一種基于混合匹配的指紋識別方法
加入技術(shù)交流群
對于在線(xiàn)輸入的測試樣本， 同樣要得到它在空間U的投影向量。假設T 是一幅待識別的測試樣本圖像， 經(jīng)過(guò)樣本類(lèi)別判斷后確定T 屬于第l 類(lèi)， 即T∈Pl, 用式（10）先去均值：
將其投影到特征空間， 由式（11） 得到輸入樣本的投影向量：
將投影向量Yt與其所屬類(lèi)別的Pl幅訓練樣本的投影向量Yi′進(jìn)行距離匹配，按照式（12）計算其歐氏距離：
最后采用最近鄰法則， 當諸如樣本T 與其同類(lèi)的某一幅訓練樣本Plj （Plj∈Pl） 擁有最小歐氏距離且該距離滿(mǎn)足一定的閾值的時(shí)候，即可判定輸入樣本T 與訓練樣本為同一幅圖像，即完成整個(gè)識別。
設共采集到N 幅指紋圖像， 樣本共分為K 類(lèi)， 其中第k（k∈[1,K]） 類(lèi)包含M 幅圖像， 則具體實(shí)現步驟如下：
?。?） 輸入指紋圖像的采集與質(zhì)量*估；（2） 對輸入指紋圖像進(jìn)行樣本類(lèi)別劃分， 設該輸入屬于第k 類(lèi)；（3） 對輸入指紋圖像進(jìn)行2DPCA 的預處理；（4） 提取輸入圖像的2DPCA 特征向量集；（5） 采用2DPCA 匹配算法在指紋圖像的第k 類(lèi)數據庫中進(jìn)行初匹配， 若不滿(mǎn)足匹配要求， 則系統最終匹配失??； 滿(mǎn)足時(shí)， 通過(guò)相應閾值的設定得到m（m《 M） 幅候選指紋和它們的匹配得分權重， 并同時(shí)按照索引得到它們的點(diǎn)模式特征點(diǎn)；（6） 對輸入指紋圖像進(jìn)行點(diǎn)模式預處理；（7） 對預處理后的輸入指紋圖像進(jìn)行點(diǎn)模式特征集中， 采用點(diǎn)模式匹配算法進(jìn)行二次匹配， 并加入對應的2DPCA 匹配的得分權重。若滿(mǎn)足匹配要求， 則系統最終匹配成功； 若不滿(mǎn)足， 則失敗。
4 實(shí)驗結果與分析
本文在CPU 為2.00 GHz 、1.99 GHz ， 內存為2.00 GB的PC 和Matlab R2007B ，Visual STudio 2007 的開(kāi)發(fā)環(huán)境下， 選用FVC2002DB2_A 中的880 幅指紋圖像進(jìn)行匹配算法的實(shí)驗。該指紋庫共采集110 個(gè)指紋， 每個(gè)手指分別采集8 次得到8 幅指紋。實(shí)驗采用交叉匹配的方式，即每個(gè)手指從8 幅中選取6 幅作為模板指紋，2 幅作為輸入指紋， 一共進(jìn)行220 次匹配， 得到實(shí)驗結果如表1所示。
從 表中可以看出， 采用本文算法進(jìn)行指紋匹配的識別率為93.57%， 與點(diǎn)模式匹配算法相比， 識別率有所提高。改進(jìn)的2DPCA 算法在空間降維提取特征方面由于指紋圖像出現較大程度的位移， 且部分粘連現象較為嚴重， 使得最終算法中根據最近鄰原則所得到的匹配圖像出現錯誤， 但是觀(guān)察其歐氏距離值的排序， 正確的指紋圖像一般位于前列， 這就為混合匹配算法提供了依據。采用混合匹配， 識別率略有提升。本文將點(diǎn)模式匹配算法與2DPCA 結合起來(lái)， 在點(diǎn)模式匹配算法中加入了2DPCA 算法的初匹配得分權重， 提高了點(diǎn)模式的準確性； 并采用基于樣本類(lèi)別信息的方法， 大大減少了點(diǎn)模式匹配中與原始數據點(diǎn)集之間的搜索和逐對匹配的次數， 因此要比原有點(diǎn)模式的效率高。
表1 三種模式指紋匹配算法實(shí)驗結果
本文對基于細節點(diǎn)的指紋匹配算法和基于全局信息的改進(jìn)2DPCA 匹配算法進(jìn)行了分析；然后對三種模式的算法進(jìn)行了比較，總結了其優(yōu)缺點(diǎn)；最后將兩種模式的算法相結合，設計了一種混合指紋識別算法。該算法具有兩種模式的優(yōu)點(diǎn)， 能夠縮小匹配范圍， 減少匹配次數， 并且在一定程度上提高了識別率，降低誤判和拒識率。
評論