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T 是一幅待識別的測試樣本圖像， 經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， 當諸如樣本T 與其同類的某一幅訓練樣本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， 則具體實現步驟如下：

　?。?） 輸入指紋圖像的采集與質量*估；（2） 對輸入指紋圖像進行樣本類別劃分， 設該輸入屬于第k 類；（3） 對輸入指紋圖像進行2DPCA 的預處理；（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 類數據庫中進行初匹配， 若不滿足匹配要求， 則系統最終匹配失敗； 滿足時， 通過相應閾值的設定得到m（m《 M） 幅候選指紋和它們的匹配得分權重， 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處理；（7） 對預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， 并加入對應的2DPCA 匹配的得分權重。若滿足匹配要求， 則系統最終匹配成功； 若不滿足， 則失敗。

　　4 實驗結果與分析

　　本文在CPU 為2.00 GHz 、1.99 GHz ， 內存為2.00 GB的PC 和Matlab R2007B ，Visual STudio 2007 的開發環境下， 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較大程度的位移， 且部分粘連現象較為嚴重， 使得最終算法中根據最近鄰原則所得到的匹配圖像出現錯誤， 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。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重， 提高了點模式的準確性； 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據點集之間的搜索和逐對匹配的次數， 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果

　　本文對基于細節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，總結了其優缺點；最后將兩種模式的算法相結合，設計了一種混合指紋識別算法。該算法具有兩種模式的優點， 能夠縮小匹配范圍， 減少匹配次數， 并且在一定程度上提高了識別率，降低誤判和拒識率。