基于指纹识别的规则纹理图像识别技术研究

论文摘要

纹理是由于物体表面的物理属性不同而造成的，不同的物理表面产生不同的纹理图像，因而纹理作为图像的一个非常重要的属性，在计算机视觉和图像处理中具有举足轻重的作用。纹理是由大量或多或少有序的相似的基元或模式组成的一种结构，纹理基元按照某种确定性的规律或某种统计规律来排列，前者形成规则纹理，后者则形成随机纹理。研究规则纹理图像的分类识别技术有助于深入理解图像处理、模式识别等相关学科，并能促进各学科发展，而且为解决其他类似的复杂模式的认知研究提供重要的依据。指纹图像中脊线和谷线具有一定的排列规则，是典型的规则纹理。本文通过研究指纹图像的分类识别技术，研究纹理图像的分类识别技术。重点放在指纹识别的预分割、特征提取等几个重要问题上，并尝试了一些新的方法。主要工作及成果如下：1、将指纹图像视作二维随机场，提出了基于Mean Shift算法的指纹图像分割方法。Mean Shift就是偏移的均值向量，指向概率密度梯度方向。首先通过一簇核函数使得随着样本与被偏移点的距离不同，其偏移量对均值偏移向量的贡献也不同，再设定了一个权重系数，使得不同的样本点重要性不一样，最后通过一个迭代步骤先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。文中将Mean Shift算法分割的图像结果与常用图像分割算法，如迭代法、改进大律法、KSW熵方法、分水岭法等分割算法的结果进行了比较，通过比较发现基于Mean Shift算法的指纹图像分割适用于大多数指纹情况。2、分析了奇异点指纹分类算法、统计性特征的指纹分类算法。这两种方法都受到指纹图像质量的影响。本文提出了基于指纹纹线方向的指纹分类算法，此算法依赖纹线方向场信息，当纹线方向场信息相对可靠，就可以得到正确的分类。由于指纹图像进行了Mean Shift平滑分割处理以后，抗噪抗能力得到了一定的提高，对指纹图像的质量好坏不敏感，一些有污损的指纹，仍能够得到较好的纹线方向场信息，因而指纹分类的精度得到了提高。3、局部特征点是指纹识别的重要信息源，在细节特征提取中，将产生大量的伪细节特征点，这些伪特征点的存在，不但使匹配的速度大大降低，还使指纹识别性能急剧下降，造成识别系统的拒识率或误识率的上升。因此，在进行指纹匹配之前，必须将伪特征点去除，保留真特征点。在所有特征点检测方法的研究中，以角点检测方法的研究最受关注。由于角点是图像中物体边缘上曲率较大的点，在指纹中分叉点等具有角点的特性，本文提出了采用角点检测算法提取指纹中的局部特征并与模板法提取的细节特征进行特征级融合，去除伪特征点，保留真特征点，提高指纹的匹配精度。4、采用点模式匹配方法实现指纹图像的识别，识别的正确率达到96．21％。将算法用于Brodatz纹理库中部分规则纹理图像，取得了较为满意的效果，可以得出以下结论：①Mean Shift算法能够将背景与纹理很好地分割，分割过程不影响纹理的细节；②利用指纹纹线方向分类算法成功实现了对指纹的分类，因此对于规则纹理可以利用线性纹理基元的方向进行分类；③角点集中了图像上很多重要的形状信息，具有旋转不变性，几乎不受光照条件的影响。因此，对于规则纹理可以通过提取角点，利用角点的不变性实现规则纹理的识别。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 生物特征识别与指纹识别
• 1.2.1 生物特征识别技术
• 1.2.2 指纹识别与自动指纹识别系统
• 1.3 本文的研究内容和组织
• 1.4 本文的主要工作与创新点
• 1.5 本章小结
• 第二章 指纹识别系统的基本原理
• 2.1 指纹识别系统简介
• 2.1.1 指纹的形成及特点
• 2.1.2 指纹及其特征
• 2.1.3 指纹识别系统的基本原理
• 2.2 指纹的采集及传感器
• 2.2.1 指纹图像的采集技术
• 2.2.2 指纹传感器的选择
• 2.3 指纹图像处理与识别
• 2.4 本章小结
• 第三章 指纹图像的预分割
• 3.1 指纹图像预分割概述
• 3.2 迭代法
• 3.3 改进的大律法（OTSU法）
• 3.4 KSW熵方法
• 3.5 分水岭算法
• 3.6 基于Mean Shift指纹图像分割算法
• 3.6.1 Mean Shift的基本思想及其扩展
• 3.6.2 Mean Shift的物理含义
• 3.6.3 Mean Shift算法步骤
• 3.6.4 基于Mean Shift的指纹图像分割算法实现
• 3.7 实验结果及算法分析
• 3.8 Mean Shift分割算法在规则纹理分割的应用
• 3.9 本章小结
• 第四章 基于指纹纹线方向的分类方法
• 4.1 指纹分类算法概述
• 4.2 基于奇异点的指纹分类算法
• 4.2.1 方向图计算
• 4.2.2 奇异点提取
• 4.2.3 分类判决
• 4.3 基于统计性特征的指纹分类算法
• 4.3.1 算法概述
• 4.3.2 构造基于Gabor滤波的特征向量指纹码
• 4.4 基于指纹纹线方向的分类算法
• 4.4.1 基于指纹纹线方向的指纹分类算法
• 4.4.2 实验结果及结论
• 4.5 本章小结
• 第五章 基于角点检测与模板匹配融合的指纹识别算法
• 5.1 指纹识别算法概述
• 5.2 基于模板的特征提取
• 5.3 基于角点检测的局部特征提取算法
• 5.3.1 角点检测技术概述
• 5.3.2 Harris角点检测算法
• 5.4 基于局部特征融合的特征选取
• 5.4.1 基于特征点灰度的相似度计算
• 5.4.2 基于特征点距离相似度的计算
• 5.4.3 多特征融合的相似度计算
• 5.4.4 特征点提取结果
• 5.5 特征点匹配
• 5.5.1 特征点匹配算法
• 5.5.2 特征点匹配结果
• 5.6 基于角点检测与模板匹配融合算法对规则纹理的检测
• 5.7 本章小结
• 第六章 总结和展望
• 6.1 工作总结
• 6.2 发展趋势与今后工作
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文及科研成果