一種基于混合匹配的指紋識別方法

　　對于在線輸入的測試樣本， 同樣要得到它在空間U的投影向量。假設(shè)T 是一幅待識別的測試樣本圖像， 經(jīng)過樣本類別判斷后確定T 屬于第l 類， 即T∈Pl, 用式（10）先去均值：

　　將其投影到特征空間， 由式（11） 得到輸入樣本的投影向量：

　　將投影向量Yt與其所屬類別的Pl幅訓(xùn)練樣本的投影向量Yi′進行距離匹配，按照式（12）計算其歐氏距離：

　　最后采用最近鄰法則， 當(dāng)諸如樣本T 與其同類的某一幅訓(xùn)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(xùn)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。

圖2 混合模式匹配算法流程圖

　　設(shè)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(xiàn)步驟如下：

　?。?） 輸入指紋圖像的采集與質(zhì)量*估；（2） 對輸入指紋圖像進行樣本類別劃分， 設(shè)該輸入屬于第k 類；（3） 對輸入指紋圖像進行2DPCA 的預(yù)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(shù)據(jù)庫中進行初匹配， 若不滿足匹配要求， 則系統(tǒng)最終匹配失??； 滿足時， 通過相應(yīng)閾值的設(shè)定得到m（m《 M） 幅候選指紋和它們的匹配得分權(quán)重， 并同時按照索引得到它們的點模式特征點；（6） 對輸入指紋圖像進行點模式預(yù)處理；（7） 對預(yù)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(yīng)的2DPCA 匹配的得分權(quán)重。若滿足匹配要求， 則系統(tǒng)最終匹配成功； 若不滿足， 則失敗。

　　4 實驗結(jié)果與分析

　　本文在CPU 為2.00 GHz 、1.99 GHz ， 內(nèi)存為2.00 GB的PC 和Matlab R2007B ，Visual STudio 2007 的開發(fā)環(huán)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(jié)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(xiàn)較大程度的位移， 且部分粘連現(xiàn)象較為嚴(yán)重， 使得最終算法中根據(jù)最近鄰原則所得到的匹配圖像出現(xiàn)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(jù)。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(jié)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(quán)重， 提高了點模式的準(zhǔn)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(shù)據(jù)點集之間的搜索和逐對匹配的次數(shù)， 因此要比原有點模式的效率高。

表1 三種模式指紋匹配算法實驗結(jié)果

　　本文對基于細(xì)節(jié)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(jié)了其優(yōu)缺點；最后將兩種模式的算法相結(jié)合，設(shè)計了一種混合指紋識別算法。該算法具有兩種模式的優(yōu)點， 能夠縮小匹配范圍， 減少匹配次數(shù)， 并且在一定程度上提高了識別率，降低誤判和拒識率。