自動指紋識別系統(tǒng)是生物特征識別研究的一個熱點，而指紋分類又是指紋識別系統(tǒng)的核 心技術(shù)。在大型的指紋數(shù)據(jù)庫中，待識別指紋與樣本數(shù)據(jù)庫中的大量指紋逐一進行比對，是及其耗費時間的。為了減少搜索時間和計算復(fù)雜性，把樣本數(shù)據(jù)庫中的指紋分為幾類，將屬 于不同類別的指紋分別保存在不同的數(shù)據(jù)庫中，待識別指紋只需與屬于同類的子數(shù)據(jù)庫中的樣本逐一比對。從某種意義上講，指紋分類實際上就是粗糙的指紋匹配過程，它為自動指紋識別系統(tǒng)提供了一個索引機制。

　　指紋分類技術(shù)的問題是如何確定指紋分類類別。具體分類方法很多，類數(shù)也不確定。依照公安部的標(biāo)準(zhǔn)，指紋被分為以下七類：弓型、左箕、右箕、斗型、缺指、其它、未知。圖1顯示了幾種典型的指紋圖像。

　　1 分類算法概述

　　國內(nèi)外學(xué)者已經(jīng)對指紋分類算法進行了大量的研究。大致可分為下面幾種：種是基于奇異點的分類，主要依靠指紋的core點和delta點的個數(shù)以及它們之間的拓?fù)潢P(guān)系來確定指紋屬于哪種類型。此類方法要求指紋圖像必須能夠采集到core點和delta點，但由于一些采集器采集面積的限制，要保證能夠采集到delta點還是比較困難的，而且對于受噪聲干擾程度比較嚴(yán)重的低質(zhì)量圖像不僅奇異點的定位比較困難，還往往容易檢測到許多虛假的奇異點，直接導(dǎo)致了此算法的準(zhǔn)確率。第二種是基于結(jié)構(gòu)的指紋分類。主要有Raffaele Cappelli等人使用動態(tài)模板的分類方法，這些方法使用了圖像的一些整體結(jié)構(gòu)，因此比其它大多數(shù)使用局部信息的分類方法更加有效，但對于一些低質(zhì)量的指紋圖像，很難獲取指紋準(zhǔn)確的結(jié)構(gòu)。第三種是結(jié)合奇異點和脊線結(jié)構(gòu)的指紋分類方法，此種方法不單單依賴于奇異點，同時使用了脊線的結(jié)構(gòu)，但對于低質(zhì)量的指紋圖像，此方法獲取的奇異點與脊線結(jié)構(gòu)同樣是不準(zhǔn)確的，因此對于低質(zhì)量指紋依然是不能夠準(zhǔn)確的分類。第四種是基于方向場的指紋分類，主要是根據(jù)各類指紋圖像的方向圖的相似和差異來確定指紋的類型。此方法對低質(zhì)量也有一定的局限性。目前國內(nèi)外的指紋分類算法大部分都是把指紋分為4類或5類。

　　本文提出了一種基本結(jié)構(gòu)的實現(xiàn)方法，依照指紋的方向圖信息，尋找奇異點。根據(jù)奇異點的數(shù)目和相關(guān)位置，設(shè)計邏輯規(guī)則進行判決。主要處理過程如圖2所示。

　　2 圖像預(yù)分割

　　在指紋分類的過程中，輸入的指紋圖像往往是一幅含有大量噪聲的灰度圖像，特別是現(xiàn)場指紋，噪聲化現(xiàn)象更嚴(yán)重。這些干擾和不利因素將影響終的分類結(jié)果，使得系統(tǒng)的整體 性能和準(zhǔn)確率降低。

　　本算法使用的測試圖像有如下特點（如圖3a所示）：（1）指紋圖像比較模糊，變形時也很嚴(yán)重；（2）指紋的位置和大小不定，很多圖像有明顯旋轉(zhuǎn)；（3）背景區(qū)的干擾很多，有很多方字和條紋線。針對以上情況，本算法采用預(yù)分割技術(shù)來排除文字、條紋線的干擾，提取圖像的有用信息。預(yù)分割主要由兩步組成：粗限定和細(xì)限定。

　　根據(jù)根紋圖的灰度分布，粗限定可以大致確定指紋圖中指印的相應(yīng)位置?？刹捎檬剑?）所示的8×8的平滑模板對圖像進行平滑和二值化處理。平滑實際上是一種增強措施，目的是突出指紋圖像的有用部分，便于投影和分割處理。經(jīng)過處理，孤兒噪聲點的影響將被忽略。而后沿水平和豎直兩個方向?qū)D像進行投影，并對同一方向上的灰度值進行累計，根據(jù)灰度值的分布，由外向內(nèi)搜索邊界，從而確定圖像中的有效區(qū)域的范圍。

　　粗限定后對大多數(shù)圖像來說，文字和條紋部分都可排除在外，圖像已基本可用。但由于度分布隨機性及背景干擾等原因，有些圖像分割效果不好，對于后續(xù)判決將會有很大影響，所以還應(yīng)采和細(xì)限定技術(shù)進一步分割圖像。具體過程是對粗限定后的圖像再進行投影，尋找每一方向上的灰度累計值，根據(jù)這個峰值確定相對域值，并由內(nèi)向外搜索邊界，這一過程是對粗限定的修正。采用相對域值來提高頂處理的適應(yīng)度，可以去除部分指紋圖像中第二指節(jié)的冗余部分。

　　通過兩步限定過程，我們得到滿意的分割圖像，如圖3（b）所示。

　　3 方向圖計算

　　方向圖計算有兩個功能：一是為后續(xù)處理做準(zhǔn)備，因為指紋奇異點的提取依賴于方向圖；二是去除噪聲。同一般的濾波技術(shù)相比，它可以利用指紋圖像的局域方向性有效地去除噪聲，保留有用信息。一般有兩種方向圖，一種是點方向圖，表示源指紋圖像中每一象素點脊線的方向；另一種是塊方向圖，表示源指紋圖像中每一個圖像塊內(nèi)脊線的總體方向。點方向圖的計算式如下：

　　若點（i,j）的方向為K（i,j），則：

　?。╥k,jk）∈Dk（i,j）

　　式中，Dk（i,j）為以點（i,j）為中心的沿第k方向的連續(xù)N個象素位置，G（i,j）為（i,j）點象素灰度值。

　　為了實際計算的方便，通常使用一個9×9的模板對以上公式進行簡化，如圖4所示。

　　選取圖4所示的8個方向，分別對每一個方向計算求和式：

　　S0=G（i-2,j-4）+G（i-1,j-2）+G（i+1,j+2）+G（i+2,j+4） （3）

　　設(shè)Sp和Sq分別代表8個方向中的方向和與的方向和。p和q代表相應(yīng)的方向。如果C點位于脊溝上，那么C點的方向定義為p,否則為q.用D表示象素點C的方向，則：

　　通過（4）式可以得到指紋的方向圖。通常這是一幅噪聲化嚴(yán)重的圖像，必須利用指紋圖像的領(lǐng)域方向相似性加以處理。去噪的措施有兩種：一種是利用塊方向圖，具體措施是統(tǒng)計一個小區(qū)域（如8×8象素的矩形區(qū)）內(nèi)的主要方向。這樣對于一般的圖像區(qū)域來說，由于脊線走向的規(guī)律性，個別象素點噪聲的影響將被消除。除了去噪作用以外，塊方向圖還可以降低模式空間的維數(shù)，減少運算量，而數(shù)據(jù)的信息量卻不受很大影響。另外一種措施是計算每個點2倍方向角θ（θ∈[0,180°]）的正、余弦值，即sin2θ和cos2θ。將一維的角度標(biāo)量值變?yōu)槎S矢量，而后對這個二維矢量的每個分量分別加以平滑。但對于本算法使用的測試圖像，通過實驗比較表明，塊方向圖的平滑效果更一些，如圖5的所示。

　　4 分類

　　4.1 奇異點提取

　　根據(jù)奇異點的數(shù)目和相對位置可進行判決分類。對于用于識別的細(xì)節(jié)特征來講，這里的奇異點指的是較為"宏觀"的脊線特征。常用的奇異點有兩種：中心點（core）和三角區(qū)（delta）。中心點處于指紋圖像的中心，常用來進行指紋的定位。三角區(qū)則是指紋模式中另一類特征點，在該點處指紋脊線分叉為三種走向，如圖6所示。

　　相對于指紋圖像的其它區(qū)域而言，奇異點有許多特殊性質(zhì)。比如對于給定指紋圖像的任意一點，在其鄰域內(nèi)作一條包圍該點的閉合曲線，沿該閉合曲線旋轉(zhuǎn)一周計算所得到的方向向量的旋轉(zhuǎn)總和。對于不同性質(zhì)的點，這個總和值是不同的，中心點對應(yīng)的值為180°，三角區(qū)對應(yīng)的值為-180°，而一般的圖像區(qū)域?qū)?yīng)值為0°。利用這一特性，我們可找出圖像中的奇異點。

　　受圖像噪聲的影響，在奇異點提取過程中往往會產(chǎn)生大量偽點，需要加以濾除?？梢岳门袥Q規(guī)則來排除錯誤的奇異點。錯誤的奇異點主要有兩類，一是在指紋圖像邊界，這一部分區(qū)域由于提取指紋時的受力不均，往往比較模糊，容易形成偽點；二是相鄰的奇異點，這往往是由于某個區(qū)域局部噪聲過大引起判決失誤。對于類錯誤判決，可以采用限定處理區(qū)域的辦法加以抑制，也就是前面所述的預(yù)分割辦法。而對于第二類錯誤，則采用如下步驟處理：

　?。?）記錄所有初步判決產(chǎn)生的奇異點，對于每個奇異點，記錄它的位置信息和屬性值，即是中心點還是三角區(qū)。

　?。?）沿水平方向逐行掃描，對于每個奇異點，判斷它的8鄰域內(nèi)是否存在其它奇異點。如果存在，則執(zhí)行步驟（3）；否則，掃描下一個奇異點值。

　　（3）如果領(lǐng)域內(nèi)的所有奇異點同性，即同為中心點或三角區(qū)，則保留靠后的那個奇導(dǎo)點，其它點標(biāo)識為偽奇異點；如果領(lǐng)域內(nèi)所有奇異點不同性，則所有點都標(biāo)識為偽點，并繼續(xù)掃描。

　?。?）當(dāng)執(zhí)行至圖像是掃時，重新掃描圖像，去除所有偽奇異點。

　　4.2 分類判決

　　指紋的不同類別有不同數(shù)目的奇異點和位置關(guān)系，這些奇異點的數(shù)目和相對位置決定了指紋的終分類。決策過程如下：

　　設(shè)中心點的數(shù)目為Nc,三角區(qū)的數(shù)目為Nd.

　?。?）如果Nc>2或Nd>2,那么執(zhí)行步驟（2）；否則跳至步驟（3）。

　?。?）如果迭代次數(shù)超過預(yù)設(shè)值，則將指紋類型設(shè)為其它，退出程序；否則平滑塊方向圖，重新計算奇異點，轉(zhuǎn)回步驟（1）。

　　（3）如果Nc=Nd=1,利用規(guī)則1檢驗奇異點的位置關(guān)系。如果滿足，則判為左、右箕紋或弓型紋；否則指紋類型判為其它，退出。

　　（4）如果Nc=Nd=2,利用規(guī)則2檢驗奇異點的位置關(guān)系。如果滿足，則判為斗型紋；否則轉(zhuǎn)回步驟（2）。

　　（5）如果Nc=Nd=0,則判為弓形紋，退出。

　　規(guī)則的作用是檢測指紋奇異點的相對位置關(guān)系，確保判決的準(zhǔn)確性。

　　規(guī)則1:檢驗箕型紋的位置關(guān)系，區(qū)別左、右箕或尖弓。由箕型紋的拓補結(jié)構(gòu)可知，中心點總是位于指紋的上部，根據(jù)三角區(qū)相對于中心點的位置，可分為左、右箕或尖弓。

    本算法采用了脊線跟蹤技術(shù)，示意圖如圖7所示，具體過程如下：

　?。?）以中心點的坐標(biāo)為初始點（x0,y0）。

　?。?）將當(dāng)前點相鄰兩個方向塊的方向的平均值設(shè)為主方向。

　　（3）沿主方向向下逐塊形成中心分界線。

　　x=x-BlockSize×cosθ

　　y=y+BlockSize×sinθ （5）

　　其中，BlockSize代表方向塊的大小，θ表示當(dāng)前位置的主方向。

　?。?）重復(fù)（2）~（3）步直至達到圖像邊界為止。

　　（5）設(shè)定一域值L,以中心線為界，如果三角區(qū)與中心線的近距離在L內(nèi)，則判為尖弓（本算法將其歸入糾類）；如果位于分界線的左側(cè)，則將指紋判為左箕；如果位于分界線的右側(cè)，則判為右箕。

　　規(guī)則2:檢驗斗型紋的位置關(guān)系。具體差別如下：首先確定上部的特征點必將為中心點，同時保證兩個中心點位于兩個三角區(qū)特征點連線的一側(cè)。

　　5 實驗結(jié)果

　　本算法對1737張指紋圖像進行了測試，終總的分類錯誤率為3.3%（詳見表1）。從錯誤率指標(biāo)來說，與文獻[4]大致相當(dāng)，但本算法的測試樣本數(shù)要多。實驗表明，在相同預(yù)處理條件下，本算法的判決的穩(wěn)定性更好，準(zhǔn)確率更高。

　　表1 測試樣本分類結(jié)果

　　本算法是一種改進型的結(jié)構(gòu)分類算法，利用指紋圖像的方向圖信息尋找奇異點，并根據(jù)這些奇異點的數(shù)目和相對位置進行判決，確定終類別。相比于其它算法，本算法在預(yù)處理方面進行兩步預(yù)分割工作，減小了誤檢風(fēng)險；同時設(shè)計了新的判決規(guī)則，利用脊線跟蹤和規(guī)則檢測，判斷左、右箕型指紋，提高分類穩(wěn)定性。