图二 指纹图像预处理一般流程
３．３ 指纹图像的特征提取 当今的指纹识别技术绝大部分是基于对指纹特征的识别 而不是整幅指纹的识别。这样做有很多好处： 信息集中无冗余、 节省存储空间、运算速度快。常用的特征提取算法有两种： 基于 二值化的特征提取算法和基于直接灰度图的特征提取算法。 １） 基于二值化的特征提取方法： 这种算 法 对 于 预 处 理 和 增强后的图像先进行二值化， 然后再提取特征点。在对二值化 的图像完成细化后， 提取细节特征点就是一项相对较为简单的 事情了， 如果细化后， 脊的值设定为１， 谷和背景的值设为０， 那 么如果一个值为１的像素的八领域中， 只有一个值为１的相邻为 １的相邻像素， 那么这点为端点； 如果一个值为１的像素的八领 域中， 它有且仅有两个互不相邻的值为１的相邻像素， 那么这个 像素为分叉点。只要针对图像中端点和分叉点的这一特点， 就 可以通过检查脊骨架图像的每个像素的邻域判断出每个点是 否是特征点。 ２） 基于直接灰度的特征提取方法： 这种 方 法 直 接 从 灰 度 图像出发， 通过分析图像的纹理属性和拓扑结构提取出特征 点。由于本人论文中指纹特征提取的方法不是这一种， 故不多 做描述。 两种特征提取方法比较， 前者基于二值化、细化后的图像， 提取速度较快， 后者由于要处理的信息较多， 故速度慢。在质量 方面， 前者的好坏要取决于前面的增强等步骤的精确性， 会丢 失信息和增加伪信息， 后者提取出来的特征质量要高得多。 ３．４ 指纹的匹配 指 纹 识 别 中 的 一 个 重 要 处 理 过 程 是 指 纹 的 匹 配 。在 匹 配 过 程中， 要将待识别指纹的有关数据与保存的指纹数据进行对 比， 比较二者之间存在的细节特征， 寻找最相似的指纹模型作 为 被 识 别 指 纹 的 匹 配 模 式 。一 般 的 指 纹 识 别 是 基 于 点 模 式 匹 配 （细节匹配）， 而不是基于像素匹配或脊线模式匹配。点匹配算法 是假设通过某些变换（如平移变换、旋转变换， 伸缩变换）可以把 两个相对应的点匹配起来。 两枚指纹的匹配， 主要是解决旋转、平移和形变等问题。如 果能准确地找到中心点， 则只需解决旋转和形变等问题。但并 不是每个人的指纹都有中心点， 其次自动寻找中心点的算法对 不清晰的指纹可能找出错误的中心点， 这就可能引起下一步匹 配产生错误的结果。匹配算法中很多是基于校正匹配算法（ 字 符串模式代替点模式， 即将细节特征信息数据转化为极坐标形 式 ， 以 字 符 串 形 式 表 现 它） 来 匹 配 两 幅 指 纹 图 像 中 细 节 特 征 数 据。这种方法在理论上简单， 具有能够有效地辨别指纹， 匹配速 度较快等优点。 参考文献： ［１］ 盖 武． 自 动 指 纹 识 别 技 术 的 研 究 ［Ｃ］． 四 川 大 学 硕 士 论 文 ， ２００３． ［２］ 王 鑫．指 纹 识 别 算 法 研 究 及 其 实 现［Ｃ］．南 京 理 工 大 学 硕 士 论 文， ２００４年 ［３］ 唐 青 松．自 动 指 纹 识 别 系 统 的 特 征 匹 配 及 融 合 研 究［Ｃ］．东 北 大学硕士论文， ２００４． ［４］ 董 日 荣．指 纹 识 别 系 统 核 心 算 法 的 研 究［Ｃ］．华 南 师 范 大 学 硕 士 论 文 ，２００４．
的连接和神经元都没有多大的用途， 但它们结合起来就能从宏
观上反映一定的信息特征。
ＢＰ算法是人工神经网络中最为 重 要 的 网 络 之 一 ， 也 是 迄
今为止， 应用最为广泛的网络算法， 实践证明这种基于误差反
传递算法可以解决许多实际问题， 使它在人工神经网络中占有
很重要的地位， 但其算法自身的缺陷也是不可回避的。可以归
关键词： 指纹识别 预处理 特征提取 特征匹配
１． 指纹简介 指纹是一个手指的特征图案。据考证，每一个指纹都是独 一无二的， 换言之， 这世界上根本不可能找到两个相同的指纹。 每个人都“随身携带”着这永久且独特的特征， 所以指纹被用来 做身份鉴定和司法鉴定由来以久。 每一个指纹由很多所谓的脊线和谷线构成， 这些脊线和谷 线 在 每 一 个 小 的 局 部 窗 口 中 呈 现 很 好 的 相 似 性 。指 纹 图 像 中 有 两类重要特征： 一类是用于指纹数据库分类的结构特征， 或称 全局特征； 另一类是表征指纹唯一性的细节特征， 它是由指纹
３） 隐含层神经元节点个数难以确定： 关于确定隐含层神经 元的节点数， 目前尚无可靠的指导理论， 大都采用试算的方法。 针对ＢＰ算法存在的问题， 许多学者提 出 了 很 多 针 对 性 的 解 决 办法， 这些办法中有的已成功应用， 有的还处于研究阶段。 参考文献： ［１］ 王 士 同 ， 陈 慧 萍 ， 赵 跃 华 ， 钱 旭．人 工 智 能 教 程［Ｍ］．北 京：电 子
工业出版社， ２０００． ［２］ 陆 伟 民．人 工 智 能 技 术 及 其 应 用［Ｍ］．上 海：同 济 大 学 出 版 社，
１９９８． ［３］ 飞 思 科 技 产 品 研 发 中 心．ＭＡＴＬＡＢ ６．５辅 助 神 经 网 络 分 析 与
设 计 ［Ｍ］．北 京 ：电 子 工 业 出 版 社 ，２００３． ［４］ 阮 沈 勇，王 永 利，桑 群 芳．ＭＡＴＬＡＢ程 序 设 计［Ｍ］．．１ 指纹图像的获取 指纹录入设备的作用就是抓取指纹图像的点位图， 一般来 说， 每一点 用 一 个０￣２５５之 间 的 灰 度 值 表 示 。 分 辨 率 是 每 单 位 长 度 内 的 点 数 ， 一 般 用 每 英 寸—ｄｐｉ 表 示 ， 它 的 范 围 在 ２５０￣６２５ｄｐｉ之间， ５００ｄｐｉ为标准分辨率， 指纹图像的范围为０．５” ×０．５”（１２．７ｍｍ）￣１．２５”（３１．７５ｍｍ）， 其 中１”（２５．４ｍｍ）为 标 准 尺 寸 。 点与点之间的距离称为节距。取像设备分成两类： 光学、硅晶体 传 感 器 、超 声 波 扫 描 和 其 他 类 型 。 ３．２ 指纹图像处理 在自动指纹识别过程中， 一个关键步骤就是精确、自动、自 适 应 地 从 输 入 指 纹 图 像 中 提 取 出 指 纹 的 特 征 数 据 （在 基 于 点 匹 配的指纹识别 算 法 中 ， 特 征 被 定 义 为 脊 线 端 点 、分 叉 点 的 节 点 信 息）。 然 而 特 征 提 取 算 法 对 输 入 图 像 有 相 应 的 要 求 （如 某 些 特 征提取算法只能处理指纹骨架图， 有的则可以直接从原始图像 中提取特征）， 并且算法性能在很大程度上依赖于输入指纹图 像质量的好坏。为了保证有效地提取出特征数据， 需要在特征 提取之前对输入指纹图像进行预处理。预处理的目的是： ①获 取指纹纹理 的 基 本 信 息 ， 如 指 纹 纹 理 的 方 向 、指 纹 脊 线 的 间 距 等， 供给后续处理过程使用； ②提取出图像中的指纹区域， 并对 该区域的图像进行增强； ③针对不同的特征提取算法进行相应 处理， 如某些算法需要对增强后的图像进行二值化和细化， 某 些算法则什么也不做， 直接输出增强后的图像。 虽然基于各种目的， 每个指纹识别算法所用的预处理采取 了不同的步骤和方法， 但一般来说， 预处理的最主要的流程图 如图二：
业出版社， ２００４．
技术与市场
４４
２００８ ／ １
技术研发 ＴＥＣＨＮＯＬＯＧＹ ＡＮＤ ＭＡＲＫＥＴ
的指纹与指纹库里的指纹进行一一匹配， 直到匹配成功为止。通 常情况下， 指纹辨认在罪犯调查中使用比较广泛， 并且比较有效。
然而， 所有的指纹识别问题， 无论是指纹确认还是指纹鉴 定， 最终都是基于一个指纹的正确描述。指纹的描述能够保持 它的独特性并且方法较为简单。
分别接受输入， 作用后产生输出。这种并行计算的特点， 使它有
潜力适时快速实现信息的处理和实现大量复杂的控制算法。
４） 分 布 式 ： 在 传 统 的 串 行 运 行 体 现 计 算 机 中 ， 信 息 分 布 在
独立的存储单元中， 任何部分的损坏都将导致整个信息的无
效。而在神经网络中， 信息则分散分布在神经元的连接上， 单个
１） 非线性映射： 有效地实现输入空间到输出空间的非线性
映 射 。多 输 入 与 多 输 出 的 结 构 模 型 可 方 便 地 应 用 于 多 变 量 输 入
映射和控制系统。
２） 学习能力： 学习能力是神经网络具有智能的重要表现 ，
即通过训练可抽象出训练样本的主要特征的能力。
３） 并 行 性 ： 各 个 神 经 元 在 处 理 信 息 时 是 各 自 独 立 的 ， 它 们
ｐ
! Ｅｋ＝
１ ２
ｊ＝１
（ｄｊｋ－
ｓｊ（ｙｊｋ））２＝
１ ２
ｅｋｅｋＴ
此误差在迭代ｋ时产生的总误差
ｎＴ
Ｅ＝!Ｅｋ ｋ＝１
ｎＴ：数 据 对 总 的 误 差，（ｘ１，ｄ１；…；ｘ ｎＴ，ｄ ｎＴ）， 反 向 传 播 学 习 算
法 使 Ｅｋ在 每 次 迭 代 减 到 最 小 。 ４． ＢＰ 算法的优缺点
ＢＰ神 经 网 络 主 要 具 有 以 下 四 大 优 点 ：
技术研发 ＴＥＣＨＮＯＬＯＧＹ ＡＮＤ ＭＡＲＫＥＴ
浅谈指纹识别基本原理
谢立锋 陈灵枭
宁波大学信息学院 浙江宁波 ３１５２１１
摘要： 随着社会的不断发展，科技的不断进步，传统的保护措施在现代的科技面前存在很大的隐患， 因而需要更高 效更可靠的身份识别技术。指纹识别作为生物识别技术中的一种 ， 克服了可盗用、可假冒、可破解的弱点，具有唯一性 和不可复制性，因为一个人的指纹是“随身携带”的。从现实的角度来看， 指纹识别优于其他的生物识别技术， 因为它历 史悠久， 发展得较为完善， 并且成本较其它识别技术来说相对较低。本文详细介绍了指纹识别的过程， 包括指纹图像的 预处理， 图像的特征提取以及特征的匹配。
纳为以下几点： １） 局部极小点问题： 由于ＢＰ网络是 一 种 前 馈 网 络 ， 它 的 实
际输出只取决于网络的输入和权重矩阵， 这样导致全局最小误 差点可能不止一个， 存在一些平坦区， 在此区域内误差改变较 小， 神经网络对这样区域的映射能力存在不足， 存在许多局部 极小点。对此有许多改进算法来解决此问题， 不过本文将不讨 论这一问题。