 (7)
(8)
其中， (9)
匹配分数描述了输入指纹与模板指纹的相似性，当 高于一个预先设定的阈值，则认为输入图像与模板图像来自同一个指纹；否则，为了容忍由于指纹质量或者前期预处理算法不精确带来的误差，设置第二个阈值 ，将匹配分数落在里的模板指纹，按照由小到大的顺序保留 个到堆栈里可变界限盒，保留信息包括匹配分数、新参考点相对平移量 和旋转量。当输入指纹与指纹库中所有模板指纹一一比较，没有找到匹配指纹时，按照匹配分数由大到小的顺序，提取堆栈中储存的相对平移量和旋转量信息，调整参考点位置，重新提取输入指纹各细节点相应属性，按上述匹配算法再次匹配，此时初次匹配步骤(3)修改如下：if ,则输出两枚指纹匹配，else 输出两枚指纹不匹配。
4实验结果分析
在FVC2000 DB1指纹库中对论文的基于分类信息的快速匹配算法进行性能测试，实验运行环境为：Pentuim(R)D 2.8GHz CPU 896MB内存的台式机，使用Window XP操作系统，VC++6.0编程软件实现上述算法。测试规则如下：将每个手指的8幅指纹图像两两匹配，共进行10×(8×7)/2=280次真匹配，假匹配采用所有手指的编号为1的指纹图像两两匹配，共匹配(10×9/2)=45次，测试中的阈值使用，测试性能如图3所示。
图3 匹配算法的性能分析图
主要测试指标为FMR，FNMR，EER，FMRl00，FMRl000[5-6 ]，具体数据如表1所示。
表1 匹配算法的性能指标
EER是FMR和FNMR能够同时取得的最小值，Avg Enroll Time指生成指纹特征模板的平均时间可变界限盒，包含图像预处理，图像增强的处理时间；Avg Match Time是指纹特征模板之间的匹配时间。从算法的主要性能指标可以看出，该匹配方法性能较好。
5结论
本文重点研究指纹的匹配，将指纹分类时采用的特征点邻近结构引入到指纹的匹配模板中，同时增加细节点与参考点间的脊线数目属性，利用这两个制约因素减少参与匹配的细节点数目，降低运算量，提高匹配速度。从实验结果看，该匹配方法性能较好，并且还有很大提升空间。影响上述匹配算法性能的主要因素有[7-8]：预处理算法，能够保证匹配的准确性；参考点定位方法，FVC2000 DB1指纹库中均为活体指纹，采集时发生的严重位移无法有效定位参考点，反映到数据上就是EER，FMRl00 和FMRl000都较高。针对这两个因素，可以继续研究以便能够进一步提高这种匹配方法的性能。
参考文献
[1]时鹏,田捷,苏琪,杨鑫.基于奇异点邻近结构的快速指纹识别[J].软件学报.2008,19(12).
[2]罗希平,田捷.自动指纹识别中的图像增强和细节匹配算法[J].软件学报.2002,13(5）.
[3]田捷，杨鑫等，生物特征识别技术理论与应用[M].清华大学出版社,2009.
[4]杨利敏.图像特征点定位算法研究及其应用[D].上海交通大学博士学位论文.2008.
[5]http://bias.csr.unibo.it/fvc2002/.2002.
[6]http://bias.csr.unibo.it/fvc2000/.2000.
[7]张莹.基于大规模指纹库的指纹识别算法研究[D]. 天津大学硕士学位论文.2007.
[8]翁大伟.指纹图像奇异点检测算法研究[D]. 山东大学硕士学位论文.2009.
2/2 首页 上一页 1 2 |
