指纹识别中的特征点提取算法

指纹特征的提取在指纹自动识别系统中足一个必不可少的重要环节.根据指纹的固有规律,提出了一套较完整的指纹图像特征提取和伪特征去除算法,指纹特征提取是从细化后的指纹图像中得到的细节特征点(即端点和分叉点),其中含有大量的伪特征,根据伪特征点的结构,在特征提取之后对伪特征点进行去除,主要对毛刺和短脊进行去除.实验结果表明,该算法大大提高了指纹识别时的精度,并具有较强的抗干扰性.通过对上百幅不同质量的指纹图像进行测试,获得了较好的效果.     

一种面向指纹识别的鲁棒脊线跟踪算法

由于传统的指纹识别系统大多要进行二值化和细化过程将消耗大量的计算时间,提出了一种基于脊线跟踪的指纹图像特征点提取算法.在灰度级指纹图像上,沿脊线方向自适应跟踪指纹脊线,直至该条脊线终止或与其他脊线相交,得到一幅细化后的指纹骨架图和附在其上的细节点信息.跟踪过程中,在关键点处进行脊线方向估计和局部滤波,跳跃式地获得脊线骨架点.对于提取到的末端点和交叉点,根据指纹图像的结构特征和统计结果相结合进行去伪后处理.实验证明算法的有效性.     

基于方向图和Gabor滤波的指纹预处理算法

指纹图像在预处理过程中往往受多方面因素制约,有时无法满足指纹识别系统的要求。本文在传统指纹预处理算法基础上,给出一种有效的指纹预处理改进算法。首先,采用分块方差梯度分割算法分离指纹图像和背景区;再根据指纹特征,用方向图和均值滤波器进行图像增强,并用简化的Gabor滤波器,改进滤波模板滤除边缘模糊效应。二值化、细化并删除伪特征点后,提取出指纹脊线骨架并获得指纹特征点。实验表明,该预处理算法对不同质量的指纹图像均具有较好效果,算法灵活高效、易于实现、精确度高,达到了指纹识别系统的要求。     

一种基于伪特征点消除算法的指纹细节提取方法

指纹特征提取是指纹识别技术的关键。本文介绍的方法是,指纹图像经预处理后,不对脊线做任何修复,在细化指纹图像上直接提取原始细节特征点集,然后根据图像的伪特征点的分布规律,删除伪特征点,保留真正特征点。     

指纹图像预处理与特征提取

指纹图像预处理与特征提取是指纹识别的前提。提出一套基于方向滤波与模糊数学方法的指纹图像预处理算法，并给出了指纹特征提取及其后处理算法。指纹图像预处理首先求出指纹的方向场，然后根据方向场进行滤波，最后用模糊数学方法得到二值化图像。指纹特征提取则先从细化指纹图中得到特征点，并依据伪特征点的脊线与角度特征剔除伪特征点。     

基于Matlab实现的指纹图像细节特征提取

指纹图像的特征提取是指纹识别的关键,而指纹匹配通常基于细节点匹配.介绍了一套基于Matlab实现的指纹细节特征提取方法,并给出了去伪算法.指纹特征提取是从细化后的指纹图中得到细节特征点(即端点和分叉点),此特征点含有大量的伪特征,既耗时又影响匹配精度.采用了边缘去伪和距离去伪,使得特征点去伪前后减小了近1/3,然后提取可靠特征点信息,以便实现指纹匹配.实验证明,用Matlab实现的这种方法,既简单快速,而且具有较高的准确率.     

一种指纹图像简化预处理与特征提取算法实现

自动指纹识别技术已经步入一个新的时期,现有的自动指纹识别技术在愈加完善和精确的同时也愈加复杂。在保证精确的前提下,有效提高计算效率,以更好地适应移动互联网时代背景下对自动指纹识别技术的要求,成为了一个亟待解决的问题。指纹图像预处理和特征提取中的算法优化对于指纹识别技术的精度和速度具有关键的影响。为了改善指纹图像预处理过程中的计算效率问题,在使用规格化算法进行对比度调节的基础上,针对指纹采集时产生的噪声使用8方向的方向滤波算法,并在之后使用局部自适应的阈值算法进行二值化处理。在图像细化环节,使用形态学快速细化算法替换传统的OPTA细化算法进行细化。在对细节特征进行提取后,对图像边缘的伪特征切割、去除并使用欧式距离作为判断依据以去除伪特征点。结果表明,此种算法能够有效解决计算效率的问题。     

指纹图像预处理和特征提取算法的Matlab实现

在指纹识别中,作为指纹匹配的前提和基础,指纹图像的预处理和指纹图像的特征提取对整个指纹识别算法起着至关重要的作用。本文设计了一套指纹图像预处理和指纹特征提取算法,利用方向滤波的方法对原始图像进行增强,使用改进的细化算法进行细化,最后基于脊线跟踪的方法,用改进的算法更为简洁而有效地避免了各种伪特征。设计的算法经Matlab实现,实验效果良好。该算法为指纹识别进一步应用到实际提供了一定的技术基础。     

基于方向信息的指纹图像的预处理与识别

系统地介绍了利用块方向图滤波法、自适应二值化、模版细化法对指纹图像进行滤波、二值化和细化的过程。然后利用块方向图提取全局特征。利用交叉法提取细节特征,进而实现指纹识别。本文提出的算法在实验中取得了较好的识别率。     

指纹图像增强与特征提取

在指纹匹配中,从指纹图像中自动和可靠地提取特征点是一个关键性步骤.输入的指纹图像质量在自动识别和认证算法中起着重要的作用.基于脊线的频率和方向,提出了一个快速指纹图像增强和特征提取算法.指纹图像增强首先求出指纹的方向场,然后根据方向场进行滤波.指纹特征提取则先从细化图中得到特征点并剔除伪特征点.实验结果验证了该方法的有效性.     

改进的低质量指纹图像分割算法

低质量指纹图像处理一直是自动指纹识别技术的研究重点,对低质量指纹图像的分割是图像增强、细化和特征提取的重要前提。在分析传统方法局限性的基础上,从指纹图像的灰度分布规律出发,提出了基于点方向图和灰度均衡的指纹图像分割算法。实验结果表明,相比于已有的指纹图像分割算法,该算法的分割效果更好,具有很强的噪声抑制能力。     

一种基于结构匹配的指纹匹配算法

提出了一种基于结构匹配的指纹匹配算法,不仅考虑了指纹的全局特性而且利用了指纹局部结构的平移和旋转不变性。该算法可克服在采集指纹图像时由于非线性形变所引起的细节点的位置、细节点的方向及指纹图像中细节点之间距离改变产生的影响,降低了匹配算法的拒识率。试验结果表明所提出的方法确实提高了指纹匹配算法的有效性。     

模糊几何和纹理特征在指纹细节点后处理中的应用

指纹识别一般基于指纹细节点匹配，当指纹图像质量较差时，细节点的可靠提取十分困难，通常会产生大量的虚假细节点．为提高细节点的精度，给出一种在原始灰度指纹图像上进行细节点后处理验证的方法．在每个自动提取出的细节点上取其在原始灰度指纹图像上的局部邻域，分析邻域图像的模糊几何特征和纹理特征，然后用MLP神经网络对提取出的局部邻域特征进行分类，实现细节点类型验证．实验结果表明：文中方法能有效地去除大量的虚假细节点，与其他方法相比具有较高精度．     

基于纹线跟踪技术的指纹图像后处理

介绍了基于邻域编码的纹线跟踪技术及其纹线跟踪过程,在此基础上,完善了指纹图像后处理算法,提取了指纹细节特征。在完全细化的指纹图像上,利用纹线跟踪技术,剔除了可能的伪特征点,保留了真实的细节特征点,指纹图像后处理效果十分理想,达到了指纹特征准确提取和特征点集准确获取的目的,为后续的指纹匹配工作打下了良好的基础。     

一种基于信息融合的指纹特征点提取方法

针对进行指纹图像预处理时产生的伪特征点难以消除的问题,提出了一种基于信息融合的指纹特征点提取方法;该方法首先通过取两种不同预处理方法所获得的指纹特征点集的交集来剔除在指纹图像预处理过程中所产生的伪特征点,然后根据特征点的结构信息来消除原始指纹图像本身所存在的伪特征点;实验结果表明,该方法不仅可以有效地消除指纹图像预处理过程所产生的伪特征点,同时也能消除原始指纹图像中存在的伪特征点。     

指纹图像细节点及显著特征的提取

提出了一种改进的指纹细节特征提取算法。该算法首先在细化后的指纹图像上直接提取原始细节特征点集,然后针对不同的噪声,采用针对性的算法,将各类噪声引起的伪特征点分别予以删除,最终保留下来的特征点集即视为真正的特征点集。通过分析细节特征点之间的联系,在整幅图像范围内构造了3种类型的显著特征,提出了一种显著特征提取算法,在已提取的特征点集的基础上,提取出指纹图像的显著特征。     

基于二值化指纹图像细节点提取的改进算法

深入研究了二值化指纹图像细节点提取算法,针对已有算法中存在伪细节点和遗漏细节点的问题,提出了一种改进的二值化指纹图像细节点提取算法。该算法在原有提取算法的基础上,采用了形式分割图段、结合纹线方向提取、合并图段等措施。大量实验表明,该算法显著地减少了伪细节点和遗漏细节点的出现,是一种较为理想的二值化指纹图像细节点提取算法。     

基于Delaunay三角化的指纹匹配方法

将计算几何的三角划分方法引入指纹匹配，研究了一种基于DT（Delaunay triangulation）网的指纹匹配方法．通过对细节点的拓扑结构进行DT划分，把空间上位置相近的细节点按照一定规则相连，得到三角形网格．然后基于该网格寻找若干参考点对，并根据获得的参考点对将两幅指纹图像进行姿势调整．最后使用获得的参考点对实现基于点模式的指纹匹配．算法在第1届中国生物特征识别竞赛指纹组的测试结果证明了有效性．     

Preprocessing and postprocessing for skeleton-based fingerprint minutiae extraction

In this paper, we propose to use the fingerprint valley instead of ridge for the binarization-thinning process to extract fingerprint minutiae. We first use several preprocessing steps on the binary image in order to eliminate the spurious lakes and dots, and to reduce the spurious islands, bridges, and spurs in the skeleton image. By removing all the bug pixels introduced at the thinning stage, our algorithm can detect a maximum number of minutiae from the fingerprint skeleton using the Rutovitz Crossing Number. This allows the true minutiae preserved and false minutiae removed in later postprocessing stages. Finally, using the intrinsic duality property of fingerprint image we develop several postprocessing techniques to efficiently remove spurious minutiae. Especially, we define an H-point structure to remove several types of spurious minutiae including bridge, triangle, ladder, and wrinkle all together. Experimental results clearly demonstrate the effectiveness of the new algorithms.