指纹图像细节点检测

指纹图像细节点检测

时间:2018-03-14 作者:柯绿科技

细节点检测就是在指纹图像中找到脊终点和分叉点两个细节特征。一般来说,如果指纹图像能够很好的分割,那么对于细节特征提取来说,就仅仅是对细化的指纹图像进行沿脊线的点的判断,提取细节点生成特征向量。对应于后续处理中的点模式指纹匹配算法,在此将一个细节点及其最近的5个点结合起来,形成一个特征向量,将一枚指纹用特征向量组来表示,两个特征向量组的匹配也就是两枚指纹的匹配。

指纹图像细节点检测

1.细节点初选

使用一个3×3的小窗口在细化后的指纹点线图上确定细节特征点的位置。

假定脊线上的点用“1”表示,背景用…0表示,用待检测点的八邻域点循环比较,若“0’,“1”变化有六次,则待测点为分叉点,若只有两次,则为端点。用3×3的模板逐点对细化后的指纹图像的脊线进行检测,就可初选出所有的细节特征。

如图所示,设P点为一目标像素点(待处理的图像点),则其周围相邻的8点P1,P2,…P8,被称为P点的8邻点。指纹细节特征点提取算法是建立在对8邻点的统计分析基础之上的。

采用式(4.7)或者式(4.8)提取细节特征点。对图像中任~目标点P,如果Tsnm(P)的值等于1,则该点为脊线端点;如果Tsnm(P)的值等于3,则该点为脊线分叉点;如果Tsnm(P)的值等于2,则该点为脊线端点,如果Tsnm(P)的值等于6,则该点为脊线分叉点。

然而,在实践中由于指纹图像本身存在噪声或在提取特征时,滤波和细化引入了噪声,我们无法得到完美的指纹图像细化图,在提取特征时会产生一些虚假细节特征,虚假细节特征的存在会同时提高指纹图像匹配时的误识率和拒识率。因此,在特征提取时,往往需要进行虚假细节特征删除,即进行后处理。

2.细节点后处理

一般采用启发式算法对虚假细节进行删除,对于一个分叉点的分支如果小于某个给定的阈值,就将其当作毛刺删除:如果脊线的两个端点很近,那么该脊线又可能是噪声引起的,应删除;在指纹图像边缘的脊终点也应该删除。

3.细节点特征提取及特征向量构造

提取细节点并记录以下信息:(1)细节点的(x,y)坐标;(2)细节点的方向(就是该点所在脊线的末端一段脊线的方向);(3)细节点的类型(分为端点和分叉点);(4)细节点的相邻点(对于分叉点,包括3个邻近点,和与这3个点相邻的3个点,以便于计算分叉点的方向)如图(a)所示;(5)细节点所在的脊线的编号(对于分叉点记录3条脊线的编号);(7)细节点到其它细节点的距离:(8)细节点到图像中心点的距离。

对于分叉点,该点所在的脊线就是3条脊线中与另外两条脊线角度差最大的脊线,如图所示,脊线1与脊线2的夹角大约为180度,脊线1和脊线3的夹角大约为150度,脊线2和脊线3的夹角为30度,所以该分叉点对应的脊线为脊线1。

在提取出细节点及其相关数据后,就要将逐个细节点生成匹配用的向量。对于每个细节点,在以该点为圆心,某个长度为半径的圆中,与该点距离最近而又大于某个长度的5个点为它的邻居,并且使得这些点尽量分布在不同的象限中。如图所示,总共最多6个点为一个局部向量。

上述向量需要记下的数据有:①圆心点的(x,y)坐标;②圆心点的类型(端点或分叉点);③圆心点的方向(0-359度);④5个邻近点的类型(端点或分叉点);⑤圆心点与它的5个邻近点之间的脊线数;⑥圆心点与它的5个邻近点之间的距离:⑦圆心点与它的5个邻近点中间的相对角度(0-180度)。

圆心点的坐标、类型、角度和邻近点的类型可以从上一过程喜接使用,剩下的点之间的脊线数、距离、相对角度需要计算。

圆心点和邻近点之间的脊线数就是两点之间经过的与这两个点不相连的脊线的条数,如图所示,点1和点2之间相隔的脊线数为0,点3和点5之间的脊线数为1。圆心点和邻近点之间的距离可以用它们的坐标求得。它们的相对角度就是两点的方向差,结果保证在Oo.1800之间。圆心点C与邻近点上的距离为欧氏距离。圆心点c的方向为晓,邻近点£的方向为鼠,如果见大于皖,就用见减去皖,否则就用皖减去眈。如果这个值不大于18舻,这个值就作为两个点的相对角度,否则用360。减去这个值作为两个点的相对角度。

通过上述对特征向量的构造,为进一步的指纹图像匹配提供了充分的参考依据。但在实际应用中,可以根据指纹图像采集质量、存储空间大小以及运算速度等因素,对特征向量进行适当地删减,以达到性能与效率的最优。

版权所有:https://www.zhiwenla.com/zhiwen/64.html 转载请注明出处