技术领域\n本发明涉及一种生物识别方法,特别是涉及一种指纹识别方法与系统。\n背景技术\n目前,用于个人身份识别的指纹识别方法各异,但是,现有指纹识别方法都普遍存 在识别率低,识别速度慢的问题。\n发明内容\n本发明的目的在于克服现有技术的上述缺陷,提供一种识别率高,识别速度快的指 纹识别方法,本发明的目的还在于提供实施该方法的识别系统。\n为实现上述目的,本发明指纹识别方法的特别之处在于由指纹特征提取和特征匹配 两个步骤组成:\n特征提取步骤是:采集指纹图像,对指纹图像进行预处理和规格化;计算分块方向 图提取奇异点,计算方向图、分割背景区域并细化奇异点;图像的滤波与增强;计算脊 线密度;二值化图像并细化,提取细节点,细节点验证,删除伪细节点;指纹细节点、 奇异点、平均脊密度和块方向图特征最终被压缩成为指纹特征模板存储;\n特征匹配步骤是:采集现场指纹图像,按上述步骤提取现场指纹图像的指纹细节点、 奇异点、平均脊密度和块方向图特征;对比指纹特征模板与现场指纹图像的指纹细节点、 奇异点、平均脊密度和块方向图特征,通过两者特征的相似度来判断是否是同一手指。 此指纹识别方法具有识别率高,识别速度快的优点。\n作为优化,特征匹配步骤是:\n分别计算数据库模板和现场指纹模板中细节点对连线距离、细节点对连线与细节点 方向的夹角和细节点对连线的角度;规定细节点对连线距离上限值和下限值,删除细节 点对连线距离大于此上限值和小于此下限值的细节点对数据,得到一个较小范围的细节 点对数据U;\n采用直方图计算旋转角度;\n把来自数据库的指纹模板的各个角度参数,包括细节点角度、奇异点角度、分块方 向图和匹配细节点对U中的连线方向等,按照上一步计算的角度进行旋转,使得它同现 场采集的指纹模板具有一致方向:\n从U中删除掉对应细节点角度差大于一个指定值的匹配点对,使U中的匹配细节点 对只包含最可靠的匹配细节点对;\n同样的方法,计算行列方向的直方图,计算所有匹配细节点对的对应细节点的行列坐 标差的统计直方图,找出这两个数组中的最大值点,就是两个指纹模板在进行旋转角度 对齐后的平移量;\n把来自数据库的指纹模板的各个位置参数,包括细节点坐标、奇异点坐标、块方向位 置等,进行平移,两个指纹模板完全对齐;\n从U中删除掉包含行列坐标差大于一个指定值的细节点对的匹配对,这些匹配对的 相似度累加起来得到两个指纹模板细节点集的最终相似度;\n计算出全局特征的相似度:\n奇异点相似度是两两比对奇异点的位置、方向和类型,得到的相似度相加;\n平均脊密度相似度是两个指纹模板脊密度的差并取倒数;\n块方向图的相似度是在两个指纹模板有效区域的公共部分,计算方向的差值,累加后 平均并取倒数;\n最后的两个指纹模板的相似度由上面的局部和全局特征相似度融合而成;\n进行一对多的识别时,先将数据库中指纹模板的平均脊密度进行排序,对现场指纹 进行识别时,先与数据库中的平均脊密度最接近的指纹模板进行匹配,以加快识别速度; 平均脊密度是整个指纹图像的平均脊密度。\n作为优化,指纹特征提取时:指纹图像表示为一个二维矩阵,每一个像素就是矩阵的 一个元素,取值为0~255,矩阵的维度就是图像的宽和高;\n指纹的细节点是指指纹脊线上的端点或者分叉点,指纹细节点包括如下特征:坐标x y-表示在指纹图像中的位置;类型t-表示是脊线的端点还是分叉点;方向d-表示细节点 的方向,若是端点型的细节点,则该方向的从细节点位置指向脊线,若是分叉型细节点, 则该方向从细节点位置指向分叉后的两条脊线的中间;脊密度g-表示在该细节点附近的 脊线的平均密度;脊曲率c-表示脊线方向在此处的变化程度;\n分块方向图:是把指纹图像分成BLOCK_SIZE×BLOCK_SIZE大小的互不相交的小 块,对每一块小图像,计算出脊线的平均方向,从而得到大小为\n(HEIGHT/BLOCK_SIZE)×(WIDTH/BLOCK_SIZE)\n的分块方向图;分块方向图刻画指纹图像的全局脊线走向;另外,在分块方向图上用一 个非法的方向值表示对指纹图像分割后的背景区域;\n奇异点:指纹图像上有一些地方的脊线方向不连续,这些地方称为指纹的奇异点, 其特征有:坐标xy,表示在指纹图像中的位置;类型t,奇异点分为核心点、双核心点 以及三角点三种;方向d,表示沿着该方向远离奇异点时,指纹脊线方向变化最小。脊密 度c,表示在该奇异点附近的脊线的平均间隔距离。\n作为优化,图像预处理和规格化是首先对图像进行均匀值滤波,使图像更加平滑,然 后,对图像进行格式化;计算分块方向图提取奇异点是在块方向图上,先计算每一点的 Poincare Index:\n\n\n其中,n为周围像素点的个数,Oi表示第i个点的方向;先取半径为1,即周边的8 个点来计算Poincare Index,得p1,如果其Poincare Index非零,再以半径2,即周边的 外一层来计算Poincare Index,得p2:p1与p2相同,说明该点是一个奇异点,若p1为 1则是核心点型奇异点,若p1为-1则是三角点,若p1为2则是双核型奇异点;若p2 与p1不同,但p2>0,p1>0,则是双核型奇异点;其他情况则不是奇异点。\n作为优化,计算方向图、分割背景区域并细化奇异点是:规格化后的图像,计算第一 点的脊线方向,并同时计算出脊线方向的一致性,取得方向图,重新确定奇异点位置, 从这些奇异点的原始位置出发,找到奇异点的精确位置,在新的位置,计算出新的奇异 点方向。\n作为优化,图像的滤波与增强是:通过各向异性滤波器处理后,得到增强的指纹图像; 计算脊线密度是:先计算指纹脊线密度图,再对脊线密度图进行33×33的均值滤波。\n作为优化,二值化图像并细化是:用33×33均值滤波后的图像作为自适应的阀值来 二值化增强后的图像;然后把二值化的图像细化成单点宽度的脊线图;图像细化是图像 中的每一个黑色像素有8个相邻点,根据它们来判断当前点是否应该被改为白色。这样 经过多次的重复扫描,直到没有一个黑色点被改成白色,就得到了细化的指纹脊线图。\n作为优化,提取细节点是:先消除毛刺和噪声,即通过扫描细化的脊线图,跟踪脊线, 如果从脊线起点到终点的像素距离小于一个设定的阀值,就把它从细化图上抹去;然后, 提取出细节点:即对图像上的任何一个黑色点,如果其相邻的8个点中,任选一个起始 点,按顺时针方向扫描一周回到起始点,其颜色的变化如果是2次的话,说明该点是一 个终结型细节点;如果是4次以上的话,该点是分叉型细节点,其他情况则可以忽略, 通过扫描有效的指纹图像区域,得到了所有的细节点;\n在细节点处跟踪脊线,得到脊线的方向;细节点的脊线曲率,用方向的变化来表示, 在指纹图像的方向图上,用该点附近的方向与该点的方向差值来计算曲率。\n作为优化,细节点验证和删除伪细节点是:任意一个细节点,若存在来一个细节点与 之距离小于一个设定值D1,则删除该细节点;如一个端点型细节点与来一个端点型细节 点距离小于一个设定值D2,且它们方向相反,则同时删除这两个细节点;如果一个端点 型细节点与一个分叉型细节点距离小于一个设定值D3,且它们方向相反,则同时删除这 两个细节点;如果一个细节点离指纹图像的无效区域小于一个设定值D4,且方向朝外, 则删除该细节点;通过上述删除得到最终的细节点。\n一种用于实施本发明指纹识别方法的识别系统,其特别之处在于包括指纹采集器、指 纹识别系统、识别或和控制信号输出机构;其中包括指纹图像存储器、指纹图像处理器 和指纹特征数据存储器;指纹图像处理器是利用要求1-9之一所述方法对指纹图像进行 处理和识别。其具有识别率高,识别速度快,可靠性强,可操作性强的优点。\n其中:指纹细节点的特征表示(x,y,t,d,g,c)包含较多信息,有利于提高系统的识别 率;指纹奇异点的特征表示(x,y,t,d,g)包含较多信息,有利于提高系统的识别率;平 均脊线密度G作为一个全局特征,可以以此进行索引,辅助识别以加快速度。指纹的块 方向图作为一个全局特征保存在指纹模板中,在比对过程中进行块方向图比对,其相似 度融合到最后的结果中;奇异点的提取方法,可以快速计算出准确的奇异点位置和特征; 各向异性滤波器用于增强指纹图像,效果很好;滤波器受指纹图像上的各点方向调制后, 采用卷积的方法,对该点进行滤波。由于每一点的滤波器核都受到该点方向的调制,因 此滤波的效果比对图像分块滤波要好得多;通过保存各个方向的各向异性滤波器系数, 使得可以在卷积时,使用查表法。大大提高了滤波的速度;指纹比对的流程,指纹模板 匹配的最后的相似度通过融合各种特征的相似度得到,这使得结果更为可靠;细节点对 齐方法,该方法通过估计初步匹配的细节点连线对的变换参数,对估值进行统计生成的 直方图中找到最终的变换参数。\n采用上述技术方案后,本发明指纹识别方法具有识别率高,识别速度快,可靠性强, 可操作性强的优点。\n附图说明:\n图1是本发明指纹识别方法中三种奇异点的示意图;\n图2是本发明指纹识别方法的流程图;\n图3是本发明指纹识别方法中p1的周边8个点的示意图;\n图4是是本发明指纹识别方法中p2的周边12个点的示意图;\n图5是本发明指纹识别方法中方向为零的各向异性滤波器核的示意图;\n图6是本发明指纹识别方法中8个相邻点转换为表索引号22的构造示意图;\n图7是本发明指纹识别方法中三种主要的细化脊线噪声图;\n图8是本发明指纹识别方法中终结型细节点的相邻8点的颜色变化图;\n图9是本发明指纹识别方法中分叉型细节点的相邻8点的颜色变化图;\n图10是本发明指纹识别方法中细节点对之间的连线图;\n图11是本发明指纹识别方法中的原指纹图像;\n图12是本发明指纹识别方法中的正规化后的指纹图像;\n图13是本发明指纹识别方法中的指纹的方向图;\n图14是本发明指纹识别方法中的指纹的增强图像;\n图15是本发明指纹识别方法中的指纹的二值化图像;\n图16是本发明指纹识别方法中的指纹的细化脊线图。\n下面结合附图和具体实例作更进一步的说明:\n指纹识别算法涉及两个最主要的步骤:特征提取和特征匹配。\n特征提取:指纹的图像处理以及提取指纹全局和局部特征,并保存为指纹模板;\n特征匹配:把两个指纹特征模板进行比对,得到一个匹配分数,然后根据这个分数 决定两个指纹是否同一。\n一、特征提取\n1、概念和约定\n1)指纹图像的表示\n指纹图像表示为一个二维矩阵,每一个像素就是个矩阵的一个元素,取值为(0~255), 矩阵的维度就是图像的宽WIDTH和高HEIGHT。指纹图像上的i行j列的灰度值表示为 Iij。\n2)局部特征的表示\n指纹的局部特征是指指纹脊线上的端点或者分叉点,称为指纹的细节点。指纹细节点 包括如下特征(x,y,t,d,g,c):\n坐标xy:表示在指纹图像中的位置;\n类型t:表示是脊线的端点还是分叉点;\n方向d:表示细节点的方向。若是端点型的细节点,则该方向的从细节点位置指向 脊线;若是分叉型细节点,则该方向从细节点位置指向分叉后的两条脊线的 中间。\n脊密度g:表示在该细节点附近的脊线的平均密度。脊线的间隔距离越大,密度就 越小;\n脊曲率c:表示脊线方向在此处的变化程度\n3)全局特征的表示\n分块方向图\n把指纹图像分成BLOCK_SIZE×BLOCK_SIZE大小的互不相交的小块,对每一块小 图像,计算出脊线的平均方向,从而得到大小为\n(HEIGHT/BLOCK_SIZE)×(WIDTH/BLOCK_SIZE)\n的分块方向图。块方向图刻画了指纹图像的全局脊线走向,把作为指纹图像的全局特征 进行存储,用于以后的比对。另外,在分块方向图上用一个非法的方向值表示对指纹图 像分割后的背景区域(此处没有指纹图像,或指纹图像质量太差)。\n奇异点\n指纹的脊线方向具有连续性的特征,即相邻位置的脊线方向一般来说是一致的、或者 是变化不大。然而,指纹图像上也有一些地方的脊线方向不连续,这些地方称为指纹的 奇异点。\n奇异点的特征有(x,y,t,d,c):x y坐标:表示在指纹图像中的位置。类型t:如图1 所示,奇异点分为核心点1-1、双核心点1-2以及三角点1-3三种。方向d:表示沿着该 方向远离奇异点时,指纹脊线方向变化最小。脊密度c:表示在该奇异点附近的脊线的 平均间隔距离。平均脊线密度是整个指纹图像的平均脊线密度。\n2、算法流程\n2.1流程图,请见附图2。\n2.2图像预处理和规格化\n首先对图像进行3×3的均值滤波,使得图像更加平滑。\n\n其中,Iy,x是原始图像,Ry,x是平滑后的图像,这里取w=1。\n然后,对图像进行规格化:\n\nMini,j=Ii,j-Vari,j\nMaxi,j=Ii,j+Vari,j\nΔi,j=Maxi,j-Mini,j\n\n其中Sy,x是原图像经过5×5的均值滤波的图像,Var的计算中,取一个较大的邻域w=80。\n2.3计算分块方向图提取奇异点\n分块方向图的计算与完整计算方向图的计算一样,只不过只计算分块的中心位置的方 向就可以了,计算方向图的计算在下面会专门介绍。\n在块方向图上,计算每一点的Poincare Index:\n\n\n其中,n为周围像素点的个数,Oi表示第i个点的方向。为了保证计算的可靠性,先 取半径为1,即周边的8个点来计算Poincare Index,得p1,如果其Poincare Index非零, 再以半径2,即周边的外一层来计算Poincare Index,得p2。其中p1的周边8个点的示 意图见附图3,p2的周边12个点的示意图见附图4。\n存在如下情况:\np1与p2相同,说明该点是一个奇异点,若p1为1则是核心点型奇异点,若p1为- 1则是三角点,若p1为2则是双核型奇异点;若p2与p1不同,但p2>0,p1>0,则是 双核型奇异点;其他情况则不是奇异点。\n2.4计算方向图、分割背景区域并细化奇异点\n对规格化后的图像,通过下式计算每一点的脊线方向Oi,j\n\n\n\n\n\n并同时计算出脊线方向的一致性Ci,j\n\n\nThreshold为一个设定的阀值,Ci,j=0表示此处是指纹图像背景区域。\n由上面的块方向图得到的指纹的奇异点的位置是不精确的,可以使用现在取得的方向 图,重新确定这些奇异点位置。从这些奇异点的原始位置出发,在其附近可以找到Ci,j 最小值点,就是奇异点的精确位置了,在新的位置,计算出新的奇异点方向。\n2.5图像的滤波与增强\n设计一个各向异性滤波器:\n\n\n其中,r为有效半径,通常取6,a为幅值系数,通常取1024,δ12和δ22是滤波器的形状 控制参数,通常取为8和1。θ是该滤波器的调制方向。方向为零的各向异性滤波器核请 见附图5。从而,可以使用如下公式计算增强的指纹图像(卷积):\n\n为了快速地计算上式,预先计算并保存所有角度的滤波系数h,和上式中的分母项, 具体计算时查表来与图像直接进行卷积。\n2.6计算脊线密度图\n如下式计算指纹脊线的密度图D:\n\n\n\n指纹的脊线密度是非常连续的,因此对脊线密度图Di,j再进行33×33的均值滤波以 消除噪声。\n2.7二值化图像并细化\n根据如下公式对增强后的图像进行二值化:\n\n其中,Si,j是对增强后的指纹图像用一个33×33的均值滤波后的图像,用这个图像作为自 适应的阀值来二值化指纹图像。\n然后把二值化的图像细化成单点宽度的脊线图。算法是:考虑图像中的每一个黑色像 素的8个相邻点,根据它们来判断当前点是否应该被改为白色。这样经过多次的重复扫 描,直到没有一个黑色点被改成白色,就得到了细化的指纹脊线图。\n二值化图像中,一个黑色像素的8个相邻点总共可以有256种情形,实际的计算中可 以通过查表了快速判断。建立一个256个元素的表如下:\n{0,0,0,0,0,0,1,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,\n0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,1,1,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,\n0,0,0,0,0,0,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,1,0,1,0,0,0,0,1,0,0,0,1,\n0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,\n0,0,0,0,0,0,0,0,0,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,1,0,1,\n0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,0,1,0,1,0}\n其值为1表示是否要把当前像素应该被改为白色,表的索引用如下方式构造:8个相邻点 转换为表索引号22(二进制的00010110),请见附图6。\n2.8提取细节点\n由于图像的噪声,细化后的指纹脊线图存在有毛刺现象和噪声,所以在提取细节点时, 必须把它们先消除掉,否则就会提取出很多假细节点。三种主要的细化脊线噪声图请见 附图7。\n通过扫描细化的脊线图,跟踪脊线,如果从脊线起点到终点的像素距离小于一个设定 的阀值,就可以把它从细化图上抹去。\n然后,可以非常方便地提取出细节点:\n对图像上的任何一个黑色点,如果其相邻的8个点中,任选一个起始点,按顺时针方 向扫描一周回到起始点,其颜色的变化如果是2次的话,说明该点是一个终结型细节点; 如果是4次以上的话,该点是分叉型细节点,其他情况则可以忽略。终结型细节点的相 邻8点的颜色变化是2次:6->7,7->0,请见附图8;分叉型细节点的相邻8点的颜色变 化多于4次:1->2,2->3,3->4,4>5,6->7,7->0,请见附图9。\n这样,通过扫描有效的指纹图像区域,得到了所有的细节点。在细节点处跟踪脊线, 可以得到脊线的方向。\n细节点的脊线曲率,可以用方向的变化来表示。在指纹图像的方向图上,用该点附近 的方向与该点的方向差值来计算曲率:\n\n其中,r是半径常数,通常取10.\n2.9细节点验证\n至此得到的细节点,由于图像噪声的缘故,还是有很多伪细节点在里面,需要进一步 剔除。考虑如下情况:\n考虑任意一个细节点,若存在来一个细节点与之距离小于一个设定值D1,则删除该 细节点;\n如一个端点型细节点与来一个端点型细节点距离小于一个设定值D2,且它们方向相 反,则同时删除这两个细节点;\n如果一个端点型细节点与一个分叉型细节点距离小于一个设定值D3,且它们方向相 反,则同时删除这两个细节点;\n如果一个细节点离指纹图像的无效区域小于一个设定值D4,且方向朝外,则删除该 细节点。\n这样得到最终的细节点。\n指纹细节点和其他全局特征最终被压缩成为指纹特征模板存储。\n二、指纹匹配方法\n细节点匹配方法是基于细节点连线的。\n考虑一个指纹图像上的两个细节点mi,mj的连线,定义:\ndij为线段的长度,即两个细节点之间的距离;\nai和bj分别为连线与细节点方向的夹角;\nuij为连线的角度。\n细节点对之间的连线,如附图10所示。\n把这样的线段作为指纹细节点匹配的基本单位,来比较两个指纹图上的细节点对。对 于一个细节点对,dij、a1、a2和两个细节点的类型t、曲率c、脊密度g都是平移不变的 和旋转不变的。由此,可以比对这些量,来确定两个细节点对的相似性。\n对于现场指纹模板上的细节点对(mi1,mj1)和数据库中指纹模板上的细节点对(mi2, mj2),定义细节点对的“相似度”如下:\n\n\n\n其中,cof1,cof2,cof3,cof4,cof5为正的常系数。d,a,b分别如前面定义,c,g,t分 别是每个细节点的曲率、脊密度和类型代码(分叉型细节点为1,终端型细节点为0)。 当D小于一个给定的值ThresholdD时,便认为这两个细节点对相匹配。\n如果一个指纹图像有N个细节点,则可以产生C(N,2)个细节点对,要把他们同另一 个指纹图的M个细节点产生的C(M,2)个细节点对逐一比对,就需要进行C(M,2)×C(N,2) 次比对,若M=N=80,则要比对的次数是39942400,这会非常慢,所以,有必要在比对 前做一下限制。规定两个值ThresholdD1,ThresholdD2,只考虑连线长度介于这两个值之 间的细节点对。这可以大大降低比对所花的时间。\n从D的计算公式中,很容易看出:如果第一项的计算结果大于ThresholdD,不用计 算后面的项就知道两个细节点对不相匹配,因此可以先把两个指纹中的细节点对按照其 连线长度d进行排序,就可以在一个连线长度d的小邻域内进行比对。这大大加快了计 算速度。\n忽略掉不相匹配的细节点对,会得到了一个相匹配的细节点对列表:\n\n\n其中li1 j1是个来自现场指纹模板的细节点对(mi1,mj1)及其连线,li12j2是个来自数 据库的指纹模板的细节点对(mi2,mj2)及其连线,D是这两对细节点对间的“距离”,S 为两对细节点对间的相似度。\n采用如下方法,从这个列表来计算两个指纹模板的相似度:\n1、采用直方图法计算旋转角度\n设定一个一维数组{Hd|0≤d<360},其下标表示从0~359的角度,每个元素如下式计 算:\n\n其中,σd是在d取值为1,其他都取值为0的单位冲击函数。可见,{Hd}实际上是所有 匹配细节点对的对应细节点的角度差的统计直方图。找出这个数组中的最大值点,就是 需要的两个指纹模板的旋转角度θ。\n2、把来自数据库的指纹模板的各个角度参数,包括细节点角度、奇异点角度、分块 方向图和匹配细节点对U中的连线方向等,按照上一步计算的角度进行旋转,使得它同 现场采集的指纹模板具有一致方向:\n(di+θ)mod360→di\n3、从U中删除掉对应细节点角度差大于一个指定值的匹配点对,这样,U中的匹配 细节点对就只包含了最可靠的匹配细节点对。\n4、同样的方法,计算行列方向的直方图\n设定两个一维数组{HXdx}和{HYdy}:\n{HXdx|-MaxDim≤dx≤MaxDim}\n\n{HYdy|-MaxDim≤dy≤MaxDim}\n\n可见,{HYdy}、{HXdx}实际上是所有匹配细节点对的对应细节点的行列坐标差的统 计直方图。找出这两个数组中的最大值点,就是需要的两个指纹模板的在进行旋转角度 对齐后的平移量(x0,y0)。\n5、把来自数据库的指纹模板的各个位置参数,包括细节点坐标、奇异点坐标、块方 向位置等,进行平移\n\n现在,两个指纹模板就完全对齐了。\n6、从U中删除掉包含行列坐标差大于一个指定值的细节点对的匹配对,这样,U中 的细节点对的匹配对是完全匹配的。把从这些匹配对的相似度累加起来就是两个指纹模 板细节点集的最终相似度Sm。\n7、上面的计算中,也已经通过平移和旋转,把全局特征对齐。此时,可以很简单地 计算出全局特征的相似度。\n奇异点相似度Ss:两两比对奇异点的位置、方向和类型,得到的相似度相加;\n平均脊密度相似度Sg:两个指纹模板脊密度的差并取倒数;\n块方向图的相似度Sd:在两个指纹模板有效区域的公共部分,计算方向的差值,累 加后平均并取倒数。\n8、最后的两个指纹模板的相似度由上面的局部和全局特征相似度融合而成:\nS=kmSm+ksSs+kgSg+kdSd\n其中,km,ks,kg,kd是各种特征匹配相似度的权重系数。\n注意,平均脊密度相似度Sg的计算就是两个平均脊密度的差,因此,如果是进行一 对多的识别,则可以把数据库中的指纹模板先根据平均脊密度G来排序,对现场指纹进 行识别的时候,就可以优先与数据库中的平均脊密度最接进的指纹模板进行匹配,这样, 由于数据库中的指纹模板是根据G索引的,因此可以大大加快识别过程。\n处理过程中的指纹图像请见附图:\n其中:附图11是原指纹图像,附图12是正规化后的图像,附图13是方向图,附图14是增 强图像,附图15是二值化图像,附图16是细化脊线图。\n用于实施本发明指纹识别方法的指纹识别系统包括指纹采集器、指纹识别系统、识别 或和控制信号输出机构;其中包括指纹图像存储器、指纹图像处理器和指纹特征数据存 储器;指纹图像处理器是利用要求1-9之一所述方法对指纹图像进行处理和识别。