基于SUSAN的指纹细节点提取算法

文章编号:049026756(2005)0520952205基于SU SAN 的指纹细节点提取算法文　潇1,华　骅2,徐安士1(1.北京大学区域光通信网与新型光通信系统国家重点实验室,北京100871;2.四川大学电子信息学院,成都610064)摘要:在整个指纹识别过程中,指纹图像的细节点提取至关重要.许多算法是先将脊线细化后进行提取,耗时较多,且易产生大量不易去除的伪细节点.作者将一般图象配准中常用的角点检测技术运用到指纹识别中,提出基于SUSAN 的指纹细节点提取新算法.该法在传统的SUSAN 上进行数项改进,使其适用于指纹图象,完成端点和分叉点的提取,再根据所产生伪细节点的分布情况将它们去除.此法计算简单、抗噪声能力强、不需事先对脊线进行细化.关键词:端点;分叉点;角点检测;SUSAN ;伪细节点中图分类号:TP391.4 文献标识码:A1　引言 大量研究表明,人的指纹具有唯一性和不变性.首先,两枚指纹匹配上12个特征点的几率为10;其次,胎儿6个月时指纹就完全形成,只要不伤及真皮,其细节特征保持终生不变.即使伤及真皮,所形成的疤痕又可成为新的识别依据.由于指纹用于身份识别的安全性和方便性,各国研究者都对此项技术进行了深入研究.其识别流程如图1所示.图1　指纹识别流程Fig.1　Flow of fingerprint identification 图1中,图象预处理包括纹线平滑、脊线增强、二值化、细化等.然后,再提取细节点作为匹配的依据.美国FB I 指出,两种细节点———指纹脊线的分叉点和端点可以唯一地确定一个指纹.在这个理论基础上,前人提出了多种算法,其中很多是先将采集到的指纹灰度图象二值化,然后再将脊线细化为单象素宽度[1].细化以后,细节点提取相对简单,速度快.但是指纹细化过程耗时较大,而且很易产生许多伪细节点,因此必须在提取后进行更大量的后处理[2,3],增加了时间的消耗,降低了匹配的精度.近年来也出现了一些基于灰度图象的提取算法,但普遍较复杂.角点检测是一般图象配准中常用的方法,但几乎从未应用于指纹检测范围.因为它是基于灰度图象的,而且本身已发展得比较成熟.由此,我们想到将其应用于指纹细节点检测,省去了细化的过程,降低了图象预处理和后处理的难度和耗时.目前,对角点的定义并未统一,针对不同的定义产生了不同的检测方法.其中一种定义为图象中曲率较高的点[4],而指纹的端点也是图象中曲率较高的点,定义上的一致性,加强了角点检测用于指纹识别的理论依据.SUSAN 法就是基于此定义的一种角点检测算法[4],其运算简单,只要参数选择恰当,可达较高的精度,抗噪声能力强.收稿日期:2004210225基金项目:国家自然科学基金(60272023);教育部基金(90104003)作者简介:文潇(1985-),女,2005级硕士研究生.2005年10月第42卷第5期四川大学学报(自然科学版)Journal of Sichuan University (Natural Science Edition )Oct.2005Vol.42No.52　SUSAN 法原理 用一固定大小和形状的模板在图象上移动,若模板内某象素的灰度与模板中心(称为核)灰度之差小于某值,则认为该点与核具有相似的灰度,由满足这样条件的点组成的区域称为核的USAN (Univalue Segment Assimilating Nucleus )区域.考察一灰度图象中,模板处于不同位置时USAN 区域的大小,如图2所示(使用圆形模板).可发现a 情况下,即核为角点时USAN 区域最小,据此可将角点检测出来.图2　SUSAN 原理示意图Fig.2　Sketch map of SUSAN ’s principle 设核为O 点,灰度为I (O ),r 为模板内任一点,灰度为I (r ),令h (r )=1　I (r )　I (O )<y 0　otherwise(1)再计算Susan =∑h (r )(2)O 为角点 Susan ≤m 不是角点　Susan >m(3)式中,y 为灰度差门限,其取值与图象的对比度有关;m 为几何门限,据统计规律,一般设定为整个模板面积的1/3左右.3　基于SUSAN 的细节点提取算法3.1　端点与分叉点提取的统一图3给出了端点和分叉点的示意图.由端点的几何特性可知,其为曲率很高的点,易用SUSAN 法原理检测出来.但除了端点,分叉点也需提取.图3　指纹细节点示意图Fig.3　sketch map of fingerprint ’s minutiae 通过观察可发现,脊线和谷线宽度近似相等,形状与分布相同,唯一的区别是灰度.脊线的分叉点其实就是谷线的端点.由于单个象素的不可分割,精确的圆形模板在灰度图象中无法实现,且圆的方程较复杂,使用和实现不便.所以我们在此处采用正方形模板.当模板在指纹图象上扫描时,出现的情况有图4中所示的4种(黑色表示脊线,白色表示谷线).图4中(a )为我们通常说的“端点”,(b )我们通常说的“分叉点”.因为SUSAN 法是检测模板内各点与核的灰度差,而与核是黑色还是白色无关,所以图4(a ),(b )两种情况都可用此法检出,最后再根据核灰度359第5期 文潇等:基于SUSAN 的指纹细节点提取算法的大小可判断是分叉点还是端点.(a )核为脊线端点 (b )核为谷线端点 (c )核为脊线上普通点 (d )核为谷线上普通点图4　指纹图象中USAN 的四种情况Fig.4　Four cases of USAN in fingerprint image3.2　改进SUSAN 法提取细节点对于250×250左右大的指纹图象,指纹的脊线和谷线一般为3～5个象素宽,若正方形边长太小,U 2SAN 面积大小的改变不灵敏,易检测出伪角点.指纹图象的一个显著特点是纹线间间隔小,因此半径太大易将过多相邻纹线包括在内,使检测不准确.综合考虑两种情况,n ×n 的正方形模板,n 一般取7～11.且为了使核为一个完整的象素点,应取奇数.如式(1)所示,传统SUSAN 是设定一个阈值y ,将USAN 区域定义为灰度“相近”的点.若在指纹图象预处理中包含二值化功能,其效果与设定阈值y 相同,且在判断USAN 区域时就只需检测某点与核是否灰度“相同”,更为简便.由此保持式(2)和式(3)不变,式(1)改写为h (r )=1　I (r )-I (O )=00　otherwise (4) 再观察图2,我们发现角点首先是边缘点,由此想到在扫描各点时,只对先确定为边缘点的象素点执行SUSAN 算法,可大大减少运算次数,且边缘点的判断也较容易,其简略流程如图5所示. 图5　边缘点判别流程图Fig.5　Flow chart of edge identification 同时,由于阈值m 带来的精度问题,距离某角点很近的其他边缘点也可能错被检测为角点.设O 1,O 2分别为先后检测到的两个角点,当它们满足判别式(5)时,将O 2滤掉.　|X (O 1)-X (O 2)|<Width /2&　|Y (O 1)-Y (O 2)|<Width /2(5)在运行以上算法后,发现一个问题:有的纹线(包括脊线和谷线)特别细,导致当核处于它们的非端点上时(如图4中(c ),(d )情况),计算所得的USAN 区域也很小,而被错判为角点,且图象中往往存在相邻数根纹线都很细的区域,会产生大量伪角点,应去除.传统的去伪方法是根据细节点之间的距离、夹角等[2].由于我们的提取算法不同,所产生的伪角点具有一些独特性质.取部分此类伪角点进行观察,发现虽然它们的USAN 面积也很小,但以它们为中心的n ×n 领域中h (r )为“1”的点的分布与真实的角点有所不同,一般都贯通模板的对边或邻边,如图6所示.由此我们设计如下算法,在某点被检测为角点后,记录其3×3领域内共8个点中h (r )的值,然后对其进行分析,对这8个点编号如图7.当两个h (r )=1的点及核3点共线时,USAN 区域趋近于贯通分布,即对应伪细节点.具体判别程序流程如图8所示.最后,若需要将端点和分叉点区分开来.每测出一个角点时,记录其灰度值(因为图已二值化,只有0和255两个值),由该信息很易区分端点和分叉点,再分类标记.459四川大学学报(自然科学版) 第42卷 图6　本算法产生的伪节点示意图Fig.6　Sketch maps of fake minutiaes produced by this algorithm 图7　核的3×3邻域分析Fig.7　Analysis of nucleus ’3×3vicinity 图8　去伪流程图Fig.8　Flow chart of fake minutiaes reducing4　实验结果及讨论 我们用C ++实现了以上算法,并使用它对一些指纹进行了处理.图9是任意一个指纹的处理结果.图9中(a )为采集到的指纹原始图象,(b )为经过脊线增强、二值化等预处理后的灰度图象,在此基础上采用我们的算法,可得到(c )图.(a ) (b ) (c )　图9　细节点提取结果Fig.9　Results of minutiae extraction 由图9(c )图可以看出,几乎所有的端点和分叉点都能被提取出来.而且跟踪程序,比较使用图8所示算法前后,去掉了大约10个伪细节点,证明此法虽然使占用的内存增加了,但是是必要而有效的.综上可见,改进角点检测中的经典算法SUSAN ,将其应用于指纹细节点提取.发挥了SUSAN 计算、编程均较简单、抗噪声能力强的优点.也有较快的速度和较好的准确度,不失为一种可行实用的算法.但559第5期 文潇等:基于SUSAN 的指纹细节点提取算法659四川大学学报(自然科学版) 第42卷此法很大程度上取决于预处理中二值化的效果,对其有较高要求.参考文献:[1]　Ratha N K,Chen S,Jain A K.Ada ptive flow orientation2based feature extraction in fingerprint images[J].Pattern Recog2nition,1995,28(11):1657-1672.[2]　尹义龙,宁新宝,张晓梅.改进的指纹细节特征提取算法[J].中国图象图形学报(A),2002,7(12):1302-1305.[3]　冯国进,顾国华,张保民.指纹图象预处理与特征提取[J].计算机应用研究,2004,5:183-185.[4]　Smith S M,Brady J M.SUSAN———A new approach to low level image processing[J].International Journal of Com puterVision,1997,23(1):45-78.[5]　K aru K,Jain A K.Fingerprint Classification[J].Pattern Recognition,1996,29(3):389-404.[6]　Miroslav T,Mark H.Fast Corner Detection[J].Image and Vision Computing,1998,16:75-87.[7]　Prabhakara S,Jain A K,Pankanti S.Learning fingerprint minutiae location and type[J].Pattern Recognition,2003,36:1847-1857.[8]　Zheng Zhiqiang,Wang Han,Eam Khwang Teoh.Analysis of gray level corner detection[J].Pattern Recognition Letters,1999,20:149-162.[9]　周鹏,谭勇,徐守时.基于角点检测图象配准的一种新算法[J].中国科学技术大学学报,2002,32(4):455-461.An Algorithm for Extraction of Fingerprint Minutiae B ased on SUSANW EN Xiao1,HUA Hua2,X U A n2shi1(1.Peijing University,Peijing100871,China;2.College of Electronics and Information Engineering,Sichuan Univ.,Chengdu610064,China)Abstract:Minutiae extraction plays an important role in fingerprint identification.Most of the algorithms re2 quire the ridges being thinning first,which is time consuming and would produce a lot of fake minutiae.A new algorithm based on SUSAN in corner detection is proposed for fingerprint identification.It makes several ameliorations on traditional SUSAN to serve the fingerprint turn,uses the algorithm to extract both of the endings and bifurcations,and reduce the number of fake minutiae according to their distribution.This algo2 rithm is simple,noise-resisting,and ridge thinning free.K ey w ords:ending;bifurcation;corner detection;SUSAN;fake minutiae。