一种基于混合匹配的指纹识别方法

　　对于在线输入的测试样本， 同样要得到它在空间U的投影向量。假设T 是一幅待识别的测试样本图像， 经过样本类别判断后确定T 属于第l 类， 即T∈Pl, 用式（10）先去均值：

　　将其投影到特征空间， 由式（11） 得到输入样本的投影向量：

　　将投影向量Yt与其所属类别的Pl幅训练样本的投影向量Yi′进行距离匹配，按照式（12）计算其欧氏距离：

　　最后采用最近邻法则， 当诸如样本T 与其同类的某一幅训练样本Plj （Plj∈Pl） 拥有最小欧氏距离且该距离满足一定的阈值的时候，即可判定输入样本T 与训练样本为同一幅图像，即完成整个识别。

　　3 基于混合模式的指纹识别算法

　　基于混合模式的指纹识别算法的流程图如图2 所示。

图2 混合模式匹配算法流程图

　　设共采集到N 幅指纹图像， 样本共分为K 类， 其中第k（k∈[1,K]） 类包含M 幅图像， 则具体实现步骤如下：

　　（1） 输入指纹图像的采集与质量*估；（2） 对输入指纹图像进行样本类别划分， 设该输入属于第k 类；（3） 对输入指纹图像进行2DPCA 的预处理；（4） 提取输入图像的2DPCA 特征向量集；（5） 采用2DPCA 匹配算法在指纹图像的第k 类数据库中进行初匹配， 若不满足匹配要求， 则系统最终匹配失败； 满足时， 通过相应阈值的设定得到m（m《 M） 幅候选指纹和它们的匹配得分权重， 并同时按照索引得到它们的点模式特征点；（6） 对输入指纹图像进行点模式预处理；（7） 对预处理后的输入指纹图像进行点模式特征集中， 采用点模式匹配算法进行二次匹配， 并加入对应的2DPCA 匹配的得分权重。若满足匹配要求， 则系统最终匹配成功； 若不满足， 则失败。

　　4 实验结果与分析

　　本文在CPU 为2.00 GHz 、1.99 GHz ， 内存为2.00 GB的PC 和Matlab R2007B ，Visual STudio 2007 的开发环境下， 选用FVC2002DB2_A 中的880 幅指纹图像进行匹配算法的实验。该指纹库共采集110 个指纹， 每个手指分别采集8 次得到8 幅指纹。实验采用交叉匹配的方式，即每个手指从8 幅中选取6 幅作为模板指纹，2 幅作为输入指纹， 一共进行220 次匹配， 得到实验结果如表1所示。
　　从 表中可以看出， 采用本文算法进行指纹匹配的识别率为93.57%， 与点模式匹配算法相比， 识别率有所提高。改进的2DPCA 算法在空间降维提取特征方面由于指纹图像出现较大程度的位移， 且部分粘连现象较为严重， 使得最终算法中根据最近邻原则所得到的匹配图像出现错误， 但是观察其欧氏距离值的排序， 正确的指纹图像一般位于前列， 这就为混合匹配算法提供了依据。采用混合匹配， 识别率略有提升。本文将点模式匹配算法与2DPCA 结合起来， 在点模式匹配算法中加入了2DPCA 算法的初匹配得分权重， 提高了点模式的准确性； 并采用基于样本类别信息的方法， 大大减少了点模式匹配中与原始数据点集之间的搜索和逐对匹配的次数， 因此要比原有点模式的效率高。

表1 三种模式指纹匹配算法实验结果

　　本文对基于细节点的指纹匹配算法和基于全局信息的改进2DPCA 匹配算法进行了分析；然后对三种模式的算法进行了比较，总结了其优缺点；最后将两种模式的算法相结合，设计了一种混合指纹识别算法。该算法具有两种模式的优点， 能够缩小匹配范围， 减少匹配次数， 并且在一定程度上提高了识别率，降低误判和拒识率。