自动指纹识别系统是生物特征识别研究的一个热点,而指纹分类又是指纹识别系统的核心技术之一。在大型的指纹数据库中,待识别指纹与样本数据库中的大量指纹逐一进行比对,是极其耗费时间的。为了减少搜索时间和计算复杂性,把样本数据库中的指纹分为几类,将属于不同类别的指纹分别保存在不同的数据库中,待识别指纹只需与属于同类的子数据库中的样本逐一比对。从某种意义上讲,指纹分类实际上就是一次粗糙的指纹匹配过程,它为自动指纹识别系统提供了一个索引机制。尽管国内外学者已经进行了大量的研究,但目前的指纹分类算法对于低质量的指纹图像的分类效果还不够理想。因此,本文提出了基于频谱能量和判别熵的指纹分类算法,此算法对低质量指纹图像具有一定的鲁棒性。本文提出的指纹分类算法是以指纹方向图作为特征来进行分类的,首先计算指纹方向图,然后提取特征并对特征进行降维,最后把特征送入分类器进行分类。主要研究内容包括以下几个方面:一、基于频谱能量的方向图的构建。指纹方向图的获取是指纹分类中的一个重要的步骤,但对于低质量指纹图像,现有方法获取准确的方向图仍存在一定的局限性,因此本文提出了基于频谱能量的指纹方向图构建方法。首先对指纹进行傅立叶变换,然后根据指纹频谱图中的能量分布特点计算指纹的方向,从而得到指纹的方向图。由于指纹频谱能量图中指纹信息的分布特点,使得这种方法不仅能够获得较为准确的方向图,而且对噪声有一定的鲁棒性。实验结果表明了此方法的有效性。二、基于判别熵最小化的特征提取。特征维数过多不但影响指纹分类的性能,也会影响指纹分类的速度。因此本文提出了基于判别熵最小化的特征提取方法,用于对特征向量进行降维,此方法的原理是判别熵越小,两类指纹的概率分布差别越大,降维后的新特征就越有利于进行分类,实验结果表明了此方法的可行性。三、SVM分类器的设计与实现。SVM是一种针对两类的分类方法,它通过寻找类别间的最优分类面进行分类,具有严密的数学解释。本文选用了SVM分类器来对指纹进行分类,首先将指纹划分为五种类别,对每两个类别设计一个分类器,共10个分类器,然后使用训练集对各个分类器进行训练,最后将待测样本送入训练好的分类器进行分类。实验结果表明了此方法的有效性。