指纹图像特征点提取的改进算法

王建英

(天津开发区职业技术学院电子信息系 300457)

1 引言

在提取指纹图像的细节特征时，由于图像质量和噪声的干扰，存在着大量的伪特征点，一幅质量较差的图像在经过预处理，细节特征提取后可能产生多达一、两万个细节特征点，其中包含了大量的伪特征点，这些伪特征点的存在，会使指纹识别性能急剧下降，造成识别系统的拒真率和误识率的上升，因此在进行指纹匹配之前，应对细节特征进行验证，尽可能将伪特征点去除，同时保留真特征点。

指纹特征去伪操作主要是将不符合指纹特征的特征点滤除掉。一般情况下伪特征具有以下特点:大部分处于图像边缘;在图像内部的伪特征点距离较近,两个或多个伪特征同时存在于很小的区域内。

2 指纹图像特征点提取

2.1 指纹特征描述

为了比较两个指纹是否相同，需要从指纹图像中提取某些点出能表示指纹唯一性的特征。Galton提出的指纹细节点是人工指纹匹配中最常用的特征。指纹由脊线和谷线交替构成，在大多数地方纹线连续且相互平行，而某些局部不连续的地方构成了细节点。Galton定义了4种细节点类型:分叉点，端点，环、岛，并指出细节点具有唯一性，可以用于指纹匹配。后来州门又不断对细节点类型进行细分，提出了多达150种不同的细节点类型。一些典型的类型如表1所示。

表1 六种典型的细节点模型

目前已定义的特征类型己达150多种，但是这些扩展的特征往往不易提取相互区分，并且它们都可以由端点和分叉点的组合进行描述，这使得端点和分叉点成为最常用的结构特征，也称为细节特征(minutiae)，它被认为是最稳定、最容易检查的，而且占全部特征点的80%以上。对于细节点提取问题，目前文献中主要有三种方法: (1)基于细化图像分析的细节特征点提取方法。一种是脊线跟踪法；另一种是基于场结构的指纹图像细节特征提取算法。该算法依据局部与宏观相结合的原则，一方面利用指纹图像的局部特性，而且结合了局部四邻区域的关联特性，对于脊线方向变化较小的局部区域，采取单一方向Gabor滤波的方法；对于脊线方向变化较大的局部奇异区域，采取多方向Gabor滤波合成的综合方法，从而保证了提取指纹细节特征的准确性；(2)直接从原始灰度图像提取细节点的方法； (3)从二值指纹图像上提取细节特征点。

2.2 特征点的提取

本文细节特征点的提取采用基于二值图像细化后的指纹细节点提取方法。首先运用脊线跟踪的方法提取出细化处理后图像中的端点，接着运用八邻域方向变化次数的方法提取出分叉点。设计中使用纹线端点和分叉点作为指纹特征点，不仅是因为这两类特征点出现的几率最高且容易检测，更重要的是它们足以描述指纹的唯一性。程序中使用八邻域法提取特征点，其中纹线端点的属性由横纵坐标和纹线角度来表示；分叉点的属性由横纵坐标，纹线角度和三个分支间的夹角（从大到小）来表示。在提取出指纹特征点后，便会得到一组矢量点，同样在指纹模板库中保存的指纹模板也是一组矢量点，要判断两个指纹是否相同的问题也就转化成判断两组矢量点是否相同的点模式匹配问题。

细节特征提取是在细化后经滤波去除伪特征的二值图中进行的，采用8邻域方法提取指纹纹线中的末梢点和分支点这两种细节特征，为了有效地利用纹线的局部结构信息来进行指纹的匹配，本文在提取指纹细节点详细信息时提取了细节点的位置、方向还有结构信息。

利用8邻域法计算末梢点和分支点，如图5.2所示，设P点为目标像素点(待处理的像素点)，则其周围的相邻的8点P1, P2… P8被称为P点的8邻点。8邻域指纹特征提取算法是建立在对8邻域的统计分析基础之上的。

对于完全细化的二值图像，像素点的灰度值只有2种情况:0表示背景点灰度；1表示纹线点灰度。对任意点P，设P1, P2… P8是其8邻点的灰度值，如果P是末梢点，则它的8邻域点满足:

其中，P9=P1

图1 端点和分叉点

图2 8邻域示例

这样我们就可以在细化后的图像中找到细节点(端点和分叉点)，并记录它们在图中的相对位置。提取特征点后的指纹图像如图3所示。

图3 指纹图像特征提取

3 指纹特征伪特征点的去除

提取出的特征点还必须经过伪特征点的去除，尽可能地去除掉由于二值化、细化处理等过程引入的伪特征点。最后确定出特征点的类型、位置、方向。

指纹特征去伪操作主要是将不符合指纹特征的特征点滤除掉。一般情况下伪特征具有以下特点:大部分处于图像边缘;在图像内部的伪特征点距离较近,两个或多个伪特征同时存在于很小的区域内。

根据伪特征点的这些特点，本文提出了一种去伪特征点的方法:首先对于图像边缘的点,采用指纹图像切割的方法,即对边缘的点直接切除掉；然后利用距离阈值法去除距离较近的特征点。

实现步骤为：

1．用图像切割的方法去除图像边缘的伪特征点；

2．图像内部较近距离伪特征点的消除，主要是通过计算特征点之间的欧式距离来实现，选择合适的距离阈值，那么小于阈值的点我们视为伪特征点，进行消除。具体算法为：

（1）对我们提取到的特征点（分叉点和端点）进行扫描，扫描到的每一个特征点对于后面的特征点继续扫描，并计算与后面每个特征点的欧式距离；

（2）其中欧氏距离的计算公式为：

（3）经反复实验选取合适的距离阈值；

（4）将上面计算的得到的距离与距离阈值进行比较，小于距离阈值的就可以视为

伪特征点，将其删除，否则保留。

图4为去伪前指纹图像特征点的提取结果，图5为去伪后的指纹特征点的提取结果。两图比较，图5保留了所有有用的特征点，并且去除了大量的为特征点。

图4 去伪前的指纹图像特征点

图5 去伪后的指纹图像征点

4 实验结论

实验基于Intel p4 3.0GHz的PC机，Window XP操作系统，MATLAB6.5的仿真软件环境下。指纹库采集分辨率为500dpi，指纹采集设备为PIS2004光学指纹采集仪，图像尺寸大小为640× 4 80。图6给出了部分指纹图像的处理结果，其中(a)图为采集的原始图象,(b)图和(c)图分别为端点和分叉点提取的结果。仿真结果表明这种改进算法对于去除指纹图像的伪特征点是很有效的，为指纹图像的中心定位及指纹匹配节省了大量的时间，也提高了指纹匹配的真确率。

图6 指纹特征提取结果

[1] 张雄，贺贵明，一种指纹宏观曲率特征提取算法.武汉大学软件工程国家重点实验室，2002,11.

[2] A.Farina,Z.Vajna and A.Leone.Fingerprint minutiae extraction from skeletonized binary images.Tattern Recognition, 1999, 32(10):877-889.

[3] X.Sun and Z.Ai-Automatic feature extraction and recognition of fingerprint image. Proceed ofICSP96,1996, 1086-1089.

[4] Jiang, W.Y.Yau and W.Ser.Detecting fingerprint minutiae adaptive tracing the gray level ridge.Pattern Recognition, 2001,34(11):999—1013.

[5] 古雪丰. 指纹特征提取及匹配算法研究[M].上海交通大学硕士学位论文，2003.1.

[6] 刀黎X. 指纹图像局部纹线周期的准确提取闭. 重庆大学自动化学院，40044, 2001年9月，第24卷，第5期.