指紋識別技術(shù)發(fā)展現(xiàn)狀

顧陳磊 劉宇航 聶澤東 李景振 王 磊

(中國科學(xué)院深圳先進(jìn)技術(shù)研究院,廣東 深圳 518055)

指紋識別技術(shù)發(fā)展現(xiàn)狀

顧陳磊 劉宇航 聶澤東*李景振 王 磊

(中國科學(xué)院深圳先進(jìn)技術(shù)研究院,廣東 深圳 518055)

利用生物特征進(jìn)行身份識別已成為目前信息安全領(lǐng)域的研究熱點(diǎn)，指紋識別技術(shù)隨著計(jì)算機(jī)圖形學(xué)技術(shù)的飛速發(fā)展已取得巨大的進(jìn)步。對近20年來指紋識別技術(shù)的發(fā)展?fàn)顩r進(jìn)行綜述，重點(diǎn)介紹指紋圖像的采集、圖像的增強(qiáng)、特征提取及匹配、圖像的存儲與數(shù)據(jù)庫應(yīng)用等指紋識別中的關(guān)鍵技術(shù)，闡述這些關(guān)鍵技術(shù)的實(shí)現(xiàn)原理，并分析不同技術(shù)方法的優(yōu)缺點(diǎn)。

身份識別； 指紋識別技術(shù)； 圖像

引言

隨著可穿戴技術(shù)的快速發(fā)展，隱私問題逐漸成為了人們主要關(guān)注的問題。由于可穿戴設(shè)備自身攜帶各種傳感器，用戶的生物信息、體征數(shù)據(jù)以及健康數(shù)據(jù)等一些個人隱私信息面臨泄露的危險。隱私保護(hù)的一個重要手段是采用身份識別技術(shù)，而身份識別是判斷一個用戶是否合法的處理過程，是用來防止攻擊者假冒合法用戶獲得資源的訪問權(quán)限，保證系統(tǒng)和數(shù)據(jù)的安全。

傳統(tǒng)的身份識別方法包括兩類：一類是通過攜帶標(biāo)志物體來進(jìn)行身份識別，如鑰匙、證件等；另一類則是匹配標(biāo)識碼來進(jìn)行身份識別，如口令、用戶名和密碼等。然而，這些方法存在一定的安全隱患，如口令、密碼容易遺忘和被攫取，鑰匙和證件也存在被盜取、偽造和丟失的可能。為彌補(bǔ)傳統(tǒng)身份識別技術(shù)的不足，生物識別技術(shù)悄然興起。

生物識別技術(shù)是一種利用人體自身的生理或行為特征來進(jìn)行身份識別的技術(shù)，常見的有指紋[1-4]、面容[5-7]、虹膜[8-11]、靜脈識別等。生物識別技術(shù)具有不易遺忘、防偽性能好、不易偽造或被盜、隨身“攜帶”和隨時隨地可用等優(yōu)點(diǎn)，比傳統(tǒng)的身份識別方法更具安全、保密和便捷性。據(jù)前瞻產(chǎn)業(yè)研究院發(fā)布的《2014—2018 年中國生物識別技術(shù)行業(yè)市場前瞻與投資戰(zhàn)略規(guī)劃分析報告》顯示，2013 年全球生物識別市場的規(guī)模達(dá)到 98 億美元，預(yù)計(jì)到 2020 年將增長至 250 億美元[12]。其中，指紋識別憑借其易于采集、識別準(zhǔn)確、普遍接受度高的特性，成為目前研究深入、應(yīng)用廣泛、發(fā)展較為成熟的一項(xiàng)技術(shù)。

指紋特性的發(fā)現(xiàn)可以追溯到19世紀(jì)末，Henry等的研究表明：不同手指的指紋特征不同；指紋特征保持不變，并伴隨人的一生[13]。在隨后的發(fā)展過程中，指紋的上述兩個研究結(jié)論逐步得到論證，并于19世紀(jì)末在犯罪現(xiàn)場正式投入使用[14]。由于早期人們只能憑借肉眼來識別指紋，所以存在時間耗費(fèi)長和效率低的缺點(diǎn)。

自從第一臺電子計(jì)算機(jī)于1946年在美國問世以來，圖像處理技術(shù)得到了飛速發(fā)展，指紋識別技術(shù)有了質(zhì)的提升，逐漸形成了如圖1所示的自動指紋識別系統(tǒng)(automatic fingerprint identification system，AFIS)，包括指紋信息錄入和識別兩個環(huán)節(jié)。在指紋信息錄入環(huán)節(jié)：首先，指紋圖像采集，通過不同方法得到的指紋圖像在形變、模糊程度上存在差異；隨后，進(jìn)行圖像增強(qiáng)，除去采集的指紋圖像的噪聲、重疊等干擾；最終，提取指紋圖像特征并存儲，以此作為身份識別的依據(jù)。在指紋特征識別環(huán)節(jié)：采集獲取的指紋圖像同樣需要經(jīng)過增強(qiáng)、特征提取步驟，最后判斷所得的特征信息與錄入信息匹配是否識別。

圖1 自動指紋識別系統(tǒng)Fig.1 Automatic fingerprint identification system

下面將重點(diǎn)綜述指紋識別技術(shù)的發(fā)展現(xiàn)狀，其內(nèi)容如下：指紋圖像采集、指紋圖像增強(qiáng)、指紋圖像特征提取及匹配、指紋圖像存儲與數(shù)據(jù)庫應(yīng)用、總結(jié)與展望。

1 指紋圖像采集

指紋最初的采集方式是利用油墨和紙，而在電子計(jì)算機(jī)出現(xiàn)之后，逐漸被光學(xué)、電容式傳感器等方式取代。近年來，超聲、3D、光學(xué)斷層、射頻等掃描技術(shù)的引入，逐步提升了指紋圖像的分辨率和質(zhì)量，也將更有利于提升計(jì)算機(jī)的處理效率。

1.1 光學(xué)指紋采集技術(shù)

伴隨著電子計(jì)算機(jī)的出現(xiàn)，光學(xué)指紋采集技術(shù)改善了油墨方法獲取指紋的不足，對資源利用率、識別效率、指紋信息存儲以及交互的便利性有了顯著提升。由于在不同環(huán)境下精度需求的提高，光學(xué)指紋采集技術(shù)經(jīng)歷了單一棱鏡光學(xué)全反射技術(shù)、光學(xué)3D技術(shù)、光學(xué)相干斷層掃描式技術(shù)的發(fā)展。

1.1.1 單一棱鏡光學(xué)全反射指紋采集技術(shù)

20世紀(jì)90年代初，隨著個人電腦的普及和光學(xué)掃描技術(shù)的出現(xiàn)，F(xiàn)ielding等在1991年提出基于單一棱鏡光學(xué)全反射方法來采集指紋圖像，其原理如圖2所示[15]。他們將10 mW的氦-氖激光作為光源，通過電荷耦合式攝像頭捕捉指紋圖片，最后利用計(jì)算機(jī)進(jìn)行圖像匹配。光學(xué)指紋采集技術(shù)耐用性強(qiáng)，但有如下缺點(diǎn)：一是采集手指表面紋路信息、灰塵和油脂對掃描質(zhì)量影響大，二是無法對人造指模進(jìn)行辨識，三是光學(xué)掃描設(shè)備耗電量高。

圖2 棱鏡光學(xué)全反射原理[15]Fig.2 Optical prism total reflection principle[15]

1.1.2 光學(xué)3D指紋采集技術(shù)

進(jìn)入21世紀(jì)，傳統(tǒng)光學(xué)指紋采集技術(shù)在銀行、監(jiān)獄等高安全級別的環(huán)境下利用率下降。Parziale等在2005年首先提出了一種非接觸式3-D指紋采集設(shè)備，如圖3所示[16]。

圖3 環(huán)繞式成像裝置[16]Fig.3 Surround imaging device[16]

16個不同顏色的LED燈作為光源環(huán)繞在手指周圍，保證手指指紋有效部位整體均勻受光，5個攝像頭采集指紋信息(3號攝像頭用于定位指紋中心區(qū)域)，利用3D重建算法在計(jì)算機(jī)中重現(xiàn)指紋特征。特征點(diǎn)信息分別用代表三維坐標(biāo)的(x,y,z)、仰角 (φ)以及仰角在XY平面投影與X軸的夾角(θ)表示并儲存。結(jié)果顯示，采集的指紋圖像精度在500～700dpi(dots per inch)，且綠色光對于過干/濕手指的指紋細(xì)節(jié)采集能力強(qiáng)。

1.1.3 光學(xué)相干斷層掃描式指紋采集技術(shù)

2010年，德國啟動OCT-Finger項(xiàng)目，引入光學(xué)相干斷層成像技術(shù)(optical coherence tomography，OCT)，提高了指紋圖像精確度。OCT技術(shù)不僅可以掃描獲得指紋表面的紋路信息，更重要的是能夠深入表皮2～3 mm捕捉手指真皮層信息。Sousedik等對項(xiàng)目中OCT掃描質(zhì)量進(jìn)行了評估：如圖4所示，波長為(1 300±55)nm的光束掃描長、寬、高分別為(4×4×2.5)mm的空間體積，最終轉(zhuǎn)換顯示(200×200×512)體素的圖像，平均采集時間為2.24 s[17]。對于混雜有活體指紋、尸體指紋，以及利用明膠、硅樹脂、乳膠、木膠、甘油、石墨等不同材料制作的9類人造指模的指紋樣本，能夠獲得手指內(nèi)、外部指紋信息。OCT技術(shù)重建一張(2×2)cm大小的圖片需占用計(jì)算機(jī)1GB的內(nèi)存，因此數(shù)據(jù)庫的建立以及數(shù)據(jù)的壓縮是該項(xiàng)技術(shù)未來的發(fā)展方向。

圖4 指紋層模型。(a)手指分層情況；(b)初始指紋點(diǎn)集分布：黃色(手指外層)，天空藍(lán)(手指內(nèi)層)；(c)平滑后的簇狀分布：紅色(手指外層)，藍(lán)色(手指內(nèi)層)[17]Fig.4 Fingerprint layer model. (a) Finger layer；(b) Initial set distribution: yellow (outer), azure(inner)；(c) Smoothed clusters distribution: red (outer), blue (inner) [17]

1.2 電容式傳感器指紋采集技術(shù)

隨著半導(dǎo)體技術(shù)的進(jìn)步，Tartagni等在20世紀(jì)90年代末提出了一種基于CMOS集成技術(shù)的電容式指紋采集傳感器[18]，如圖5所示。這種指紋識別設(shè)備將手指作為電容的另一極板，由換流器改變輸出電壓Vo的大小，通過反饋電容變化來間接采集指紋信息，獲得指紋圖像的分辨率為390 dpi。Hashido等則引入了一種新的材料——低溫多晶硅(low-temperature poly-Si)[19]。這種物質(zhì)在液晶顯示技術(shù)中尤為重要，目前被廣泛地應(yīng)用于數(shù)碼設(shè)備取景器中。低溫多晶硅的優(yōu)點(diǎn)在于：一是能夠在鈉堿玻璃基板(soda glass substrate)上制作集成電路，比用純硅晶體板作為傳感器襯底節(jié)省成本；二是提高圖像分辨率，能夠達(dá)到500dpi。

圖5 電容式傳感器指紋采集系統(tǒng)原理[18]Fig.5 Principle of capacitive sensor fingerprint acquisition system[18]

近年來，隨著電容式指紋傳感器制作成本的降低，基于電容式傳感器的指紋識別技術(shù)在移動設(shè)備中逐漸得到應(yīng)用。

蘋果(Apple Inc.)旗下的子公司AuthenTec生產(chǎn)了主動按壓式指紋傳感器，在iPhone系列中得到了應(yīng)用[20-24]。瑞典FPC(Fingerprint Cards AB，F(xiàn)PC)公司的被動觸摸式指紋識別技術(shù)，應(yīng)用于華為公司Mate系列、OPPO公司N系列手機(jī)[25-27]。這兩家公司的技術(shù)(主動/被動)區(qū)別在于：是否需要按下相關(guān)按鍵進(jìn)行指紋識別解鎖屏幕。

三星集團(tuán)指紋傳感器供應(yīng)商Validity公司(目前被Synaptics公司收購)同樣采用電容式傳感器采集指紋圖像[28-30]，但為了躲避iPhone系列主動按壓式指紋識別技術(shù)的專利壁壘[20]，Galaxy系列部分機(jī)型(S5等)采取滑擦式指紋采集方法[31]。

1.3 溫度傳感指紋獲取技術(shù)

Han等人設(shè)計(jì)了一種高密度微型加熱元件陣列，比較紋脊和紋谷處的溫度差異來采集指紋圖像：加熱元件釋放的熱量在紋脊處因與皮膚接觸進(jìn)入人體，而由于二氧化硅襯底的隔熱效果，熱量在紋谷處得以聚集，短時間內(nèi)溫度上升更快，如圖6所示[32-33]。

圖6 溫度傳感指紋采集系統(tǒng)原理[32]Fig.6 Principle of temperature sensing fingerprint acquisition system[32]

溫度傳感器能夠制成集成芯片，具有便攜性強(qiáng)、不受環(huán)境光強(qiáng)度干擾的優(yōu)點(diǎn)。它的缺點(diǎn)是：當(dāng)指紋采集失敗時，多次接觸后的手指溫度會上升，導(dǎo)致紋脊和紋谷處溫度差異減小，降低系統(tǒng)靈敏度。

1.4 超聲波指紋采集技術(shù)

1999年，Bicz等提出了一種基于超聲波的指紋圖像獲得方式[34]，如圖7(a)所示。他們采用6 MHz超聲換能器，利用超聲波的反射和衍射特性來捕捉超聲信號脈沖響應(yīng)，完成圖形重建，試驗(yàn)中未作任何處理的指紋原圖像便能呈現(xiàn)出指紋主體的輪廓，如圖7(b)所示。它的優(yōu)點(diǎn)包括：可以控制聲波頻率，圖像的分辨率有一個較大的動態(tài)范圍(high dynamic range，HDR)，適用于不同場合；超聲指紋識別技術(shù)不受指紋表面的雜物影響，通過穿透死皮層來體現(xiàn)真皮層的指紋紋路架構(gòu)，可信度更高。它的缺點(diǎn)在于：造價昂貴，對超聲發(fā)生設(shè)備要求高；需要準(zhǔn)確控制聲波頻率，長時間的超聲波接觸會對人體造成傷害。

圖7 (a)超聲探頭架構(gòu)；(b)超聲信號脈沖響應(yīng)重建[34]Fig.7 (a)ultrasonic probe;(b)Ultrasonic signal pulse response reconstruction[34]

隨著3D成像技術(shù)的成熟，科學(xué)家們提出了一種融合了超聲技術(shù)的3D指紋采集方法。2009年，Maeva等介紹了一種超聲指紋采集裝置，分辨率為15m[35]，如圖8所示。探頭采集指紋表面反射的短脈沖超聲信號，圖像分辨率約為1 000 dpi。相比光學(xué)以及基于電容式傳感器的指紋采集技術(shù)，3D超聲指紋采集技術(shù)的優(yōu)點(diǎn)在于：手指處于自然舒張狀態(tài)，沒有因按壓導(dǎo)致指紋的變形。缺點(diǎn)在于：超聲探頭造價昂貴；3D指紋信息存儲量大，對數(shù)據(jù)庫的存儲和篩查要求高。

圖8 3D-超聲指紋掃描裝置[35]Fig.8 3D-ultrasound fingerprint scanners[35]

1.5 電磁波指紋采集技術(shù)

Chan等介紹了AuthenTec公司一款名為TruePrint的指紋掃描儀，可利用射頻信號的穿透性檢測手指真皮層的信息，原理如圖9所示[36]。射頻信號是一種高頻交流變化的電磁波，由于電導(dǎo)系數(shù)不同，射頻信號在手指與傳感器陣列的空隙間會形成電場，電場強(qiáng)弱即代表手指紋路的信息。電導(dǎo)系數(shù)能夠決定電磁波的傳播方向，因此使用射頻技術(shù)的優(yōu)點(diǎn)是可以進(jìn)行活體身份識別，缺點(diǎn)在于對與人真皮層電導(dǎo)系數(shù)相近的材料制成的指模分辨力會下降。

圖9 TruePrint指紋掃描儀工作原理[36]Fig.9 Working principle of the TruePrint fingerprint scanners[36]

1.6 不同指紋圖像采集技術(shù)的優(yōu)缺點(diǎn)

指紋圖像的質(zhì)量隨著采集技術(shù)的更新不斷提升，每一種方法都有其相應(yīng)的優(yōu)缺點(diǎn)。

1)光學(xué)指紋采集技術(shù)的出現(xiàn)，彌補(bǔ)了油墨方法采集指紋信息在資源利用率、識別效率、指紋信息存儲以及指紋信息交互便利性方面的不足，但存在體積過大、無法微型化的缺陷。

2)電容式傳感與溫度傳感指紋獲取技術(shù)，優(yōu)點(diǎn)是縮小了體積，為便攜式設(shè)備集成自動指紋識別系統(tǒng)提供了條件，缺點(diǎn)在于因人體與設(shè)備直接接觸而引起誤差。

3)超聲、射頻等技術(shù)的融合，使得指紋識別技術(shù)能夠調(diào)整圖像的分辨率，順應(yīng)不同場合的需求，但成本會相應(yīng)提高。

指紋圖像采集方法對比如表1所示。

表1 指紋圖像采集方法

表2 指紋圖像增強(qiáng)

注：本表給出了指紋圖像增強(qiáng)的主要步驟，并對每個步驟的目的、方法及對應(yīng)的優(yōu)缺點(diǎn)進(jìn)行了小結(jié)。

Note：Table 2 shows the main steps of fingerprint image enhancement and their purpose, advantages and disadvantages of different methods.

2 指紋圖像增強(qiáng)

指紋圖像增強(qiáng)的目的在于：一是減小手指表面雜物、皮膚破損等引起的噪聲干擾；二是增強(qiáng)指紋脊和谷的對比度。指紋圖像增強(qiáng)的成功操作是后續(xù)指紋特征提取的基礎(chǔ)，對指紋圖像的分類、識別有著重大的影響。Jain等指出，指紋識別技術(shù)中有90%的能量消耗于圖像處理[42]。圖10列出了圖像增強(qiáng)的主要步驟，包括指紋圖像平滑處理、指紋圖像二值化和指紋圖像細(xì)化，每個步驟的目的、方法及對應(yīng)的優(yōu)缺點(diǎn)如表2所示。

2.1 指紋圖像平滑處理

圖像平滑處理主要用于消除來源途徑多樣的噪聲，如靜電或電流一類的外部干擾、因器材工作振動產(chǎn)生的內(nèi)部噪聲等，噪聲產(chǎn)生的原因決定了噪聲和圖像有效信號間的關(guān)系。消除噪聲的方法可歸納為時域?yàn)V波和頻域?yàn)V波處理兩類。

圖10 指紋圖像算法架構(gòu)Fig.10 Fingerprint image algorithm architecture

圖11 匹配濾波器濾波。(a)灰度變換后指紋圖像；(b)時域?yàn)V波+二值化后指紋圖像[44]Fig.11 Matched filter transformation. (a) Fingerprint gray image; (b) The time domain filter+ binary[44]

圖像在傅里葉空間中能較好地分辨出高頻(邊緣、噪聲等)和低頻(圖像主要信息)成分。Gabor變換在1946年由Gabor提出，Gabor小波的優(yōu)點(diǎn)是與人類視覺系統(tǒng)中簡單細(xì)胞的視覺刺激響應(yīng)非常類似，對于圖像的邊緣敏感度高，因此Gabor濾波器在視覺領(lǐng)域中經(jīng)常被用作圖像的預(yù)處理[45]。近年來，不少研究人員對于傳統(tǒng)Gabor濾波器做了不同的調(diào)整，其中Jain等在此之上提出了一種圖像增強(qiáng)方法，原理如圖12所示[46]。他們利用Gabor濾波器對于局部(脊、谷)和全局(邊緣)的特性捕捉能力較強(qiáng)這一特征，設(shè)計(jì)了Gabor濾波器組來進(jìn)行指紋圖像增強(qiáng)。

圖12 Gabor濾波器組工作原理[46]Fig.12 Working principle of gabor filter set[46]

Areekul等提出了一種二維離散正交Gabor小波基，設(shè)計(jì)了8方向一維濾波器，同時與Jain等的工作對比，如圖13所示[47]。實(shí)驗(yàn)將FVC2000_DB2A數(shù)據(jù)庫中800幅、分辨率為500 dpi的指紋圖像作為檢測依據(jù)，在平均處理時間、特征點(diǎn)比對、等錯誤率三方面與傳統(tǒng)2D Gabor濾波器進(jìn)行比較。結(jié)果顯示：在假設(shè)傳統(tǒng)2D Gabor濾波器對于特征點(diǎn)的檢測全部正確的情況下，該濾波器雖然有22.942%特征點(diǎn)遺漏和16.296%特征點(diǎn)誤識，但處理時間是傳統(tǒng)2D Gabor濾波器的38.15%，并且兩者等效錯誤率相差小于1%。因此，離散Gabor濾波器的突出優(yōu)點(diǎn)在于運(yùn)行速度較快。

圖13 8方向一維濾波器模板[47]Fig.13 8 direction of dimensional filter template[47]

2.2 指紋圖像二值化

指紋圖像二值化的作用是將圖像前景和背景分開，最早使用的方法是閾值法，包括全局閾值法和局部閾值法。全局閾值法適用于雙峰性好的圖像，在設(shè)定某一全局閾值T后，通過比較每一像素點(diǎn)或每一小塊區(qū)域內(nèi)平均灰度值與T的大小，區(qū)分圖像前景和背景，簡便性強(qiáng)。目前，常用的全局閾值法包括平均閾值法、Otsu法(又稱大津法、最大類間差法)、邊緣算子法。平均閾值法是指紋圖像經(jīng)過圖像預(yù)處理后，把計(jì)算圖像中所有像素點(diǎn)灰度值的平均值作為閾值T；該算法實(shí)現(xiàn)簡便，計(jì)算速度較快，但是忽略了整幅圖像像素點(diǎn)灰度值的分布情況。Otsu法在平均閾值法的基礎(chǔ)上，預(yù)先設(shè)定某一閾值T，將圖像分為兩部分后，通過迭代計(jì)算，將兩部分圖像間類方差達(dá)到最大時的T作為全局閾值。邊緣算子法針對圖像邊界的保留，多用于指紋圖像的斷續(xù)拼接。

Bian等利用局部閾值法，將圖像分為互不重合的小區(qū)域，在計(jì)算區(qū)域內(nèi)灰度平均值和分布特性的基礎(chǔ)上，通過不同區(qū)域權(quán)重計(jì)算灰度閾值[48]。此方法將部分區(qū)域列為特殊區(qū)域處理，適用于突發(fā)噪聲或背景灰度值突然變化等情況，缺點(diǎn)在于計(jì)算量大，運(yùn)算速度較全局閾值法慢，在區(qū)域間會存在灰度值不連續(xù)的情況。Fei在他的研究中提出了一種根據(jù)局部閾值進(jìn)行圖像二值化的混合算法，通過比較區(qū)域方向場的方差與預(yù)設(shè)閾值的大小，將指紋圖像局部斷裂處(即方向信息較少的區(qū)域)補(bǔ)全，對比處理結(jié)果如圖14所示[49]。

圖14 局部閾值混合算法。(a)原圖；(b)方向場法二值圖；(c)貝葉斯法二值圖；(d)混合法二值圖[49]Fig.14 The local threshold hybrid algorithm. (a) Original image; (b) Direction field method binary figure; (c) Bayesian method binary figure; (d) Hybrid method binary map

2.3 指紋圖像細(xì)化

完成圖像二值化后，指紋圖像細(xì)化的目的是為獲得清晰的單像素寬骨架結(jié)構(gòu)。目前，常用的細(xì)化算法可依據(jù)是否使用迭代運(yùn)算分為兩類：非迭代算法通過一次刪除即產(chǎn)生骨架，如基于距離變換、游程長度編碼細(xì)化等方法；迭代算法即重復(fù)篩選滿足條件的像素點(diǎn)并刪除，最終得到單像素寬骨架。迭代算法依據(jù)掃描原理可再分為串行算法和并行算法。在串行算法中，每次迭代的執(zhí)行中需固定順序刪除像素點(diǎn)，它不僅取決于前次迭代的結(jié)果，也取決于本次迭代中已處理過像素點(diǎn)的分布情況；在并行算法中，則僅取決于前次迭代的結(jié)果進(jìn)行像素點(diǎn)刪除。

對未進(jìn)行細(xì)化處理的原圖進(jìn)行特征提取，紋脊寬度過大會造成特征點(diǎn)的定位失誤。因此，在2003年，Vijayaprasad等提出了一種模糊算法限定圖像有價值區(qū)域，為特征提取、邊緣檢測提供保障，如圖15所示[50]。

圖15 模糊算法處理。(a)原圖；(b)結(jié)果[50]Fig.15 Fuzzy algorithm.(a) Original image; (b) Result[50]

根據(jù)圖像具有旋轉(zhuǎn)不變性這一特征，Ahmed等提出了一組細(xì)化模板，通過匹配像素點(diǎn)鄰域內(nèi)像素分布達(dá)到細(xì)化的效果[51]。3年后，Patil等對此細(xì)化算法進(jìn)行了改進(jìn)，引入對角線法提高了細(xì)化的效果[52]。Patil等對比Hilditch算法和Ahmed所提出的算法，結(jié)果顯示：前者的缺點(diǎn)在于細(xì)化后紋線不居中，以及端點(diǎn)位置改變；后者的缺點(diǎn)則是對圖像噪聲濾除不徹底，產(chǎn)生多個孤立點(diǎn)。Patil等改進(jìn)了算法，在45°、135°位置的細(xì)化效果提高，對比結(jié)果如圖16所示。

圖16 細(xì)化算法對比。(a)原圖；(b)Hilditch細(xì)化算法；(c) Ahmed等的細(xì)化算法[51]；(d)Patil等的細(xì)化算法[52]Fig.16 Thinning algorithm comparison chart. (a) The original image; (b) Hilditch algorithm;(c) Ahmed′s algorithm[51];(d) Patil′s algorithm[52]

3 指紋圖像特征提取及匹配

隨著計(jì)算機(jī)圖形處理技術(shù)的發(fā)展，選取不同的方向場信息和特征點(diǎn)類型等條件，將會導(dǎo)致指紋匹配結(jié)果差異變化。下面針對近年來指紋識別技術(shù)所使用的不同特征提取及匹配方法進(jìn)行介紹。

3.1 方向場提取與匹配

指紋采集設(shè)備精確度和靈敏度的差異，會造成指紋圖像殘缺、連接不全。方向場信息清晰地給出了指紋圖像的紋脊和紋谷區(qū)域，是圖像定向連接以及分類匹配的依據(jù)。Soifer在1996年總結(jié)提出了一種利用不同梯度方向比例來進(jìn)行指紋匹配的方法[53]。類似的工作在文獻(xiàn)[54-56]中也進(jìn)行了介紹。

基于像素點(diǎn)的梯度方向場計(jì)算受指紋圖像噪聲影響較大，因而基于像素塊計(jì)算局部方向場的方法使用較多[57-59]。Bazen將兩者對比，指出了在圖像塊區(qū)域內(nèi)點(diǎn)梯度方向直接加權(quán)平均會使相反方向場抵消誤差，因此在Kass加倍方向角的基礎(chǔ)上[42]，需要進(jìn)一步將梯度向量長度計(jì)算平方，處理結(jié)果如圖17所示[55]。該方法優(yōu)點(diǎn)是能夠獲得高對比度的指紋方向場，缺點(diǎn)在于計(jì)算像素點(diǎn)角度和梯度向量長度信息會使計(jì)算量的增加，時間增長。

圖17 局部指紋方向場。(a)原圖；(b)方向場[55]Fig.17 Local fingerprint direction field. (a) Original image；(b) Direction of the field[55]

有研究利用匹配濾波器(matched-filter)提取指紋方向場信息：一是根據(jù)濾波器和信號的相頻特性，使信號不同頻率成分在濾波后同相疊加輸出；二是根據(jù)信號的幅頻特性，實(shí)現(xiàn)指紋點(diǎn)或塊方向場的提取和自動分類等功能[60]。在此基礎(chǔ)之上，Cai等人引入斐波那契數(shù)列作為濾波器參數(shù)選擇，減少環(huán)境帶來的影響[61]。近年來，不少研究進(jìn)行頻域?yàn)V波處理時，利用Radon變換[62]、haar小波[63]等函數(shù)來捕捉圖像方向細(xì)節(jié)信息。

此外，方向場所占比例可以作為圖像匹配的依據(jù)。Maio等將感興趣區(qū)域內(nèi)各像素點(diǎn)方向場統(tǒng)計(jì)所占比例作為依據(jù)，處理環(huán)節(jié)如圖18所示[64]。

圖18 依據(jù)方向場信息的指紋匹配[64] Fig.18 Fingerprint matching based on the direction information[64]

3.2 特征點(diǎn)提取與匹配

Jain等最早在1996年提出了拱形、帳弓形、左環(huán)形、右環(huán)形、螺紋形這五大指紋紋型，延用至今。而基于指紋圖像方向提取的積累，Cappelli等對指紋紋型進(jìn)行了擴(kuò)充，如圖19所示[54]。

圖19 指紋分類。(a)純拱形；(b)帳拱門；(c)徑向循環(huán)；(d)尺骨循環(huán)；(e)普通螺紋；(f)中部口袋形；(g)雙重循環(huán)形；(h)螺紋形[54]Fig.19 Fingerprint classification figure. (a) Plain arch; (b) Tented arch; (c) Radial loop; (d)Ulna loop; (e) Plain whorl;(f) Central pocket; (g)Double loop; (h)Accidental whorl[54]

但是，指紋紋型缺少一種國際化的標(biāo)準(zhǔn)。為了保證AFIS的可靠性和效率，基于圖像特征點(diǎn)的指紋匹配方法被提出。美國聯(lián)邦調(diào)查局在1984年提出了18種指紋特征點(diǎn)類別，而為AFIS特征提取及匹配所用的僅局限于兩種基本特征點(diǎn)：分叉點(diǎn)和節(jié)點(diǎn)，如圖20所示。

圖20 指紋基本特征點(diǎn)。(a)分叉點(diǎn)；(b)節(jié)點(diǎn)Fig.20 Fingerprint basic feature points. (a) Bifurcation point; (b) Node

結(jié)合Jain等在指紋圖像預(yù)處理方面的研究成果[46]，Ratha利用16×16濾波算子提取方向場，通過兩類特征點(diǎn)間紋線密度來進(jìn)行區(qū)域特征提取及匹配[65]。該方法將單一的點(diǎn)方向場信息互相結(jié)合，引入了區(qū)域特征進(jìn)行圖像匹配。到了21世紀(jì)，Ren等在研究區(qū)域特征的基礎(chǔ)之上，提出了一種通過特征簇內(nèi)及簇間特征距離、方向信息進(jìn)行圖像匹配的方法[66]。該方法利用區(qū)域特征匹配的優(yōu)勢，對于孤立的噪聲點(diǎn)具有很好的濾除效果。

Palmer等在分叉點(diǎn)和端點(diǎn)這兩種特征基礎(chǔ)之上，補(bǔ)充定義了5種新的特征模型，如圖21所示[67]。他們利用3×3的濾波算子對預(yù)處理后的指紋骨架進(jìn)行特征點(diǎn)提取，利用式(1)以及表3篩選。該方法的優(yōu)點(diǎn)是通過閾值篩選可以查看特征點(diǎn)分布區(qū)域，去除偽特征點(diǎn)，進(jìn)一步提取有效特征點(diǎn)。

圖21 指紋特征模型補(bǔ)充[67]Fig.21 The fingerprint characteristic model[67]

(1)

式中，CN為特征值；Pi為3×3鄰域內(nèi)第i點(diǎn)灰度值。

表3 計(jì)算結(jié)果與特征點(diǎn)對應(yīng)類型[67]

此外，Mistry等將參考點(diǎn)和特征點(diǎn)間的旋轉(zhuǎn)不變性[68]以及德洛內(nèi)三角組結(jié)構(gòu)[69]作為依據(jù)，為有

殘缺部分的指紋識別提供了一種方法，結(jié)構(gòu)單元如圖22(b)所示[70]。

圖22 (a)鄰域內(nèi)特征點(diǎn)；(b)德洛內(nèi)三角結(jié)構(gòu)特征[68-70]Fig.22 (a)Feature points connection in the neighborhood; (b)Triangle structure characteristics of the Delaunay[68-70]

圖像特征提取能夠利用形態(tài)學(xué)的方法，在二值圖的基礎(chǔ)上利用開運(yùn)算去除隨機(jī)噪聲，利用閉運(yùn)算對邊界像素點(diǎn)刪除，提取骨架[71-74]。Kaur等最后通過大量實(shí)驗(yàn)對匹配結(jié)果進(jìn)行評估，最終獲得平均認(rèn)假率為0%、平均拒真率低于7%的結(jié)果[71]。形態(tài)學(xué)方法的引入，提高了對二值圖的處理效率，在選擇不同領(lǐng)域模板上具有很強(qiáng)的靈活性。表4為主要的指紋圖像匹配方法。

表4 指紋圖像匹配方法

注：給出了主要的指紋圖像匹配方法，并對每種方法核心技術(shù)及優(yōu)缺點(diǎn)進(jìn)行了對比小結(jié)。

Note：Shows the methods of fingerprint image matching and their key, advantages and disadvantages.

4 指紋圖像存儲與數(shù)據(jù)庫應(yīng)用

研究發(fā)現(xiàn)，高質(zhì)量的指紋圖像包含了70～80個特征點(diǎn)[65]，因此數(shù)據(jù)庫的建立與查找在效率提高方面尤為重要。Sankaran等構(gòu)建了包括油墨影印(NIST SD系列等)、傳感器掃描(FVC系列等)、攝像頭捕捉和仿真指模在內(nèi)的分類數(shù)據(jù)庫[75]，擁有近20 000樣本供算法檢測。

圖23 特征點(diǎn)柱形存儲單元[76]Fig.23 Cylindrical storage unit of feature points[76]

Gutierrez等提出了一種特征點(diǎn)柱形存儲單元，如圖23所示，將特征點(diǎn)位置及方向(角度)信息分別轉(zhuǎn)化存儲于Ns、Nd中[76]。通過提取不同特征點(diǎn)的數(shù)量(8或16[77])，在指紋庫中隨機(jī)選擇1 000～100 000個樣本進(jìn)行實(shí)驗(yàn)，結(jié)果顯示等錯誤率在0.62%。此設(shè)計(jì)方法為大規(guī)模指紋庫提供了一種檢索選擇，但針對同一個人指紋由不同方法獲得的結(jié)果并未列入考慮范圍。

針對近年來快速發(fā)展的3D指紋識別技術(shù)，卻并未有大型公開的3D指紋庫供識別算法進(jìn)行檢測和平行對比。Zhou等使用北美TBS公司生產(chǎn)的3D指紋儀來捕捉3 000幅3D指紋圖像，相同手指作為對比而言的2D指紋圖像則是通過接觸式驗(yàn)證器(CROSSMATCH Verifier 300 LC 2.0)獲得。實(shí)驗(yàn)結(jié)果顯示，該數(shù)據(jù)庫的2D指紋、3D指紋以及2D/3D相互間匹配等錯誤率在0.06%、0.49%以及5.65%[78]。雖然實(shí)驗(yàn)結(jié)合了同一個人由兩種不同方式采集而得的指紋，但2D與3D圖像存在不同采集設(shè)備間兼容識別的問題，識別率較低。

當(dāng)前，指紋數(shù)據(jù)庫缺乏統(tǒng)一的存儲標(biāo)準(zhǔn)，因此不少研究者選擇使用原始指紋圖像數(shù)據(jù)庫進(jìn)行相關(guān)研究。在未來，包括2D/3D、平面/立體、斷層指紋圖像在內(nèi)的不同數(shù)據(jù)庫融合，會進(jìn)一步促進(jìn)匹配算法驗(yàn)證的魯棒性提升。

5 總結(jié)與展望

在本文中，對指紋識別技術(shù)的發(fā)展現(xiàn)狀進(jìn)行了綜述，重點(diǎn)闡述了在自動指紋識別系統(tǒng)中，指紋圖像的采集、圖像增強(qiáng)、特征提取及匹配、圖像的存儲與數(shù)據(jù)庫應(yīng)用的技術(shù)現(xiàn)狀。隨著信息技術(shù)的不斷發(fā)展，新型指紋圖像采集技術(shù)和傳感器不斷涌現(xiàn)，用來滿足在刑偵、司法鑒定等特殊環(huán)境下的應(yīng)用，而圖像增強(qiáng)、特征提取與匹配算法則側(cè)重于加強(qiáng)其魯棒性，提高對殘缺指紋的識別率等。此外，可以預(yù)見，指紋識別技術(shù)將深入進(jìn)行以下方面的研究，指紋識別的應(yīng)用場合將不斷增加，指紋識別將具有廣闊的市場前景。

5.1 活體識別

由于指紋容易偽造，其被盜用的概率不可忽視，指紋識別設(shè)備對于活體識別的需求將顯著提升。日前，國內(nèi)外研究機(jī)構(gòu)和公司都已開始涉足指紋活體識別技術(shù)，并取得了一定進(jìn)展[79-80]。另外，指紋的汗孔特征也被證明可作為活體識別的判斷依據(jù)[81-82]?？梢姡铙w識別功能將會是指紋識別技術(shù)未來發(fā)展的重點(diǎn)之一。

5.2 多重特征融合的識別技術(shù)

目前在中國，指紋識別技術(shù)占據(jù)了生物識別市場90%以上的份額，但因其易獲得性，造成指紋被盜用、特殊狀態(tài)指紋(如手指潮濕、受傷破損等)的識別問題屢見不鮮，指紋識別技術(shù)在應(yīng)用過程中的安全性與可靠性仍有待提高[83]。因此，結(jié)合其他生物特征(如聲紋、虹膜、視網(wǎng)膜血管網(wǎng)絡(luò)、面部特征、靜脈網(wǎng)絡(luò)等)，克服單一生物識別技術(shù)的不足，推動生物識別技術(shù)的多元化交錯發(fā)展，將會是指紋識別技術(shù)未來的一個重點(diǎn)研究方向。

5.3 可穿戴式產(chǎn)品運(yùn)用

隨著可穿戴式設(shè)備與物聯(lián)網(wǎng)的持續(xù)升溫，可穿戴式計(jì)算具有廣闊的應(yīng)用和產(chǎn)業(yè)前景，并有望成為全球下一個經(jīng)濟(jì)增長點(diǎn)[84]。目前，諸如帶有指紋解鎖功能的移動支付手環(huán)[85]、汽車指紋鎖[39]等穿戴式產(chǎn)品的出現(xiàn)，以及結(jié)合基于人體通信的可穿戴式身份識別技術(shù)的研究等[86]，表明指紋識別技術(shù)在可穿戴式設(shè)備的應(yīng)用將更為廣泛。

5.4 人工智能結(jié)合

除了提升自身安全系數(shù)之外，指紋識別技術(shù)將會在其他領(lǐng)域進(jìn)一步凸顯其實(shí)用性。在2016年世界人工智能大會以及2016年世界機(jī)器人大會上，人工智能產(chǎn)業(yè)被預(yù)估在2018年將達(dá)到千億級應(yīng)用規(guī)模[87]。其中，以指紋識別技術(shù)為首的生物識別技術(shù)在數(shù)據(jù)采集方面被視為至關(guān)重要的一環(huán)，將會引發(fā)人工智能產(chǎn)業(yè)爆發(fā)的前哨戰(zhàn)。

[1] Fernandez-Saavedra B, Sanchez-Reillo R, Ros-Gomez R, et al. Small fingerprint scanners used in mobile devices: The impact on biometric performance [J]. IET Biometrics, 2016, 5: 28-36.

[2] Makrushin A, Scheidat T, Vielhauer C. Capturing latent fingerprints from metallic painted surfaces using UV-VIS spectroscope [C] //Media Watermarking, Security, and Forensics 2015. Bellingham: SPIE Press, 2015: 94090B-94090B-12.

[3] Auksorius E, Boccara AC. Fingerprint imaging from the inside of a finger with full-field optical coherence tomography [J]. Biomedical Optics Express, 2015, 6(11): 4465-4471.

[4] Sankaran A, Vatsa M, Singh R. Latent fingerprint matching: A survey [J]. IEEE Access, 2014, 2(2): 982-1004.

[5] Palermo R, Rossion B, Rhodes G, et al. Do people have insight into their face recognition abilities? [J]. Quarterly Journal of Experimental Psychology, 2017, 70: 218-233.

[6] Oh SK, Yoo SH, Pedrycz W. A comparative study of feature extraction methods and their application to P-RBF NNs in face recognition problem [J]. Fuzzy Sets and Systems, 2016, 305: 131-148.

[7] Luo Lei, Chen Liang, Yang Jian, et al. Tree-structured nuclear norm approximation with applications to robust face recognition [J]. IEEE Trans Image Processing, 2016, 25: 5757-5767.

[8] Raja KB, Raghavendra R, Vemuri VK, et al. Smartphone based visible iris recognition using deep sparse filtering [J]. Pattern Recognition Letters, 2015, 57: 33-42.

[9] Barra S, Casanova A, Narducci F, et al. Ubiquitous iris recognition by means of mobile devices [J]. Pattern Recognition Letters, 2015, 57: 66-73.

[10] Liu Nianfei, Zhang Man, Li Haiqing, et al. DeepIris: Learning pairwise filter bank for heterogeneous iris verification [J]. Pattern Recognition Letters, 2016, 82: 154-161.

[11] Karakaya M. A study of how gaze angle affects the performance of iris recognition [J]. Pattern Recognition Letters, 2016, 82: 132-143.

[12] 吳小燕, 李玲, 鄧莎,等. 2014—2018 年中國生物識別技術(shù)行業(yè)市場前瞻與投資戰(zhàn)略規(guī)劃分析報告 [R]. 北京：前瞻產(chǎn)生研究院，2016.

[13] Henry F. On the skin-furrows of the hand [J]. Nature, 1880, 22: 605.

[14] 趙向欣. 中華指紋學(xué) [M]. 北京: 群眾出版社, 1997.

[15] Fielding KH, Horner JL, Makekau CK. Optical fingerprint identification by binary joint transform correlation [J]. Optical Engineering, 1991, 30: 1958-1961.

[16] Parziale G, Diaz-Santana E, Hauke R. The Surround ImagerTM: A multi-camera touchless device to acquire 3D rolled-equivalent fingerprints [C] //Advances in Biometrics. Secaucus: Springer-Verlag, 2006: 244-250.

[17] Sousedik C, Busch C. Quality of fingerprint scans captured using Optical Coherence Tomography [C] //IEEE International Joint Conference on Biometrics(2014). Clearwater: IEEE, 2014: 1-8.

[18] Tartagni M, Guerrieri R. A 390 dpi live fingerprint imager based on feedback capacitive sensing scheme [C] //1997 IEEE International Solid-State Circuits Conference. San Francisco: IEEE, 1997: 200-201.

[19] Hashido R, Suzuki A, Iwata A, et al. A capacitive fingerprint sensor chip using low-temperature poly-Si TFTs on a glass substrate and a novel and unique sensing method [J]. IEEE Journal of Solid-State Circuits. 2003, 38: 274-280.

[20] Setlak, Dale R. Finger biometric sensor with sensor electronics distributed over thin film and monocrystalline substrates and related methods [P]. US: US07616786B2, 2009-11-10.

[21] 豪泰靈 SP,布薩特 JM，萊昂 BB. 電容式感測陣列調(diào)制: CN103376970B [P]. 2017-03-01.

[22] 豪泰靈 SP,布薩特 JM，萊昂 BB. 電子設(shè)備： CN203480479U[P]. 2014-03-12.

[23] 波普 BJ， 阿諾德 S，科爾勒特 BJ，等. 電容傳感器封裝: CN103425965A[P]. 2013-12-04.

[24] 波普 BJ， 阿諾德 S，科爾勒特 BJ，等. 用于指紋識別感測的裝置、電子設(shè)備及移動設(shè)備:CN203535651U[P]. 2014-04-09.

[25] Riedijk FR, Hammersberg J. Fingerprint Sensor Element [P]. PCT: WO2005/124659, 2005-12-29.

[26] Thoenblom H, Riedijk FR. Fingerprint sensing system and method [P]. PCT: WO2015/005855Al, 2015-01-15.

[27] Riedijk, Robert F. Capacitive Fingerprint Sensor With Improved Sensing Element [P]. PCT: WO/2015/147727, 2015-10-01.

[28] Bulea M, Solven D, Reynolds JK, et al. Single layer capacitive imaging sensors [P]. US: US2013/0181943A1, 2013-07-18.

[29] George BF, Joseph GD, Pallavi S. Method and apparatus for two-dimensional finger motion tracking and control [P]. US: US08358815B2, 2013-01-22.

[30] Dean GL, Erhart RA, Jandu J, et al. Integrated Fingerprint Sensor And Navigation Device [P]. US: US20150153923A1, 2015-06-04.

[31] 藍(lán)色. 形形色色的指紋解鎖 [J]. 個人電腦, 2016(6): 74-79.

[32] Han J, Kadowaki T, Sato K, et al. Fabrication of thermal-isolation structure for microheater elements applicable to fingerprint sensors [J]. Sensors and Actuators A: Physical, 2002, 100: 114-122.

[33] Han J, Tan Z, Sato K, et al. Thermal characterization of micro heater arrays on a polyimide film substrate for fingerprint sensing applications [J]. Journal of Micromechanics and Microengineering, 2004, 15: 282-289.

[34] Bicz W. Ultrasonic sensor for fingerprints recognition [C] //Optoelectronic and Electronic Sensors. Orlando: SPIE Press, 1995: 104-111.

[35] Maeva A, Severin F. High resolution ultrasonic method for 3D fingerprint recognizable characteristics in biometrics identification [C]//2009 IEEE International Ultrasonics Symposium. Roma: IEEE, 2009: 2260-2263.

[36] AuthenTec, Inc.(Melbourne,FL). Touch Based Data Communication Using Biometric Finger Sensor And Associated Methods [P]. US:US2010/0321159A1, 2010-12-23.

[37] 倪蘇平, 陳偉元. 光學(xué)指紋采集儀: CN1246801A [P]. 2004-11-03.

[38] 李喆. 華為旗艦新機(jī)P9國內(nèi)發(fā)布 攜手徠卡共創(chuàng)手機(jī)攝影新高度 [J]. 個人電腦, 2016, 22(5):8-8.

[39] 丁衛(wèi)星, 劉君, 周春陽. 汽車指紋加密遙控器： CN101436342A [P]. 2009-05-20.

[40] 錢玉娟. 小米發(fā)無孔式超聲波指紋手機(jī) 兩年磨一劍 [J]. 中國經(jīng)濟(jì)信息, 2016(2): 11-11.

[41] 黃芬. 小米發(fā)布5s超聲波指紋識別手機(jī) [J]. 互聯(lián)網(wǎng)天地, 2016(10):64-64.

[42] Kass M, Witkin A. Analyzing Oriented Patterns [J]. Computer Vision, Graphics, and Image Processing, 1987, 37: 362-385.

[43] Mehtre BM, Chatterjee B. Segmentation of Fingerprint Images A Composite Method [J]. Pattern Recognition, 1989, 22: 381-385.

[44] O'Gorman L, Nickerson JV. Matched filter design for fingerprint image enhancement [C]//ICASSP-88, International Conference on Acoustics, Speech, and Signal Processing. New York: IEEE, 1988: 916-919.

[45] Gabor D. Theory of communication [J]. Electrical Engineers, 1947, 94: 58-58.

[46] Jain AK, Prabhakar S, Hong L, et al. Filterbank-based fingerprint matching [J]. IEEE Trans Image Processing, 2000, 9: 846-859.

[47] Areekul V, Watchareeruetai U, Tantaratana S. Fast separable Gabor filter for fingerprint enhancement [C] //Biometric Authentication. Hong Kong: Springer-verlag, 2004: 403-409.

[48] Bian Weixin, Xu Deqin. Application of Snake model in fingerprint segmentation [J]. Computer Engineering and Application, 2011, 47: 205-207.

[49] Fei Zhigen, Guo Junjie. A new hybrid image segmentation method for fingerprint identification [C] //2011 IEEE International Conference on Computer Science and Automation Engineering (CSAE 2011). Miami: IEEE, 2011: 382-386.

[50] Vijayaprasad P, Abdalla AGE. Applying neuro-fuzzy technique to the enhanced fingerprint image [C] //The 9th Asia-Pacific Conference on Communications. Piscataway: IEEE, 2003: 551-555.

[51] Ahmed M, Ward R. A rotation invariant rule-based thinning algorithm for character recognition [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24: 1672-1678.

[52] Patil PM, Suralkar SR, Sheikh FB. Rotation invariant thinning algorithm to detect ridge bifurcations for fingerprint identification [C] //17th IEEE International Conference on Tools with Artificial Intelligence. Hong Kong: IEEE, 2005: 641.

[53] Soifer VA, Kotlyar VV, Khonina SN, et al. Fingerprint identification using the directions field [C] //Proceedings of the 1996 International Conference on Pattern Recognition. Vienna: IEEE, 1996: 586-590.

[54] Cappelli R, Lumini A, Maio D, et al. Fingerprint classification by directional image partitioning [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1999, 21: 402-421.

[55] Bazen AM, Gerez SH. Systematic methods for the computation of the directional fields and singular points of fingerprints [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24: 905-919.

[56] Zhang Liang. Extraction of direction features in fingerprint image [J]. Experimental and Applied Mechanics, 2014, 518: 316-319.

[57] Woo KL, Jae HC. Automatic real-time identification of fingerprint images using wavelets and gradient of Gaussian [C] //IEEE Asia Pacific Conference on Circuits and Systems. Piscataway: IEEE, 1997: 917-920.

[58] Vaidehi V, Naresh BNT, Ponsamuel MA, et al. Fingerprint identification using cross correlation of field orientation[C]//The 2nd International Conference on Advanced Computing (ICoAC). Miami: Curran Associates, Inc, 2010: 66-69.

[59] Wang Yi, Hu Jiankun. Global Ridge Orientation Modeling for Partial Fingerprint Identification [J]. Pattern Analysis and Machine Intelligence, 2011, 33: 72-87.

[60] Karu K, Jain AK. Fingerprint classification [J]. Pattern Recognition, 1996, 29: 389-404.

[61] Cai Xiumei, Fan Jiulun, Gao Xinbo. Directional filter masks for fingerprint enhancement ased on fibonacci sequences [J]. Pattern Recognition and Artificial Intelligence. 2011, 24: 360-367.

[62] Deng Zhenghong, Ding Youjun. The Algorithm of Fingerprint Enhancement Base on Dynamic Direction [J]. Microelectronics & Computer, 2005, 22: 70-72,76.

[63] Abu-Bakar SAR. Fingerprint matching based on directional image constructed using expanded Haar wavelet transform [C] //International Conference on Computer Graphics, Imaging and Visualization. Aachen: IEEE, 2004: 149-152.

[64] Maio D, Maltoni D. A structural approach to fingerprint classification [C] //International Conference on Pattern Recognition. Vienna: IEEE, 1996: 578-585.

[65] Ratha NK, Karu K, Shaoyun C, et al. A real-time matching system for large fingerprint databases [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1996, 18: 799-813.

[66] Ren Qun, Tian Jie, He Yuliang, et al. Automatic fingerprint identification using cluster algorithm [C] //16th International Conference on Pattern Recognition. Quebec: IEEE, 2002: 398-401.

[67] Palmer LR, Al-Tarawneh MS, Dlay SS, et al. Efficient fingerprint feature extraction: Algorithm and performance evaluation [C] //The 6th International Symposium on Communication Systems, Networks and Digital Signal Processing. Miam: Curran Associates, Inc., 2008: 581-584.

[68] Mital DP, Teoh EK. An automated matching technique for fingerprint identification [C] //The 6th International Conference on Emerging Technologies and Factory Automation. New Jersey: IEEE, 1996: 87-92.

[69] Bebis G, Deaconu T, Georgiopoulos M. Fingerprint identification using Delaunay triangulation [C] //International Conference on Information Intelligence and Systems. Rockville: IEEE, 1999: 452-459.

[70] Mistry PI, Paunwala CN. Fusion fingerprint minutiae matching system for personal identification [C] //The 4th International Conference on Computing, Communications and Networking Technologies. Miami: Curran Associates Inc, 2013: 1-6.

[71] Kaur R, Sandhu PS, Kamra A. A novel method for fingerprint feature extraction [C] //2010 International Conference on Networking and Information Technology. Miami: Curran Associates Inc, 2010: 1-5.

[72] Fahmy MF, Thabet MA. A Fingerprint Segmentation Technique Based on Morphological Processing [C] //IEEE International Symposium on Signal Processing and Information Technology.. Athens: IEEE, 2013: 215-220.

[73] Das D, Mukhopadhyay S. Fingerprint Image Segmentation Using Block-Based Statistics and Morphological Filtering [J]. Arabian Journal for Science and Engineering, 2015, 40: 3161-3171.

[74] Singh P, Kaur L. Fingerprint feature extraction using morphological operations [C] //2015 International Conference on Advances in Computer Engineering and Applications. Athens: IEEE, 2015: 764-767.

[75] Sankaran A, Vatsa M, Singh R. Multisensor optical and latent fingerprint database [J]. IEEE Access, 2015, 3: 653-665.

[76] Gutierrez PD, Lastra M, Herrera F, et al. A High performance fingerprint matching system for large databases based on GPU [J]. IEEE Trans Information Forensics and Security, 2014, 9: 62-71.

[77] Cappelli R, Ferrara M, Maltoni D. Minutia Cylinder-Code: A new representation and matching technique for fingerprint recognition [J]. IEEE Trans Pattern Analysis and Machine Intelligence, 2010, 32: 2128-2141.

[78] Zhou Wei, Hu Jiankun, Wang Song, et al. Performance evaluation of large 3D fingerprint databases [J]. Electronics Letters, 2014, 50: 1060-1061.

[79] 侯侶, 張勝斌. 生物檢測裝置: CN205302331U[P]. 2016-01-14.

[80] 鐘志鑫, 王信亮, 余旖,等. 指紋識別方法、裝置和終端: CN106104574A[P]. 2016-11-09.

[81] Park DH, Park BJ, Kim JM. Hydrochromic approaches to mapping human sweat pores [J]. Accounts of Chemical Research, 2016, 49: 1211-1222.

[82] Pyo M, Lee J, Baek W, et al. Sweat Pore Mapping Using Hydrophilic Polymer Films [J]. Journal of Nanoscience and Nanotechnology, 2016, 16: 12263-12267.

[83] 毛巨勇. 生物識別技術(shù)的發(fā)展與現(xiàn)狀 [J]. 中國安防, 2010 (8): 36-39.

[84] Nie Zedong, Liu Yuhang, Duan Changjiang, et al. Wearable biometric authentication based on human body communication [C] //2015 IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN). Cambridge: Curran Associates Inc, 2015: 1-5.

[85] 楊鐵黨, 徐雄偉, 張亦農(nóng),等. 線下移動支付方法及用于該方法的可穿戴式移動支付裝置: CN105225102A[P]. 2016-01-06.

[86] Xia Meng, Ma Jingjing, Li Jingzhen, et al. Gradient and SVM based biometric identification using human body communication [C] //IEEE International Conference of Online Analysis and Computing Science (ICOACS). Chongqing:IEEE.2016:61-65.

[87] 王榮. 生物識別技術(shù)推動人工智能產(chǎn)業(yè)發(fā)展 [N]. 中國證券報, 2016-10-19.

A Review of Fingerprint Recognition Technology

Gu Chenlei Liu Yuhang Nie Zedong*Li Jingzhen Wang Lei

(ShenzhenInstitutesofAdvancedTechnology,ChineseAcademyofSciences,Shenzhen518055,Guangdong,China)

Biometric verification has been drawing widespread attention in information security. Fingerprint recognition has been improved by the rapid development of computer graphics technology in the past years. In this paper, the review of fingerprint recognition technology in recent 20 years was conducted, the key technologies of fingerprint recognition, such as fingerprint image acquisition, image enhancement, feature extraction and matching, and data storage were introduced and summarized, the advantages and disadvantages of aforementioned technologies were concluded.

biometric verification;fingerprint recognition; image

10.3969/j.issn.0258-8021. 2017. 04.012

2016-10-08， 錄用日期:2017-02-25

國家自然科學(xué)基金(61403366，u1505251)； 廣東省省級科技計(jì)劃項(xiàng)目(2015A020214018)； 深圳市技術(shù)開發(fā)項(xiàng)目(CXZZ20150505093829778)

R318

A

0258-8021(2017) 04-0470-013

*通信作者(Corresponding author)，E-mail: zd.nie@siat.ac.cn