指纹核心点快速鲁棒定位方法

摘要

本发明公开了一种指纹核心点快速鲁棒定位方法。该方法步骤如下：输入图像分割；计算方向场；方向场平滑；边缘检测；边缘象素删除：对于边缘象素点，运用其4邻域计算梯度信息，如果计算的4个梯度值均不在给定阈值范围[T

说明书

技术领域

本发明属于指纹识别方法，尤其涉及一种指纹核心点的快速鲁棒定位方法。

背景技术

在众多的生物识别系统中，指纹识别系统由于其体积小、成本低、易操作、可靠性高等优点越来越受到人们的青睐，相应地，基于指纹识别技术的产品市场需求正在日益扩大，应用也越来越广泛。

指纹图像中核心点被定义为最大曲率方向的点。在指纹识别系统中核心点常被用作参考点来提高指纹匹配的速度和性能，而指纹分类也大多根据指纹中核心点的类型、数目和相对位置等信息来实现。所以，准确、可靠的定位核心点及其方向是指纹识别系统中的一项关键技术。

在指纹图像核心点检测的各种不同方法中，Poincare索引方法是较为经典的方法，许多学者针对该方法进行了很多改进，但是Poincare索引方法对于拱型指纹无法检测到核心点，易受噪声影响等问题依然存在(Asker M.Bazen and Sabih H.Gerez，SystematicMethods for the Computation of the Directional Fields and Singular Points of Fingerprints，IEEE Trans.Pattern Analysis and Machine Intelligence，2002，24(7)：905-919.)。Jain等人提出了Sine-Map方法，该方法根据核心点的属性建立模型通过多分辨率分析进行检测，这种方法需要计算多次方向场，计算复杂度很高，并且也不适用于指纹旋转的情况(Jain，A.K.，S.Prabhakar，Hong，L.and Pankanti，S.，Filterbank-Based Fingerprint Matching，IEEETrans.Image Processing，2000，9(5)：846-859.)。其他基于数学模型(Yi Wang，Jiankun Hu，and Damien Phillips，A Fingerprint Orientation Model Based on 2D Fourier Expansion(FOMFE)and Its Application to Singular-Point Detection and Fingerprint Indexing，IEEETrans.Pattern Analysis and Machine Intelligence，2007，29(4)：573-585.)、指纹结构(XuchuWang，Jianwei Li and Yanmin Niu，Definition and extraction of stable points fromfingerprint images，Pattern Recognition，2006，40：1804-1815.)以及多尺度分析(ManhuaLiu，Xudong Jiang，and Kot，A.C.，Fingerprint Reference-Point Detection，EURASIP Journalon Applied Signal Processing，2005，4：498-509.)的方法，都需要较长的处理时间，并且当图像质量较差时核心点定位误差较大，这些缺点对嵌入式指纹识别系统的性能带来了较大影响。

发明内容

本发明的目的在于提供一种实现指纹核心点定位的快速鲁棒方法。

实现本发明目的的技术解决方案为：一种指纹核心点快速鲁棒定位方法，其特征在于步骤如下：

第一步，输入图像分割：将指纹图像分成不重叠的12×12象素大小的块，运用灰度方差和均值信息将图像划分为前景区域F与背景区域B，并将前景区域F内缩12个象素；

第二步，计算方向场：将指纹图像分成不重叠的大小为w×w的象素块，利用Sobel算子计算每个块(i，j)中每个象素(u，v)的梯度G_x和G_y，然后计算每一小块图像的方向θ(i，j)，即

$\theta (i,j)=\frac{1}{2}{\tan }^{-1}\left[\frac{{\Sigma }_{u=i-w/2}^{i+w/2}{\Sigma }_{v=j-w/2}^{j+w/2}2\mathrm{Gx}(u,v)\mathrm{Gy}(u,v)}{{\Sigma }_{u=i-w/2}^{i+w/2}{\Sigma }_{v=j-w/2}^{j+w/2}({\mathrm{Gx}}^2(u,v)-{\mathrm{Gy}}^2(u,v)}\right],$

当图像中划分的每一象索块的方向都计算完后，便得到了方向场O；

第三步，方向场平滑：定义方向一致性，即

$\mathrm{Con}\left(s\right)=\frac{\sqrt{{\left({\Sigma }_{(i,j)\in \Omega \left(s\right)}\cos \left(2\theta (i,j)\right)\right)}^2+{\left({\Sigma }_{(i,j)\in \Omega \left(s\right)}\sin \left(2\theta (i,j)\right)\right)}^2}}{M},$

其中，Ω(s)为块方向场中点(i，j)的邻域，M为邻域内点的数目，窗口大小为s×s，s从3开始，计算不同大小窗口的Con(s)值，根据Con(s)值分为两种情况处理：(1)如果计算的Con(s)值小于给定的阈值T_con或小于Con(s-2)，则s增加2；若s达到s_max值，则令s＝3；

(2)若在计算过程中Con(s)大于给定阈值T_con或是大于Con(s-2)，则令s取当前值；

根据上述两种情况设置的s值重新计算块方向场中点(i，j)方向，即

${\theta }^{\prime }(i,j)=\frac{1}{2}\arctan \left(\frac{\underset{(i,j)\in \Omega \left(s\right)}{\Sigma }\sin (2\theta (i,j)}{\underset{(i,j)\in \Omega \left(s\right)}{\Sigma }\cos (2\theta (i,j)}\right),$

使方向场O得到平滑，平滑后的方向场为O′；

第四步，边缘检测：在指纹的前景区域F内，对于平滑后的方向场O′，利用Max-Min算子在3×3邻域窗口内进行边缘检测，如果梯度高于阈值T_o，则该点标记为边缘象素；

第五步，边缘象素删除：对于边缘象素点，运用其4邻域计算梯度信息，如果计算的4个梯度值均不在给定阈值范围[T_l，T_h]内，则从边缘中删除该象素；

第六步，核心点定位：利用3×3邻域窗口的最外围象素，分别计算剩余边缘点(i，j)的Con，dx，dy值，其中Con为方向一致性度量，即

$\mathrm{Con}(i,j)=\left(\sqrt{{\left({\Sigma }_{(u,v)\in \Omega }\cos \left(2\theta (u,v)\right)\right)}^2+{\left({\Sigma }_{(u,v)\in \Omega }\sin \left(2\theta (u,v)\right)\right)}^2}\right)/8,$

$\mathrm{dx}(i,j)={\Sigma }_{v=-1}^1\cos \left(2\theta (i-1,v)\right)-{\Sigma }_{v=-1}^1\cos \left(2\theta (i+1,v)\right),$

$\mathrm{dy}(i,j)={\Sigma }_{u=-1}^1\sin \left(2\theta (u,j-1)\right)-{\Sigma }_{u=-1}^1\sin \left(2\theta (u,j+1)\right),(u,v)\in \Omega ,$

给出核心点定位的条件为：当dx＞α，dy＜β时，选择方向一致性最小的点即为Lower核心点，当dx＜β，dy＞α时选择方向一致性最小的点即为Upper核心点。

本发明与现有技术相比，其显著优点：(1)为开发一种快速的基于嵌入式系统的指纹识别系统提供基础。在嵌入式指纹识别系统中，利用检测的核心点作为参考点建立细节点模板，从而消除指纹间的平移影响，使得指纹图像能够快速配准，然后进行细节点匹配识别。(2)由于采用了平滑的方向场信息，显著提高了指纹识别的抗噪声能力。(3)核心点定位时，运用了边缘信息，对边缘点进行了有效的删除，极大了缩短了核心点定位的时间。(4)提出的方法对于指纹旋转具有较好的鲁棒性，同时对于所有类型的指纹均能够检测到核心点，显著提高了指纹的识别性能。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明指纹核心点快速鲁棒定位方法的流程图。

图2是原始指纹图像。

图3是指纹分割结果图。

图4是计算的方向场图。

图5是平滑后的方向场图。

图6是边缘检测图。

图7象素点四邻域示意图。

图8是边缘象素删除后的图。

图9是核心点定位结果图。

图10是指纹旋转前后核心点定位结果图。

图11是拱形指纹核心点定位结果图。

具体实施方式

结合图1，本发明指纹核心点快速鲁棒定位方法包含下列步骤：

第一步，指纹图像分割：将图像分成不重叠的12×12大小的象素块，计算每一块的均值mean和方差var，当var＜T_var且mean＜M_I时或者(mean-M_I)×8+var＜0时，设置该图像块为背景，否则设置为图像前景区域F，即指纹有效区域，其中T_var为给定阀值，根据经验设置T_var＝80，M_I是整幅指纹图像的均值，图像分割后再将有效区域边界内缩12个象素，以避免背景区域的影响，图2是输入的指纹图像，图3给出了图像分割的结果，其中白色区域为指纹的有效区域。

第二步，计算方向场：指纹图像具有很强的方向性，计算方向场时，通常将图像分块，然后计算每一块的方向作为指纹脊线的方向。这里将图像分成不重叠的大小为w×w的象素块，如w可以为5、7、9、11等，当w＝5，利用Sobel算子计算每个块(i，j)中每个象素(u，v)的梯度G_x和G_y，G_x和G_y分别是x和y方向上的梯度，然后计算每一小块图像的方向θ(i，j)，即

$\theta (i,j)=\frac{1}{2}{\tan }^{-1}\left[\frac{{\Sigma }_{u=i-w/2}^{i+w/2}{\Sigma }_{v=j-w/2}^{j+w/2}2\mathrm{Gx}(u,v)\mathrm{Gy}(u,v)}{{\Sigma }_{u=i-w/2}^{i+w/2}{\Sigma }_{v=j-w/2}^{j+w/2}({\mathrm{Gx}}^2(u,v)-{\mathrm{Gy}}^2(u,v)}\right]---\left(1\right)$

当图像中划分的每一象素块的方向都计算完后，便得到了方向场O，计算得到的方向场规范化为灰度图像后如图4所示。

第三步，方向场平滑：计算出的方向场对噪声敏感，需要加以平滑，采用低通滤波方法会导致核心点定位不准确，这里采用自适应的多窗口方法，定义方向一致性，即

$\mathrm{Con}\left(s\right)=\frac{\sqrt{{\left({\Sigma }_{(i,j)\in \Omega \left(s\right)}\cos \left(2\theta (i,j)\right)\right)}^2+{\left({\Sigma }_{(i,j)\in \Omega \left(s\right)}\sin \left(2\theta (i,j)\right)\right)}^2}}{M}---\left(2\right)$

其中，Ω(s)为块方向场中点(i，j)的邻域，窗口大小为s×s，M为邻域内点的数目，s从3开始，计算不同大小窗口的Con(s)值，根据Con(s)值分为两种情况处理：(1)如果计算的Con(s)值小于给定的阈值T_con或小于Con(s-2)，则s增加2；若s达到s_max＝9的，则令s＝3。

(2)若在计算过程中Con(s)大于给定阈值T_con或是大于Con(s-2)，则令s取当前值。

根据上述设置的s值通过公式(3)重新计算块方向场中点(i，j)方向，根据经验设置T_con＝0.5，当对方向场O中的所有点遍历并重新计算方向后，得到平滑后的方向场O′。图5为平滑方向场后以灰度图显示的结果，与图4所示结果进行比较，从图5中可以看出，指纹噪声得到了有效的抑制，各个区域变得比较平滑，使得后续核心点定位受噪声影响较小，定位结果更加稳定。

${\theta }^{\prime }(i,j)=\frac{1}{2}\arctan \left(\frac{\underset{(i,j)\in \Omega \left(s\right)}{\Sigma }\sin (2\theta (i,j)}{\underset{(i,j)\in \Omega \left(s\right)}{\Sigma }\cos (2\theta (i,j)}\right)---\left(3\right)$

第四步，边缘检测：在指纹的前景区域F内，对于平滑的方向场O′，利用Max-Min算子以块方向为计算单元在3×3邻域窗口内进行边缘检测，如果梯度高于阈值T_o(根据经验设置T_o＝2.15)，则该点标记为边缘象素。边缘检测后规范化为灰度图如图6所示，图中存在两条黑色的边缘，一条边缘起始于图像中上部，另一边缘位于图像中下部。

第五步，边缘象素删除：对于检测的边缘象素点，运用其4邻域计算梯度信息，4邻域关系如附图7所示，如果计算的4个梯度值均不在给定阈值范围[T_l，T_h]内，其中T_l＝0.55，T_h＝1.75，则从边缘中删除该象素。见图8所示，边缘象素删除后用白色显示，可以看出边缘象素删除后只有少数黑色的边缘象素点得到保留，从而大大减少了核心点定位的搜索空间，继而极大缩短了核心点定位时间。

第六步，核心点定位：对于保留下的边缘象素点，依据下述公式(4-6)，利用3×3邻域窗口的最外围象素，分别计算剩余边缘点(i，j)的Con dx，dy值，其中Con为方向一致性度量，即

$\mathrm{Con}(i,j)=\left(\sqrt{{\left({\Sigma }_{(u,v)\in \Omega }\cos \left(2\theta (u,v)\right)\right)}^2+{\left({\Sigma }_{(u,v)\in \Omega }\sin \left(2\theta (u,v)\right)\right)}^2}\right)/8---\left(4\right)$

$\mathrm{dx}(i,j)={\Sigma }_{v=-1}^1\cos \left(2\theta (i-1,v)\right)-{\Sigma }_{v=-1}^1\cos \left(2\theta (i+1,v)\right)---\left(5\right)$

$\mathrm{dy}(i,j)={\Sigma }_{u=-1}^1\sin \left(2\theta (u,j-1)\right)-{\Sigma }_{u=-1}^1\sin \left(2\theta (u,j+1)\right),(u,v)\in \Omega ---\left(6\right)$

给出核心点定位的条件为：当dx＞α，dy＜β时，选择方向一致性最小的点即为Lower核心点，当dx＜β，dy＞α时选择方向一致性最小的点即为Upper核心点。α、β的值是利用FVC2002指纹数据库进行核心点定位实验，最终根据实验结果选取具体数值，如α＝0.1，β＝-0.1，即核心点定位条件是：

当dx＞0.1，dy＜-0.1时，选择方向一致性最小的点即为Lower核心点；

当dx＜-0.1，dy＞0.1时，选择方向一致性最小的点即为Upper核心点。

图9给出了一幅指纹核心点检测的结果。

图10给出了指纹旋转前后核心点定位结果对照图。图10.a为一幅指纹图像，图10.f为图10.a顺时针旋转90度的结果图像，图10.b和图10.g分别为相应平滑后的方向场转化为灰度图显示的结果，从这两个图中可以看出方向场差异较大；图10.c和图10.h为对应的边缘检测图，两个图中的边缘位置各不相同，图10.d和图10.i为边缘象素删除后的结果，图10.e为图10.a的核心点定位结果图，图10.j为图10.f的核心点定位结果图。从图10中可以看出，虽然图像进行了旋转，得到的边缘也不一样，但是最终定位的核心点位置却基本一致。利用FVC2002指纹数据库进行实验，结果表明核心点定位对于指纹旋转具有较好的鲁棒性。

对于拱形指纹，如图11.a，经过边缘检测后，结果如图11.b。边缘象素删除过程会将所有边缘象素删除，如图11.c，此时运用删除之前的边缘象素按照核心点定位条件进行核心点定位就可检测到正确的核心点位置，见图11.d。