指纹的唯一性、稳定性，识别技术的成熟性、可靠性，使其在越来越多的领域如社会安全、办公安全、资讯安全、金融安全、个人安全及防伪方面得到广泛的应用，指纹识别技术发展非常迅速，市场前景非常广阔. 在身份识别中，通常需要把一个人的指纹与一个指纹库里所有的指纹进行匹配. 而实际上，许多民用和警用指纹库都比较大（例如几百万指纹）. 在这样的情形，指纹的识别通常需要很长的时间. 识别的时间可以通过采用一些信息，减少需要进行匹配的指纹的数量来减少. 有时，可以使用性别、民族、年龄及其他的一些信息，但是这些信息并不总是可得的，例如犯罪现场指纹的匹配. 为了减少识别时间，通常采用的方法是对指纹库进行分类，待匹配的指纹只与某一类中的指纹进行匹配. 理想情况下，一个自动指纹分类算法应该能够以令人满意的精度、迅速将指纹分到相应的类中. 但在实践中，由于指纹纹线形态的复杂性与指纹质量较差等影响，指纹分类技术的研究面临着巨大的挑战. 许多研究者对指纹分类已做出了大量的工作，但至今分类的错误率仍较高. 如何正确地把指纹分类在自动指纹识别研究中始终是一个难点. 本文的算法是针对民用指纹锁系统光电指纹的提速（应用于指纹锁里存的指纹较多的情况，例如大型办公室或者公司的考勤系统）提出的，因此本文的分类方法和分类策略都是针对此应用环境提出的，在其它环境下，此算法未必合适. 一、本文的创新之处与应用相适应的分类策略本文采用的策略为只在给定的类中搜索. 若对每个指纹只给出一种确切的纹型且保证绝对正确，就现有的技术是不可能的，因此本文采用对每个指纹给出一种到三种纹型（斗、右箕、左箕），来提高正确率. 只有当两枚指纹的纹型集合中有公共的元素时，才进行匹配. 因为纹型分类的错误多数是由于指纹不完整或者质量太差造成的，对于质量很好的且较完整的指纹（本文指有中心，且中心的位置基本处于指纹的中间部分），是可以采用某种算法确定出它的纹型的，因此，当两枚指纹的质量较好且完整时，若纹型不一致，是可以直接否定的. 若采用其它的策略（现在经常<WP=67>采用的纹型使用策略，即若在指定的纹型中找不到，则遍历所有的指纹），则还需匹配，造成时间的浪费. 在指纹锁上应用时，采用其他的策略，当纹型计算正确时，若匹配成功，则速度很快；若匹配不成功，因为要遍历锁里所有的指纹，则速度较慢. 采用本文的策略，当纹型计算正确时，匹配成功和匹配不成功的时间基本上一致. 这样，若匹配不成功，可以很快返回信息，重新捺印指纹. 本文的纹型判断方法是基于法则的分类方法（rule-based），即基于奇点和中心处的纹线的方法. 本文的创新之处是在16×16的块方向场跟踪中心附近三条纹线，其中纹线的构成元素为方向场中的块，根据纹线终止和纹线偏转的信息，判断出指纹的可能的纹型（斗型、左箕、右箕），完成纹型的粗分类. 在块方向场上跟踪纹线，有效地克服了噪音的影响，并且使纹线跟踪的算法简单，快速，是一种适合于民用指纹锁的一种分类方法. 其中块方向场是在没有细线化的二值图上求出的，由于二值图是经过很多图像增强的方法的得到的，质量较好，因此比较有效地克服噪音的影响. 由于本文的策略对纹型的准确率要求很高，因此对于纹型判断经常出错的双箕斗，分到相应的箕型纹中，对于弓帐型纹，则通常给出两种纹型，即左箕型纹和右箕型纹. 测试证明，采用这样的分类法则，有效的避免了其它民用指纹算法纹型分类的错误. 本文的细分不是把以上的三种基本纹型再细分成左近箕斗、左双箕斗、左近角箕等较细的纹形，而是对两枚指纹的主副中心之间的距离（对于斗形纹），主中心和三角的距离（对于箕形纹），及中心和三角的连线的方向与中心方向的偏差（对于箕型纹）进行比较. 当两枚纹型相同的指纹的某一项大于指定的阈值时，则不再进行匹配，从而达到提高匹配速度的作用. 在细分类的同时，也对粗分类进行补救. 粗分类容易产生的错误是，对于弓帐型纹，不同次捺印的指纹，可能一次判断为左脊，另一次判断为右脊，造成据识. 因此在细分时，通过分析中心和三角的数据，判断出是弓帐型纹，从而补充缺少的另一种纹形. 对奇点的多重验证这种纹形分类的使用策略决定了中心的位置和方向、三角的位置必须准确，因此本文对以上数据进行了多重验证，来保证奇点的正确率. 使得利用中心的位置和方向进行定位成为可能. <WP=68>快速的前背景分离算法为了区分指纹背景区域和有效信息区域，本文提出了一种快速，且得到的前景部分是一个凸集的前背景分离方法，并且对锁里采集的指纹的黑框的大小可以自动调节参数. 此算法对于在块方向场上跟踪纹线，进而判断纹型，起到了重要的作用. 二、本文的测试结果本文的测试是在6800枚用光电采集仪采集的指纹库中（共340人，含工人和管理人员，每人采集拇指或食指各10次，左右手不限）进行的. 在PⅢ933，内存是256MB的台式机上，求奇点和纹型的平均计算时间为11.1ms. 求出中心的位置和方向的指纹的比例为80.35%，中心的位置和方向的准确率为99.2%. 纹形粗分类结果：拒识为0. 据识时间降到原来