指紋圖像特征點提取的改進算法

王建英

(天津開發區職業技術學院電子信息系 300457)

1 引言

在提取指紋圖像的細節特征時，由于圖像質量和噪聲的干擾，存在著大量的偽特征點，一幅質量較差的圖像在經過預處理，細節特征提取后可能產生多達一、兩萬個細節特征點，其中包含了大量的偽特征點，這些偽特征點的存在，會使指紋識別性能急劇下降，造成識別系統的拒真率和誤識率的上升，因此在進行指紋匹配之前，應對細節特征進行驗證，盡可能將偽特征點去除，同時保留真特征點。

指紋特征去偽操作主要是將不符合指紋特征的特征點濾除掉。一般情況下偽特征具有以下特點:大部分處于圖像邊緣;在圖像內部的偽特征點距離較近,兩個或多個偽特征同時存在于很小的區域內。

2 指紋圖像特征點提取

2.1 指紋特征描述

為了比較兩個指紋是否相同，需要從指紋圖像中提取某些點出能表示指紋唯一性的特征。Galton提出的指紋細節點是人工指紋匹配中最常用的特征。指紋由脊線和谷線交替構成，在大多數地方紋線連續且相互平行，而某些局部不連續的地方構成了細節點。Galton定義了4種細節點類型:分叉點，端點，環、島，并指出細節點具有唯一性，可以用于指紋匹配。后來州門又不斷對細節點類型進行細分，提出了多達150種不同的細節點類型。一些典型的類型如表1所示。

表1 六種典型的細節點模型

目前已定義的特征類型己達150多種，但是這些擴展的特征往往不易提取相互區分，并且它們都可以由端點和分叉點的組合進行描述，這使得端點和分叉點成為最常用的結構特征，也稱為細節特征(minutiae)，它被認為是最穩定、最容易檢查的，而且占全部特征點的80%以上。對于細節點提取問題，目前文獻中主要有三種方法: (1)基于細化圖像分析的細節特征點提取方法。一種是脊線跟蹤法；另一種是基于場結構的指紋圖像細節特征提取算法。該算法依據局部與宏觀相結合的原則，一方面利用指紋圖像的局部特性，而且結合了局部四鄰區域的關聯特性，對于脊線方向變化較小的局部區域，采取單一方向Gabor濾波的方法；對于脊線方向變化較大的局部奇異區域，采取多方向Gabor濾波合成的綜合方法，從而保證了提取指紋細節特征的準確性；(2)直接從原始灰度圖像提取細節點的方法； (3)從二值指紋圖像上提取細節特征點。

2.2 特征點的提取

本文細節特征點的提取采用基于二值圖像細化后的指紋細節點提取方法。首先運用脊線跟蹤的方法提取出細化處理后圖像中的端點，接著運用八鄰域方向變化次數的方法提取出分叉點。設計中使用紋線端點和分叉點作為指紋特征點，不僅是因為這兩類特征點出現的幾率最高且容易檢測，更重要的是它們足以描述指紋的唯一性。程序中使用八鄰域法提取特征點，其中紋線端點的屬性由橫縱坐標和紋線角度來表示；分叉點的屬性由橫縱坐標，紋線角度和三個分支間的夾角（從大到小）來表示。在提取出指紋特征點后，便會得到一組矢量點，同樣在指紋模板庫中保存的指紋模板也是一組矢量點，要判斷兩個指紋是否相同的問題也就轉化成判斷兩組矢量點是否相同的點模式匹配問題。

細節特征提取是在細化后經濾波去除偽特征的二值圖中進行的，采用8鄰域方法提取指紋紋線中的末梢點和分支點這兩種細節特征，為了有效地利用紋線的局部結構信息來進行指紋的匹配，本文在提取指紋細節點詳細信息時提取了細節點的位置、方向還有結構信息。

利用8鄰域法計算末梢點和分支點，如圖5.2所示，設P點為目標像素點(待處理的像素點)，則其周圍的相鄰的8點P1, P2… P8被稱為P點的8鄰點。8鄰域指紋特征提取算法是建立在對8鄰域的統計分析基礎之上的。

對于完全細化的二值圖像，像素點的灰度值只有2種情況:0表示背景點灰度；1表示紋線點灰度。對任意點P，設P1, P2… P8是其8鄰點的灰度值，如果P是末梢點，則它的8鄰域點滿足:

其中，P9=P1

圖1 端點和分叉點

圖2 8鄰域示例

這樣我們就可以在細化后的圖像中找到細節點(端點和分叉點)，并記錄它們在圖中的相對位置。提取特征點后的指紋圖像如圖3所示。

圖3 指紋圖像特征提取

3 指紋特征偽特征點的去除

提取出的特征點還必須經過偽特征點的去除，盡可能地去除掉由于二值化、細化處理等過程引入的偽特征點。最后確定出特征點的類型、位置、方向。

指紋特征去偽操作主要是將不符合指紋特征的特征點濾除掉。一般情況下偽特征具有以下特點:大部分處于圖像邊緣;在圖像內部的偽特征點距離較近,兩個或多個偽特征同時存在于很小的區域內。

根據偽特征點的這些特點，本文提出了一種去偽特征點的方法:首先對于圖像邊緣的點,采用指紋圖像切割的方法,即對邊緣的點直接切除掉；然后利用距離閾值法去除距離較近的特征點。

實現步驟為：

1．用圖像切割的方法去除圖像邊緣的偽特征點；

2．圖像內部較近距離偽特征點的消除，主要是通過計算特征點之間的歐式距離來實現，選擇合適的距離閾值，那么小于閾值的點我們視為偽特征點，進行消除。具體算法為：

（1）對我們提取到的特征點（分叉點和端點）進行掃描，掃描到的每一個特征點對于后面的特征點繼續掃描，并計算與后面每個特征點的歐式距離；

（2）其中歐氏距離的計算公式為：

（3）經反復實驗選取合適的距離閾值；

（4）將上面計算的得到的距離與距離閾值進行比較，小于距離閾值的就可以視為

偽特征點，將其刪除，否則保留。

圖4為去偽前指紋圖像特征點的提取結果，圖5為去偽后的指紋特征點的提取結果。兩圖比較，圖5保留了所有有用的特征點，并且去除了大量的為特征點。

圖4 去偽前的指紋圖像特征點

圖5 去偽后的指紋圖像征點

4 實驗結論

實驗基于Intel p4 3.0GHz的PC機，Window XP操作系統，MATLAB6.5的仿真軟件環境下。指紋庫采集分辨率為500dpi，指紋采集設備為PIS2004光學指紋采集儀，圖像尺寸大小為640× 4 80。圖6給出了部分指紋圖像的處理結果，其中(a)圖為采集的原始圖象,(b)圖和(c)圖分別為端點和分叉點提取的結果。仿真結果表明這種改進算法對于去除指紋圖像的偽特征點是很有效的，為指紋圖像的中心定位及指紋匹配節省了大量的時間，也提高了指紋匹配的真確率。

圖6 指紋特征提取結果

[1] 張雄，賀貴明，一種指紋宏觀曲率特征提取算法.武漢大學軟件工程國家重點實驗室，2002,11.

[2] A.Farina,Z.Vajna and A.Leone.Fingerprint minutiae extraction from skeletonized binary images.Tattern Recognition, 1999, 32(10):877-889.

[3] X.Sun and Z.Ai-Automatic feature extraction and recognition of fingerprint image. Proceed ofICSP96,1996, 1086-1089.

[4] Jiang, W.Y.Yau and W.Ser.Detecting fingerprint minutiae adaptive tracing the gray level ridge.Pattern Recognition, 2001,34(11):999—1013.

[5] 古雪豐. 指紋特征提取及匹配算法研究[M].上海交通大學碩士學位論文，2003.1.

[6] 刀黎X. 指紋圖像局部紋線周期的準確提取閉. 重慶大學自動化學院，40044, 2001年9月，第24卷，第5期.