搜索
第1页共34页绪论1.1研制背景随着网络与通信技术的飞速发展和人类物理与虚拟活动空间的不断扩大，现代社会对于人类自身身份识别的准确性、安全性与实用性提出更高要求。传统的身份识别方法已经远远不能满足这种要求，人类必须寻求更为安全可靠、使用方便的身份识别新途径。于是，生物识别技术悄然兴起，并应运而生为一种新的身份识别技术。生物识别技术(BiometricIdentificationTechnology)是利用人体生物特征进行身份认证的一种技术。生物特征是唯一的(与他人不同)，可以测量或可自动识别和验证的生理特性或行为方式，分为生理特征和行为特征。生物识别系统对生物特征进行取样，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组成特征模板，人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据库中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。生物识别技术是目前最为方便与安全的识别技术，它不需要记住复杂的密码，也不需随身携带钥匙、智能卡之类的东西。生物识别技术认定的是人本身，没有什么能比这种认证方式更安全、更方便了。由于每个人的生物特征具有与其他人不同的唯一性和在一定时期内不变的稳定性，不易伪造和假冒，所以利用生物识别技术进行身份认定，安全、可靠、准确。此外，生物识别技术产品均借助于现代计算机技术实现，很容易配合电脑和安全、监控、管理系统整合，实现自动化管理。常见的生物识别技术主要有九种：指纹、脸形、虹膜、视网膜、手写体、声音、掌纹、手形和脸部热谱图等，指纹识别是生物识别技术的一种。迄今为止，最为人们所关注、最为成熟的生物识别技术就是指纹识别。近年来，国内外学者对自动指纹识别技术进行了深入和广泛的研究，取得了较大的进展，研究的重点主要集中在如何提高识别的准确率和速度。目前，己经有很多自动指纹识别的产品面市，并开始逐步在企业考勤、门禁、金融、公安和网络安全等领域得到应用。以指纹为代表的生物识别技术的发展和应用，不仅可以开发相关的系列产品，获得巨大的经济效益，还可以带动图像处理、模式识别、光学、电子、生理学和计算机应用等相关学科的发展，具有很高的学术价值，会产生巨大的社会效益。以指纹为代表的生物识别技术的发展和应用已被公认将会给身份识别领域带来一场革命，并已经成为各国学术界和工业界研究的热点之一。第2页共34页1.2数字图像处理发展概况本文的指纹识别模块的预处理过程都是基于数字图像处理的基础上实现的。数字图像处理（DigitalImageProcessing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说的CT（ComputerTomograph）。CT的基本方法是根据人的头部截面的投影，经计算机处理来重建截面图像，称为图像重建。1975年EMI公司又成功研制出全身用的CT装置，获得了人体各个部位鲜明清晰的断层图像。1979年，这项无损伤诊断技术获得了诺贝尔奖，说明它对人类作出了划时代的贡献。与此同时，图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就，属于这些领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等，使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的深入发展，从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像，实现类似人类视觉系统理解外部世界，这被称为图像理解或计算机视觉。很多国家，特别是发达国家投入更多的人力、物力到这项研究，取得了不少重要的研究成果。其中代表性的成果是70年代末MIT的Marr提出的视觉计算理论，这个理论成为计算机视觉领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展，但它本身是第3页共34页一个比较难的研究领域，存在不少困难，因人类本身对自己的视觉过程还了解甚少，因此计算机视觉是一个有待人们进一步探索的新领域。1.3指纹识别系统1.3.1指纹识别系统分类自动指纹识别系统的工作模式可以分为两类：验证模式(verification)和辨识模式(identification)。验证就是通过把一个现场采集到的指纹与一个已经登记的指纹进行一对一的比对(one-to-onematching)，来确认身份的过程。作为验证的前提条件，他或她的指纹必须在指纹库中已经注册。指纹以一定的压缩格式存储，并与其姓名或其标识(ID，PIN)联系起来。随后在比对现场，先验证其标识，然后，利用系统的指纹与现场的指纹比对来证明其标识是否是合法的。所以指纹考勤系统属于验证。验证过程如图1-1所示：图1-1指纹验证过程用户ID比对指纹库指纹特征值用户指纹指纹特征值用户ID登记指纹库用户指纹指纹特征值指纹特征值比对用户ID登记第4页共34页图1-2指纹辨识过程辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。这也叫“一对多匹配(one-to-manymatching)”。辨识过程如图1-2所示。1.3.2指纹识别系统工作原理一般来讲，自动指纹识别算法体系大致由指纹图像采集、指纹图像预处理、特征提取、指纹分类和指纹比对几个部分组成。如图1-3所示：图1-3指纹识别系统框图1.指纹图像采集较早出现的活体指纹采集设备是光电式的，现在仍为大多数自动指纹识别系统所使用。后来出现的电容式和电感式的采集设备，在某些条件下可提高指纹采集的质量，但在耐磨性和稳定性等方面还存在一些问题。对干、湿、脏的指头或磨损严重的指纹均能可靠、正确的进行采集和尽量减少采集时的变形是指纹采集技术需要解决的主要问题。到目前为止，光学采集头提供更加可靠的解决方案。通过改进原来的光学取像技术，新一代的光学指纹采集器更是以无可挑剔的性能与相对非常低的价格使电容方案相形见绌。光学技术需要一个光源从棱镜反射到按在取像采集头上的手指，光线照亮指纹从而采集到指纹。光学取像设备依据的是光的全反射原理(FTIR)。光线照到压有指纹的玻璃表面，反射光线由CCD去获得，反射光的量依赖于压在玻璃表面指纹的脊和谷的深度和皮肤与玻璃间的油脂和水分。光线经玻璃射到谷的地方后在玻璃与空气的界面发生全反射，光线被反射到CCD，而射向脊的光线不发生全反射，而是被脊与玻璃的接触面吸收或者漫反射到别的地方，这样就在CCD上形成了指纹的图像。由于最近光学设备的革新，极大地降低了设备的体积。这些进展取决于多种光学技术指纹图像输入预处理特征提取特征比对结果输出第5页共34页的发展而不是FTIR的发展。例如：可以利用纤维光束来获取指纹图像。纤维光束垂直射到指纹的表面，它照亮指纹并探测反射光。另一个方案时把含有微型三棱镜矩阵的表面安装在弹性的表面上，当手指压在此表面上时，由于脊和谷的压力不同而改变了微型三棱镜的表面，这些变化通过三棱镜光的反射而反映出来。2.预处理通常，指纹采集器采集到的指纹是低质量的，存在的噪声较多。通过预处理，将采集到的指纹灰度图像通过预滤波、方向图计算、基于方向图的滤波、二值化、细化等操作转化为单像素宽的脊线线条二值图像，基于此二值图像对指纹的中心参考点以及细节特征点特征等进行提取。指纹图像预处理是自动指纹识别系统基础，是进行指纹特征提取和指纹识别不可缺少的重要步骤。好的预处理方法可以使得到的单像素宽脊线线条二值图像更接近被提取者的指纹，更准确地反映被提取指纹的特征。因此可以使后续处理中提取的指纹特征更准确，特征提取更迅速。指纹图像预处理的一般过程如图1-4所示。指纹图像的预处理一般采用图像增强、二值化和细化的方法来抽取脊的骨架。这类方法受指纹图像质量的影响比较大，难以得到令人满意的结果。很多研究者提出了不同的预处理方法，这些方法是用局部脊方向和局部自适应阈值来增强指纹图像，但各自都有一些局限性。例如，用分块的方法实现局部自适应阈值并得到该块内的脊方向。这些方法通常是分别得到骨架和方向流结构，缺乏相关性。图1-4预处理框图3.特征提取指纹的特征点分为全局特征和(如奇异点、中心点)和局部特征(指纹细节点)。在考虑局部特征的情况下，英国的(E.R.Herry)认为，在比对时只要13个特征点重合，就可以确认是预处理预滤波方向图方向滤波二值化细化第6页共34页同一个指纹，对于不同的应用情况，要求匹配的特征点的个数会有所不同，如：用在公安刑侦时要求匹配特征点的个数就要比用在指纹考勤时多。指纹的细节特征可以有150种之多，但这些特征出现的概率并不相等，很多特征是极其罕见的。一般在自动指纹识别技术中只使用两种细节特征：纹线端点与分叉点。纹线端点指的是纹线突然结束的位置，而纹线分叉点则是纹线突然一分为二的位置。大量统计结果和实际应用证明，这两类特征点在指纹中出现的机会最多、最稳定，而且比较容易获取。更重要的是，使用这两类特征点足以描述指纹的唯一性。通过算法检测指纹中这两类特征点的数量以及每个特征点的类型、位置和所在区域的纹线方向是特征提取的任务。4.指纹分类指纹分类的主要目的是方便大容量指纹库的管理，减小搜索空间，加速指纹匹配过程。指纹分类技术越完善，能够划分的类型越细，样本数据库每个类别中所包含的样本数量就会越少，对一次识别任务来讲，需要比对的次数和时间开销就会越少。在大部分研究中，指纹一般分为五类：漩涡型(whorl)、左环型(leftloop)、右环型(rightloop)、拱型(arch)、尖拱型(tentedarch)。对于要求严格的指纹识别系统，仅按此分类是不够的，还需要进一步更加细致的分类。5.指纹比对指纹比对指的是通过对两枚指纹的比较来确定它们是否同源的过程，即两枚指纹是否来源于同一个手指。指纹比对主要是依靠比较两枚指纹的局部纹线特征和相互关系来决定指纹的唯一性。指纹的局部纹线特征和相互关系通过细节特征点的数量、位置和所在区域的纹线方向等参数来度量。细节特征的集合形成一个拓扑结构，指纹比对的过程实际就是两个拓扑结构的匹配问题。由于采集过程中的变形、特征点定位的偏差、真正特征点的缺失和伪特征点的存在等问题，即使是两枚同源的指纹，所获得的特征信息也不可能完全一样，指纹比对的过程必然是一个模糊匹配问题。6.可靠性问题计算机处理指纹图像时，只是涉及了指纹有限的信息，而且比对算法不是精确的匹配，因此其结果不能保证100%准确。指纹识别系统的重要衡量标志是识别率，它主要由两部分组成：拒判率(falserejectrate，FRR)和误判率(falseacceptrate，FAR)。我们可以根据不同的用途来调整这两个值，FRR和FAR是成反比的，可以用1~1.0的数或百分比来表示。图1-5的ROC(ReceiverOperatingCurve)曲线给出FAR和FRR之间的关系。尽管指纹