特征数据，一种单方向的转换，即可以把指纹转换成特征数据但不能把特征数据转换成指纹，而不同的指纹不会产生相同的特征数据。软件从指纹上找到被称为“特征点”的点，也就是那些指纹纹路的分叉、终止或旋转处的坐标位置，这些点同时具有七种以上的唯一性特征。因为通常手指上平均具有70个节点，所以这种方法会产生大约490个数据[10]，这些数据，通常称为模板或特征值。
最后，通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。
2.1.2 指纹自动分类算法的设计概述
能够根据指纹的类型来加快指纹在大容量数据库中的识别的基本依据是：同一个指纹必定属于同一个指纹分类，因此，在分类正确的前提下，我们只需要在同类型指纹的数据库中匹配待辨识的指纹。
关于指纹自动分类问题，传统的算法有下面五条还需要遵循的原则[6]： （1）指纹分类后每类对应的指纹数量 （2）指纹在各类型中的分布 （3）分类的一致性和无二义性 （4）分类的准确性 （5）分类算法的计算量
综上所述，一个自动指纹识别算法要求能够在较短的时间内准确地将指纹划分到有一定数量且分布均匀的分类中去。
指纹分类是指纹识别的基础，分类的方法各有不同，有人按指纹基本纹路图案将其分为三类：环形，弓型，螺旋型，其他的指纹图案都基于这三种基本图案。但仅仅依靠这几种图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，通过分类使得在大数据库中搜寻指纹更为方便。
设计指纹分类算法的核心问题在于选择哪些特征作为指纹分类的基础并如何根据这些特征对指纹进行分类。根据特征选取的两大原则可以判断出纹形是指纹最基本的分类标志，它不随指纹图像的移动和旋转而变化，体现了指纹形状的本质特征。
指纹的绝大多数纹形是由中心花纹、外围线系统和根基线系统组成，三方面
6
纹线汇合之处形成三角区；按照中心花纹和三角区的基本形态，可将指纹分为上面所述的三种类型。对于研究指纹自动识别问题中的纹形分类而言，其目的是为了快速、准确的实现指纹的识别，虽然在理论上分析认为：所分类别越多则进行指纹检索时越快，但类别太多，类间距离相对变小，一旦分类错误必然导致识别错误，因此只需将指纹分为区别明显的几大类，而指纹的最终识别必须借助细节特征点进行唯一确认。故在本研究课题中只考虑将指纹做初步的分类，即将指纹分为螺旋形纹、左环形纹、右环形纹、拱形纹、帐形纹及其它形六大类，前五类的指纹参见图2-2。
左环形 右环形 帐形 螺旋形 拱形
图2-2 指纹的分类
我们分类的目的主要是为了得到一个快速的指纹检索机制，没有必要完全按照传统的分类要求来对指纹进行分类。目前普遍认为一个分类算法最基本的要求是：能够正确且无二义地将输入的指纹划分到类内距离小而类间距离大且分布较均匀的分类中去，设计该算法的中心问题在于选择作为指纹分类的基础并如何根据这些特征对指纹进行分类。对于指纹特征选择的选取应该有下面两条原则：
（1）对于移动和旋转的指纹具有不变性；
（2）能够体现指纹整体构架中内在的、固有的特征。
2.2 系统设计以及可靠性
指纹分类系统主要包括六个步骤： 1、提取指纹方向图
2、在指纹方向图的基础上进行滤波和增强； 3、对增强后的图像进行细化； 4、抽取纹脊并对纹脊进行分类； 5、提取奇异点；
7
6、根据纹脊的类型、奇异点数量和相对位置进行指纹分类。 图2-3为指纹分类系统的具体流程。
提取指纹方向图 奇异点的检出 细指纹图像 化 分类 纹脊的抽取 纹脊的增强 纹脊的分类 图2-3 指纹分类系统流程图
将指纹分类算法融合到Uareu开发包中形成新的指纹识别系统，改进后的指纹识别系统大大节省了指纹识别时的处理流程，降低了指纹误判的概率，取得了更好的识别效果[4]。
在匹配时，指纹库中的每一幅图像都与库中所有其它的图像做匹配，如果两幅图像的匹配分数比一个阈值高，就称它们是匹配得好的，即认为它们来自同一个手指。如果一幅图像与包含它自己的模板匹配得好，就产生了一个正确识别。如果一幅图像与来自不同手指的模板匹配得好，就产生了一个错误识别。如果一幅图像与它自己的模板匹配得不好，就产生了一次拒识。定义reject _ num为被拒识的图像数目，correct _ num为正确识别的次数，false _ num为错误识别的次数，识别率与拒识率用下式计算：
识别率=[ 正确识别的次数／（正确识别的次数+错误识别的次数）]×100% 拒识率=[ 被拒识的图像数目／（正确识别的次数+错误识别的次数+被拒识的图像数目）]×100%
指纹识别系统的特征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。用0-1.0或百分比来表达这个数。ROC（Receiver Operating
8
Curve）-曲线（图2-4）给出FAR和FRR之间的关系。
图2-4 ROC-曲线
FRR实际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，极大地提高了系统安全性。
衡量指纹识别系统好坏的标准是看它的误识率和拒识率的大小。我们的目标是既要尽量降低误识率，又要尽量降低拒识率，而误识率与拒识率是呈反比的。因此，对于实际系统要根据客户的需要，要在误识率和拒识率之间选择一个平衡点。
9
第三章 改进的指纹分类算法
3.1 指纹方向图的求取
指纹分类是基于纹形特征的，目前有关抽取指纹全局特征普遍采用的方法是：运用指纹的方向图获得指纹的核心点、三角点及脊的形状等对指纹进行初步分类，再抽取细节特征点，进行匹配与识别
[6]
。
指纹方向图在指纹识别领域中具有如此高的研究价值是因为具有以下特点： （1）真实性： 指纹局部方向图真实地反映了指纹图像最本质的纹形特征，体现了指纹的中心花纹、外围包络线和根基线的形状和走势；
（2）渐变性： 由于纹线具有缓变性的特点，求出的方向图也不可能发生剧烈变化，利用这一特性可以对在有噪声的情况下求得的方向图进行平滑处理，从而可能对那些质量相对较低的原始指纹图像进行处理后得到效果较好的方向图。
（3）抽象性： 块方向图是对纹线形状的一种抽象的描述，因此使研究指纹的几何拓扑结构问题得以大大简化。
从预处理后的指纹图像的局部放大图中（图3-1），可以看到在局部范围内指纹图像具有以下两大特点[3]；
①指纹纹线具有一致的方向性； ②指纹纹线间的距离基本相同。
(a) (b)
图3-1 局部指纹图像与理想模型图像
事实上，根据这两个特点，可以建立一个指纹局部的理想模型，即可以把局部的小块指纹看成是由固定方向和固定宽度的黑白条纹按等宽间隔所组成的图案，如图3-1（b）。方向图算法正是基于以上特点而发展起来的。目前的基于方向图的算法中获取方向图的原理都大体相同。
设g（x ，y）为经滤波、图像增强等处理之后的指纹图像，G（i ，j）为g（x ，y）的局部指纹图像，则局部指纹图像方向估算的算法如下[12]：
10