利用中心点信息的活体指纹分类算法

其中：D（i,j）表示点（i,j）的方向码；N这里取值为8。G（i,j）表示点（i,j）的灰度值；w表示以点（i,j）中心，在方向为d的直线上，每一边的点数。G（ik,jk）d表示d方向的直线上所取像素点的灰度值。点的方向码的计算解释如下：在某一个点较小的范围内，纹线上的点的灰度值相关不大，而纹线上与非纹线的点的灰度值相差较大。因此沿着纹线计算的差的绝对值之和较小，而沿着其他方向计算出的差的绝对值之和则较大。

为了保证方向的抗干扰能力，可在块划分不变的情况下，适当扩展方向码的统计区域。块的划分尺寸为8×8，而统计该区域的方向码时，则按照12×12的扩展区域。统计每一小块对应区域中每一个方向码的像素点数，像素点数最多的方向码就是该小块的主方向。

为了消除局部的方向图计算误差，对方向图进行平滑。平滑方式采用3×3均值滤波器实现平滑滤波。图4给出滤波前后的方向图。

    1.3 奇异点寻找与修正

进行指纹分类前，先将指纹的特片点找出来。对指纹分类有用的是指纹的奇异点：中心点（core）和三角点（delta）。文献中介绍了判定中心点和三角点的方法。在中心点沿着逆时针方向一周的角度变化量（不大于90度）为180度，在三角点沿着逆时序方向一周的角度变化量（不大于90度）为-180度。

在实际计算时，由于方向图的划分、干扰的存在，根据上述判据找到的中心点和三角点有可能是伪奇异点，需要根据实际情况作一些修正，删除伪奇异点。修正奇异点的准则如下：

（1）如果指纹纹线在局部变化较大，就有可能出现相邻两个小块的方向互相垂直，这可能使中心点和三角点重合。这种情况都发生在中心区域而不是三角区域，所以需要删除与中心点重合的三角点。

    （2）指纹图像的边缘区域噪声较大，容易出现伪奇异点，所以在计算出的奇异点的一个适当的领域内如果有背景区，则删除该奇异点。

（3）由于噪声的影响，或是手指上有较大的皱纹，会使计算出的奇异点中出现相邻很近的中心点和三角点，这些都是伪奇异点。所以，如果存在一个中心点和一个三角点距离小于设定的阈值，则删除这两个点，并进一步删除与这两个点距离小于阈值的其它奇异点；

（4）对于指纹纹线在特征区域变化较大的情况，有可能在一个特征区域找出多于一个的奇异点。所以，在经过上述三步伪奇异点的删除后，使用聚类分析方法，把余下的中心点和三角点分成几个聚类，每一个聚类的中心就是最后得到的奇异点。

图5给出了一幅质量较差的指纹图像奇异点修正前和修正后的情况。

本文根据中心点数目组织分类判据将指纹分为三类：0个中心点为弓形，2个中心点为斗形，1个中心点为左箕形或右箕形。需要根据实际情况对此判据作进一步修正和改进。当中心点个数为1，存在三角点。如果三角点与中心点的距离小于一个阈值。则该指纹为弓形。

1.4 左箕、右箕的区分

对于中心点个数为1的指纹，可以根据中心点下方指纹纹线的流转方向进一步把指纹分成左箕形、右箕形。左箕形指纹纹线流向左方，右箕形流向右方。

对中心点下方一定角度的区域进行90°的方向滤波，可以通过方向码之间的计算近似实现方向滤波：