CN102262730B - 一种基于多参考点对的指纹匹配方法 - Google Patents

Abstract

本发明公开了一种基于多参考点对的指纹匹配方法，包括步骤确定模板指纹和输入指纹、采用基于三值特征向量的指纹匹配算法获得所有细节点对匹配得分、将所有细节点对按匹配得分降序排列，选取得分靠前的m个作为初始参考点对、计算初始参考点对的旋转平移参数，根据一致性选取参考点对、以每对参考点对为基准进行全局匹配获得匹配细节点对集合、采用投票融合策略融合所有匹配细节点对集合信息，获得最终匹配细节点对数、根据最终匹配细节点对数计算匹配得分、和根据匹配得分和匹配阈值判断模板指纹和输入指纹是否匹配。本发明克服并解决了现有指纹匹配算法中存在的指纹非线性形变问题，而且具有很好的指纹匹配性能。

Description

一种基于多参考点对的指纹匹配方法

技术领域

本发明涉及自动指纹识别领域，具体地说是提出了一种基于多参考点对的指纹匹配方法。

背景技术

指纹匹配是自动指纹识别算法三个处理阶段(指纹采集、指纹预处理以及指纹匹配)的最后一个阶段，是决定算法性能的关键步骤之一。指纹匹配要解决的问题是对从两幅给定的指纹图像提取的特征信息进行相似度度量，最终判断这两枚指纹是否来自同一个手指。

指纹匹配算法的实现与性能均与选取的指纹特征紧密相关。指纹特征通常可以分成全局特征，局部特征和细微特征。全局特征如纹理信息、中心点(俗称Core点)以及三角点(俗称Delta点)，局部特征包括端点、分叉点(Bifurcation)、孤立点、环、岛、毛刺以及桥等，细微特征如在从高分辨率传感器上得到的指纹图像上提取的指纹上的毛孔等特征。依据选取的特征不同，指纹匹配主要归为图匹配、纹理匹配、纹线匹配以及细节点匹配等。其中细节点匹配方法表达方式简单，充分利用了指纹图像在细节特征上的差异，匹配准确度较高，因而得到了广泛应用。尽管如此，现有细节点匹配算法仍有一些问题需要解决完善。在现有指纹细节点匹配方法中，特征选择时大都利用细节点的位置、方向、类型以及细节点密度等信息，构造能够表征细节点特性的特征向量或邻域结构，进而将指纹的匹配问题转化为特征向量或邻域结构的相似度度量问题。其中，影响细节点匹配性能的一个关键因素就是指纹图像的非线性形变问题。

具体体现在：由于指纹存在非线性形变，当以一对细节点为参考点对时，离参考点对越远的细节点对的位置差异和方向差异越大，当差异达到一定程度时，原本可以匹配的细节点对可能由于差距过大而无法满足匹配条件，从而可能造成拒识。现有大部分指纹细节点匹配算法均忽略了这一问题。作为自动指纹识别算法体系的重要处理步骤，指纹匹配中指纹图像的非线性形变问题应得到充分重视，一个好的细节点匹配算法，应该能够充分考虑并处理指纹的非线性形变问题，从而消除非线性形变造成的细节点对的错误匹配，提高细节点匹配性能。

发明内容

本发明所要解决的技术问题是为了克服现有指纹匹配算法中存在的指纹非线性形变问题，提供一种基于多参考点对的细节点匹配方法，该方法不仅在一定程度上解决了指纹图像的非线性形变问题，而且具有很好的指纹匹配性能。

为解决上述技术问题，本发明的技术方案是：一种基于多参考点对的指纹匹配方法，其特征在于包括步骤：

1)确定模板指纹和输入指纹；

2)采用基于三值特征向量的指纹匹配算法获得模板指纹和输入指纹所有细节点对匹配得分；

3)将所有细节点对按匹配得分降序排列，选取得分靠前的m个作为初始参考点对；

4)计算初始参考点对的旋转平移参数，根据一致性选取正确匹配的细节点对为参考点对；

5)以每对参考点对为基准，进行模板指纹和输入指纹的全局匹配，获得匹配细节点对集合；

6)采用投票融合策略，融合所有匹配细节点对集合信息，获得最终匹配细节点对数；

7)根据最终匹配细节点对数计算匹配得分；

8)根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配。

本发明的基于多参考点对的指纹匹配方法在进行指纹匹配时，需要先获取多对正确参考点对的特征选择：

本发明的基于多参考点对的指纹匹配方法采用基于三值特征向量的指纹匹配算法(Liming Zhang的基于三值特征向量的指纹匹配算法[张利明，尹义龙.基于三值特征向量的指纹匹配算法[C].Chinese Conference on PatternRecognition，2009，563-567.])以及旋转平移参数一致性选取多对正确匹配的细节参考点对，之后采用投票融合策略依据多个参考点对获得的多个匹配细节点对集合信息，获得指纹匹配结果。该基于多参考点对的细节点匹配算法，解决了指纹非线性形变问题。匹配用到的指纹细节点各项信息定义如下：

a.细节点类型

一般细节点分为端点和分叉点，细节点类型指细节点属于端点还是分叉点。正确匹配的细节点类型应该是一致的。细节点类型ω定义公式如下：

其中，当ω＝0时，表示该细节点为端点；当ω＝1时，表示该细节点为分叉点。

b.细节点密度

细节点密度即该细节点一定邻域内周围细节点的个数，此处选择R为半径的邻域。由于指纹图像的细节点信息与指纹质量密切相关，因此将密度定义为一个三值向量，即稀疏、一般、密集，分别用-1，0，1表示。细节点的密度σ定义公式如下：

$\mathrm{\&sigma;}=\left\{\begin{array}{cc}-1,& \mathrm{num}<t-\mathrm{\&Delta;}\\ 0,& t-\mathrm{\&Delta;}<\mathrm{num}<t+\mathrm{\&Delta;}\\ 1,& \mathrm{num}>t+\mathrm{\&Delta;}\end{array}\right.---\left(2\right)$

其中，num是一细节点R半径圆域内周围细节点的个数，t为实验确定的邻域细节点个数的阈值，Δ为允许的误差。当σ＝-1时，表示该细节点密度较小，属于稀疏细节点；当σ＝0时，表示细节点密度一般；当σ＝1时，表示细节点密度较大，属于密集细节点。

c.细节点离散度

细节点离散度δ即以该细节点为中心，R为半径的邻域内周围细节点到该细节点的距离和平均

$\mathrm{\&delta;}=\left\{\begin{array}{cc}-1,& \frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}<\frac{R}{2}-d_0\\ 0,& \frac{R}{2}-d_0<\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}<\frac{R}{2}+d_0\\ 1,& \frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}>\frac{R}{2}+d_0\end{array}\right.---\left(3\right)$

其中，d_i为第i个细节点到中心细节点的距离，n为范围内细节点的个数，R为圆域的半径，d₀为常数阈值，由实验确定。当δ＝-1时，表示该细节点的周围细节点离该细节点的平均距离较近，即该细节点的离散度较小；当δ＝0时，表示该细节点离散度居中；当δ＝1时，表示该细节点的周围细节点离该细节点的平均距离较远，即该细节点的离散度较大。

d.细节点所在的纹线弯曲方向

利用细节点方向与方向场方向的角度之差来表示纹线的弯曲方向，用λ表示，细节点方向是指细化后纹线的起始点与终点的连线的方向，方向场方向是指端点(即起始点)的方向场的方向，两个方向的夹角的正负反映了纹线的弯曲方向，不论图像如何旋转细节点方向始终在脊线的内侧，方向场方向始终在脊线的外侧。如果方向场方向减去细节点方向的值为正，表示纹线向下弯曲，为负，表示纹线向上弯曲，否则纹线趋近水平。

其中，Ω为角度阈值。当λ＝-1，则表示纹线向上弯曲为上弧；接近0时，默认纹线为水平方向；当λ＝1时，则表示纹线向下弯曲为下弧。

所述步骤3)中，对所有的细节点对根据匹配得分按照降序排列，表示为χ₁，χ₂，...，χ_m，...，χ_i+1，χ_i+2，...，χ_i+n，越靠前表示是正确匹配细节点对的可能性越大，把排在最靠前的m个细节点对(即χ₁，χ₂，...，χ_m)作为初始参考点对，其中χ_i表示第i个细节点，m为细节点个数；

所述步骤4)中，旋转平移参数是对输入指纹相对于模板指纹配准后平移量和旋转量的量化。由于手指在指纹采集器成影区按压时的角度、位置不同等因素，输入指纹相对于模板指纹会有一定的旋转平移量，旋转平移参数即是对这一量的衡量。计算初始参考点对的旋转平移参数为：在初始参考点对中，首先设模板指纹的一细节点T(X_T，Y_T，θ_T)，其中X_T表示模板指纹细节点在指纹图像上的横坐标，Y_T表示模板指纹细节点在指纹图像上的纵坐标，θ_T表示模板指纹细节点在指纹图像上的方向，且θ_T∈(0，π)，再设输入指纹一细节点I(X_I，Y_I，θ_I)，其中X_I表示输入指纹细节点在指纹图像上的横坐标，Y_I表示输入指纹细节点在指纹图像上的纵坐标，θ_I表示输入指纹细节点在指纹图像上的方向，且θ_I∈(0，π)；则细节点对(T，I)的旋转平移参数为(ΔX，ΔY，Δθ)，其中(ΔX，ΔY)表示输入指纹细节点相对于模板指纹细节点在横纵坐标上的位置偏移，Δθ表示输入指纹细节点相对于模板指纹细节点方向偏移，旋转平移参数的各项分量计算公式如下：

Δθ＝θ_I-θ_T                            (5)

ΔX＝X_I×cos(Δθ)+Y_I×sin(Δθ)-X_T      (6)

ΔY＝-X_I×sin(Δθ)+Y_I×cos(Δθ)-Y_T     (7)

输入指纹和模板指纹相同位置上对应的细节点对AB(ΔX_AB，ΔY_AB，Δθ_AB)和CD(ΔX_CD，ΔY_CD，Δθ_CD)之间的欧氏距离Dis(AB，CD)公式为

$\mathrm{Dis}(\mathrm{AB},\mathrm{CD})=\sqrt{({({\mathrm{\&Delta;X}}_{\mathrm{AB}}-{\mathrm{\&Delta;X}}_{\mathrm{CD}})}^2+{({\mathrm{\&Delta;Y}}_{\mathrm{AB}}-{\mathrm{\&Delta;Y}}_{\mathrm{CD}})}^2+{({\mathrm{\&Delta;\&theta;}}_{\mathrm{AB}}-{\mathrm{\&Delta;\&theta;}}_{\mathrm{CD}})}^2)}---\left(8\right)$

该两对细节点对AB(ΔX_AB，ΔY_AB，Δθ_AB)和CD(ΔX_CD，ΔY_CD，Δθ_CD)具有旋转平移参数一致性则应满足如下公式

Dis(AB，CD)＜Ψ    (9)

其中Ψ为距离实验阈值。这样根据公式(5)-(8)，计算初始参考点对的旋转平移参数及参数间的欧氏距离，根据公式(9)，利用旋转平移参数一致性选取正确匹配的细节点对作为参考点对。

所述步骤5)中模板指纹和输入指纹的全局匹配为分别以每对参考点对为基准点，利用基于三值特征向量的指纹匹配算法和旋转平移参数一致性进行模板指纹和输入指纹的全局匹配，其中同时满足三值特征向量匹配条件和旋转平移参数一致性的细节点对为正确的匹配细节点对，针对每对参考点均得到一个对应的匹配细节点对集合。

之后，对参考点对的匹配细节点集合进行融合：

在所述步骤6)，采用投票融合策略，针对所有匹配细节点对进行投票融合，获得模板指纹和输入指纹的最终细节点匹配对数PairNum，若某细节点对的投票数T＞T₀，则认为该细节点对是正确匹配的细节点对，即PairNum＝PairNum+1，其中，T₀与匹配集合的数目相关，为实验阈值。

所述步骤7)中，根据最终细节点匹配对数，计算模板指纹和输入指纹的最终得分Socre，其中Socre∈[0，100]，计算公式如下：

$\mathrm{Socre}=\frac{\mathrm{PairNum}}{\sqrt{M*N}}\&times;100---\left(10\right)$

其中，M，N分别为模板指纹和输入指纹的细节点个数。

所述步骤8)中，根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配，当Socre≥μ时，则认为两幅指纹成功匹配，否则视为两幅指纹不匹配，其中μ为匹配阈值，匹配阈值可根据实际应用对拒识率和误识率的具体要求进行调整，一般取55。

本专利提出一种基于多参考点对的细节点匹配方法，选取多对正确匹配的细节点对作为参考点对，分别以每一对参考点对为基准，进行指纹全局匹配，得到多个匹配细节点对集合，选择投票融合策略，即对所有出现的细节点对组合，进行投票最多票数与集合个数相同，某一对细节点得到的投票越多，说明该细节点对是正确匹配的细节点对的可能性越大，反之越小，从而保证匹配细节点对的准确性。在计算匹配得分阶段，设定匹配阈值，判定指纹匹配结果，多参考点对匹配充分利用了多组基于不同的、正确的匹配点对获得的多个匹配细节点集合间的相互关系，克服了现有指纹匹配算法中存在的指纹非线性形变问题，不仅在一定程度上解决了指纹图像的非线性形变问题，而且具有很好的指纹匹配性能。

附图说明

下面结合附图和实施例对本发明进一步说明：

附图是本发明一种基于多参考点对的指纹匹配方法原理图。

具体实施方式

下面结合附图和实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

如附图所示，本发明的技术方案是：一种基于多参考点对的指纹匹配方法，包括步骤：

1)确定模板指纹和输入指纹；

2)采用基于三值特征向量的指纹匹配算法获得模板指纹和输入指纹所有细节点对匹配得分；

3)将所有细节点对按匹配得分降序排列，选取得分靠前的m个作为初始参考点对；

4)计算初始参考点对的旋转平移参数，根据一致性选取正确匹配的细节点对为参考点对；

5)以每对参考点对为基准，进行模板指纹和输入指纹的全局匹配，获得匹配细节点对集合；

6)采用投票融合策略，融合所有匹配细节点对集合信息，获得最终匹配细节点对数；

7)根据最终匹配细节点对数计算匹配得分；

8)根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配。

其中，本发明的基于多参考点对的指纹匹配方法在进行指纹匹配时，

首先，获取多对正确细节点参考点对的特征选择：

用到的指纹细节点各项信息定义如下

a.细节点类型

一般细节点分为端点和分叉点，，细节点类型ω定义公式如下：

其中，当ω＝0时，表示该细节点为端点；当ω＝1时，表示该细节点为分叉点。

b.细节点密度

细节点密度即该细节点一定邻域内周围细节点的个数，此处选择R(R一般取5个纹线距离，大约50个像素)为半径的邻域。将细节点密度定义为一个三值向量，即稀疏、一般、密集，分别用-1，0，1表示。细节点的密度σ定义公式如下：

$\mathrm{\&sigma;}=\left\{\begin{array}{cc}-1,& \mathrm{num}<t-\mathrm{\&Delta;}\\ 0,& t-\mathrm{\&Delta;}<\mathrm{num}<t+\mathrm{\&Delta;}\\ 1,& \mathrm{num}>t+\mathrm{\&Delta;}\end{array}\right.---\left(2\right)$

其中，num(num的取值在0-8之间)是一细节点R半径圆域内周围细节点的个数，t(t一般取3)为实验确定的邻域细节点个数的阈值，Δ(Δ一般取1)为允许的误差。当σ＝-1时，表示该细节点密度较小，属于稀疏细节点；当σ＝0时，表示细节点密度一般；当σ＝1时，表示细节点密度较大，属于密集细节点。

c.细节点离散度

细节点离散度δ即以该细节点为中心，R为半径的邻域内周围细节点到该细节点的距离和平均。

$\mathrm{\&delta;}=\left\{\begin{array}{cc}-1,& \frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}<\frac{R}{2}-d_0\\ 0,& \frac{R}{2}-d_0<\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}<\frac{R}{2}+d_0\\ 1,& \frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{d}_i}{n}>\frac{R}{2}+d_0\end{array}\right.---\left(3\right)$

其中，d_i为第i个细节点到中心细节点的距离，n(n一般为4)为范围内细节点的个数，R(R一般取5个纹线距离)为圆域的半径，d₀(d₀一般取2个纹线距离)为常数阈值，由实验确定。当δ＝-1时，表示该细节点的周围细节点离该细节点的平均距离较近，即该细节点的离散度较小；当δ＝0时，表示该细节点离散度居中；当δ＝1时，表示该细节点的周围细节点离该细节点的平均距离较远，即该细节点的离散度较大。

d.细节点所在的纹线弯曲方向

利用细节点方向与方向场方向的角度之差来表示纹线的弯曲方向，用λ表示，方向场方向减去细节点方向的值为正，表示纹线向下弯曲，为负，表示纹线向上弯曲，否则纹线趋近水平。

其中，Ω(Ω一般取5度)为角度阈值。当λ＝-1，则表示纹线向上弯曲为上弧；接近0时，默认纹线为水平方向；当λ＝1时，则表示纹线向下弯曲为下弧。

e.旋转平移参数一致性

计算初始参考点对的旋转平移参数为：在初始参考点对中，首先设模板指纹的一细节点T(X_T，Y_T，θ_T)，其中X_T表示模板指纹细节点在指纹图像上的横坐标，Y_T表示模板指纹细节点在指纹图像上的纵坐标，θ_T表示模板指纹细节点在指纹图像上的方向，且θ_T∈(0，π)，再设输入指纹一细节点I(X_I，Y_I，θ_I)，X_I其中表示输入指纹细节点在指纹图像上的横坐标，Y_I表示输入指纹细节点在指纹图像上的纵坐标，θ_I表示输入指纹细节点在指纹图像上的方向，且θ_I∈(0，π)；则细节点对(T，I)的旋转平移参数为(ΔX，ΔY，Δθ)，其中(ΔX，ΔY)表示输入指纹细节点相对于模板指纹细节点在横纵坐标上的位置偏移，Δθ表示输入指纹细节点相对于模板指纹细节点方向偏移，旋转平移参数的各项分量计算公式如下：

Δθ＝θ_I-θ_T                           (5)

ΔX＝X_I×cos(Δθ)+Y_I×sin(Δθ)-X_T     (6)

ΔY＝-X_I×sin(Δθ)+Y_I×cos(Δθ)-Y_T    (7)

输入指纹和模板指纹相同位置上对应的细节点对AB(ΔX_AB，ΔY_AB，Δθ_AB)和CD(ΔX_CD，ΔY_CD，Δθ_CD)之间的欧氏距离Dis(AB，CD)公式为

$\mathrm{Dis}(\mathrm{AB},\mathrm{CD})=\sqrt{({({\mathrm{\&Delta;X}}_{\mathrm{AB}}-{\mathrm{\&Delta;X}}_{\mathrm{CD}})}^2+{({\mathrm{\&Delta;Y}}_{\mathrm{AB}}-{\mathrm{\&Delta;Y}}_{\mathrm{CD}})}^2+{({\mathrm{\&Delta;\&theta;}}_{\mathrm{AB}}-{\mathrm{\&Delta;\&theta;}}_{\mathrm{CD}})}^2)}---\left(8\right)$

该两对细节点对AB(ΔX_AB，ΔY_AB，Δθ_AB)和CD(ΔX_CD，ΔY_CD，Δθ_CD)具有旋转平移参数一致性则应满足如下公式

Dis(AB，CD)＜Ψ                         (9)

其中Ψ(Ψ大约取20)为距离实验阈值。这样根据公式(5)-(8)，计算初始参考点对的旋转平移参数及参数间的欧氏距离，根据公式(9)，利用旋转平移参数一致性选取正确匹配的细节点对作为参考点对。

之后进行指纹匹配：

1)确定模板指纹和输入指纹；

2)采用基于三值特征向量的指纹匹配算法获得模板指纹和输入指纹所有细节点对匹配得分，其中匹配使用的特征公式如(1)-(4)所示；具体如下：以细节点类型为例，若两细节点属于同一类型，则这两个细节点的匹配得分加1，同理，对于细节点密度，若两细节点属于同种程度的细节点，即同是密集细节点、同是一般细节点或同是稀疏细节点则两细节点的匹配得分加1，否则得分不变，继续比较下一特征；

3)将所有细节点对按匹配得分降序排列，表示为χ₁，χ₂，...，χ_m，...，χ_i+1，χ_i+2，...，χ_i+n，越靠前表示是正确匹配细节点对的可能性越大，选取得分靠前的m个(m一般取30)(即χ₁，χ₂，...，χ_m)作为初始参考点对；其中χ_i表示第i个细节点，m为细节点个数；

4)计算初始参考点对的旋转平移参数，根据公式(5)-(8)，计算初始参考点对的旋转平移参数及参数间的欧氏距离，根据公式(9)，利用旋转平移参数一致性正确匹配的细节点对为参考点对；

5)以每对参考点对为基准，进行模板指纹和输入指纹的全局匹配，利用基于三值特征向量的指纹匹配算法和旋转平移参数一致性进行模板指纹和输入指纹的全局匹配，其中同时满足三值特征向量匹配条件和旋转平移参数一致性的细节点对为正确的匹配细节点对，针对每对参考点均得到一个对应的匹配细节点对集合。

6)采用投票融合策略，针对所有匹配细节点对进行投票融合，获得模板指纹和输入指纹的最终细节点匹配对数PairNum，若某细节点对的投票数T＞T₀，则认为该细节点对是正确匹配的细节点对，即PairNum＝PairNum+1，其中，T为实际得到的投票数，一般在1-15之间；T₀与匹配集合的数目相关，为实验阈值，一般取6-15之间的数值，根据对拒识和误识的要求可以动态调整。

7)根据最终匹配细节点对数计算模板指纹和输入指纹的最终匹配得分Socre，其中Socre∈[0，100]，计算公式如下：

$\mathrm{Socre}=\frac{\mathrm{PairNum}}{\sqrt{M*N}}\&times;100---\left(10\right)$

其中，M，N分别为模板指纹和输入指纹的细节点个数，M、N的取值在30-100之间；

8)根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配，当Socre≥μ时，则认为两幅指纹成功匹配，否则视为两幅指纹不匹配，其中μ为匹配阈值，匹配阈值可根据实际应用对拒识率和误识率的具体要求进行调整，一般取55。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

一切从本发明的构思出发，不经过创造性劳动所作出的结构变换均落在本发明的保护范围之内。

Claims (5)

1.一种基于多参考点对的指纹匹配方法，其特征在于包括步骤：

1）确定模板指纹和输入指纹；

2）采用基于三值特征向量的指纹匹配算法获得模板指纹和输入指纹所有细节点对匹配得分；

3）将所有细节点对按匹配得分降序排列，选取得分靠前的m个作为初始参考点对；

4）计算初始参考点对的旋转平移参数，根据一致性选取正确匹配的细节点对为参考点对；

5）以每对参考点对为基准，进行模板指纹和输入指纹的全局匹配，获得匹配细节点对集合；

6）采用投票融合策略，融合所有匹配细节点对集合信息，获得最终匹配细节点对数；

7）根据最终匹配细节点对数计算匹配得分；

8）根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配；

所述步骤4）中计算初始参考点对的旋转平移参数为：在初始参考点对中，首先设模板指纹的一细节点T(X_T,Y_T,θ_T)，其中X_T表示模板指纹细节点在指纹图像上的横坐标，Y_T表示模板指纹细节点在指纹图像上的纵坐标，θ_T表示模板指纹细节点在指纹图像上的方向，且θ_T∈(0,π)，再设输入指纹一细节点I(X_I,Y_I,θ_I)，其中Ⅹ_Ⅰ表示输入指纹细节点在指纹图像上的横坐标，Ｙ_Ⅰ表示输入指纹细节点在指纹图像上的纵坐标,θ_Ⅰ表示输入指纹细节点在指纹图像上的方向，且θ_Ⅰ∈(0，π)；则细节点对（Τ，Ⅰ）的旋转平移参数为(ΔX,ΔY,Δθ)，其中(ΔX,ΔY)表示输入指纹细节点相对于模板指纹细节点在横纵坐标上的位置偏移，Δθ表示输入指纹细节点相对于模板指纹细节点方向偏移，旋转平移参数的各项分量计算公式如下：

Δθ=θ_I-θ_T                          (5)

ΔX=X_I×cos(Δθ)+Y_I×sin(Δθ)-X_T    (6)

ΔY=-X_I×sin(Δθ)+Y_I×cos(Δθ)-Y_T    (7)

输入指纹和模板指纹相同位置上对应的细节点对AB(ΔX_AB,ΔY_AB,Δθ_AB)和CD(ΔX_CD,ΔY_CD,Δθ_CD)之间的欧氏距离Dis(AB,CD)公式为

$\mathrm{Dis}(\mathrm{AB},\mathrm{CD})=\sqrt{({(\mathrm{\&Delta;}{X}_{\mathrm{AB}}-\mathrm{\&Delta;}{X}_{\mathrm{CD}})}^2+{(\mathrm{\&Delta;}{Y}_{\mathrm{AB}}-\mathrm{\&Delta;}{Y}_{\mathrm{CD}})}^2+{(\mathrm{\&Delta;}{\mathrm{\&theta;}}_{\mathrm{AB}}-{\mathrm{\&Delta;\&theta;}}_{\mathrm{CD}})}^2)}---\left(8\right)$

该两对细节点对AB(ΔX_AB,ΔY_AB,Δθ_AB)和CD(ΔX_CD,ΔY_CD,Δθ_CD)具有旋转平移参数一致性则应满足如下公式

Dis(AB,CD)<Ψ    (9)

利用旋转平移参数一致性选取正确匹配的细节点对作为参考点对，其中Ψ为距离实验阈值。

2.如权利要求1所述的一种基于多参考点对的指纹匹配方法，其特征在于，所述步骤5）中模板指纹和输入指纹的全局匹配为分别以每对参考点对为基准点，利用基于三值特征向量的指纹匹配算法和旋转平移参数一致性进行模板指纹和输入指纹的全局匹配，其中同时满足三值特征向量匹配条件和旋转平移参数一致性的细节点对为正确的匹配细节点对，针对每对参考点均得到一个对应的匹配细节点对集合。

3.如权利要求1所述的一种基于多参考点对的指纹匹配方法，其特征在于，所述步骤6）中，采用投票融合策略，针对所有匹配细节点对进行投票融合，获得模板指纹和输入指纹的最终细节点匹配对数PairNum，若某细节点对的投票数T>T₀，则认为该细节点对是正确匹配的细节点对，即PairNum=PairNum+1，其中，T₀与匹配集合的数目相关，为实验阈值。

4.如权利要求3所述的一种基于多参考点对的指纹匹配方法，其特征在于，所述步骤7）中，根据最终细节点匹配对数，计算模板指纹和输入指纹的最终得分Socre，其中Socre∈[0,100]，计算公式如下：

$\mathrm{Socre}=\frac{\mathrm{PairNum}}{\sqrt{M*N}}\&times;100---\left(10\right)$

其中，M,N分别为模板指纹和输入指纹的细节点个数。

5.如权利要求4所述的一种基于多参考点对的指纹匹配方法，其特征在于，所述步骤8）中，根据匹配得分和匹配阈值，判断模板指纹和输入指纹是否匹配，当Socre≥μ时，则认为两幅指纹成功匹配，否则视为两幅指纹不匹配，其中μ为匹配阈值，一般取55。

Images