一种基于机器学习的指纹纹路方向计算方法

纹路方向是指纹图像的基本特征,而方向计算是指纹识别的基础,特征提取和匹配的过程中都需要用到方向.目前大多数纹路方向计算方法都是基于像素之间的灰度关系的.提出了一种用神经网络学习纹路方向的方法.对于正确的纹路方向,该网络的响应值较大;对于错误的纹路方向,该网络的响应值较小.计算指纹图像的方向场时,对于每个纹路图像块,计算网络在各个方向上的响应值,基于每个图像块在每个方向上的响应值可以计算出整个图像的方向场.该方法比现有方法更能正确地计算指纹图像方向场.     

小波域中的PDE指纹图像增强

提出了一种基于偏微分方程的小波域指纹增强算法。分析了一致性扩散方程的缺陷,改为使用方向扩散使方程严格沿着指纹纹路扩散;进而提出了一种基于方向扩散的小波域指纹增强算法。该算法利用小波域低频系数图增强指纹,抑制了噪声的影响,将增强子图利用小波逆变换实现重构。通过对FVC2002的dB4指纹库中部分低质量图像的增强结果比较,表明该算法对低质量指纹图像的增强效果明显,且处理速度比现存的基于PDE的增强方法快。     

一种改进的指纹纹理匹配算法

目前的中心点定位方法对发生旋转的指纹图像处理效果不佳,针对这一缺陷,结合指纹脊线方向特性和结构特性,提出了一种新的基于指纹方向图的中心点定位方法。在此基础上,改进了文献[1]中的指纹编码方法。实验表明该文提出的方法对旋转的指纹图像具有很强的鲁棒性,匹配精确度比原来的方法有一定的改进。     

基于非线性扩散滤波的指纹增强算法

根据指纹图像的特性提出了一种利用非线性扩散滤波增强指纹图像以提取细节点的方法.该算法利用指纹图像的结构张量构造扩散张量.使得滤波沿着指纹脊线方向扩散.在求解非线性扩散滤波中最重要是怎样选取迭代时间和迭代步长.为了解决这两个问题,根据扩散张量在大小为(2n+1)×(2n+1)窗口上的离散形式,分解扩散滤波为4n个方向的和,然后利用托马斯-高斯消元法在每个方向快速求解非线性滤波后的指纹增强图像.该算法的优点是可以有效地连接断裂脊线,而不会改变指纹脊线的连续性和奇异性.在NIST27数据库及FVC2002数据库上的实验结果表明,基于非线性扩散滤波的指纹增强算法可以有效地提高提取细节点的性能和指纹匹配率.     

解扩散方程的指数时间差分方法

指数时间差分方法是近年来提出求解刚性常微分方程的一种新的数值计算方法.指数时间差分方法是一种积分方法,而不是经典的差分方法.利用指数时间差分方法求解扩散方程,如一维拟线性对流扩散方程和Allen-Cahn扩散方程.扩散方程在空间方向离散后转化成刚性常微分方程.用显式指数时间差分方法和相应阶的显式Runge-Kutta方法求解刚性常微分方程.数值结果表明显式指数时间差分方法具有相同阶的显式Runge-Kutta方法相应的精度,稳定性显著提高,而且能很好地模拟扩散方程的演化行为.指数时间差分方法可用于刚性常微分方程的数值计算.     

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.     

指纹图象特征提取的新方法

指纹特征的提取在指纹自动识别系统中是一个必不可少的重要环节。指纹特征通常包括指纹奇异点和细节特征点。文章在给出了一种计算指纹方向图的新方法基础上提出了奇异点的提取新方法。实验表明该方法能够准确地提取出指纹的奇异点,并具有较强的抗干扰性。针对指纹图象质量较差时,存在大量的伪细节特征点,文章提出了一种新的细节特征点验证的方法,获得了良好实验结果。     

利用去除形变的方法进行指纹匹配

提出了一种基于细节点的指纹匹配方法。定义了一种新的结构邻接特征联合体(AFU),并用这个与旋转和平移无关的局部特征与指纹细节点进行比对;利用纹路的频率和块方向信息对细节点的位置和方向进行重新调整以增加匹配的可靠性。实验结果表明该方法可以很好地处理指纹中出现的形变问题,具有较好的匹配效果。     

改进的指纹细节特征提取算法

指纹细节特征（minutiae)提取是指纹自动识别的核心技术之一，常规的指纹细节特征提取算法需要先采用纹线跟踪的方法对细化后的指纹图象进行纹线修复，然后再实现细节特征提取，纹线修复不仅步骤繁琐，而且比较耗时，针对这一问题，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象上直接提取原始细节特征点集，然后分析图象中存在的各类噪声及其特点，总结伪特征点的分布规律，最后，结合局部纹线方向信息，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，为验证该算法的性能，将改进算法与常规算法进行了对比实验，实验结果表明，改进算法有效地减少了计算时间，细节特征提取准确率也基本可以满足应用的需要。     

基于支持向量机的指纹特征点提取方法

由于指纹的匹配是根据指纹特征点匹配的,所以指纹特征点提取方法的好坏将直接影响指纹匹配的成功率.针对指纹特征点提取耗时较长的问题,提出了一种在细化指纹上,利用支持向量机的特征点(端点及分叉点)提取方法,首先进行指纹特征点初提取,即将特征点的8邻域模板作为输入,特征点类型作为输出,建立支持向量机网络并进行训练.将任意的纹脊点的8邻域输入到已训练好的支持向量机网络就可得到特征点的类型.初提取得到的指纹特征点集中存在大量伪特征点,判断图像边缘并根据特征点之间的方向及距离消除伪特征点.仿真结果表明,改进方法指纹提取的速度快,同时去除伪特征点的准确率高.