答辩ppt-基于MATLAB的指纹识别

基于MATLAB的指纹识别班级：学号：姓名：指导老师：1指纹识别的意义与目的1.1指纹识别介绍1.2指纹识别的意义和目的2指纹识别系统实现2.1仿真实验前期准备2.1.1仿真实验数据数据选取2.1.2仿真实验界面设计2.1.3仿真实验算法2.2指纹图像的预处理2.3实验结果与分析3指纹识别实验的创新性1.1指纹识别介绍•指纹识别：是目前生物检测学中研究最深入，应用最广泛，发展最成熟的技术。指纹识别作为识别技术已经有几个世纪的历史了。•指纹识别技术原理：通过分析指纹的全局特征和指纹的局部特征，特征点如嵴、谷和终点、分叉点或分歧点，从指纹中抽取的特征值可以非常的详尽，以便可靠地通过指纹来确认一个人的身份。•指纹识别技术的优点：指纹是人体独一无二的特征，并且它们的精确度和复杂度足以提供用于鉴别的足够特征；扫描指纹的速度很快，使用非常方便；读取指纹时，用户必需将手指与指纹采集头相互接触，与指纹采集头直接接触是读取人体生物特征最可靠的方法。指纹采集头可以更加小型化，并且价格会更加的低廉。1.2指纹识别的意义目的随着计算机和网络的迅速发展，人们对身份认证的准确性、安全性与实用性提出了更高的要求。传统的加密方式已经不能满足现在的要求。指纹识别技术充分利用了指纹的普遍性、唯一性和永久性的生物特征，已逐步取代了传统的识别方式，目前在网络、银行、金融、医疗和安检等行业均得到了广泛应用。可以见到，指纹识别技术是目前最方便、可靠、非侵害和价格便宜的生物识别技术解决方案，对于广大市场的应用有着很大的潜力。2.1.1仿真实验数据选取在仿真实验中，我们选取了10个指纹图像作为实验的模板。并随机选取了4个指纹图像作为仿真实验的样本进行配对的实验。特别说明：这里，Matlab2012系统对所选择的指纹图像模板加以了限制，并不是所有的图片都可以加入到系统的数据库文件中的，这里图片至少要满足以下这些要求：1．指纹的数字图像必须是黑白的；2．指纹的数字图像的大小必须是256×256大小的；3．指纹图像的文件类型必须是图中给定的文件类型；2指纹识别系统实现2.1仿真实验前期准备指纹采集指纹采集指纹图像预处理特征点提取特征点存储指纹图像预处理特征点提取特征点匹配匹配结果鉴定模块识别模块2.1.2仿真实验界面设计下图为仿真实验的过程根据仿真实验过程，我们利用MATLAB2012的GUI功能，建立起指纹仿真软件的仿真界面。程序的实现主要利用了MATLAB的imread,rgb2gray,dwt2,idwt2,imnoise等与图像处理相关的函数。还要通过一些Button控件来完成相应的功能，这些功能包括“打开指纹图像”，“图像增强”，“二值化”，“细化”和“特征提取”等构成。仿真实验所使用的主要算法是滤波特征和不变矩指纹识别算法。这种算法的原理就是通过欧氏距离（Euclideandistance）匹配算法，来判断两个指纹数字图像之间的欧氏距离。之后会提到系统是对一张指纹数字图像进行两次编码的保存。将相对应的特征向量进行比较，取其中最小的一个作为系统比对的结果输出。这里是通过欧式距离来实现对对比数据库中模板图像和待测试图像相对应的特征点向量距离计算的。对于计算机计算出来的数据，如果匹配指数小于定值T，则被认为是匹配成功，否则匹配失败。在仿真实验中，我们将T定值为1，如果相似度匹配距离超过1，则证明不是同一个指纹。如果相似度匹配距离小于1，则证明是同一个指纹。简单的说，欧氏距离（Euclideandistance）就是将两组特征向量相减，然后求出他们对应之间的差的平方和，然后开根号。举个例子来说吧：A=（1，2，3）B=（4，5，6）则他们之间的距离就是d=sqrt((1-4)2+(2-5)2+(3-6)2)。接着识别系统就逐一搜索数据库中的数据文件，求的他们距离的最小数值。如果对比的两张指纹数字图像的特征向量之间的距离是0，则系统会认为这两张数字图像是同一张，或者说来自于同一手指。从而达到识别的功能。欧氏距离表示的是两张指纹数字图像的特征向量的相似程度。距离越近就越容易相互干扰，误码率也就越高，也就越相似。2.1.3仿真实验算法2.2指纹图像的预处理预处理的目的就是去除图像中的噪声，把其变成一幅清晰点线图，这样才能提取到正确的指纹特征，从而达到后边的正确匹配。这次仿真实验随机选取四个指纹图像分别进行“打开指纹图像”，“图像增强”，“二值化”，“细化”“特征提取”“录入数据库”等工作。步骤一：打开四张不同指纹图像作为实验样本步骤二：对四张指纹图像进行增强处理所谓增强处理是通过在原始指纹图像滤波和处理选择适当的滤波处理中，图像过滤掉不必要的高频分量。光滑的主要作用是尽量保持边缘线的图像完好，除去原始指纹图象的离散的，孤立的高对比度的像素。而在后续的指纹图像处理过程中，这可能会造成的计算与分析误差，但与此同时也可以尽量的消除指纹图像中由于图像噪声的存在导致的纹路中脊线上会出现的很多的微小疵点。本实验是采取直方图均衡化的方法来实现图象的增强。通过对比前后的两组图像可以看出，经过均衡化处理之后很多在原始图像中原本看不清的细节也会变得十分清晰。步骤三：对四张指纹图像进行二值化处理指纹图像的二值化是指从一个具有记录着纹理灰度变化的指纹图像生成另一个只有两种色调的黑白分明的指纹图像。使具有灰度的图像变化成为只有黑白两种色调的图像，这就是二值化图像，这种二值化图像的灰度层次从原来的256级减少到2级，相应地二值化后的图像也从8bit格式转成1bit的格式。迭代阈值方法如下:(1)初始灰度阈值T是开始时设定的,R1和R2是指纹图像的两组灰度值。(2)分别计算这两组指纹图像的平均灰度值u1和u2。(3)然后再将灰度阈值T重新设置，并重新的定义T。此时T为:T＝(u1+u2)/2。(4)再依据新的T对指纹图像来进行阈值分割。步骤四：将四张指纹图像进行细化处理指纹图像的细化在指纹识别预处理过程中也十分重要，这也是为提取指纹图像中特定区域的特征点做准备，而对指纹图像通常需要采用的方式是指纹图像的细化算法处理，细化后得到与原来指纹图像形状近似的，由简单的弧或曲线组成的图像，这些细线大多处在指纹的中心轴附近，这就是指纹图像的细化。根据细化方法不同,细化结果就会有所差异。这种方法是以某个像素的局部邻域(如3×3,5×5等)的图像特征来进行的处理,此外，也有还有采用边缘搜索编码[37]、外轮廓计算[38]以及神经网络等细化的方法。对于任何形状的区域中，实际上是一个变型过程。通过对指纹图像的精炼，可以根据相邻八个点的各像素的情况以确定该点是否可以被删除或保留。指纹识别系统的自动化水平,在很大程度上是依赖于系统提取的细节特征准确性。对于细化后的二值图像都要计算每个点值其交叉数(Cn)。一点R的交叉数Cn定义在一个3×3的模板上，模板如图所示R表示的是待检验的点，如果R表示的是端点，则它的8邻域点就满足：如果M表示的是分叉点，则它的8邻域点就满足：这样就可以找到指纹图像的特征点，并记录了它们的类型和位置等特征。在获得的特征点，然后对特征点进行测试其有效性，然后取出假特征点，保留真特征点。然后细化图像特征点坐标（x，y）和提取出在d点方向的图像特征点，然后与它的相邻域，来形成的情况细节点的特征矢量组合。最后，所有的特征向量筛选，留下50-80特征向量构成的指纹特征模板。步骤五：提取四张指纹图像的特征点步骤六：将指纹样本特征模板录入指纹库2.3实验结果与分析将指纹一样本和指纹一模板进行匹配，系统显示匹配成功，说明是同一个指纹将指纹一样本和指纹四模板进行匹配，系统显示匹配失败，说明是不同的两个指纹（更多实验结果请看演示）本实验共选取了4组指纹图像作为样本，4组随机指纹图像作为模板，共进行了16次模拟匹配实验，其中4组匹配成功，12组匹配失败。16组实验中的实验结果均与实际情况相同，所以本实验的识别率为100%。实验结果无误可靠。通过这4组指纹共16组数据，共同表明：由于在指纹数字图像在入库的时候，指纹数字图像是按一定排列顺序的编码。同样地，系统也将匹配的指纹数字图像的图象编码设置同样的顺序。这样系统就按照一定得顺序进行匹配。这样可以通过欧氏距离（ED）匹配算法，来判断两个指纹数字图像之间的欧氏距离。前面提到系统是对一张指纹数字图像进行两次编码的保存。将相对应的特征向量进行比较，取其中最小的一个作为系统比对的结果输出。这里是通过对比数据库中模板图像和待测试图像相对应的特征点的欧式距离来实现的。对于需要对比的两组指纹图，如果匹配指数小于定值T，则认为匹配成功，否则失败。实验结果汇总与分析：3指纹识别实验的创新性一、指纹识别算法的创新性我们常用的算法还有神经网络指纹识别算法和指纹特征点匹配算法。神经网络指纹识别算法是将我们就提取到的指纹细节点特征，转为识别特征，再构造成一个80×1维的向量。每个向量又包含了20个特征点，而每个特征点又包含了4维的向量。再将特征点转化为矢量化的LVQ神经网络模型，基于这种方法的聚类特性和自组织特性，所以矢量化的LVQ神经网络模型可以很好地给出特性模式，通过多维空间的概率分布，来估算出指纹的匹配度。这种算法对每一个特征向量的要求很高，4维空间向量算法很复杂，而且需要计算的工作量很大，而且实验所得出的实验结果是通过多维空间的概率分布，来估算出指纹的匹配度的。所以具实验结果具有不稳定性。指纹特征点匹配算法主要是细节特征的匹配。依靠指纹本身决定的可靠参考坐标系,可以提高指纹匹配的效率。指纹中心处具有很高的不可定向性程度,其附近的纹线方向多变。据此,我们利用方向图和不可定向性图设计和实现了指纹自动定位的快速算法。该算法能够确定指纹中心点的位置和方向,自动定位率在98%以上。对于用活体指纹采集仪输入的指纹,自动定位率更高。用同样的方法,我们还可以准确提取指纹的下中心及左、右三角点等形态特征与辅助定位信息。它要匹配的是指纹图像和预先存储图像特征值。英国的专家亨利认为，只要13共同特征点存在的两个指纹图像的比例，就可以认为这两个要比较指纹图像是相同的指纹。指纹特征点匹配算法的准确率高，识别率高而且稳定。但是点模式匹配是模式识别中的一个有名的难题。它是对于两个含有不同数量的点集P：{p1,p2,…pm}和Q：{q1,q2,…qn},如何找出它们之间的匹配关系。因此，有效地解决两个点集间的几何不变量问题成为了实验成功的关键。从而也导致了实验过程比较复杂，要计算的信息量很大。另外还要考虑到位移和旋转误差问题，还处理了因伸缩尺度不同而带来的误差，但其计算复杂度达到了O(n8)。对于50-50的点匹配，也要花很多时间进行运算。而实验所使用的主要算法是滤波特征和不变矩指纹识别算法。这种算法的原理就是通过欧氏距离（Euclideandistance）匹配算法，来判断两个指纹数字图像之间的欧氏距离。之后会提到系统是对一张指纹数字图像进行两次编码的保存。将相对应的特征向量进行比较，取其中最小的一个作为系统比对的结果输出。这里是通过欧式距离来实现对对比数据库中模板图像和待测试图像相对应的特征点向量距离计算的。对于计算机计算出来的数据，如果匹配指数小于定值T，则被认为是匹配成功，否则匹配失败。在仿真实验中，我们将T定值为1，如果相似度匹配距离超过1，则证明不是同一个指纹。如果相似度匹配距离小于1，则证明是同一个指纹。也就是说，我们只需在相对应的特征向量中取出最小的一个作为系统比对的结果输出。再求的他们距离的最小数值。如果对比的两张指纹数字图像的特征向量之间的距离是0，则系统会认为这两张数字图像是同一张，或者说来自于同一手指。从而达到识别的功能。用欧氏距离来表示的是两张指纹数字图像的特征向量的相似程度。距离越近就越容易相互干扰，误码率也就越高，也就越相似。运用这种算法，可以大大减少计算指纹特征向量数据时的工作量，而且实验运算量少，思路清晰，实验数据准确，误差很少，识别率高，实验结果稳定，而且方便操作，大大减少运算时间和数据冗余，选用这种算法是本实验的一种创新。一个完整的指纹数字图像识别系统界面应该包括：指纹数字图像采集