基于GVF模型的低质量指纹图像方向场提取

论文摘要

在自动指纹识别系统中，常用的特征主要有方向场、频率场、细节点以及奇异点。作为指纹的基础特征，方向场可以用来进行奇异点检测、指纹图像的增强、分类以及匹配等。因此，方向场估计是指纹识别过程中非常重要的步骤。常用的方向场提取算法有梯度法、模型法、滤波法以及其它方法。基于梯度的方法计算简便、结果精确，但容易受到噪声的影响；基于模型的方法对低质量图像有一定的效果，但在奇异区域效果较差，并且计算复杂度较高；基于滤波的方法有较强的噪声抑制能力，但计算耗时，并且角度值有限。对于上述传统算法，存在着三个较为严重的问题：1）指纹质量较低时，无法获得满意的结果；2）无法在背景区域获得可靠的方向场；3）基于模型的方法，如Legendre模型或FOMFE模型，在奇异区域会产生较大偏差。针对低质量指纹图像，本文提出了基于GVF模型的方向场计算方法。GVF模型有着两个显著的优点：一是作用范围非常大，二是迭代的本质使其可以有效抑制噪声。算法主要由两个步骤构成：1）快速平滑扩散，目的是消除噪声，并在背景区域获得可靠的方向场；2）奇异区域修正，目的是对奇异区域的方向场进行修正。此外，为了获得更好的计算效果，在计算过程中还需要对指纹进行质量评估以及裂痕检测。质量评估主要根据复数滤波的响应来确定，而裂痕检测则主要通过一组不同方向的滤波响应来获得。为了验证算法的有效性，我们进行了FOE平台测试以及匹配实验。实验结果表明，无论是低质量指纹图像还是高质量指纹图像，基于GVF模型的方向场提取算法都能获得准确的方向场分布。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 指纹识别简介
• 1.1.1 指纹识别的发展历史
• 1.1.2 指纹识别的应用
• 1.2 指纹识别系统
• 1.2.1 系统构成
• 1.2.2 常用特征
• 1.3 课题研究背景
• 1.4 本文的主要工作
• 第二章 方向场概述
• 2.1 方向场的基本概念
• 2.2 方向场的提取方法
• 2.2.1 基于梯度的方法
• 2.2.2 基于模型的方法
• 2.2.3 基于滤波的方法
• 2.2.4 其它方法
• 2.3 基于 GVF 模型的方向场提取方法
• 2.4 本章小结
• 第三章 质量评估与裂痕检测
• 3.1 质量评估
• 3.1.1 质量评估概述
• 3.1.2 基于复数滤波的质量分数计算
• 3.1.3 算法改进
• 3.1.4 实验
• 3.2 裂痕检测
• 3.2.1 相关背景
• 3.2.2 裂痕检测算法
• 3.2.3 检测效果
• 3.3 本章小结
• 第四章 GVF 模型应用于方向场提取
• 4.1 GVF 模型概述
• 4.1.1 背景介绍
• 4.1.2 GVF 模型
• 4.1.3 GGVF 模型
• 4.2 应用于指纹方向场提取
• 4.2.1 快速平滑去噪
• 4.2.2 奇异区域修正
• 4.2.3 算法总结
• 4.3 实验
• 4.3.1 计算效果
• 4.3.2 FOE 测试
• 4.3.3 匹配实验
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献