摘 要： 為克服傳統的基于細節點匹配的不足，對基于點模式匹配算法與改進的2DPCA匹配算法的混合識別算法進行了改進。改進后的算法在點模式匹配算法中加入改進的2DPCA算法的初匹配得分權重，提高了點模式匹配算法的準確性；并利用點模式匹配算法對2DPCA算法的匹配結果進行二次匹配，同時也提高了2DPCA算法匹配的準確率。
關鍵詞： 指紋識別； 點模式匹配； 二維主成分分析
指紋識別技術是一種非常重要的生物特征識別技術，應用十分廣泛。指紋識別一般包括指紋圖像采集、指紋圖像增強、特征提取和匹配幾個部分，其中特征匹配在整個系統中占有重要地位。指紋識別系統中的匹配算法主要分為基于細節信息和基于全局信息兩種模式。目前，大部分的指紋識別系統都是采用基于細節特征的匹配方法，即提取細化后的指紋圖像的端點和分叉點信息，采用一定的算法實現匹配。此類算法雖然取得了較好的識別效果，但是對發生偏移、形變、斷紋等低質量的指紋圖像效果不佳，并由于該類方法在提取特征之前要對指紋圖像做一系列的預處理，耗時較長[1]。
本文采用了一種基于點模式算法和改進的2DPCA的混合匹配算法，能夠充分利用指紋紋線中脊線和谷線的全局信息，彌補點模式算法的不足。
1 基于點模式的匹配算法
本文采用一種在極坐標下基于中心點的指紋匹配算法，該算法的具體實現步驟如下。
(1)構造指紋圖像特征點的集合，在預處理階段計算出指紋圖像的特征點及其特征點信息，包括特征點的坐標FeatureX與FeatureY、特征點的方向Direction和特征點的類型Type(包括端點和分叉點)。通過上述信息，設系統數據庫中已存在的指紋圖像為P，其特征點的數量為m，在線錄入的指紋圖像為Q，其特征點的數量為n，則它們對應的兩個點集為：
2 基于改進的2DPCA的指紋識別
2DPCA算法是一種以圖像為分析對象的特征提取算法，因此在構造圖像協方差矩陣時，可以直接利用圖像矩陣。2DPCA算法以圖像的全局信息為處理對象，在實現降維和提取特征的過程中，賦予了圖像矩陣中每個像素相同的地位，如果直接采用2DPCA算法對圖像進行處理，將不可避免地損失掉一部分類間訓練樣本所包含的判別信息[2]。
基于以上不足，本文設計一種基于樣本類別信息的改進2DPCA算法，該算法根據樣本類別信息的差異性，利用樣本的類內協方差矩陣作為特征向量的產生矩陣，利用類聚值向量和類間協方差矩陣來提取訓練樣本的特征。
2.1 改進的2DPCA算法
假設訓練樣本為m×n的圖像矩陣,總數量為P,訓練樣本的類別數為L,設第l類的訓練樣本數量為Pl,則滿足:
最后采用最近鄰法則，當諸如樣本T與其同類的某一幅訓練樣本Plj(Plj∈Pl)擁有最小歐氏距離且該距離滿足一定的閾值的時候，即可判定輸入樣本T與訓練樣本為同一幅圖像，即完成整個識別。
3 基于混合模式的指紋識別算法
基于混合模式的指紋識別算法的流程圖如圖2所示。
設共采集到N幅指紋圖像，樣本共分為K類，其中第k(k∈[1,K])類包含M幅圖像，則具體實現步驟如下：
(1) 輸入指紋圖像的采集與質量評估；
(2) 對輸入指紋圖像進行樣本類別劃分,設該輸入屬于第k類；
(3) 對輸入指紋圖像進行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類數據庫中進行初匹配，若不滿足匹配要求，則系統最終匹配失敗；滿足時，通過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，并同時按照索引得到它們的點模式特征點集[5]；
(6) 對輸入指紋圖像進行點模式預處理；
(7)對預處理后的輸入指紋圖像進行點模式特征集中，采用點模式匹配算法進行二次匹配，并加入對應的2DPCA匹配的得分權重。若滿足匹配要求，則系統最終匹配成功；若不滿足，則失敗。
4 實驗結果與分析
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的開發環境下，選用FVC2002DB2_A中的880幅指紋圖像進行匹配算法的實驗。該指紋庫共采集110個指紋，每個手指分別采集8次得到8幅指紋。實驗采用交叉匹配的方式，即每個手指從8幅中選取6幅作為模板指紋，2幅作為輸入指紋，一共進行220次匹配，得到實驗結果如表1所示。
從表中可以看出，采用本文算法進行指紋匹配的識別率為93.57%，與點模式匹配算法相比，識別率有所提高。改進的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。本文將點模式匹配算法與2DPCA結合起來,在點模式匹配算法中加入了2DPCA算法的初匹配得分權重，提高了點模式的準確性；并采用基于樣本類別信息的方法，大大減少了點模式匹配中與原始數據點集之間的搜索和逐對匹配的次數，因此要比原有點模式的效率高。
本文對基于細節點的指紋匹配算法和基于全局信息的改進2DPCA匹配算法進行了分析；然后對三種模式的算法進行了比較，總結了其優缺點；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點，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。
參考文獻
[1] JAIN A K, ROSS A, PRABHAKAR S. An introduction to biometric recognition [J]. IEEE Transactions on Circuits and Systems for Video Technology，2004,14(1):4-20.
[2] WANG Yong Xu. A fingerprint recognition algorithm based on principal component analysis[C]. Proc. of IEEE TENCON’06.Hong Kong, China:[s,n.], 2006.
[3] 羅希平，田捷. 自動指紋識別中的圖像增強和細節匹配算法[J]. 軟件學報, 2002,13（5）：946-956.
[4] 祝恩. 低質量指紋圖像的特征提取與識別技術的研究[D].長沙：國防科技大學博士論文，2005.
[5] 金莉莉，李勇平,汪勇旭，等. 基于二維主成分分析的指紋識別算法[J].計算機工程,2008,34(7):215-217,220.