利用中心点信息的活体指纹分类算法

P是滤波值，N是该区域小块的个数，pi是每一小块的滤波值，Di是小块的方向码，D0是滤波方向，在这里D0=4(90°)。不考虑到D0垂直的方向码。

P为负是左箕形，否则为右箕形。

图6给出了两种类型特征区域内指纹纹线的流向。

1.5 斗形的索引参数计算

斗形指纹在汉族人中所占比例很大，大约在一半左右。因此有必要对斗形指纹进行细分。实际情况中，很难从结构特征把斗形分成几个可以互相分得开的子类。本文以斗形的长短轴之比Flatness作为斗形的数据库索引参数，对斗形进行连续分类。

    分别以8个方向码为坐标轴，将指纹方向图在两个垂直的方向投影，计算投影比。取最大的投影比为Flatness，作为索引参数。

对斗形指纹，利用期长短轴之比，作为斗形指纹的索引，在数据库中查找，是连续分类思想在斗形指纹进行一步分类上的体现。文献提出了不同于传统的明确的排他性分类（exclusive classification）的连续分类（continuous classification）概念。通过一定的特片提取方法，得到一个特片向量，然后把这个特片向量当作索引（a assesskey）。对于一个给定的容差ρ，在特征空间里，以待查样本为中心，以ρ为半径的超球作为待查样本的搜索域。实际上，存在大量无法归入既定类别的杂形指纹，和可以同时归入一个以上类型、连指纹专家都无法确定其类别的模棱两可的指纹，这都影响了传统排他性分类算法的正确率。而对于连续分类，则不存在这种干扰。不过文献提出的分类算法主要是针对油墨滚动按捺的指纹图像，而且有很大的算法复杂性，不适于实时系统。本文对斗形索引参数的计算，是连续分类思想在研究实时系统算法上的一个尝试。

    图7是方向码为0，3的两个坐标的示意图。

图8是900个斗形指纹样本的参数Flatness的分布图。由图8可以看出，应用斗形指纹的长短轴之比Flatness，可以把斗形指纹很好地排列出来。

2 实验结果

利用本算法对2150个指纹采集样本进行实验，这些样本来自215个手指，每个手指采集10次。分错样本63个，分类准确率达97.1%。具体结果见表1。

对910个斗形指纹计算长短轴之比，结果在1.0和2.8之间，每个手指纹在10次采样的长短轴之比相差一般不超过0.5。说明该参数可以用作斗形指纹的特征参数。

    由于采集器的面积小，手指也不是滚动按捺，所以采集样本与传统的油墨按捺有很大不同，在算法、方向采集样本与传统的油墨按捺有很大不同，在算法、方向图的计算、奇异点的修正和分类方法上都做了很大的改进。本文提出的算法计算量小，在CPU Pentium III550MHz，内存288MB，处理一幅指纹图像平均为0.26s，其中0.2s花费在对指纹图像每一点的方向的计算上。这也是指纹识别的必需步骤。所以该算法对于自动指纹识别系统所引起的额外时间开销很小，满足实用的实时系统的要求。

另外，由于指纹分类所依据的指纹的宏观特征，由于采集器面积小，这对分类带来一定的难度，更加有效的分类算法有必要进一步研究。

表1 测试样本的分类结果