù)和NIST- 4數(shù)據(jù)庫(kù)中分別隨機(jī)選取了500幅指紋圖像，使用本文方法與基于PI的傳統(tǒng)的奇異點(diǎn)提取算法和基于傳統(tǒng)的復(fù)數(shù)濾波奇異點(diǎn)提取算法及目前性能最好的基于常微分方程線性化模型分析的奇異點(diǎn)提取算法[12]進(jìn)行奇異點(diǎn)提取對(duì)比實(shí)驗(yàn)；因FVC2002數(shù)據(jù)庫(kù)中的指紋圖像漏采奇異點(diǎn)的現(xiàn)象嚴(yán)重，僅在NIST- 4數(shù)據(jù)庫(kù)中隨機(jī)選取1500幅指紋圖像，使用本文方法與傳統(tǒng)分類算法[1]和目前性能最好的基于奇異點(diǎn)信息的紋型分類算法[2]進(jìn)行紋型分類對(duì)比實(shí)驗(yàn)。

(1) 奇異點(diǎn)提取結(jié)果

因FVC2002數(shù)據(jù)庫(kù)和NIST- 4數(shù)據(jù)庫(kù)均未提供奇異點(diǎn)信息，故采用人工標(biāo)注法確定奇異點(diǎn)的數(shù)目和位置。若被提取的奇異點(diǎn)的位置與所標(biāo)記的奇異點(diǎn)的歐氏距離大于15個(gè)像素，則認(rèn)為奇異點(diǎn)提取錯(cuò)誤，否則認(rèn)為提取準(zhǔn)確。

表1 不同算法在FVC2002.DB1上的結(jié)果對(duì)比

表2 不同算法在NIST4上的結(jié)果對(duì)比

從表1和表2中可以看出，本文的奇異點(diǎn)提取算法優(yōu)于傳統(tǒng)的PI方法和復(fù)數(shù)濾波算法，對(duì)FVC2002數(shù)據(jù)庫(kù)，本文算法的奇異點(diǎn)漏檢率和誤檢率略高于文獻(xiàn)[12]的算法，但對(duì)具有較多低質(zhì)量指紋的NIST4數(shù)據(jù)庫(kù)，本文算法更具優(yōu)勢(shì)，說(shuō)明本文的算法能更有效地提取較低質(zhì)量指紋圖像的奇異點(diǎn)，即對(duì)于低質(zhì)量指紋圖像，本文方法具有更高的準(zhǔn)確性和更強(qiáng)的魯棒性。

(2) 紋型分類結(jié)果

從NIST- 4數(shù)據(jù)庫(kù)中選取的1500幅指紋圖像中，有197幅因圖像質(zhì)量過(guò)差而被排除，剩余的1303幅用來(lái)測(cè)試分類算法，測(cè)試結(jié)果如表3所示。

表3 本文算法的指紋圖像分類結(jié)果

表3的實(shí)驗(yàn)結(jié)果顯示，指紋圖像分類正確率為(231+277+235+282+190)/1303 = 93.09%。由表3可以看出，由于奇異點(diǎn)的缺失、漏檢和誤檢現(xiàn)象，較多指紋圖像被分為雜類。按照文獻(xiàn)[1]和文獻(xiàn)[2]的做法，舍去分為雜類的指紋圖像，便可得到本文算法與使用中心點(diǎn)對(duì)應(yīng)的點(diǎn)方向場(chǎng)值作為中心點(diǎn)主方向的傳統(tǒng)分類算法[1]和文獻(xiàn)[2]的算法分類結(jié)果對(duì)比如表4所示。

表4 不同算法的分類結(jié)果對(duì)比

表4的實(shí)驗(yàn)結(jié)果顯示，本文算法的分類結(jié)果全面優(yōu)于傳統(tǒng)分類方法[1]，與文獻(xiàn)[2]相比，本文方法對(duì)左旋、右旋和尖拱三種紋型的分類效果略差，但整體分類效果略優(yōu)于文獻(xiàn)[2]的方法，其原因在于某些特殊的左、右旋和尖拱型指紋圖像的主中心點(diǎn)方向與中心點(diǎn)和三角點(diǎn)連線方向的角度差較為接近，導(dǎo)致在分類時(shí)左、右旋型指紋圖像與尖拱型指紋圖像容易互相混淆，從而降低了這三類紋型指紋圖像的分類效果。

(3)算法時(shí)間性能

在NIST- 4數(shù)據(jù)庫(kù)中對(duì)不同算法處理一副指紋圖像的平均運(yùn)行時(shí)間對(duì)比結(jié)果如表5所示。

表 5 不同算法平均運(yùn)行時(shí)間結(jié)果對(duì)比

從表5可見(jiàn)，本文方法對(duì)奇異點(diǎn)的提取速度較快；但在紋型分類方面，由于本文方法首先計(jì)算主中心點(diǎn)方向，因此速度較慢，但奇異點(diǎn)提取與紋型分類算法的合計(jì)速度仍明顯優(yōu)于另外兩種紋型分類算法。

6 結(jié) 語(yǔ)

提出了一種基于奇異點(diǎn)區(qū)域方向場(chǎng)信息和奇異區(qū)復(fù)數(shù)濾波場(chǎng)信息的改進(jìn)的奇異點(diǎn)提取算法和一種基于信息融合的指紋紋型分類算法，能全面準(zhǔn)確地提取指紋圖像的奇異點(diǎn)，并準(zhǔn)確穩(wěn)定地對(duì)指紋圖像進(jìn)行紋型分類。奇異點(diǎn)提取算法利用指紋圖像的塊曲率場(chǎng)確定奇異點(diǎn)所在的區(qū)域；然后，將基于奇異點(diǎn)區(qū)域方向場(chǎng)信息的奇異點(diǎn)提取算法和基于奇異區(qū)復(fù)數(shù)濾波場(chǎng)的奇異點(diǎn)提取算法相結(jié)合，以完整提取奇異點(diǎn)；最后，利用奇異點(diǎn)周圍像素的Gaussian- Hermite矩分布屬性剔除偽奇異點(diǎn)，以實(shí)現(xiàn)奇異點(diǎn)的準(zhǔn)確提取。紋型分類算法除利用奇異點(diǎn)的數(shù)目和幾何位置關(guān)系以及中心點(diǎn)的主方向?qū)⒅讣y分為拱形、尖拱、左旋、右旋、漩渦、雜類六種紋型外，對(duì)于缺少三角奇異點(diǎn)的指紋，使用脊線跟蹤進(jìn)行分類。

實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的基于PI的算法和復(fù)數(shù)濾波算法相比，本文的奇異點(diǎn)提取算法能較為全面準(zhǔn)確、快速穩(wěn)定地提取奇異點(diǎn)，特別是能更準(zhǔn)確有效地提取較低質(zhì)量指紋中的奇異點(diǎn)。此外，本文的紋型分類算法對(duì)于NIST4指紋庫(kù)中各類指紋圖像的分類正確率達(dá)到93.09%，具有較高的分類準(zhǔn)確性、魯棒性和快速性。

[1] Kalle K,Anil K J.Fingerprint Classification[J].Pattern Recognition,1996,29(3):389-404.

[2] Tariq A,Akram M U,Khan S A.An Automated System for Fingerprint Classification using Singular Points for Biometric Security[C]//2011 International Conference for Internet Technology and Secured Transactions (ICITST),Abu Dhabi:IEEE,2011:170-175

[3] Cao Kai,Pang Liaojun,Liang Jimin,et al.Fingerprint classification by a hierarchical classifier[J].Pattern Recognition,2013,46(12):3186-3197

[4] Jung H W,Lee J H.Live- scanned fingerprint classification with Markov models modified by GA[J].International Journal of Control,Automation,and Systems,2011,9(5):933-940

[5] Li Xiangrong,Wang Guohui,Lu Xiangjiang.Neural Network Based Automatic Fingerprints Classification Algorithm[C]//2010 International Conference of Information Science and Management Engineering (ISME),Xi An:IEEE,2010:94-96

[6] Turky A M,Ahmad A.The use of SOM for fingerprint classification[C]// 2010 International Conference on Information Retrieval & Knowledge Management(CAMP),Shah Alam,Selangor :IEEE,2010:287-290

[7] Henry E.classification and uses of fingerprints[M].London:Routledge,1900.

[8] Li Yue,Mandal M,Lu Cheng.Singular point detection based on orientation filed regularization and poincaré index in fingerprint images[C]//2013 IEEE International Conference on Acoustics,Speech and Signal Processing (ICASSP),Vancouver,BC:IEEE,2013:26-31

[9] Saquib Z,Salam N,Nair R,et al.An enhanced method for singular points detection in fingerprint images[C]//2010 International Conference on Computer and Communication Technology (ICCCT),Allahabad:IEEE 2010:17-19.

[10] Nilsson K,Bigun J.Localization of corresponding points in fingerprints by complex filtering[J].Pattern Recognition,2003,24(13):2135-2144.

[11] Su Fei,Sun Peng,Wang Botao,et al.Fingerprint singular points extraction based on the properties of orientation model[J].The Journal of China Universities of Posts and Telecommunications,2011,18(1):98-104.

[12] 王曉端，劉書(shū)炘，劉滿華.基于模型分析的指紋奇異點(diǎn)檢測(cè)[J].上海交通大學(xué)學(xué)報(bào),2013，47(8)：1222-1226，1233

[13] Chen Jianliung,Huang Conghui,Du Yichun,et al.Combining fractional-order edge detection and chaos synchronisation classifier for fingerprint identification[J].IET Image Processing,2014,8(6):354-362.

[14] Hong L,Wan Yifei,Jain A.Fingerprint image enhancement:algorithm and performance evaluation[J].Pattern Analysis and Machine Intelligence,1998,20(80):777-789.

[15] Chikkerur S,Ratha N.Impact of singular point detection on fingerprint matching performance[C]//Proceedings of the 4th IEEE workshop on Automatic Identification Advanced Technologies:IEEE:2005:207-212.

[16] Wang Lin,Dai Mo.An effective method for extracting singular points in fingerprint images[J].International Journal of Electronics and Communications,2006,60(9):671-676.

A FINGERPRINT SINGULAR POINTS EXTRACTION AND CLASSIFICATION ALGORITHM BASED ON INFORMATION FUSION

Zhang Ye1Peng Xiaoqi1,2Zhong Yunfei3Tang Ying1

1(SchoolofPhysicsandElectronic,CentralSouthUniversity,ChangshaHunan410083,Hunam,China)2(DepartmentofInformationScienceandEngineering,HunanFirstNormalCollege,Changsha410205,Hunam,China)3(SchoolofInformationScienceandEngineering,CentralSouthUniversity,ChangshaHunan410083,Hunam,China)

Accurately and reliably classifying the fingerprint images into different classes is very important to promote the retrieval and matching efficiency in large fingerprint databases.In this paper we propose an information fusion-based fingerprint singular points extraction and classification algorithm.First,we present two improved singular points extraction algorithms,which are based on the orientation field information of singular points region and on the complex filtering field information of singular regions respectively,,and fuse these two algorithms to extract the singular points in whole; Secondly,we employ the distribution attribute of Gaussian-Hermite moments in neighbourhood of the extracted singular points to cull the false singular points; Finally,we classify the fingerprints into six familiar classes by making use of the number and the location relation of singular points as well as the main direction of core singular points,.For the fingerprints lacking the delta singular points,the ridge tracing algorithm is adopted.Experiment shows that the proposed fingerprint singular points extraction and classification algorithm is novel and effective with higher accuracy and robustness.

Fingerprint Singular point Information fusion Main direction Classification

2014-11-06。湖南省自然科學(xué)基金重點(diǎn)項(xiàng)目(10JJ2048)；湖南省科技廳項(xiàng)目(2011GK3079)。張曄，碩士生，主研領(lǐng)域：模式識(shí)別，數(shù)字圖像處理。彭小奇，教授。鐘云飛，博士生。唐英，教授。

TP31

A

10.3969/j.issn.1000-386x.2016.04.058