指纹识别系统本科毕业论文

指纹识别系统

摘要

指纹的唯一性和不变性决定了它在身份认证中的重要地位。它是模式识别领域中使用最早，也是应用最广的生物鉴定技术。随着低价位指纹采集仪的出现和高可靠性算法的实现，自动指纹识别技术越来越深入到人们的生活和工作当中。另一方面，由于数字信号处理器(DSP)的迅猛发展，已经可以满足图像处理中的运算量要求。

本文首先介绍了指纹识别系统的发展现状，以与指纹识别技术面临的难点和发展方向，分析了三种指纹采集技术的优劣，完成了指纹芯片的选型。

接下来讨论了指纹识别的有关概念与常规算法，然后在此基础上介绍了一种利用小波变换的指纹识别新算法，该算法利用指纹的子带小波变换系数近似服从广义高斯分布这一特点，从而仅使用两个参数就可代表指纹小波子带的特征，并以此为指纹识别的特征进行匹配。该算法的优点在于:预处理算法简单、处理速度快;算法的数据存储量小(存储6个数，存储量为24字节。近似于现阶段“ID+密码”方式的数据量)，适合实际应用。

最后介绍了半导体指纹传感器MRB200的基本功能，并使用AVR mega16做为上位机实现指纹识别系统的设计。

关键词：自动指纹识别 特征提取 小波变换 AVR应用

I / 48

. . .

Fingerprint Identification System

Abstract

Fingerprint has important state in identity verification for its exclusivity and invariability. Along with the emergence of the low cost fingerprint sensor and the realization of the highly reliable algorithm, the automated fingerprint identification technique is applied more and more in our life and work. On the other hand, because of the fast development of the digital signal processor (DSP), the DSP already can satisfy the request of abounding computing in image processing.

First, this paper introduces the developing actuality, difficulties and direction on fingerprint identification technology, and analyses the advantages and disadvantages of the technology of fingerprint capturing; and at last selects the fingerprint sensor.

So then, This paper discusses the relevant concept and the traditional algorithm of fingerprint verification, then put forward a new fingerprint verification algorithm based on wavelet transformation. This algorithm is on the base of the character that the wavelet subband coefficient approximately obedient to the generalized Gaussian density. So two parameters can represent the wavelet subband and can be used to match fingerprints as fingerprint's character. The algorithm's advangtage is simplity of pre-processing algorithm, fast processing speed; small data memory needed by the algorithm (need to save 6 data, 24 byte. Be close to the capacity of `ID+password'), which suit real application.

Finally,this article introduces basic functions of the semiconductor fingerprint sensor MBF200, and uses AVR mega16 as upper machine to realize the design of fingerprint identification system.

Key words:Automated fingerprint identification, Feature extraction, Wavelet transformation, AVR application

目录

第一章绪论1

II / 48

. . .

1.1 引言1

1.2 指纹识别技术的研究背景2 1.3 指纹识别原理4

1.4 指纹识别技术面临的难点以与发展方向5 1.5 指纹采集技术比较7 1.6 特征提取与匹配9 1.7 性能评价9

1.8 本文所做工作与论文结构11 第二章指纹识别算法12

2.1 指纹识别的基本知识12

2.1.1 总体特征12 2.1.2 局部特征13

2.2 指纹的特征提取与匹配算法14

2.2.1基于特征点的特征提取与匹配算法15 2.2.2 基于指纹纹理特性的新算法16 2.3 指纹奇异点检测算法22

2.3.1 指纹主向图的求取23 2.3.2 指纹奇异点的提取26

第三章指纹识别系统的硬件设计29

3.1 MRB200指纹模块简介29

3.1.1 系统特点29 3.1.2 接口定义30 3.1.3 安装连接31 3.1.4 命令格式31 3.2 ATmega16 单片机介绍32 3.3 指纹识别系统的硬件设计33 3.4 指纹识别系统的软件设计39 第四章总结与展望40

4.1 总结40 4.2 展望41 参考文献42

III / 48

. . .

致43

IV / 48

. . .

第一章 绪论

1.1 引言

随着网络时代的来临，人们对于安全性的要求越来越高，如何准确的鉴定个人身份，保护信息安全是当今信息化时代必须解决的一个关键性社会问题。目前，我国的各种管理大部分使用证件、磁卡、IC卡和密码，这些手段无法避免伪造或遗失，密码也很容易被窃取或遗忘。这些都给管理者和使用者带来很大不方便。面对日益增多的安全问题，我们迫切需要更加安全可靠的身份识别技术来加以解决。

生物特征识别(Biometrics)技术是指通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴别。生物特征识别系统本质上是一个模式识别系统，它根据使用者的生理或行为特征对使用者进行辨识，从而判断其是否具有合法身份。

目前，常见的生物特征识别手段主要有人脸、指纹、手形、手部血管分布、虹膜、视网膜、手写体、声音和脸部热量图等。它们有的已逐步得到推广和应用，有的还仅处于实验研究阶段。其中，人脸、指纹、手形、手部血管分布、虹膜、视网膜和脸部热量图都属于生理特征，手写体属于行为特征，而声音则兼有两方面的属性。

相对于其它生物特征鉴定技术例如语音识别与视网膜识别，指纹识别是一种更为理想的身份确认技术。主要基于指纹的以下特性：

1、每个人的指纹是独一无二，两个人之间不存在一样的指纹。19世纪末，英国学者E.R.Herry写出了专著，将指纹的特征与识别原理加以分析归纳，科学地提出了人的指纹各不一样，并提出了基于指纹特征进行识别的原理和方法，以后衍尘出的各种识别方法都是基千该理论的[24]。按照Herry的理论，一般人的指纹在出生后9个月得以成形并终身不变；每个指纹一般都有70-150个基本特征点。从概率学的角度来讲，在两枚指纹中只要有12-13个特征点相吻合，即可被认为是同一指纹。按照现有的人口进行计算，依照上述概率，124年才可能出现两枚完全一样的指纹。

2、每个人的指纹是相当固定的，很难发生变化。例如，指纹不会随着人的年龄增长、或身体健康程度的变化而变化。而人的声音却有着较大的变

1 / 48

. . .

化且易于伪装和模仿。

3、便于获取指纹样本，易于开发识别系统，实用性强。目前己有标准的指纹样本库，方便了识别系统的软件开发；另外，识别系统中完成指纹采样功能的硬件部分（即指纹采集仪）也比较容易实现。而视网膜则难于采样，也无标准的视网膜样本库可供系统软件开发使用，这就导致了视网膜识别系统难以开发，可行性较低的问题。

4、一个人十个手指的指纹皆不一样，这样，可以方便地利用多个指纹构成多重口令，提高系统的安全性，同时并不增加系统的设计负担。

5、指纹识别中使用的模板并非是最初的指纹图像，而是由指纹图像中提取的关键特征构成的，这样模板库占用系统的存储空间较小。另外，对输入的指纹图像提取关键特征后，可以大大减小网络传输的负担，便于实现异地确认，支持计算机的网络功能。

1.2 指纹识别技术的研究背景

指纹即是指尖表面的纹路，其中突起的纹线称为脊，脊之间的部分称为谷，他们的形成依赖于胚胎发育时的环境。

人类对指纹的应用，从非常远古的时候就开始了。中国是世界公认的指纹发源地。而指纹在中国古代最广泛的应用，可以说是在文书契约上按手（指）印。德国之文学家海因德尔根据我国《周礼·曲礼》断定:“中国第一个提到用指纹鉴别个人的是唐代的作家贾公彦。他的作品大约写于公元650年，他是着重提到指纹是确定个人方法的世界土最老的作家”。其实，贾公彦只不过是根据我国长期应用指、掌纹的实践经验对“质剂”和“下千书”作了进一步解释而己，中国正式应用指纹远早于此。我国是最早利用手印进行侦查活动的国家。有文字可考、有实物可证的距今已有二千一百余年。在唐代指、掌印己应用于文书契约上，而至少到了宋代，手印己正式作为刑事诉讼的物证了。指、掌纹在中国古代的借贷契约、买卖文凭、婚约休书、狱词供状，名籍等方面的广泛应用，反映了我国人民己经能根据经验，认识到了指、,掌纹可以代表一个人，而且是不变的。

现代指纹识别起源于16世纪后期，1684年英国人N.Grew发表了指纹研究的第一篇论文，阐述了指纹的脊线、谷线、毛孔的结构，1809年T.Bewick开始用指纹代替印章，迈出了指纹识别历史上重要的一步，Henry Fauld于

2 / 48

. . .

1880年在美国《Nature》杂志上发表论文，指出指纹具有唯一性、不变形，并利用现场指纹来鉴定罪犯，从此揭开了现代指纹识别的序幕。19年，Edward Henry建立了著名的Henry指纹分类系统，并于1901年被英国正式采用，随后西方各国也相继采用，指纹识别正式被各国与法庭接受，得到了广泛的应用。

随着电子计算机的出现，采集技术的发展，以与对指纹识别的研究，人们逐渐将人工的指纹识别向自动指纹识别(Automated Fingerprint Identification System, AFIS)转变，美国于1963年开展相关软件的研究，于1982年将NEC AFIS投入使用。我国也在80年代初对指纹识别展开研究，并取得了一定的成功。

日前，国外从事指纹识别研究的公司，学校，科研机构共有200多家。其中，较为著名的公司有：IBM，Intel，NEC，Identity，Digital personal，国现代等。学校有：加州理工学院（California Institute of Technology），密歇根州立大学模式识别与图像处理实验室(Michigan State University, Pattern Recognition and Image Processing Lab)，意大利Bologna大学特征识别系统实验室等。研究机构有：美国国家标准局视觉图像处理研究组(NIST Visual, Image Processing Group)，IBM沃特生研究中心(IBM Watson Research Center)等。这些国外公司、研究机构在指纹的采集、图像处理、识别、比对等方面的技术己经比较成熟。各种相应的产品也己投放市场多年。

国从上个世纪80年代初期开始研究指纹自动识别技术。从事指纹识别的研究机构有：大学信息中心，清华大学自动化系，邮电人学，中科院，光机所等。从事自动指纹识别系统开发的公司有：青松，中控，宝利铬等。其中部分公司拥有自主知识产权的技术和产品。

单就指纹识别算法而言，国外的研究水平处于同步状态。现在国外指纹识别的技术基本上都是采用基于细节特征点的指纹识别技术，从研究角度来看，国外的差距并不明显。

在产品应用方面，欧美国家已经开始使用指纹识别ATM，并在南美广泛使用。同时，全美有15家连锁超市正在使用“指纹付款技术”，消费者无需自带钱包，只要在付款时扫描一下指纹，即可完成购物。

而在国，指纹识别主要应用在单位和集体的考勤、门禁、保险箱柜等领域，主要的产品有机、指纹门禁系统、指纹锁等。同时在个人的计

3 / 48

. . .

算机、汽车安全、个人手机等方面也有应用。

可以预见，指纹识别技术将被广泛接受从而影响人们的日常生活的各个方面：通过取代个人识别码和口令，指纹识别技术可以阻止无授权用户的访问，以防止盗用ATM，蜂窝、智能卡、桌面PC，工作站与其计算机网络；在通过、网络进行的金融交易时进行身份认证；在建筑物或工作场所，生物识别技术可以取代钥匙、证件、图章和卡阅读器。

同时，指纹识别技术在中国经历了近10年缓慢的自然增长后，即将迎来一个跳跃性发展的黄金时期。据专家保守估计，未来5年，我国将有近百亿元的市场等待着企业去开拓。指纹识别技术的巨大市场前景，将对整个安防产业产生巨大的影响。

1.3 指纹识别原理

指纹图像其实是比较复杂的，与人工处理不同，许多生物识别技术公司并不直接存储指纹图像（美国有关法律认为，指纹图像属于个人隐私，因此不能直接存储指纹图像）。多年来各个公司与其研究机构产生了众多的指纹数字化算法，而所用的指纹识别算法最终都归结为在指纹图像上提取和比对指纹特征。指纹识别的基本过程是通过取像设备读取指纹图像，然后用计算机识别软件提取指纹的特征数据，最后通过匹配识别算法得到识别结果，以确定指纹所有人的身份。

自动指纹识别技术系统〔AFIS〕可以分为两类，即验证（如图2-1）和辨识（如图2-2）。验证就是通过把一个现场采集到的指纹与一个己经登记的指纹进行一对一的比对（one-to-one matching）来确认身份的过程。作为验证的前提条件，他或她的指纹必须在指纹库中己经注册。指纹以一定的压缩格式存贮，并与其或其标识（ID，PIN）联系起来。随后在比对现场，先验证其标识，然后，利用系统的指纹与现场采集的指纹比对来证明其标识是合法的。验证其实是回答了这样一个问题:“他是他自称的这个人吗？”这是应用系统中使用得较多的方法。

辨识则是把现场采集到的指纹同指纹数据库中的指纹逐一对比，从中找出与现场指纹相匹配的指纹。这也叫“一对多匹配（one-to-many matching）”。验证其实是回答了这样一个问题：“他是谁？”。辨识主要应用于犯罪指纹匹配的传统领域中。一个不明身份的人的指纹与指纹库中有犯罪记录的人指纹

4 / 48

. . .

进行比对，来确定此人是否曾经有过犯罪记录。

用户ID 指纹库 用户指纹 提取指纹特征 特征匹配 匹配结果 图1-1 一对一指纹登记与验证示意图

指纹库 用户指纹 提取指纹特征 逐一匹配 用户ID 图1-2 一对多指纹登记与辨识系统示意图

验证和辨识在比对算法和系统设计上各具技术特点。例如验证系统一般只考虑对完整的指纹进行比对，而辨识系统要考虑残纹的比对；验证系统对比对算法的速度要求不如辨识系统高，但更强调易用性；另外在辨识系统中，一般兼有使用分类技术来加快查询的速度。

1.4 指纹识别技术面临的难点以与发展方向

迄今为止，自动指纹识别技术的研究取得了很大的成绩，但也面临一些严重的困难：

（1）指纹采集技术有待提高。主要表现在：（a）对被采指纹的适应性

5 / 48

. . .

差。虽然可以通过指纹增强等技术提高指纹的质量，但这不可能从根本上解决问题。毕竟清晰的指纹图像是正确实现自动指纹识别的前提和保障。（b）指纹采集时的变形问题至今没有得到很好的解决。指头在每次采集用力大小、用力方向和采集位置都会有所不同，造成指纹的各种变形，使指纹特征的相对位置发生较大偏移，从而很难对各特征点做到精确定位。另外，指头表面是一个三维曲面，而获取的指纹图像却是一个二维平面，这种从立体向平面的转化也会造成指纹的变形。更为主要的是，以上因素造成的指纹变形往往是不确定的、随机的，很难用确定的数学模型去描述，这给后继的指纹比对造成了严重的干扰。

（2）指纹分类技术有待突破。对于工作在验证模式下的自动指纹识别系统，指纹分类技术并不是一个问题。但对于工作在辨识模式下的系统，指纹分类技术的研究水平则至关重要。指纹分类技术越完善，能够划分的类型越细，指纹数据库每个类别中所包含的样本数量就会越少，对一次识别任务来讲，需要比对的次数和时间开销就会越少。按照现行的分类标准，将指纹分成四类、五类或六类还是远远不够的。现在，较好的指纹分类算法，将指纹分为五类和四类的准确率分别也只有87.5%和92.3%[21][22]，而这样的分类结果还远不能满足实际应用的需要。

（3）缺乏自动指纹识别系统的性能评价体系。国外还没有这样一个自动指纹识别系统性能评价机构，各个自动指纹识别系统的性能往往是由开发者自己来建立或者选择数据库、设计测试方案、进行性能测试。这样，由于各个自动指纹系统在测试时使用的数据库在容量、指纹质量方面各不一样，侧试方案差别也比较大，不可避免地造成现在自动指纹识别系统性能评价的混乱和无序，而且各系统间也不存在可比性[23]。

今后指纹识别技术研究发展的方向：（a）非接触式真皮层指纹采集。生理学的研究结果表明，指纹的结构在真皮层有着完整和稳定的表现。通过非接触方式采集指纹，则可以有效解决指纹录入时的变形问题。（b）多种生物识别技术的融合。生物识别技术是一个综合的体系，指纹识别仅仅是其中的一种。各种生物识别技术都具有自身的特点和优势。充分利用其他生物识别技术的优势，将其他生物识别技术与指纹结合使用，实现优势互补，是自动指纹识别技术的发展方向之一。

自动指纹识别技术是一项综合性的高新技术，是一个学科交叉性很强的

6 / 48

. . .

研究领域。目前该技术的研究己经取得了巨大的成就，也面临着一些困难，需要各个学科的共同参与和努力，才有可能尽快将这一技术完善并实现产业化。

1.5 指纹采集技术比较

目前有三种指纹采集技术：光学扫描、半导体传感器、超声波扫描技 术[12]。 光学传感器

光学指纹传感器的工作原理是光的全反射 (FTIR)。光线照到压有指纹的玻璃表面，反射光线由CCD去获得，反射光的量依赖于压在玻璃表面指纹的脊和谷的深度以与皮肤与玻璃间的油脂和水分。光线经玻璃照射到谷的地方后在玻璃与空气的界面发生全反射，光线被反射到CCD，而射向脊的光线不发生全反射，而是被脊与玻璃的接触面吸收或者漫反射到别的地方，这样就在CCD上形成了指纹的图像。光学采集设备有着许多优势：它经历了长时问实际应用的考验，能承受一定程度温度变化，稳定性很好，成本相对较低，并能提供分辨率为500dpi的图像。

光学采集设备也有不足之处，主要表现在图像尺寸和潜在指印两个方面。台板必须足够大才能获得质量较好的图像。潜在指印是手指在台板上按完后留下的，这种潜在指印降低了指纹图像的质量。严重的潜在指印会导致两个指印的重叠。另外台板上的涂层 (膜)和CCD阵列随着时间的推移会有损耗，精确度会降低。另外塑料假指纹也有可能骗过光学传感器。

随着光学设备技术的革新，光学指纹采集设备的体积也不断减小。现在传感器可以装在6×3×6英寸的盒子里，在不久的将来更小的设备可能只有3×1×1英寸。这些进展得益于多种光学技术的发展。例如:可以利用纤维光束来获取指纹图像。纤维光束垂直照射到指纹的表面，他照亮指纹并探测反射光。另 一个方案是把含有微型二棱镜矩阵的表面安装在弹性的平面上，当手指压在此表面上时，由于指纹脊和谷的压力不同而改变了微型二棱镜的表面，这些变化通过三棱镜光的反射而反映出来。 半导体传感器

半导体传感器是 1998年在市场上才出现的，这些含有微型晶体的平面通过多种技术来绘制指纹图像。

7 / 48

. . .

（1）硅电容指纹图像传感器。这是最常见的半导体指纹传感器，它通过电子度量来捕捉指纹。在半导体金属阵列上能结合大约 100000个电容传感器，其外面是绝缘的表面。传感器阵列的每一点是一个金属电极，充当电容器的一极，按在传感面上的手指头的对应点则作为另一极，传感面形成两极之间的介电层。由于指纹的脊和谷相对于另一极之间的距离不同(纹路深浅的存在），导致硅表面电容阵列的各个电容值不同，测量并记录各点的电容值，就可以获得具有灰度级的指纹图像。

（2）半导体压感式传感器。其表面的顶层是具有弹性的压感介质材料，它们依照指纹的外表地形（凹凸）转化为相应的电子信号，并进一步产生具有灰度级的指纹图像。

（3）半导体温度感应传感器。它通过感应压在设备上的脊和远离设备的谷温度的不同就可以获得指纹图像。

半导体指纹传感器采用了自动控制技术（AGC技术），能够自动调节指纹图像像素行以与指纹局部围的敏感程度，在不同的环境下结合反馈的信息便可产生高质量的图像。例如：一个不清晰（对比度差）的图像，如干燥的指纹，都能够被感觉到，从而可以增强其灵敏度，在捕捉的瞬间产生清晰的图像（对比度好）；由于提供了局部调整的能力，图像不清晰（对比度差）的区域也能够被检测到（如：手指压得较轻的地方），并在捕捉的瞬间为这些像素提高灵敏度。半导体指纹采集设备可以获得相当精确的指纹图像，分辨率可高达600dpi，并且指纹采集时不需要像光学采集设备那样，要求有较大面积的采集头。由于半导体芯片的体积小巧，功耗很低，可以集成到许多现有设备中，这是光学采集设备所无法比拟的，现在许多指纹识别系统研发工作都采用半导体采集设备来进行。早期半导体传感器最主要的弱点在于：容易受到静电的影响，使得传感器有时会取不到图像，甚至会被损坏图像。手指的汗液中的盐分或者其他的污物，以与手指磨损都会使半导体传感器的取像很困难。另外，它们并不像玻璃一样耐磨损，从而影响使用寿命。随着各种工艺技术的不断发展，芯片的防静电性能和耐用度得到了很大的改善。

半导体传感器的缺点在于，其价格与硅晶片的面积相关，晶片面积越大，芯片价格越高。为了降低成本，晶片面积一般都比较小。小的接触面积使每次捕捉的指纹图像重叠区域变小，这样导致输入指纹与模板指纹间缺乏足够的对应细节点，传统的基于细节点的算法的性能就会下降。

8 / 48

. . .

超声波扫描传感器

超声波扫描传感器工作原理为传送超声波，并通过手指、台板和空气间的电阻来测量距离的方法完成录入，扫描指纹的表面，接收设备获取了其反射信号，测量它的围，得到脊的深度。超声波扫描被认为是指纹取像技术中非常好的一类，积累在皮肤上的脏物和油脂对超声波获得的图像影响不大，是实际脊地形 (凹凸)的真实反映，为精确度最高的指纹录入技术。但由于超声波录入设备的耐久性还难以估计，因此实际中应用得较少。Ultra-scan公司首开超声波指纹图像采集设备产品先河。但成本很高，而且还处于实验室阶段。

近年来，随着电子技术的发展，指纹采集设备越来越便宜，这为指纹识别技术的普遍应用提供了良好的条件。

1.6 特征提取与匹配

AFIS系统中，指纹识别算法最终都归结为在指纹图像上提取和比对指纹特征。迄今为比，指纹的提取和比对方面人们己经做了大量的研究。新近的算法大致可以分为：基于结构的特征提取和匹配、基于特征点的匹配和基于神经网络的方法[19]。

比如Isenor等指出了一种用图匹配来对两幅指纹图像进行匹配的方法。Hrechak等用结构匹配来做指纹识别。基于DHNN人工神经网络的指纹识别技术。其中最多的是基于点匹配的方法，有Ranade等的松弛算法，Chang等基于一维聚类的快速算法，Miklos z的三角匹配算法，Jain等的串匹配算法，以与Luo等针对Jain等的算法所提出的改进算法等。

这几种方法各有优缺点。点匹配方法虽然应用得最多，发展得最成熟。但是其有步骤繁多，抗干扰能力差，对指纹图像质量依赖性强，提取特征点可靠性差等缺点。基于神经网络算法容错性高，但需要大量样本事先对系统进行训练才能发挥作用，而且计算量也偏大，不符合实时性的要求。而基于图像匹配的方法不能很好的解决指纹旋转、平移等问题。

1.7 性能评价

指纹算法中引入了两个重要的数字指标来描述该系统的精确度。拒判率

9 / 48

. . .

(False Rejection Rate，FRR)和误判率(False Accept Rate，FAR)。此外拒登率(Error Registration Rate，ERR)和识别速度也会影响到使用的方便性。

 FRR拒判率又称拒真率，指将一样的指纹误认为是不同的指纹，而加以

拒绝的出错概率。其定义为：FRR=拒识的指纹数目/考察的指纹总数目×100%。

 FAR又称认假率，指将不同的指纹误认为是一样的指纹，而加以接收的

出错概率。其定义为：FRR=错判的指纹数目/考察的指纹总数目×100%[19]。  拒登率是用来描述指纹设备的适应性，是指纹设备出现不能登录与处理

的指纹的概率，拒登率ERR过高将会严重影响设备的使用围。  速度。指纹识别系统的工作速度主要由采集时间、图像处理时间、比对

时间和平均识别速度几项指标构成。采集时间通常包含了采集的操作时间和图像的传输时间；图像处理时间指的是从计算机处理指纹图像到提取出所有特征、输出特征模板所耗费的时间；比对时间是指计算机对两组指纹特征模板进行比对并给出结果所耗费的时间；平均识别速度指计算机从指纹特征模版库中搜索出特定指纹特征模板的速度，通常是一个统计平均值，其速度的快慢与指纹特征模版库的分类方法有很大关系。

FRR EER FAR 图1-3 FAR和FRR关系曲线图

ROC曲线

由于计算机处理指纹时，只是涉与了指纹的一些有限的信息，而且比对算法并不是精确匹配，其结果也不能保证100%准确。指纹识别系统的特定应用的重要衡量标志是识别率。主要由两部分组成，拒判率(FRR)和误判率(FAR)。我们可以根据不同的用途来调整这两个值。FRR和FAR是成反比的，

10 / 48

. . .

降低FAR，会增加FRR；反过来，降低FRR，又会增加FAR。用0-1.0或百分比来表达这个数。ROC(Receiver Operating Curve)-曲线给出FAR和FRR之间的关系。

尽管指纹识别系统存在着可靠性问题，但其安全性也比一样可靠性级别的“用 户ID+密码”方案的安全性高得多。例如采用四位数字密码的系统，不安全概率为 0.01%，如果同采用误判率为0.01%指纹识别系统相比，由于不诚实的人可以在一段时间试用所有可能的密码，因此四位密码并不安全，但是他绝对不可能找到一千个人去为他把所有的手指（十个手指）都试一遍。正因为如此，权威机构认为，在应用中1%的误判率就可以接受。

图1-4 ROC曲线图

FRR实际上也是系统易用性的重要指标。由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极提高了系统安全性。有学者推论：以全球60亿人口计算，300年都不会有两个一样的指纹出现。

1.8 本文所做工作与论文结构

指纹识别技术作为一种新兴的身份验证技术，具有广阔的应用空间。而考虑到产品的体积与价格因素，DSP系统是比较符合要求的。本文的指纹传感器模块就采用DSP来实现指纹识别。

本文首先介绍了在身份验证中的指纹识别算法，采用一种新的算法一基于小波变换的统计算法对指纹图像进行特征提取和特征匹配。

本文在第二章中详细介绍了指纹识别的常规算法和本文所采用的算法，

11 / 48

. . .

并比较了两种算法的性能特点，同时对本文指纹奇异点提取所采用的具体方法作了详细介绍。第三章介绍了本设计所使用的硬件开发工具以与在AVR开发系统中实现指纹系统程序设计的过程。第四章是对本文所做工作的总结，并提出了今后改进的方案和指纹识别技术的前景展望。

第二章 指纹识别算法

本章首先介绍了传统的基于细节点的指纹识别算法，以与基于结构的指纹识别算法的基本原理，接着介绍本文指纹识别的核心算法——指纹特征提取与匹配算法，不仅对常规的点匹配的方法和本文的算法进行介绍，并且对它们的性能进行了比较；而第二部分则介绍了指纹奇异点提取算法的思想和实现的具体步骤。

2.1 指纹识别的基本知识

我们定义了指纹的两类特征来进行指纹的验证：总体特征[19]和局部特征。

2.1.1 总体特征

总体特征是指那些用肉眼直接就可以观察到的特征，包括： 1. 纹形

环型（loop） 弓型（arch） 螺旋型（whorl）

图2-1 指纹纹形分类

指纹的纹形主要有环型、弓型和螺旋型三种，其他的指纹图案都基于这三种基本图案。仅仅依靠纹形来分辨指纹是远远不够的，这只是一个粗略的分类，通过更详细的分类使得在大数据库中搜寻指纹更为方便快捷。 2. 模式区（Pattern Area）

模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。 SecureTouch的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。

3. 核心点（Core Point）

12 / 48

. . .

核心点位于指纹纹路的渐进中心，它在读取指纹和比对指纹时作为参考点。许多算法是基于核心点的，既只能处理和识别具有核心点的指纹。核心点对于SecureTouch的指纹识别算法很重要，但没有核心点的指纹它仍然能够处理。

4. 三角点（Delta）

三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数跟踪的开始之处。 5. 纹数（Ridge Count）

指模式区指纹纹路的数量。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。

模式区 核心点 三角点 纹数

图2-2 指纹总体特征

2.1.2 局部特征

局部特征是指指纹上的节点的特征，这些具有某种特征的节点称为特征点。两枚指纹经常会具有一样的总体特征，但它们的局部特征——特征点，却不可能完全一样。

指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为“特征点”。就是这些特征点提供了指纹唯一性的确认信息。

指纹上的细节特征点有四种不同的特征：特征点的类型、特征点的方向、特征点纹线的曲率、特征点的位置。

指纹特征点的类型见表2-1，其中最典型的是终结点和分叉点。方向是指纹路灰度连续的方向，特征点可以朝着一定的方向。曲率描述纹路方向改变的速度。特征点的位置通过（x, y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。

表2-1 特征点分类表

终结点（Ending）—— 一条纹路在此终结。 13 / 48

. . . 分叉点（Bifurcation）—— 一条纹路在此分开成为两条或更多的纹路。 分歧点（Ridge Divergence）——两条平行的纹路在此分开。 孤立点（Dot or Island）—— 一条特别短的纹路，以至于成为一点。 环点（Enclosure）—— 一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点。 短纹（Short Ridge）—— 一端较短但不至于成为一点的纹路。 2.2 指纹的特征提取与匹配算法

指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司与其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图像属于个人隐私，因此不能直接处理指纹图像）。但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。

传统的基于特征点的指纹识别算法的不足之处在于：只利用了指纹图像中一小部分信息(细节点)，丢失了丰富的结构信息，对于小面积的指纹图像就有可能因为缺乏足够的信息而影响识别率；在细节点的提取过程中，很容易产生虚假细节点和丢失真正的细节点，在指纹的受损区域，这种现象更为突出；由于每个指纹的细节点数都不一样，产生的特征矢量长度不同，不利于快速比对(搜索指纹库)；特征比对时，细节点的相对位置随指纹的弹性变性而改变，影响比对的准确性。

Anil Jain 和 Chih-Jen Lee 在基于结构的指纹识别算法方面做了探索性的工作，不同的是Jain用的是圆形网格，有利于匹配时保持旋转不变，避免了旋转定位问题，这样就必须进行极坐标变换:而Lee用的是正方形网格，但是忽略了旋转不变的问题。他们对于参数的旋转都是用试验的方法，得到最合适的Gabor滤波器。

指纹的纹理是指纹图像的一个重要特征，可以用两种基本特征来描述，即组成指纹纹理的纹理元和纹理元之间的相互关系，前者与局部灰度变化规律有关，后者则与由前者形成的空间结构相关。在一定意义下，可以认为任何图像都是由一种或多种不同纹理组成。根据指纹的脊和谷局部平行的纹理

14 / 48

. . .

特性，可以建成包含方向和频率信息的模型。这样，图像就可以编码成一系列频率和方向的通道，纹理的局部结构就被表达成载体的频率和方向(即中心频率和通道方向)。Gabor变换用于纹理分析主要是它具有可调节的方向和中心频率，以与最优化的空间和频率分辨率。Gabor变换用于特征提取，图像增强，指纹分类以与识别等。基于结构的指纹识别算法处理流程图如图2-3所示。

基于结构的指纹识别算法，能充分利用指纹图像的纹理结构信息，弥补基于特征点的识别算法的不足。但是由于基于结构的指纹识别算法需要处理多个方向上的特征，严重影响指纹识别的速度。

原始指纹图像 中心点计算 图像扇形化 图像归一化 对比结果 特征对比 特征提取 Gabor 滤波

图2-3基于结构的指纹识别算法流程图

2.2.1基于特征点的特征提取与匹配算法

目前国外指纹识别的技术基本上都是采用基于细节特征点的指纹识别技术。特征点匹配方法也是应用得最早，发展得最成熟的方法。这里就将这一常规算法作一介绍。

特征点的提取算法现在有很多，而且各有不同。但基本思路是：将采集的指纹图像处理成二值图，然后通过细化，抽取出指纹的纹路（Ridge），最后扫描纹路的末端判定细节点，流程图如图2-4所示：

指纹采样 预处理 二值化 细化 指纹匹配 细节特征提取 纹路提取 图2-4 基于特征点提取的指纹识别流程图

15 / 48

. . .

一般自动指纹识别系统应该包括如下几个部分：采集指纹图像→图像预处理→特征点提取→后处理→特征点匹配→得出识别结果。预处理时，首先要对图像中不显著的地方进行对比度增强，然后采用平滑方法消去图像中的噪声；由于平滑处理会使脊线边缘变模糊，再采用锐化技术以获得清晰的边缘；最后对图像进行二值化。后处理的目的在于填补一些断点与去掉图像中的假分支。

指纹图像的匹配就是对两个输入指纹的特征集合进行比较，来确定它们是否同源的过程，即两枚指纹是否来自同一个指头。指纹匹配主要是依靠比较两枚指纹的局部纹线特征的数量、位置和所在区域的纹线方向等参数来度量，细节特征的集合形成一个拓扑结构。指纹匹配的过程实际就是两个拓扑结构的匹配过程。

这种基于牲点的匹配法发展的时间是最长的，也是现在最成熟的指纹识别方法，所以点匹配方法的识别率和可靠性都是比较高的，目前大部分指纹产品也都是以点匹配算法为基础的。

但基于特征点的匹配算法还存在许多缺点。比如预处理算法繁琐，计算量大。而在预处理过程中，由于算法本身所需的空间较大，加上很多中间结果需要保存，所以预处理过程所需空间很大。这样千万识别过程慢，效率低，而且由于反复的滤波，细化，会造成有效特征的丢失，这会造成加大误差。

同时，指纹库的数据量也较大，一般一幅指纹需要存储20-30个特征点以保证匹配的准确性。因此了指纹技术的应用。目前线指纹产品对应用围均有一定的。比如现在的指纹门禁系统，都会说明系统应用人数在1500。其原因就在于指纹存储量较大。 2.2.2 基于指纹纹理特性的新算法 1、小波动性变换理论

小波分析是八十年代中后期发展起来的一个新兴的数学分析分支。它极丰富和发展了fourier变换理论。由于它具有良好的空间——频率局部化特性，小波变换特别适用于非平稳信号的分析和处理，弥补了fourier变换这一领域中的不足；加上其具有的其它许多优良特性，小波变换在图象处理和压缩、语音分析和合成、地质勘测、CT成像、量子力学与计算机视觉等很多领域都得到了广泛的应用。

小波变换的基本思想是用一族小波基函数去表示或逼近信号，很好地解

16 / 48

. . .

决了时间和频率分辨力的矛盾，适合于对时变信号进行局部分析。

小波理论的提出可追溯到1910年Haar提出的规正基[25]。1984年法国地理学家 Morlet在分析地震波的局部性质时引入了小波的概念[26]，1986年，S.Mallat将多分辨率分析的概念引入了小波分析与小波函数的构造中[27]，并将小波函数的构造统一于多分辨率分析的框架之下，同时，Mallat提出的快速算法使小波变换从理论研究进一步起向各种应用领域。至今，小波理论系统的构架得以建立，它为原来信号处理领域里各自的方法，如多尺度分析、拉普拉斯金字塔、精确重建滤波器组等提供了一个统一的理论框架。随着理论研究的不断深入和应用领域的不断扩展，小波分析越来越显示出它的独特魅力。

目前，小波变换作为一种新的数学工具，已经广泛应用于图像处理。这是因为小波变换具有空间——频率的局部性、方向性、多分辨率性和带宽在对数频率轴上等宽的优点，并与视觉特性接近，所以不仅可以利用统计特性，还可以利用视觉特性来提高编码效率，并且用金字塔算法还可以实现图像的正交、无冗余分解。近年来，小波变换的应用越来越受到重视。

在利用小波变换进行图像处理时，由于图像是一组二维的数据，所以需要采用二维的小波变换。二维小波变换分为可分离和不可分离两种方式。可分离的二维小波变换（Separable 2D Wavelet Transform）是为最为简单、直接方式。即分别在水平方向和竖直方向各进行一次一维小波变换，如图2-5所示。

这种分解方式符合人数体视觉神经在水平方向和竖直方向敏感较好，对角方向敏感度较差的特性，并且计算量较小，是小波图象压缩中最为常用的分解方式。

图像经一次二维小波变换以后得到四个子带图象（图2-6）。其中LL子带对应于水平、竖直方向均为低频的成分，LH子带对应于水平方向为低频、竖直方向为低频的成分，HH子带对应于水平、竖直方向均为商频的成分。图2-7是对一幅指纹图像（图（a））进行二维小波变换的结果（图（b）），和图2-6相对应，左上角为低频近似子带，右上角为水平细节子带，左下角为垂直细节子带，右下角为对角细节子带。

17 / 48

. . .

H2H 22H 图像合成 H图像输入2G G （a）原始图像 （b）二维小波分解结果

图2-7 图像的二维小波分解结果

上述分解过程还可以在子图像中重复下去。分解的方式有图2-8所示的三种。每次都对所有子带进行分解的方式称为均匀分解，而每次均在LL子带作小波分解的方式，见分晓称为金字塔形的分解（Pyramidal Decomposition）.另外还有一种介于这两者之间的分解方式称为小波包分解。其中金字塔形分解比较符合人的视觉特性，也较易实现，因而比较常用。

18 / 48

2G 2H2H 22G 2G2G 2

图2-5 二维快速小波变换的分解与合成过程

LL HL LH HH 图2-6 小波分解示意图

. . .

（a）均匀分解 （b）金字塔分解 （c）小波分解

图2-8 三种子带分解方式

2、小波变换应用指纹图像的特性 （1）小波变换系数的统计特性

图像的离散小波变换通常运用高通滤波器L对图像进行水平和垂直方向的滤波，在小波频域，低通子带的系数称为尺度系数，而其他子带的系数则称为小波系数。由于H满足高通条件。因此，任一子带的小波系数的均值都等于或近似等于0。

图2-9为一幅指纹的灰度图像，图2-10为该图像在空间域统计特性图（灰度直方图），图2-11位该图像在变换域的统计特性图（小波变换系数直方图）。从图中可以看出，原始图像的灰度在大围分布，且相关性较强，熵值较大。而小波系数在零仁附近高度集中，单为零的系数高达77%，较好地去除了相关性，减小了熵 图2-9 指纹图像

值。而且，小波变换系数直方图可以用一系列概率密度函数来近似描述。

基于上述分析，我们由此提出一种小波变换系数高斯概率分布的指纹识别算法。

19 / 48

. . .

图2-10 灰度直方图图 2-11 小波变换系数直方图

（2）小波变换系数的广义高斯密度函数近似

实验显示，一个特定的子带小波变换系数直方图如果用含有两个变量α和β 的广义高斯密度函数来近似[28]，能够取得较为理想的结果。该函数定义如下：

p(x;,)2(1/)e(x/) (2-1)

其中，Γ()函数为： (z)ettz1dt z>0 (2-2)

0上式中，参数α模拟了概率密度函数的顶点，β则反比于顶点的下降速率。因此，α有时被称为尺度参数，β被称为形状参数。设子带小波变换系数直方图

x;=(x1,x2,...xL)可以描述成：

L(x;,)logp(xi;,) (2-3)

i1L这里如果β>0，可以得出：

F1(m1/m2)；F(x)(2/x)/(1/x)(3/x) (2-4) m1和m2分别满足：

m1(1/L)xi，m2(1/L)xi2 (2-5)

i1i1LL同时α满足： α=m1×(Γ(1/β)/ Γ(2/β)) (2-6) 在实际求解过程中，式（2-4）的解可以通过插值和对应查表的方法来

20 / 48

. . .

得到。即代入任——β值，使F()(2/)/(1/)(3/)最接近m1/m2的β值，即为所求解。

（3）基于广义高斯概密度的相似度量方法

上述可知，若给定了广义高斯概率模型，子带小波系数的直方图可以用α和β来描述。同时，如果用Kullback Leibler Distance (KLD)距离[28]来计算两个不同的直方图之间的相似度，其相应的KLD距离可以表示为：

(1/2)1((21)/1)1D(p(;1,1)p(;2,2))log12 (2-7) (1/1)121(1/1)22从（2-7）式中，可以看出，KLD距离函数含量有四个变量，两个尺度参数α1和α2与两个形状参数β1和β2。因此，图像之间的相似度转化为以尺度参数α和形关参数β为变量的KLD距离函数。

由于指纹图像库中的图像是各种各样的，有些图像的灰度差异较大，我们需要对这些图像数据库中的图像是各种各样的，有些图像的灰度差异较大，我们需要对这些图像进行一些预处理工作。这里我们的预处理采用提取每幅图像边缘的方法，将256级灰度指纹图像变为只包括0和1的二值图像。经过预处理后再根据上述算法进行识别，识别效率明显提高。

3．基于小波的指纹识别过程 具体步骤如下：

（1） 对待识指纹图像和模板图橡分别进行边缘检测，将其变为：值图

像；

（2） 对待识指纹图像和模板图像分别进行小波变换；

（3） 分别计算两图像各小波子图的α和β值，这里的α和β值由以下

公式得到：

F1(m1/m2)；m1其中：m1(1/L)xi，m2(1/L)xi2

i1i1LL(1/) (2-8)

(2/)21 / 48

. . .

F(x)(2/x) (2-9) (1/x)(3/x)（4） 利用（2-7）式，求出两图像各对应子图间的KLD距离。这里由于

KLD距离不具有对称性，所以要将其变换为对称距离。比如对于两幅指纹小波变换后的水平细节子带，提取出的特征分别为D(p(;α1,β1)‖p(;α2,β2))，1,2,1,2，先用（2-7）计算D1 =

再计算D2 = D(p(;α2,β2))‖p(;α1,β1)。最后两幅指纹水平细节子带的KLD距离为(D1＋D2)/2；

（5） 对步骤（4）中的三个小波细节子带KLD距离取平均值D，即为两

幅指纹图像的KLD距离；

（6） 设定阈值Dth，判断结果。如果D>Dth，两个指纹不是同源指纹；否

则，是同源指纹。 4、算法的优点

本文采取的算法是一种新的指纹识别方法，针对基于特征点的常规算法具有以下几个优点：

1、预处理简单，对指纹图像进行特征提取和匹配，在提取特征前几乎不改变原图像，且处理过程中对原始图像的影响很小，同时也极大提高了图像处理速度。

2、存储量小，我们的算法只需要存储三对小波系数（包括6个数），单指纹数据量不超过24字节（接近于“客户ID+密码”的存储量）。相当于点匹配方法中一个特征点的存储容量，从而极大减小存储容量，使得指纹识别技术的广泛应用成为可能。

3、对指纹质量要求不高。

2.3 指纹奇异点检测算法

指纹的奇异点包括核点和三角点。关于指纹核点和三角的定义见2.1节。指纹的奇异点作为指纹的特征点在指纹识别过程中可有多种用途，例如： (1) 可将奇异点作为指纹的参考点，在利用图像方法进行指纹识别时可纠正

比对指纹与模板指纹的旋转和平移问题，而在利用特征点方法进行指纹识别时可作为其他特征点的中心参考点，从而可提高指纹识别的可靠性；

22 / 48

. . .

(2) 可利用奇异点对指纹图像进匹配，如可以利用奇异点的数目，奇异点间

的距离以与奇异点间的夹角等来判断比对指纹和模板指纹是否为同源指纹；

(3) 还可利用奇异点对指纹进行分类，根据这些奇异点的数目和位置可将指

纹分为五类：拱形（没有奇异点），尖拱形（一个核点，一个三角点，并且距离很近），左环形（一个核点、一个三角点，三角点在核点右边），右环形（一个核点，一个三角点，三角点在核点左边），涡形（一个核点，两个三角点）。对指纹奇异点的提以首先要将指纹图像看作是一个方向场。所以提取指纹奇异点首先要计算指纹的方向图。为了准确的看到指纹的方向图，我们在计算指纹图像是地用公式而不用八方向场的方法。我们这里作一简单介绍。 2.3.1 指纹主向图的求取

方向图是原始指纹图像的一种变换，即用纹线上某点的方向来表示该纹线的方向，一般有两种方向图，一种是点方向图，表示原始指纹图像中每一像素点纹线的方向；另一种是块主向图，表示原始指纹图像中某点区域所有像素点的平均方向。 1、点方向图

有多种方法可以提取指纹的点方向，如B.M.Mehtre等人提出一种利用邻域不同方向上灰度值的变化我来求取点方向，进而统计出声方向的方法；Rao A.R提出了一种利用梯度算子求取点方向图的方向，利用脊线方向弧度变化最缓的原理，来求取指纹方向。前一种方法只能提取出有限的几个方向（比如4，8或16），这种方法的弊病是存在量化误码率差，而用梯度算子来寻找连续方向的方法，可抑制量化误差，因而本文采用的是这种方法。

容易观察到，指纹中的纹线方向是灰度值变化最慢的方向，而梯度方向则正好相反，它是灰度值变化最快的方向。梯度的计算公式如下：

yarctan() (2-10)

xytan (2-11)

x指纹纹线方向与梯度方向的关系为：α＝θ-π/2 (2-12)

其中，x,y分别是x方向和y方向上指纹灰度值的变化值。

2、块方向图

23 / 48

. . .

对于某一个点来讲，由于受到各种噪声的景响，可能会产生较大的随机误差，然而，对于某一个具体的指纹图像来讲，某一个小区域的方向总是近似一致的，因此，用块方向代替某一点的方向是一个可行的办法，并且可以有效地消除点方向图中出现的随机误差。

计算方向的平均方向可以采用中值法、加权平均值法和直方图法等。 中值法就是将点方向图分块以后，将其中的所有方向用排序算法排序后，选出其中位于中间位置的方向，以此作为块方向图的方向。对于方向图受均匀噪声影响的情况下，使用中值法是较为合理的。

加权平均法就是把点方向图分块以后，统计子块中每一方向的频率，再除以子块的总的像素数目，可以得到相应方向的权系数。用所有的方向去乘以相应的权系数，然后求和便可得到块方向。

直方图法就是把点方向图分成w×w大小的块，然后对每一子块计算其方向直方图，将方向直方图中的峰值方向作为该子块的方向，由此可以得到块方向图。本文采用的是直方图法。 3、指纹方向图

计算指纹方向图的具体算法描述如下；

（1）把指纹图象分成大小为w×w的方块，对于本文中的指纹图象，w选为5；

（2）计算每一点(i,j)的梯度x(i,j)和y(i,j)，在这里，梯度算子选为

101Sobel算子。模板尺寸为3×3，水平模板和垂直模板分别为：202和

10112101020，将原始图像分别与两个模板进行离散卷积，即可求得一阶偏1导。经实验验证，使用Sobel算子已经可以满足实际要求；

（3）计算以(i,j)为中心的每一块的方向，如下：

iy(i,j)uiW2jW2WWvj222x(u,v)y(u,v)) （2-13）

24 / 48

. . .

iW2jW2x(i,j)uiWWvj2222x(u,v)y(u,v)) （2-14）

(i,j)arctan(12y(i,j)) （2-15） x(i,j)这里θ(i,j)是局部脊线方向的最小平方估计。数学上，它表示这个方向垂直于w×w窗的傅立叶频率的主方向。

式中x(i,j)是点y(i,j)的x,y向一阶偏导；θ(i,j)的围在-π/4～π/4之间，为满足后继算法的需要，将所求角度调整至0～π之间，作如下处理：

如果x(i,j)0，表明该块的纹线方向为0～π/4之间或3π/4～π， 则θ(i,j)=θ(i,j)+π/2；

如果x(i,j)0，且y(i,j)0，表明该块的纹线方向为π/4～π/2之间，则θ(i,j)=θ(i,j)+π；

如果x(i,j)0，且y(i,j)0，表明该块的纹线方向为π/～3π/4之间，则θ(i,j)无需调整。

经以上处理计算出的的θ(i,j)为该块的局部切线方向，将被用于后继图像处理算法。

（4）由于噪声、断裂的脊线和谷线的存在，估计的脊线方向θ(i,j)可能不是总正确。在没有奇异点的邻域，局部脊线方向是缓慢变化的，可以用一个低通滤波器来修改不正确的脊线方向。为了做这件事情，方向场子需要转化到一个连续的向量场中：

x(i,j)cos(2(i,j)) (2-16)

y(i,j)sin(2(i,j)) (2-17)

x，y是向量场的x,y分量，低通滤波可以如下表示：

(i,j)'xw/2uw/2vw/2w/2h(u,v)x(iuw,jvw) (2-18)

25 / 48

. . .

(i,j)'yw/2uw/2vw/2w/2h(u,v)y(iuw,jvw) (2-19)

其中，h是一个二维低通滤波器其积分为1，ww是滤波器的大小。这个平滑操作是在块上执行的。本文中该滤波器大小为5×5。这里该平滑操作是基于块水平而基于象素水平进行的。

（5）计算在(i,j)局部方向场：

'(i,j)1(i,j)arctan(y') （2-20）

2x(i,j)这样我们就得到了指纹图像的方向场。

2.3.2 指纹奇异点的提取

1、奇异点检测

奇异点检测算法有许多，这里使用Poincare-index方法[29][30]确定指纹中三角点和核心点的位置和数目，它是计算每点周围一圈纹线的方向变化，即Poincare值。这里作一简单叙述，设O是方向场子，在给定点(i,j)索引如下计算：

1wPoinacare(i,j)(k) (2-21)

2k0d(k)(k)d(k)d(k)d(k)/2d(k)/2 (2-22)

其它其中d(k)O(x((i1)MOD),y((i1)MOD))O(x(i),y(j)) (2-23)

由Poincare值判断，为0°时，该点是一般点；为-180°时，该点是三角点；为180°时，该点是核点；

具体算法主要步骤描述如下： （1）将指纹图像分为5×5的小块； （2）对分块指纹图像提取方向信息；

（3）采用5×5的模板基于块水平平滑方向信息； （4）利用分块指纹图像方向检测core 点和delta点；

26 / 48

. . .

在我们的算法中，闭曲线是在一个5×5方格中取。如图2-12：

D12 D1 D2 D3 D11 D5 D10 D9 D7 D6 (i,j) D8 D4 图2-12 方向场计算的闭曲线

则在曲线D1D2...D12D1上其Poincare的值如下：

Poinacare(i,j)(DiD(i1)mod12) (2-24)

i112其中Di(i=1,2...12)表示图2-12中曲线D1D2...D12D1经过的每一块的方向，这里每块的方向由2.2.1节算法计算所得。同时 d(i,j)(DiD(i1)mod12) (i=1,2...12)还需作如下调整：

d(i,j)d(i,j)d(i,j)d(i,j)d(i,j)/2d(i,j)/2 (2-25)

其它由Poincare(i,j)值判断，等于0°时，该(i,j)是一般点；等于-180°时，(i,j)是三角点；等于180°时，(i,j)是核点；这样得到相邻的几个候选奇异点。 2、去除伪奇异点

在指纹图象中，由于噪声等因素的影响，可能存在伪奇异点。为了消除伪奇异点，我们利用方向会聚性测度和灰度方差的乘积函数[31]，对候选奇异点进行筛选。

（1）区域方向会聚性测度

指纹的奇异点是指纹中各种方向的会聚点，虽然在某一个径向上的方向场比较接近，但不同径向上的方向场就相差甚远。相反，噪声点只是在较小的领域方向变化比较剧烈，从整个方向场来看噪声点所在的局部，其方向还是基本一致的，也即不同的径向上的平均方向相差不大。由此，我们提出用如下定义的方向会聚性测度函数来衡量方向会聚的程度：

27 / 48

. . .

这里(i,j)是当前考察的奇异点，D(i,j)为(i,j)所在的方向子块，令β

i(i=1,2...8)为

D(i,j)在其领域中沿8个主方向的发散角（如图2-13），在

领域沿每一发散角径向长度为L，这里L值选为3。则定义区域方向会聚性测度为：

18C(i,j)i (2-26)

8i1其中，18i,i为领域沿βi方向的方向场平均值。 8i190° 135° 45° 180° -135° -90° 0° -45°

图2-13 八方向角发散角

C(i,j)越大，各个不同径向上的方向场之间就相差越大，(i,j)会聚程度就越大，为奇异点的可信度也就是越高。 （2）指纹灰度方差

在指纹的前、背景的交界处以与前景模糊区，方向不规则，易产生伪奇异点。这此区域在灰度图像中往往表现出灰度级别相近、统计意义上灰度变化较弱的特点，而指纹纹路较清晰的前景区域恰恰相反。灰度方差可以很好的反映指纹的前、背景特征。将指纹图像分成互不重叠的w×w大小的子块，按下式计算各块的灰度方差：

V(i,j)1(I(i,j)I)2 (2-27) N(i,j)D其中V(i,j)上当前考察的候选奇异点(i,j)所在块D的方差，I(i,j)是块点(i,j)处的灰度值I是块中的灰度均值，N为块象素点的总数。

28 / 48

. . .

（3）总置信度

综合（1）和（2），候选奇异点的置信度为P=C(i,j)×V(i,j)。当P大于某一阈值时认为是奇异点，反之，则认为是伪奇异点。

第三章 指纹识别系统的硬件设计

本章首先介绍了半导体指纹传感器MRB200的基本特点、基本功能，接下来介绍了AVR单片机的一些特点以与与指纹传感器的连接电路，利用mega16的实验板与MRB200实现了指纹采集。

3.1 MRB200指纹模块简介

MRB200压感嵌入式指纹模块采用全球领先的压力感应技术和每秒140万次高速处理器，结合一维科技自主知识产权与一流的智能化指纹识别技术，将指纹特征值进行数据加密后存储于处理模块的闪存中，是集指纹图像采集、存储和比对功能为一体的嵌入式模块系统。DSP模块主要由指纹采集单元和指纹处理单元两部分组成。指纹采集单元主要负责采集指纹图像并传给指纹处理单元。指纹处理单元根据用户的命令来完成一系列的操作，如指纹比对、指纹登记、指纹删除等，能方便自如地集成于各类指纹识别锁具、门禁、保险箱等产品中。

3.1.1 系统特点

 采用全球领先的MRB压力传感器，以低温多晶硅TFT底板作为指纹数据

压力传感，通过压力检测指纹的压感指纹检测技术；

 采用一维科技自主知识产权与一流的智能化指纹识别技术，支持±90度

旋转；

 采用美国仪器具有强大数据处理能力和高运行速度的DSP处理器；  超大采集面积和超薄感应体；  自动适应潮湿、沾水、干燥的手指；  不残留指纹；

 完成图象处理、比对、储存功能；  支持大容量指纹存储；

29 / 48

. . .

 支持多种通讯接口；  强抗静电能力；  低功耗； 3.1.2 接口定义

指纹处理单元接口

接口A

采集单元接口, 为与BMF采集芯片的扁平接口。 接口B

电源＋异步串行接口, 具体如下：

60mm C 50mm B A PIN 6 5 4 3 2 1

① PIN1 地

6 5 4 3 2 1 ② PIN2 异步串口入 ③ PIN3 异步串口出

④ PIN4 手指采集状态指示(输出)

Low: 手指不在采集芯片上 High: 手指在采集芯片上 ⑤ PIN5 睡眠状态控制(输入)

Low: 使模块处于关电状态 High: 使模块处于正常上电状态 ⑥ PIN6 电源输入(4～6.5V)

接口C

保留接口或预留接口，即reserved，用户不必使用。

30 / 48

. . .

3.1.3 安装连接

MRB200指纹模块主要由指纹采集单元和指纹处理单元两部分组成，指纹处理单元通过24芯排线（接口A）与指纹采集单元相连接；指纹模块通过异步串行接口（接口B）与用户目标板相连进行供电和数据传输。用户通过此接口来命令指纹模块完成如指纹采集、指纹比对等一系列操作。

C Pin1 Pin1

B Pin24 Pin24

DSP Module A 传感器背面 指纹处理单元排线固定座 采集单元24芯排线

图3-1 采集单元传感器与指纹处理单元的安装连接示意图

图3-2 MRB200模块与上位机、单片机的连接示意图

上位机/单片机 C A DSP Module B

3.1.4 命令格式

 MRB200指纹模块采用异步串行接口进行通讯，模块根据各种命令（CMD）

来执行相应的操作，

 并按照协议返回应答（ACK）信息。

 异步串行接口的技术参数为：19200bps（缺省）、无效验位、一个起始位、

一个停止位。

命令（CMD）由8个或以上字节组成（CMD为0x3×格式的命令由8个基本命令字节加若干数据字节组成，非0x3×格式的命令仅含8个基本命令字

31 / 48

. . .

节）。

基本命令格式：

第1字节为头标识(HEAD)，固定为0xFE。 第2字节为设备号(CH)，一般为0x00。 第3字节为命令代码(CODE)，用来放命令代码。 第4、5字节为参数代码P1，P2。 第6字节为辅助参数代码P3。

第7字节为效验和(CHK)，用于存放第2字节至第6字节之异或值。 第8字节为尾标识(END) ，固定为0xFD。

应答(ACK)一般为8个或以上字节组成，基本格式： 第1字节为头标识(Head) ，固定为0xFE。 第2字节为设备号(CH)，一般为0x00H。 第3字节为应答代码(CODE)，用来放应答代码。 第4、5字节为参数代码P1，P2。 第6字节为应答参数代码AP。

第7字节为效验和(CHK)，用于存放第2字节至第6字节之异或值。 第8字节为尾标识(END) ，固定为0xFD。

3.2 ATmega16 单片机介绍

ATmega16是基于增强的AVR RISC结构的低功耗8位CMOS微控制器。由于其先进的指令集以与单时钟周期指令执行时间，ATmega16的数据吞吐率高达1MIPS/MHz，从而可以缓减系统在功耗和处理速度之间的矛盾。

ATmega16有如下特点:16K字节的系统可编程Flash(具有同时读写的能力，即RWW)；512字节EEPROM；1K字节SRAM；32个通用I/O口线；32个通用工作寄存器；用于边界扫描的JTAG接口；支持片调试与编程；三个具有比较模式的灵活的定时器/计数器(T/C)；片/外中断；可编程串行USART；有起始条件检测器的通用串行接口；8路10位具有可选差分输入级可编程增益(TQFP封装)的ADC；具有片振荡器的可编程看门狗定时器；一个SPI串行端口；以与六个可以通过软件进行选择的省电模式；工作于空闲模式时CPU 停止工作；而USART、两线接口、A/D转换器、SRAM、T/C、SPI端口以与中断

32 / 48

. . .

系统继续工作；掉电模式时晶体振荡器停止振荡，所有功能除了中断和硬件复位之外都停止工作；在省电模式下，异步定时器继续运行，允许用户保持一个时间基准，而其余功能模块处于休眠状态；ADC噪声抑制模式时终止CPU和除了异步定时器与ADC以外所有I/O模块的工作，以降低ADC转换时的开关噪声等。

由于ATmega16具有上述比其它8位单片机优异的性能，因此本指纹系统使用此款单片机做为上位机。

3.3 指纹识别系统的硬件设计

指纹识别系统上位机的任务是：扫描键盘是否有按键按下，如果有按键按下则根据按键执行命令，通过USART向指纹处理模块发送控制命令，之后通过液晶屏显示执行结果。指纹识别系统的整体结构图如图3-3所示：

MRB200 指纹模块 传感器采集单元 液晶显示 ATmega16 键盘 指纹处理单元

图3-3 指纹识别系统整体结构图

通讯接口电路

MRB200指纹模块采用UART通讯方式，接口PIN1为地，PIN2为异步串口入，PIN3为异步串口出，PIN4为手指采集状态指示(输出)， PIN5为睡眠状态控制(输入)，PIN6为电源输入(4～6.5V)，因此PIN2、PIN3分别要接mega16的PIN15(TXD)、PIN14(RXD)，PIN4、PIN5可以任接2个闲置的引脚。

复位电路

33 / 48

. . .

Mega16已经置了上电复位设计，故AVR外部的复位线路在上电时，可以设计得很简单：直接拉一只10K的电阻到VCC即可。为了可靠，再加上一只0.1uF的电容以消除干扰、杂波。

D1(1N4148)的作用有两个：作用一是将复位输入的最高电压钳在Vcc+0.5V 左右，另一作用是系统断电时，将R1(10K)电阻短路，让C1快速放电，让下一次来电时，能产生有效的复位。

当AVR在工作时，按下S0开关时，复位脚变成低电平，触发AVR芯片复位。

图3-4 通讯接口电路图 图3-5 复位电路

显示电路

液晶显示具有信息量大、整洁美观点特点，本系统选用液晶模块做为人机交互的界面。

中文液晶显示模块LCMxxZK的字型ROM 含8192个16*16 点中文字型和128个16*8 半宽的字母符号字型。另外绘图显示画面提供一个*256 点的绘图区域GDRAM)， 而且含CGRAM 提供4组软件可编程的16*16 点阵造字功能。电源操作围宽(2.7V to 5.5V)；低功耗设计可满足产品的省电要求。同时，与单片机等微控器的接口界面灵活(三种模式并行8 位/4 位串行3 线/2 线)。

中文液晶显示模块可实现汉字、ASCII、 码点阵图形的同屏显示，广泛用于各种仪器仪表家用电器和信息产品上作为显示器件。

中文液晶显示模块具有上/下/左/右移动当前显示屏幕与清除屏幕的命令，具有光标显示/闪烁控制命令与液晶睡眠/唤醒/关闭显示命令。预留多种控制线(复位/串并选择/亮度调整)供用户灵活使用。

LCM128ZK管脚说明

34 / 48

D . . . 1 2 3 4 5 CK A GND VCC NC CS SID CLK PSB /RST VR VO 背光负 背光正 电源负 电源正 片选 数据 时钟 控制界面 0：串行；1：并行 复位信号 对比度调节 对比度调节 A1ATMEGA16PA0(ADC0)PA1(ADC1)PA2(ADC2)PA3(ADC3)PA4(ADC4)PA5(ADC5)PA6(ADC6)PA7(ADC7)AREFGNDAVCC40393837363534333231GND30VCC12345MOSI6MISO7P_SCK8R310KRSTVCCGND910111213PB0(T0)PB1(T1)PB2(INT2)PB3(OC0)PB4(SS)PB5(MOSI)PB6(MISO)PB7(SCK)RSTVCCGNDX2X1PD0(RXD)PD1(TXD)PD2(INT0)PD3(INT1)PD4(OC1B)PD5(OC1A)PD6(ICP1)PD7(OC2)6 7 8 17 18 19 R2LCD9-16 D0-D7 并行数据 20 LCDBk-AG+NDVCCNCCISSDSCKD0D1D2D3D4D5D6D7PSBRSTVCC1GND2VCCLS3KLCCDD__CSCLCD_D4AT567GND819011121314151617181920R110GNDVRVO1415LCD_SCK16LCD_DAT17LCD_CS18192021APC7PC6PC5PC4PC3PC2PC1(SDA)PC0(SCL)2928272625242322 图3-6 ATmega16和LCM128连接图 串行接口数据传输 23当1PSB 脚接低电位(模块背面S/P 的短路电阻在“S” 侧) ，模块将进入串行模式在串行模式；下将使用二条传输线作串行资料的传送，主控制系统将配合传输同步时钟(CLK)与接收串行数据线(SID) ，来完成串行传输的动作。

在片选CS 设为高电位时，同步时钟线(SCLK)输入的讯号才会被接收，另一方面，当片选(CS)设为低电位时，模块的部串行传输计数与串行资料将

35 / 48

. . .

会被重置，也就是说在此状态下，传输中的资料将被终止清除，并且将待传输的串列资料计数重设回第一位；模块选择脚(CS)可被固定接到高电位。

模块的同步时钟线(SCLK)具有的操作，但是当有连续多个指令需要被传输，必须确实等到一个指令完全执行完成才能传送下一笔资料，因为模块部并没有传送/接收缓冲区。

从一个完整的串行传输流程来看，一开始先传输起始位，它需先接收到五个连续的“1”(同步位串)在起始位元组，此时传输计数将被重置并且串行传输将被同步，再跟随的二个BIT 分别指定传输方向位(RW)与暂存器选择位(RS)， 最后第八位则为0。

在接收到起始位元组后，每个指令/数据将分为二组接收：到较高4 位元(DB7~DB4)的指令资料将会被放在第一组的LSB部分，而较低4 位元(DB3~DB0)的指令资料则会被放在第二组的LSB 部分至于相关的另四位则都为0。

CS1234567101112131415161718192021222324CLKSDIRWRSD7D6D5D4D3D2D1D0

图3-7 LCD写一个字节的时序图

/***************************************** 液晶发送子程序(串行) 输入数据：要发送的8位数据 输出：无

*****************************************/ void lcm_out(char a) {

char i,d; for(i=0;i<8;i++) {

cbi(PORTD,4); d=a&0x80;

36 / 48

. . .

} }

if(d) sbi(PORTD,3); else a<<=1; sbi(PORTD,4);

cbi(PORTD,3);

/***************************************** 液晶写控制字程序

输入数据：要写入的8位数据 输出：无

*****************************************/ void wr_(uchar a) {

uchar s; s=a&0xf0; lcm_out(0xf8); lcm_out(s); s=a&0x0f; s<<=4; lcm_out(s); }

/***************************************** 液晶写数据字程序

输入数据：要写入的8位数据

****************************************/ void wr_date(uchar a) {

uchar s; s=a&0xf0; lcm_out(0xfa); lcm_out(s);

37 / 48

. . .

s=a&0x0f; s<<=4; lcm_out(s); }

液晶屏初始化的时序图

上电延时40ms 设定功能，写控制字30H 延时1ms 再次写控制字30H 延时1ms 设定显示状态0CH 延时1ms 清除屏幕01H 延时1ms 设定光标方向06H 图3-8 LCD初始化的流程图

/***************************************** 液晶初始化程序 输入数据：无 输出：无

*****************************************/ void lcm_init(void) {

sbi(PORTD,2); delay(40,8000); wr_(0x30); delay(1,8000); wr_(0x30); delay(1,8000); wr_(0x0c); delay(1,8000);

38 / 48

. . .

wr_(0x01); delay(10,8000); wr_(0x60); delay(1,8000); } 键盘电路

本系统使用4个按键进行人机交互，4个按键的功能分别为添加用户、识别用户、选择用户、删除用户。

由于按键按下时会产生微小的震动，因此用一个小电容与按键并联，以滤去高频杂波；LED是用来显示按键按下与否。

图3-9 键盘电路的设计

3.4 指纹识别系统的软件设计

MRB200指纹模块含智能化指纹识别技术，软件系统主要是设计上位机向指纹处理单元发送控制命令，完成所需要的操作，如指纹登记、扫描并识别指纹、删除用户等，另外上位机还需要负责液晶显示、键盘扫描等工作。主程序流程图如图3-10所示：

39 / 48

. . .

系统上电初始否是否有且只有一个键按下是指纹识别键选择用户键指纹删除键指纹采集键发送采集对比命令发送切换用户命令发送删除指纹命令发送采集指纹命令是否是库中的指纹显示当前用户及信息显示下一个用户及信息采集成功否是显示用户信息是保存指纹特征否提示错误提示错误

图3-10 指纹系统程序流程图

第四章 总结与展望

4.1 总结

本文目的在于研究基于MRB200指纹模块的指纹采集系统，以与指纹识别系统的算法，探讨适用于脱机的指纹门禁系统。本论文是研究与开发指纹

40 / 48

. . .

识别系统的第一步，目的在于探索系统设计的可行性。通过上述工作，得到了以下几点成果：

（1）对指纹识别算法进行了分析，介绍了基于小波变换的指纹特征提取与匹配算法，该算法比常规的点匹配算法识别率高，而且常规算法有一个最大的缺点了它的应用，那就是需要存储的数据量大，识别速度慢。而本文介绍的算法就解决了存储量和速度的问题，存储量大大降低，识别速度也有所提高。

（2）指纹识别系统设计：完成了指纹芯片型号与其相应开发电路的选择，依据MRB200指纹模块的结构设计了指纹采集系统，编程调试并实现了指纹采集。

由于本文的指纹识别算法是一种比较新的算法，因此还需要对算法不断地进行改进。今后的改进可以从以下几个方面考虑：

（1）在指纹特征提取之前对指纹图像作适当的预处理，去除噪声等外界因素对指纹图像的影响。

（2）由于不同时刻采集的指纹图像，会存在旋转和平移等问题而产生差异，从而影响指纹识别算法的识别率。所以可以通过准确确定指纹的参考点，以此参考点为基准，来纠正待识指纹与模板指纹之间的旋转和平移等问题。

4.2 展望

现今，指纹识别技术发展越来越快，指纹识别类产品也越来越多的出现在我们常生活中。可以看出，在经历了近10年缓慢的自然增长后，指纹识别技术即将迎来一个跳跃性发展的黄金时期。据专家保守估计，未来5年，我国将有近百亿儿的市场等待着企业去开拓。指纹识别技术的巨大市场前景，将对整个安防产业产生巨大的影响。

但是，指纹识别的核心技术仍然存在许多尚未解决的难题，尤其是对残缺、污损指纹图象进行识别的鲁棒性和适应性方面不能令人满意。指纹识别系统将随着更小更廉价的指纹输入设备的出现、计算能力更强更廉价的硬件以与互联网的广泛应用而进一步拓宽应用。其中，能适应在线应用的自动指纹识别系统的算法有待进一步改进，多种指纹识别方法的集成应用以与包括指纹识别在的多种生物特征鉴定技术的集成应用也将是今后研究的发展方向。因此，自动指纹识别技术现在是，未来几年仍将是一个重要的、极具挑

41 / 48

. . .

战性的模式识别研究课题。

本文中采用的算法虽然还有许多地方有待改进，目前还不能用于实际应用。但是它突出的优点为今后指纹识别技术的发展提供了新的思路。

参考文献

[1] 彦华等编著：《Visual C++数字图像识别技术典型案例》，人民邮电，2004. [2] 徐飞，施晓红等编著：《MATLAB 应用图像处理》，电子科技大学，2002. [3] 边肇祺，学工等编著：《模式识别》，清华大学，2000. [4] 柴晓光编：《民用指纹识别技术》，人民邮电，2004. [5] 祝恩编著：《自动指纹识别技术》，国防科技大学，2006. [6] 唐远炎，王玲著：《小波分析与文本文字识别》，科学，2004. [7] 红，乐，从闯. 基于小波的指纹图像增强算法. 大学学报. Vol.16, No.6

2004.10

[8] 朱家德，庆瀚. 一维小波变换在生物辨识中的应用.

140.115.11.235/~chen/

[9] Milan Sonka, Vaclav Hlavac, Roger Boyle. 图像处理、分析与机器

视觉. 人民邮电，2003. [10] [11] [12] [13]

俊翔，伊展. 指纹识别的基本原理. .robotsy./ 秋月. 基于DSP的自动指纹识别系统. .21ic./

戴平阳. 指纹识别技术研究进展. 大学学报（自然科学版）. Vol.41, 王崇文，见为，周宏文，许祝. 指纹识别系统的设计与实现. 计算

No.6 2002.11

机应用. Vol.21, No.12

[14] 王鑫泉，王灏. 指纹识别原理与其应用. 局解手术学杂志, 2006,

(01) [15] 青，寿强. 指纹IC卡在身份管理中的应用. IB智能建筑与城市信息,

2006, (01)

[16] 朱海涛，颖，蔡黎. 一种改进的指纹识别预处理算法与评价. 工矿

自动化, 2006, (01)

[17] 许生，胡海洋，朱文涛. 指纹识别系统网络应用的探索与实践. 刑

事技术, 2002, (S1) [18] [19]

一种实用的指纹自动识别系统的设计. 计算机工程. 2002, 28(5) 宏林，吴. 指纹识别方法的综述. 华东船舶工业学院学报. 2003.6

42 / 48

. . .

[20] [21] [22] [23]

吕知辛，黄遵令. 指纹识别方法与其应用. 应用技术. 2004 义龙，宁新宝，晓梅. 自动指纹识别技术的发展与应用. 大学学报KALLEK, ANILKJ. Fingerprint Classification[J]. Pattern Lin Hong, Yifei Wan, Anil Jain. Fingerprint Image Enhancement:

(自然科学). Vol.38,No.1 2003, 01:29-35 Recognition, 1996, 29(3):3-404

Algorithm and Performance Evaluation[J].IEEE Trans.On Pattern Analysis. and Machine Intelligence. 1998, 20(8) [24] [25] [26]

Isenor D K, Zaky S G. Fingerprint Identification Using Graph Haar A, 《Zur Theorie der Orthogonalen Funktionen-Systeme》 Grosses A, Morlet 7, 《Decomposition of Hardy Functions into matching [J], Pattern Recognition, 1986, 19(2): 113-122. Math.Ann, 1910, 331-337

Square Wavelets of ConstantShape》. SIAM.J.Math.Anal, 1984(15), 723-726 [27]

Mallat S, 《A theory for Multiresolution Signal Decomposition: The Wavelet Representation》. IEEE Transactions on Patent Analysis and Machine Intelligence, 19, I1(7), 674-693 [28]

Huang K, Aviyente S. 《Fingerprint verification based on wavelet subbands》. Biometric technology for human identification, 2004 [29] [30] [31]

王卫平，吴小强等. 《指纹识别中的自动分类研究》. 数据采集与程建刚，田捷等. 《基于奇异点的指纹分类》. 中国科学院自动化伟，霞等. 《指纹图像奇异点提取的一种鲁棒方法》. 计算机工程. 处理，2001 所. 2000 2003

致

本篇论文虽然凝聚着自己的汗水，但却不是个人智慧的产品，没有导师的指引和赠予，没有父母和朋友的帮助和支持，我在大学的学术成长肯定会

43 / 48

. . .

大打折扣。当我打完毕业论文的最后一个字符，涌上心头的不是长途跋涉后抵达终点的欣喜，而是源自心底的诚挚意。

首先我要衷心感我的导师海涛老师，在毕业设计的三个月时间里，我得到了海老师的精心指导和莫大帮助，从课题的确定、论证到审阅，无不花费了导师的许多心血。海老师不仅为我们提供了一流的实验条件，并不时地培养我们通过动手实验来分析解决问题的能力。对我的构思以与论文的容不厌其烦的进行多次指导和悉心指点，即使在繁忙的工作中仍给予我关心和支持，使我在完成论文的同时也深受启发和教育。也正是在海涛老师的亲切勉励和严格要求下，使我有勇气和毅力完成这个课题。感海老师对我的宽容和教诲，使我能在遭遇困难后依然前行，顺利完成我的学业。

再次由衷感答辩组的各位老师对学生的指导和教诲，我也在努力的积蓄着力量，尽自己的微薄之力回报母校的培育之情，争取使自己的人生对社会产生些许积极的价值！

44 / 48