一种有效的指纹奇异点提取方法

在指纹方向场分割的基础上提出了一种称之为方向丰富度的特征,并据此形成了一种有效的指纹奇异点提取方法。该方法首先将指纹方向场分割为一系列互不重叠的同质区域;然后通过同质区域边缘检测及边缘端点提取实现了奇异点快速定位;最后依据已定位点的poincare index值确定奇异点类型。与目前占据绝对主流的poincare index方法在FVC2002指纹库上的对比实验表明:在准确性方面,两者各有优、缺点,该文方法的误检率明显低于后者,漏检率略高于后者;在简单实用性方面,该文算法的平均提取速度是后者的14.2倍,具有明显优势。     

一种基于多级分割的指纹奇异点检测新方法

针对指纹图像奇异点检测中奇异点精确定位和可靠判断的难题,提出了一种基于多级分块尺寸的指纹奇异点检测新方法。首先,对于一枚指纹图像,在不同的分块尺寸下分别采用平滑和不平滑的方法进行指纹方向场的估计。然后,根据估计的指纹方向场信息进行指纹奇异点检测。接着,利用不同情况下检测的指纹奇异点位置相互关联的特性,进行指纹奇异点的精确定位、可靠判断。最后,在具有2500枚指纹的NJU 2000指纹数据库上的实验结果验证了该方法的有效性。     

一种鲁棒的指纹奇异点检测方法

提出一种两阶段的奇异点检测方法。将指纹图像分块,求出各块的方向构成块方向图,并在块方向图的基础上利用邻域方向的分布分析结合改进的Poincare Index方法来确定奇异点所在的候选区域,对候选区域中的像素再通过计算局部方向变化率来确定奇异点的精确位置。将此方法用于对FVC2004 DB1_A指纹数据库的图像,实验结果表明这种方法对指纹图像中的噪声有很好的鲁棒性,并且计算简单快速,易于实现。     

基于方向图的指纹奇异点快速检测方法

准确、快速地检测指纹奇异点(core点和delta点),对指纹分类和指纹匹配等具有重要意义.首先,给出计算指纹图像方向图的算法,然后,在基于方向图的基础上,对传统的基于poincare索引计算公式的指纹奇异点检测算法进行了改进.使用改进算法对PU-JY203U警用活体指纹采集仪采集的指纹(1000枚)进行Matlab仿真.实验结果表明改进后的算法与传统算法相比,在定位奇异点的精确度和速度上都有很大的提高.     

一种改进的指纹分类方法

提供一种改进的指纹分类算法，该算法不仅利用了脊的方向信息而且还利用了脊的结构信息和指纹图像中的奇异点，提高了分类的准确度。在此将指纹分为5类：涡型、右旋型、左旋型，弓型，弧型。实验表明这种算法精确度高，结果可靠。     

一种新的指纹奇异点区增强算法

提出了一种两步增强指纹奇异点区的新方法。使用基于瑞利函数的滤波器对奇异点区进行带通滤波,使用间隔22.5˚的8方向加博滤波器组对该区域进行增强,在获得的8幅滤波图像上,通过计算质量指标,得到对应于16个方向子区的16幅最优子区图像,合成这些子区图像,得到最终的奇异点区增强结果。实验结果表明该方法有效增强了指纹的奇异点区。     

指纹奇异点精确定位新方法

针对指纹图像奇异点快速精确定位的难题,提出一种简单实用算法。对指纹图像预处理,计算方向场并归域化,接着选出奇异点候选区,并以Poincare Index（PI）算法从中提取奇异点候选点集。对候选奇异点集去伪并精确定位。采用FVC2004指纹库进行实验验证,结果与PI算法对比,该算法鲁棒性更好,定位更精确,漏检率和误检率分别降低5.86%、6.8%,平均速度提高了3.71~9.38倍,基本满足高精度高速度的指纹奇异点定位要求。     

一种基于奇异点的指纹校准方法

提出一种新的指纹图像校准算法.通过多分辨率的方法对指纹奇异点进行定位,既保证奇异点位置的精确性,也减少运算时间.通过分析指纹图像的方向场,核心方向被精确而快速地计算出来.在这两者的基础上基准点得到有效确定,然后根据基准点的位置和方向对现场指纹和数据库中指纹进行校准.与通常所用的点模式校准算法相比,本文提出的算法在复杂度上有所降低,而且受图像质量的影响较小.初步实验结果表明本文方法的有效性.在指纹图像质量较好时,本文方法在实现效率上有一定优势.     

基于方向场特征的指纹图像奇异点检测

1　引言指纹是指端表面的纹路结构,由于具有不变性、唯一性以及易于采集的特性,指纹识别已经成为生物鉴定学的一个重要方面.指纹识别通常包括以下几个阶段:分割、图像增强、分类、细节提取以及匹配[1].在所有的处理过程中,一个有效的分类算法是至关重要的.奇异点数目的多少以及奇异点之间的相对位置关系,是指纹分类的重要依据之一.指纹的奇异点检测已经有很多种方法[2～4],这些方法要么不具有平移、旋转不变性,要么方法的精度和可靠性比较差.本文提出一种新的奇异点检测方法,利用指纹的方向场在奇异点附近的变化比较剧烈,而在其他地方的变化…     

基于奇异点区域方向场的指纹检索

为提高大型指纹数据库中指纹识别的速度和准确性,必须对其进行有效分类和快速检索。提出了一种基于奇异点区域方向场的指纹检索方法。首先利用支持向量机对指纹图像进行分割,并对分割出的图像的方向场进行多尺度平滑,得到可靠的平方复数点方向场估计,再对其进行复数滤波,利用滤波响应幅度信息确定奇异区范围及奇异点的位置和方向;然后根据所得奇异点个数及相对位置对指纹进行初次分类,最后利用奇异点区域的方向场构成指纹的特征向量,并通过比对特征向量进行指纹检索。实验结果表明,本文方法较文献的方法有明显的优势,能有效缩小待匹配指纹的数量。     

基于流场与劳伦级数的指纹奇异点检测算法

提出一种基于流场与劳伦级数的指纹奇异点检测算法.运用指纹标量场的梯度信息得到指纹流场,在指纹流场与劳伦多项式之间互相关性的基础上,采用多尺度复数滤波的互相关性能量检测指纹奇异点.在SPD2010指纹数据库上进行实验研究,结果验证该算法能够实现指纹流场中奇异点的旋转不变性检测,检测效果优于SPD2010中的最优算法.     

基于奇异点的字典模型指纹方向场去噪方法*

方向场估计是指纹识别过程中非常重要的步骤。传统方法如基于梯度的方法等在处理潜指纹图像时很容易受噪音干扰,而最近提出的基于字典模型的方法无法解决“真词错误”的问题。针对上述问题,本文提出一种融合了零极点模型的字典模型的指纹方向场去噪方法,即将指纹方向场看做是零极点控制的方向场和平滑的残差方向场相叠加的结果,通过首先用零极点模型生成正确的零极点控制的方向场,然后用字典模型修正残差方向场方向场,最后将零极点模型生成的方向场与去噪后的残差方向场融合形成重建方向场,通过基于奇异点的字典模型,我们解决了“真词错误”的问题。为了验证算法的有效性,在NIST SD27潜指纹图像数据库上进行了实验。实验结果表明：对于潜指纹,本文算法能获得比字典模型更精确的方向场,继而可以更好地增强潜指纹图像,并在后续的匹配实验中取得更好的结果。     

基于方向的指纹奇异点提取

准确、可靠地检测指纹奇异点(核心点和三角点)对于指纹的分类和匹配有重要的意义。针对指纹图像奇异点提取中准确判断和精确定位的难题,介绍了一种比较好的奇异点检测算法。根据奇异点的性质,利用Poincare Index方法求出核心点和三角点。根据相关规则,清除虚假奇异点。实验结果证明该方法能够从指纹图像中较精确、可靠地提取出奇异点。用该方法对不同质量的指纹图像进行实验,并与其他方法进行比较,结果表明该方法更加有效、可靠,具有很好的鲁棒性。     

基于复数滤波的指纹奇异点提取方法

在身份识别中,指纹具有唯一性,人的指纹包含大量信息,识别指纹图像很重要.针对指纹图像奇异点中准确判断和精确定位的难题,提出了一种改进的指纹奇异点提取方法.首先,对指纹平方复数点方向场进行多尺度滤波,在平滑噪声的同时,保留奇异区方向的细节信息.对方向场进行复数滤波,并运用启发式规则增强复数滤波的响应幅度,通过分析响应的幅度检测奇异点的位置,由响应的相位确定方向.在FVC 2000上进行实验.结果表明,上述方法可精确提取指纹图像中各奇异点的位置及其方向信息,证明优于与其它方法,结果具有较好的鲁棒性.     

一种新的全局指纹图像参考点检测算法

提出了一种全局指纹图像参考点检测算法,首先计算指纹的下曲率值,然后建立一个参考点检测模型,利用下曲率最大的优化方法确定参考点。还提出了一种估计参考点的算法,当参考点在图像的外面时,算法可以估计出参考点的位置。实验结果显示,算法不仅精度比传统的PI算法高,而且也比PI稳健,可以检测出拱形指纹的参考点,而PI算法则不能。     

基于Gaussian-Hermite矩的指纹奇异点定位

在指纹分类和识别算法中,提取的奇异点(core点和delta点)数目和奇异点的准确位置是非常重要的.介绍了一种基于Gaussian-Hermite矩分布属性的自适应指纹奇异点定位方法,为了准确地确定奇异点,用到了指纹图像在多种尺度下的不同阶Gaussian-Hermite矩分布,并用一种基于主分量分析(principal component analysis,简称PCA)的方法分析指纹图像的Gaussian-Hermite矩分布.实验结果表明,该算法能够准确地确定奇异点位置.     

一种用于指纹方向场估计的网格插值模型

指纹方向场的估计是指纹识别预处理算法中的重要环节,对算法识别效率起到关键作用。本文提出了一种网格插值模型,该模型以指纹奇异点为中心,将指纹平面做网格划分,利用插值算法建立了方向场与指纹奇异点之间的非线性关系。模型中利用了指纹的全局信息来调整网格点的值,使得它与传统的基于局部信息的方向场算法有本质的区别。在FVC2002 和FVC2004 指纹数据库上的实验结果表明,该模型比传统算法具有更高的准确性和鲁棒性,同时对于低质量的指纹图像,仍然能够给出很好的方向场估计。