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:
《利用中心点信息的活体指纹分类算法(第2页)》