指纹识别算法实现

https://gitee.com/dancheng-senior/postgraduate

指纹识别方式

电容式指纹识别要比光学式的复杂得多其原理是将压力感测、电容感测、热感测等感测器整合于一块芯片中当指纹按压芯片表面时内部电容感测器会根据指纹波峰与波谷而产生的电荷差或是温差形成指纹影像再通过与算法内部的指纹库进行匹配从而完成指纹识别。

电容式指纹识别技术较为复杂对技术研发和积累有较高要求并且涉及大量专利算法得实现也相对困难所以目前全球只有少数公司能在这方面提供领先的技术产品。

2.2

1.指纹模块负责采集指纹图像。

2.数字信号处理器主要把采集到的指纹图像转化为数字信号。

3.微控制器是整个系统的控制单元在这里将进行指纹的验证以及输出指令。

4.液晶显示器将输出指纹验证结果。

当我们把手指放在指纹考勤机上时通过镜面反射原理指纹模块就会采集指纹图像

然后通过微控制器将数字信号与指纹库里的指纹进行匹配匹配结果将通过液晶显示器显示出来。

这就是光学式指纹识别的工作原理。

电容式与光学式指纹识别主要在指纹的采集方式上拥有较大差异而在指纹的验证过程中则基本类似。

然而因为电容式指纹识别拥有体积小、适用性广的优点已经有越来越多的设备采用电容式指纹识别未来的主流将是电容式指纹识别。

指纹识别算法实现

当然有一些算法为了追求极致中间还利用了增强、多重滤波等方式但最根本的目的都是为了在细化之后保留指纹信息并且方便后续处理。

预处理之后是特征点的提取也就是找到指纹图像当中有价值具有唯一性和不变性的信息。

主要特征点有端点、分叉点几类在提取部分除了简单的遍历检索确认之外还有比较重要的一步是伪特征点的去除主要是针对图像不清晰、不完整导致的断点和边缘端点等。

最后一步是特征点的匹配将指纹库中的指纹信息与提取的目标图像特征点进行对比。

主流算法是以指纹中心点为依据根据特征点所在的角度及距离确认其所在位置根据匹配度计算是否是同一手指的指纹。

3.3

指纹图像目标提取主要是将指纹图片中提取出来也叫做指纹图像分割。

图片的前景通过观察可知是由条状或者圆形的一些组成而底图其他部分只是一个均匀的底色而已。

我们使用非常简单的手段基于局部梯度就可以很容易实现我们的目标。

方差梯度法提取指纹:

指纹图像通常由前景区域包含有指纹的脊线和谷线和背景区域这两部分组成。

一般来说在指纹图像的前景区域中指纹的脊线和谷线的灰度差是较大的因而其灰度统计特性局部灰度方差很大而在指纹图像的背景区域中两者的方差是很小的。

基于这一特性可以利用指纹图像的局部方差来进行分割。

因此这种方法也被称为方差梯度法。

M和方差

人体指纹的特征可以反映在给定的人类群体里来自不同手指的指纹之间相似的程度。

指纹的特征信息很多所有的这些指纹特征信息构成了庞大的指纹特征集合。

指纹的细节特征主要指的是纹线端点RidgeEnding和纹线分叉点RidgeBifurcation。

纹线端点指的是纹线突然结束的位置而纹线分叉点则是指纹线一分为二的位置。

Minutia

MCC提出了一种基于三维数据结构的圆柱编码算法其从细节的距离和角度出发构造了圆柱编码为一种多级的指纹匹配方法其不仅使用了细节点特征也使用了方向场等特征特征视为一种局部结构也是3D结构

部分实现代码

np.cos(xyd[:,2]).reshape((-1,1,1)),

np.sin(xyd[:,2]).reshape((-1,1,1))

rot

np.transpose(rotref_cell_coords.T

dists:

np.sum((cell_coords[:,:,np.newaxis,:]

xy)**2,

cs[diag_indices,:,diag_indices]

remove

提取特征后剩下的任务就是对特征进行分类了可以使用的算法就很多了比如svm决策树、神经网络都可以

整体效果

https://gitee.com/dancheng-senior/postgraduate