第四节指纹图像特征提取.doc

第四节指纹图像特征提取 一、基于灰度图像的细节特征提取 基于直接灰度的指纹细节特征提取方法不对指纹灰度图像进行二值化，而 在增强与处理过程中得到了指纹图像的方向图信息，方向是沿着脊线方向的， 5)记录跟踪的折线，即得到指纹纹线的脊线。 图5-25 脊线跟踪提取到特征点 这个方法中最为关键的环节是如何设定跟踪终止的判据条件。可以将跟踪终止的判据设定为： 1)跟踪点已经接近或者已经处于有效区域的边缘，这时跟踪停止，不产生任何特征点，只产生指纹纹线的脊线。 2)跟踪点所处截面找不到局部极大值，这表明跟踪点已经离开脊线进入了背景或谷线区域，这时产生一个末梢点。 3)跟踪线和先前已经跟踪过了的脊线相交，这时跟踪应该停止，交点即为分叉点。 4)如果跟踪过程中出现跟踪脊线的角度偏转太大，由于这种情况往往表示跟踪出现了错误，因此应该停止跟踪，此时没有特征生成。 该方法需要图像具有很好的纹理性质，即要求噪声要尽可能地小，否则会影响跟踪的质量，从而影响特征提取的效果，但对灰度的均匀和对比度要求相对较小。基于直接灰度的方法执行速度相对较慢，在极大值判断环节算法复杂度相对要复杂，但它提取的特征点中虚假细节点较少，后处理环节容易。 二、基于8邻域编码的特征提取 基于8邻域的细节特征提取方法是一种从细化的二值指纹图像中提取细节特征的方法。在得到可靠的细化的二值图像后，对于细化的二值指纹图像，像素点的灰度值只有两种情况(假设0表示背景点的灰度，用白色表示：1表示纹线点的灰度，用黑色表示)。8邻域的模板如图5—26所示。 其中，P是待检测的像素点，P1,P2,…P8是它的8个邻域点，R(1), R(2), … R(8),分别是像素点P1,P2,…P8的灰度值。如果P是末梢点，则它的8邻域点的灰度满足如下特点： (5．8) 如果P是分叉点，则它的8邻域点的灰度满足如下特点： (5．9) 这样就可以找到末梢点和分叉点这两类主要的细节特征点，并按照匹配算法的需要，记录它们的特性，如位置和类型。 基于8邻域编码的特征提取方法的结果好坏取决于二值化图像的质量。要想使得二值化图像清晰，细节保留完全，就必须要对图像进行降噪增强等预处理。另外，还要求指纹图像的灰度要均匀，对比度强。该方法执行较快、算法简单、鲁棒性好、适应面广，但它常常需要对提取的特征点进行复杂的后处理，以便剔除那些虚假的特征点。 三、基于脊线频率的特征提取 文献[47]提出利用脊线频率特征对指纹图像进行特征提取。首先获得脊线方向，然后计算脊线距离和频率，并据此进行特征提取。在指纹图像的前景区，沿着垂直于脊线的方向，图像灰度分布近似为正弦波，该正弦波的频率可视为指纹局部区域的脊线频率。它和脊线方向一样，也是指纹图像的一个重要属性。利用脊线频率和方向，可以有效地对指纹图像进行滤波增强。脊线频率的计算方法如下： 对指纹图像中的任意一个子块(i，j)，i，j为子块图像中心的横坐标和纵坐标，建立一个以像素点(i，j)为中心的方向窗口N×S，其窗口的边框与指纹脊线对应，且N与脊线方向垂直，S与脊线方向平行，如图5-27所示。 图5-27指纹脊线方向窗口 2)对于每一子块(i，j)，沿S方向计算S个像素的灰度均值x(忌)，沿N方向上共统计N个X(k)，计算方法如下： 其中，θ(i，j)为图像子块方向，即脊线方向。 3)计算脊线距离。对于有效的指纹图，第2)步中求的X(k)应是一离散正弦波，设T(i，j)为X(k)中两个连续峰值之间的平均像素个数，则T(i，j)为局部脊线距离。 根据脊线以上信息在二值化后的图像上进行特征提取，定义图像上点Ⅳ的交叉数为 (5·13) 其中，R(1)，R(2)，…，R(8)是细化后图像N点沿顺时针方向排列在X1，X2，…，X8处的灰度，如图5．28所示。如CⅣ：l，点Ⅳ为脊线端点，如CN=3，点N为脊线分叉点，作为匹配的特征点。 图5—28端点的8邻域图 四、基于场结构的特征提取 文献【48】根据指纹图像局部区域所固有的方向特性和频率特性，提出了方向场和频率场的概念，并依据局部与宏观相结合的原则，提出了一种基于场结构指纹特征提取算法。不但利用了指纹图像的局部特性，而且结合了局部四邻区域的关联特性，对于脊线方向变化较小的局部区域，采取单一方向Gabor滤波的方法；对于脊线方向变化较大的局部奇异区域，采取多方向Gabor滤波合成的综合方法，从而保证了提取指纹细节特征的准确性。 (1)指纹方向场及其计算 指纹纹线排