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Pcincare 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。     

基于脊线跟踪的指纹核心点检测

准确、可靠地检测指纹核心点对于指纹的分类和匹配有重要的意义。针对指纹图像核心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核心点检测算法。根据核心点是纹线曲率最大的点的定义,利用脊线跟踪的方法求出核心点。实验结果证明该方法能够从指纹图像中较精确、可靠地提取出核心点。并具有较好的鲁棒性。     

尖拱型指纹图像中奇异点检测方法

指纹图像中的奇异点携带着重要的指纹特征信息,因为有些尖拱型指纹图像中的核心点和三角点相隔很近,以至计算出的Poincare Index值相互抵消,结果接近于0,Poincare Index方法就会将该指纹判为拱型指纹,针对这一问题,对Poincare Index方法进行改进,提出了一种新的奇异点或参考点检测与计算方法。实验结果表明,该方法能很好地解决这一局限性问题。     

一种指纹图像奇异点检测的方法

准确、可靠地检测奇异点(core点和delta点),对指纹分类和指纹匹配具有重要的意义.针对低质量指纹图像奇异点检测中精确定位和可靠性判断的难题,提出了一种检测指纹奇异点的方法.首先,对于一幅指纹图像,在同一分块尺寸下进行多次图像错位分块,并且分别在不同的图像错位分块情况下检测指纹的奇异点,得到区域相对集中的奇异点位置的集合,并计算其质心,以精确地确定奇异点的位置.然后,再在不同的分块尺寸下检测奇异点,并进一步判断上一步所检测到的奇异点的真伪.该方法利用了多次图像错位分块检测的奇异点位置相对集中和各级分块尺寸下检测的奇异点位置相互关联的特性,能够从指纹图像中较精确、可靠地检测出奇异点.在部分典型低质量指纹图像上的实验结果验证了该方法的有效性,对低质量指纹图像具有良好的鲁棒性.     

基于Gaussian-Hermite矩和改进的Poincare Index的指纹奇异点提取

在指纹分类和匹配中,准确、可靠地提取奇异点十分重要.针对低质量指纹图像奇异点检测中精确定位和可靠性判断这一难题,提出了一种两阶段的奇异点提取算法.首先,针对现有Poincare index方法存在伪点检出较多和抗噪性较弱的问题,通过对其改进实现候选奇异点位置的确定;然后,再通过计算候选奇异点周围圆形邻域的Gaussian-Hermite矩分布属性值来判断其真伪.方法有效结合了奇异点周围邻域的纹线方向和纹线一致性信息,能够从指纹图像中较为准确、可靠地检测出奇异点.在NIST-4和南京大学活体指纹库上的实验结果验证了该方法的有效性和鲁棒性.在从NIST-4中随机抽取的500幅指纹图像上,奇异点的检测准确率为93.05%(Core点准确率为96.93%,Delta点准确率为86.43%).     

一种基于信息融合的指纹奇异点提取及纹型分类算法

准确可靠地实现纹型分类对提高大容量指纹库中的检索和匹配效率具有重要意义。提出一种基于信息融合的指纹奇异点提取与纹型分类算法。首先,分别给出一种基于奇异点区域方向场信息和奇异区复数滤波场信息的改进的奇异点提取算法,并将两者融合以完整提取奇异点;再利用所提取奇异点邻域的Gaussian-Hermite矩的分布属性剔除伪奇异点;最后,利用奇异点的数目和位置关系及中心点的主方向将指纹分为常见的六种纹型,对缺少三角点的指纹,使用脊线跟踪算法进行分类。实验表明,该方法新颖有效,具有较高的准确性和鲁棒性。     

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。     

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.     

基于梯度方向场的掌纹三角点检测算法

提出基于Sobel梯度算子方向场的掌纹图像三角点检测算法。算法首先对数码相机采集的掌纹图像进行去噪、边缘提取及伪边删除预处理;然后对图像进行分块处理,计算每一子块的Sobel梯度方向场,基于方向场直方图统计子块内每一像素点的方向场数目,将子块内大多数点的方向确定为子块中心点的方向;对掌纹图像的方向场进行三色同质化后,用基于形态的方法进行掌纹三角点定位,并删除伪特征点。对采集的212幅掌纹图像三角点检测实验结果表明:提出算法能较为准确、可靠地检测出三角点,三角点的检测准确率为91.43%,验证了提出方法的有效性和鲁棒性。     

基于邻域像素追踪的图像指纹特征点提取

该文针对经过预处理过的指纹图像,采用邻域像素追踪法对指纹纹线端点、叉点、中心点和三角点等指纹特征点进行提取,介绍了各特征点的算法实现流程,给出了最终的特征提取实验结果,实验结果表明,该方法在能够有效地提取指纹特征点的情况下,还在速度和准确性上也有所提高。     

Singular points detection based on multi-resolution in fingerprint images

The singular points of fingerprints, namely core and delta, play an important role in fingerprint recognition and classification systems. Several traditional methods have been proposed; however, these methods cannot achieve the reliable and accurate detection of poor-quality fingerprints. In this paper, an algorithm is proposed which combines improved Poincaré index and multi-resolution analysis to detect singular points. Conventional Poincaré index method is improved on the basis of the Zero-pole Model analysis to detect singular points with different resolutions. A model is presented to extract the multi-resolution information of the fingerprint pattern; this model divides fingerprint image into nonoverlapping blocks corresponding to different block sizes on the basis of wavelet functions to compute multiple resolution directional fields, and block position shifting is performed on these resolution levels to capture the features of the ridge direction patterns, where the corresponding shifting intervals are based on Sampling theorem. The relationship of singularities detected by improved Poincaré index in different resolution directional fields is used to confirm singular points accurately and reliably. The combination of local and global information makes our algorithm more robust to noise than methods that use local information only, and the existence of this algorithm increases the insight into the nature of singular points extraction. The accuracy and reliability of the method are demonstrated by experiment on database NIST-4, public fingerprint databases FVC02 DB1 and DB2.     

Singular point detection by shape analysis of directional fields in fingerprints

This paper presents a new fingerprint singular point detection method that is type-distinguishable and applicable to various fingerprint images regardless of their resolutions. The proposed method detects singular points by analyzing the shapes of the local directional fields of a fingerprint image. Using the predefined rules, all types of singular points (upper core, lower core, and delta points) can be extracted accurately and delineated in terms of the type of singular points. In case of arch-type fingerprints there exists no singular point, but reference points for arch-type fingerprints are required to be detected for registration. Therefore, we propose a new reference point detection method for arch-type fingerprints as well. The result of the experiments on the two public databases (FVC2000 2a, FVC2002 2a) with different resolutions demonstrates that the proposed method has high accuracy in locating each types of singular points and detecting the reference points of arch-type fingerprints without regard to their image resolutions.     

人工智能辅助下模糊指纹图像奇异点检测仿真

运用传统方法对模糊指纹图像奇异点进行检测时存在误差率较高和漏检率较大等问题,为此提出了基于Contourlet变换和模糊逻辑的模糊指纹图像奇异点检测方法。运用相对梯度和绝对梯度相融合的方法,增强模糊指纹图像较亮区域的梯度,利用矩阵乘法与求逆算法进行离散正弦变换,构建人工智能辅助下模糊指纹图像增强模型,并对该模型进行Contourlet转换,获取模糊指纹图像信号尺度和方向上的低频和高频变换系数,将该变换系数当做语言变量输入,利用模糊逻辑方法计算各个模糊区域所激活的强度值,将其归一化检测后,输出模糊指纹图像奇异点。分析实验结果可知,所提方法的最低漏检率为2%,远低于传统方法,说明该方法能够增强检测的准确率、降低漏检率和误差率,具备一定的可靠性。     

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.     

Fingerprint reference point identification based on chain encoded discrete curvature and bending energy

Reference point identification is important in automatic fingerprint recognition system as it can be used to align fingerprints in a correct orientation in spite of the possibility of different transformations in fingerprint images. It is also used in fingerprint classification, as it is desirable to classify fingerprint images for forensic type applications which require the input image to be verified against a large database. The important feature information useful for classification is centered near the reference point. Most of the current approaches for identifying the reference point either require determining ridge orientation or use some complex filters. These methods either operate on 2D (two dimensional) or are not robust to rotation or cannot be applied to every class of fingerprint image. This paper proposes a method to reliably identify unique reference point that operates in 1D (one dimensional). The method treats the fingerprint ridges as a non-overlapped sequence of chain code segments. A modified k-curvature method has been proposed to find the high-curvature area of fingerprint ridges. The reference point localization is based on the property of the ridge’s bending energy. The proposed method is tested on FVC2002 and FVC2004 standard datasets, and the experimental results show that the proposed algorithm can accurately locate reference point for all types of fingerprint images.     

基于加权平均梯度方向场和改进Poincare Index的指纹奇异点检测算法

针对指纹图像具有局部平行性和渐变性以及邻域的脊线方向相关性高的特点,提出了一种基于加权平均梯度的指纹方向场算法。改进了传统的Poincare Index指纹奇异点检测算法。实验证明,在采用加权平均梯度算法获取的方向场上利用改进的Poincare Index算法可实现对低质量指纹图像的奇异点的准确提取。     

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。     

基于连续分布方向图的指纹奇异点检测

在指纹连续分布方向图(场)的基础上,对经典的PoincaréIndex计算公式进行了改进,提出了一种新的基于连续分布方向图的指纹奇异点检测算法。由于指纹连续分布方向图过渡平滑、自然,既具有很好的连续性、渐变性和抗噪性,又具有较高的精确度;而改进后的PoincaréIndex不仅能精确表示向量场的旋转角度,而且还能精确表示向量场的旋转方向。所以,该算法能够在像素级水平精确定位指纹奇异点(core point和delta point),精确度达到一个像素。在FVC2000、FVC2002和FVC2004的训练指纹库(Set B)以及笔者采集的AFIS2004指纹库(含4000幅指纹)上的实验结果验证了该算法的有效性。