论文部分内容阅读
由于指纹的独特性和持久性,指纹识别被应用于刑侦、考勤等很多领域。指纹识别研究时间较长,算法也比较成熟。正是因为高识别率和易操作性,在很多情况下,指纹识别被作为唯一的识别工具使用。由于指纹自身因素或者采集环境的影响,低质量指纹无可避免的存在。当两幅图片进行比较时,低质量指纹图像会严重影响匹配结果。因此低质量指纹的处理是指纹识别系统性能提升的关键。不少算法改进工作重点放在预处理阶段,以求减少低质量指纹的影响,提高识别率。但此阶段过于耗时,效果提升空间也越来越小。现在主流的匹配方法是基于细节点的匹配,根据匹配成功的细节点对数计算匹配得分。算法越好,指纹质量越好,匹配的准确性越高。通常只是根据匹配成功的细节点数目和两幅指纹的细节点总数来计算匹配得分,未匹配成功的细节点往往被认为是无意义的或者是干扰因素。但是由于算法和指纹质量原因,部分细节点本应匹配成功却未能成功匹配,如果不考虑这部分信息,指纹细节点的信息利用就不够充分。为了解决上述问题,本文进行了以下两方面的工作：(1)对指纹质量进行评估。由于低质量指纹的影响,想提升指纹识别系统识别率就要处理指纹质量问题,想利用指纹质量就必须做到有效的指纹质量评估。本文首先选定综合评价指纹质量的指标组合：指纹前景比例,方向对比度,方向场连续性和平滑前后方向场变化率。对这四个指标用SVM分类器训练得到分类器模型来预测指纹质量。在FVC2000DB1, FVC2000DB2和FVC2000DB3上进行了实验,证明了评估的有效性。(2)对指纹细节点进行信息挖掘利用。指纹细节点作为指纹识别的重要信息,只要提取的准确就有利用的价值。如果因为匹配不成功而不进行考虑,会造成细节点的信息利用不充分而影响识别正确率。经过对匹配之后的细节点分析,本文从四个方面深入挖掘未匹配成功的细节点信息,分别为：未匹配细节点与匹配细节点个数比例、紧互对原型对、划分成网格计算集合相似度以及Hausdorff方法计算相似度。通过这四个方面提取的信息与原始匹配得分融合得到最终的指纹匹配得分。在整个FVC指纹库中进行了实验证明了方法的有效性。下一步的主要内容为以下两个方面：第一,利用指纹质量更有效的提高指纹识别率；第二,继续挖掘未匹配细节点的信息,并寻找与原始匹配得分更好的融合方法。