CN114120378A - 一种三级分类指纹识别方法 - Google Patents

Abstract

本发明涉及人工智能识别技术领域，特别涉及一种指纹识别方法。指纹特征提取部分包括细节点提取和奇异点的提取，指纹识别技术主要通过分析指纹的全局特征和指纹的局部特征，分析脊和谷的组合，从中提取特征信息，其中局部特征信息用于指纹匹配阶段；指纹分类常见于具有大容量指纹库的识别***中，将指纹数据库分为若干个子类，从而将待识别的指纹与库中同一类的指纹进行匹配；指纹匹配则是通过衡量两个给定指纹特征信息的相似度来判断其是否来自于同一个手指。以指纹识别***中的分类方法为主要研究方向，研究并实现指纹三级分类算法与基于分类特征的指纹识别***，将整个指纹库缩小为与待识别指纹相似的同源指纹集。

Description

一种三级分类指纹识别方法

技术领域

本发明涉及人工智能识别技术领域，特别涉及一种指纹识别方法。

背景技术

利用人体具有的生理特征或行为特征，实现对个人身份的认证成为现在研究的一个热点。指纹识别技术由于其独特性与稳定性被作为生物特征识别技术中应用最为广泛的一种。随着数字化时代的到来，生物特征识别技术会逐步代替钥匙与密码等传统的验证方式。

一种指纹识别方法和指纹识别***，申请(专利)号：CN200810065665.5、申请日：2008.01.30。提供一种指纹识别方法，包括如下步骤：采集指纹图像，提取其指纹特征，并将该指纹特征与指纹模板进行特征匹配；在匹配成功后，依据该指纹特征对指纹模板进行特征更新。本发明还提供了一种指纹识别***。实施本发明的技术方案，具有以下有益效果：依据匹配成功的指纹特征对最新指纹模板进行特征更新，可时时掌握指纹脱皮过程中最新的指纹特征信息，再配合使用原始指纹模板，便可实现指纹在未脱皮和脱皮过程中各个阶段的精确匹配。

基于奇异的拓扑结构的快速指纹识别方法，申请(专利)号： CN200610112936.9、申请日：2006.09.13。公开一种基于奇异点拓扑结构的快速指纹识别方法，利用指纹中奇异点的拓扑结构，能够对自动指纹识别***中的指纹图像进行快速处理和识别。本发明根据指纹图像中奇异点的分类特性和位置稳定性，对指纹数据库进行分类，并选择最为可靠的奇异点作为参考点，构建指纹的奇异点拓扑结构并构造模板进行识别。首先检测指纹图像中真伪奇异点，再根据奇异点的相对位置对数据库进行分类，生成奇异点邻近的拓扑结构，将该拓扑结构用于构造指纹模板，加速指纹的比对过程。

本发明在现有技术上优化分类方法，研究并实现指纹三级分类算法与基于分类特征的指纹识别***，将整个指纹库缩小为与待识别指纹相似的同源指纹集。

发明内容

本发明解决现有技术不足采用如下技术方案：一种指纹识别***及其使用方法，包括如下步骤：信息采集与存储；图像预处理；指纹特征提取；指纹分类；指纹匹配；数据存储；指标识别几部分。所述图像预处理主要包含图像分割、质量评估、二值化和细化等过程，指纹图像经过预处理，增强指纹脊谷对比度，减少伪特征信息；指纹特征提取部分包括细节点提取和奇异点的提取，指纹识别技术主要通过分析指纹的全局特征和指纹的局部特征，分析脊和谷的组合，从中提取特征信息，其中局部特征信息用于指纹匹配阶段；指纹分类常见于具有大容量指纹库的识别***中，将指纹数据库分为若干个子类，从而将待识别的指纹与库中同一类的指纹进行匹配；指纹匹配则是通过衡量两个给定指纹特征信息的相似度来判断其是否来自于同一个手指；

本发明的有益效果为：由于人口基数庞大，指纹识别技术的研究逐步转向基于大容量指纹库的指纹自动识别，为了对待识别指纹找到与之相匹配的指纹模板，指纹库需要建立有效的索引，否则将会在数据库进行全表扫描，时间代价较大，不满足人们对高效***的要求。因此，本文以指纹识别***中的分类方法为主要研究方向，研究并实现指纹三级分类算法与基于分类特征的指纹识别***，将整个指纹库缩小为与待识别指纹相似的同源指纹集。

附图说明

图1 指纹自动识别***技术路线示意图；

图2为指纹特征点示意图；

图3为不同指纹形状示意图；

图4为模式区、核心点、三角点示意图；

图5为预处理过程图；

图6为八邻域示意图；

图7为指纹三级分类示意图；

图8为指纹三级分类示意图。

具体实施方式

如图1所示本文设计的一种指纹识别***主要包括学习和识别，将通过图像采集、图像预处理、指纹质量评估、特征提取、指纹分类等学习后的指纹进行存储，作为后期识别的依据。

一、指纹自动识别***构成介绍

指纹识别技术通常包含以下阶段：预处理主要包含图像分割、质量评估、二值化和细化等过程，指纹图像经过预处理，可以增强指纹脊谷对比度，减少伪特征信息；特征提取部分包括细节点提取和奇异点的提取，指纹识别技术主要通过分析指纹的全局特征和指纹的局部特征，分析脊和谷的组合，从中提取特征信息，其中局部特征信息用于指纹匹配阶段；指纹分类常见于具有大容量指纹库的识别***中，意在稳定可靠地将指纹数据库分为若干个子类，从而将待识别的指纹与库中同一类的指纹进行匹配；指纹匹配则是通过衡量两个给定指纹特征信息的相似度来判断其是否来自于同一个手指。

（一）指纹基本特征

指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或转折。这些断点、分叉点和转折点就称为"特征点"。特征点提供了指纹唯一性的确认信息，其中最典型的是交叉、交叉点、核心、脊尾、岛、三角交叉、毛孔等，如图2所示。

总体特征

指纹总体特征是指那些用人眼直接就可以观察到的特征。包括纹形、模式区、核心点、三角点和纹数等。根据脊线的走向与分布情况一般将指纹分为三大类——环型、弓形、螺旋形，如图3所示。

模式区即指纹上包括了总体特征的区域，从此区域就能够分辨出指纹是属于哪一种类型的，如图4所示。

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，即只能处理和识别具有核心点的指纹。

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。

纹数，即模式区内指纹纹路的数量。在计算指纹的纹路时，一般先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。

局部特征

局部特征指纹节点的特征。指纹的纹路并不是连续、平滑笔直的，经常会出现分叉、折转或中断。这些交叉点、折转点或断点称为"特征点"，它们提供了指纹唯一性的确认信息，特征点的主要参数包括：

方向：相对于核心点，特征点所处的方向。

曲率：纹路方向改变的速度。

位置：节点的位置坐标，通过x/y坐标来描述。它可以是绝对坐标，也可以是与三角点（或特征点）的相对坐标。

（二）指纹预处理

指纹预处理是指纹识别的前提，能有效解决在指纹采集过程中可能存在按压力度、手指干湿程度以及采集器本身性能问题等情况，导致采集到的指纹是一副包含多种噪声的图像，指纹预处理的好坏直接影响到指纹识别的成败，本文的处理过程如下图5所示。

（三）指纹特征提取

特征提取就是对指纹图像提取表示其特征的信息。本文采用从细化二值图像中提取特征，该方法比较简单，只需要一个3×3的模板就可以将端点和分叉点提取出来。

（四）指纹匹配

指纹匹配是通过对两枚指纹的比较来确定它们是否同源的过程，即两枚指纹是否来源于同一个手指。本文采用基于细节特征点的匹配，分为基准点定位与精确匹配两步，前者目的在与将两个特征点集进行对齐，后者对两个特征点集进行精确匹配，通过记录相似特征点对的数量，得出是否源自同一枚手指的结论。

二、指纹的预处理与特征提取

指纹在采集过程中，由传感器经过数字化处理形成数字图像，由于手指可能存在蜕皮、潮湿以及传感器本身性能不稳定等情况，使获取到的指纹图像没有充分的特征信息，为实现指纹图像的正确分类与正确匹配，指纹在***中需经历预处理与特征提取。

（一）方向场与频率场

指纹的方向信息能够反映指纹图像的基本纹形，按照精细程度可分为基于每个像素点的矢量分布图（点方向）和基于每个块的方向矢量分布图（块方向）。其中，点方向图是由像素点的真实方向构成，而块方向图是以像素点为中心、w*w邻域内的灰度变化的梯度最小方向。指纹的脊线频率指的是单位距离内包含的脊线数，是指纹图像的一个非常重要的特征。本文采用传统梯度法实现对指纹纹线方向场的估算，采用以下方法估算脊线频率，具体步骤如下:

（1）将图像分成若干个大小为 w*w（16*16）的子块；并在定义像素点(i,j)为中心、长宽为l*w的方向窗(设l=32），x轴垂直于该块的纹线方向，y轴与x轴垂直；

（2）遍历子块中的像素点，将每个子块中的灰度值求和之后除以图像块w，为方向窗内水平方向的灰度离散信号X(m)，其中 m为0到1之间的任意值。

（3）计算平均周期。寻找X中的极值并记录极值的位置与个数，计算脊线平均周期T(i,j)，若X中不存在两个连续峰值，那么认为该块中含有奇异点或者细节点，令其频率值等于0；

（4）计算平均频率。设T(i,j)∈[3,25]，(i,j)为图像坐标系，平均频率为平均周期的倒数，则该子块的频率值F(i,j)=1/T(i,j)，且有效频率值在[0.04,0.33]范围内，若F(i,j)的值不在有效范围内，同步骤（3），令该块频率值等于0。

（二）指纹图像分割

指纹图像有两个重要的区域需要关注，分别为感兴趣区域和图像边缘无灰度变化的区域。本文采用基于频率场的分割方法，并处理边界存在的孔洞与黑点的情况，具体步骤如下：

(1)定义感兴趣区域图像为Interest，遍历脊线频率场，如果频率值在[0.04,0.33]之间，则将Interest在(i,j)处的灰度值置为255，否则置为 0；

(2)模板B为8邻域图中将垂直方向与水平方向的四个位置，置16进制值0x80；将模板B在Interest上平移，遍历图中每个像素点；

(3)若模板B的中心位置像素灰度值为255，则对Interest与模板B进行“或”操作。若遍历后的像素灰度值不为0，则令其等于255；

(4)若模板B的中心位置的像素灰度值为0，则对Interest与模板B进行“与”操作，若遍历后的像素灰度值不为255，则令其等于0。

（三）指纹图像质量评估

指纹图像的质量主要受手指按压位置、按压力度、手指干湿程度以及传感器性能等因素的影响，将指纹图像质量评估流程集成至预处理中可以对指纹图像质量进行筛选。本文使用一种基于特征的质量评估方法，目的是降低***误识率与拒识率，此方法能够有效过滤低质量的指纹并给出相关提示以便用户重新采集可用于后续分类匹配的指纹图像。本文的质量评估方法如下所示：

（1）图像有效面积质量评估。预先设定百分比 T1为30%，结合指纹图像分割部分，可以很快统计出白色区域所包含的像素点个数。有效面积比为感兴趣区域面积除以总面积。当R<T1时，质量不合适；反之，可继续进行第二阶段评估。

（2）有效区的灰度对比度评估。预先设定灰度对比度下限T2为0.4，通过计算每个指纹图像像素点有效区的灰度均值、灰度方差，以灰度均值除以灰度方差值为灰度对比度C；当灰度对比度C满足下限T2时，进行第三阶段的质量评估，对不满足上述情况的指纹提示用户重新采集指纹。

（3）形心偏移量评估。但有效区域的几何中心偏移量小于指纹感兴趣图像的长和高均小于1/2时，像可通过第三阶段评估，反之拒绝指纹提示用户重新采集。

（四）指纹图像的二值化与细化

1.二值化

由于成像原理使指纹图像中的脊线比谷线要暗，二值化的目的就在于突出脊线，遂将谷线部分划为背景区域，本文将脊线处理为灰度值为255的像素点，将谷线部分处理为灰度值为0 的像素点，为后续算法提供良好的数据源。

设I(i,j)描述指纹图像中坐标点为(i,j)的灰度值，其中i∈[0,h-1]，j∈[0,w-1]，h*w描述图像的大小；设概率函数P(x)描述灰度值x在图像中出现的概率，其中x∈[0,255]，选取中间值128作为阈值T的值，令大于T 的像素点的灰度值等于 255，小于T 的像素点灰度值等于0。

2.细化

为便于算法描述，这里定义一个八邻域模型，如图6所示。即以当前点为中心，与紧邻中心点的八个点组成一个3×3的模板，各邻点与中心点的位置关系组成八邻域模型，A代表当前中心点，P1—P8分别代表中心点8个方向上的相邻点。

具体步骤如下：对二值化图像做一次水平遍历，若P3与P7与A的灰度值相同，则保持A点灰度值不变；反之，若该值为0则不改变A的灰度值，若为1，将A点灰度值置为0；对图像做一次垂直遍历，直到没有像素的灰度值改变为止。

（五）指纹奇异点的定位与提取

本文使用的提取奇异点的方法步骤如下：

（1）以像素点的8邻域图为例，做一条环绕该像素点的闭合曲线，选取曲线上某一点作为遍历像素点的起始点P0，采用顺时针方向选择下一像素点 P1，以此类推，直到重新回到P0；

（2）取分别以相邻两像素点为中心的子块的块方向值做差，记为 Δ(k)；

（3）若-π/2<|Δ(k)|<π/2，则维持不变；若|Δ(k)|<=-π/2，则Δ(k)=Δ(k)+π；否则，Δ(k)=Δ(k)-π；接下来计算闭合曲线上方向差的和；

（4）若

=π，则表示环绕曲线内包含的是核心点；若

=-π，则表示环绕曲线内包含的是三角点；将奇异点的信息，如坐标、方向和类型存入特征点集中；若不符合上述两种计算结果，否则表示该区域内并无奇异点。

三、基于分类特征的指纹识别研究

对于大容量指纹数据库的***，将目标指纹与数据库中模板指纹依次匹配的方式会以牺牲时间为代价得出最终结论，严重时会导致***崩溃，如果在存储模板指纹时可以根据其特性分类存储，当输入一个指纹时，可先对目标指纹进行处理判断其类别，只需在同源子类中逐一匹配，不仅缩短了搜索时间，还减少了匹配次数。在使用多级分类的过程中，尤其需要关注分类出现偏差的问题，指纹纹形的稳定性和一致性较强，所以将纹形作为第一级分类特征；其次，奇异点间脊线数目的稳定性较强于脊线平均周期，遂将前者作为第二级分类特征，后者作为第三级分类特征，如图7所示。

（一）基于纹型一级分类

指纹纹形可通过奇异点的数目和相对位置来确定，可以根据两点之间的连线与指纹图像的参考坐标轴的夹角判断具体纹形，具体方法如下：

（1）连接中心点与三角点；

（2）当核心点数大于等于2时，是螺旋线；

（3）当核心点数小于1时，是弓形；

（4）当核心点数等于1，且三角点数不等于1时，是杂类；

（5）当核心点数等于1，且三角点数也为1时，计算连线的线段方向与中心点方向的方向差∆θ；若∆θ>π/9，则是右箕形；若∆θ<-π/9，则为左箕形纹；若|∆θ|≤π/9，则属于帐螺旋线。

（二）基于奇异的间脊线数目二级分类

第二级分类主要缩小各类别中数据量差异，所以针对左箕形、右箕形以及螺旋形进行第二级分类。脊线数的计算基于奇异点之间的连线，本文采用如下方法计算直线与脊线交点的个数：

(1) 以三角点或核心点为起点，沿着连线方向，遍历连线上的点的8邻域，判断脊线像素点的个数，若个数小于2，不算作交点；若个数为2，则执行步骤(2)；若个数为3，执行步骤(3)；

（2）计算两个脊线像素点间的距离s，若s=1，则不算作交点；反之纳入交点集中，总交点数加1；

（3）对含有3个脊线像素点的数量做统计，若数量为偶数，则总交点数加1；

(4) 遍历交点集，计算相邻两个交点的横纵坐标的差值，若两差值有一个等于1则选一个从交点集中剔除，并将总交点数减一。

本文将脊线数分为13类Ri（1<=i<=13）。设搜索半径上限为 r，计算待识别指纹奇异点间的脊线数N，在数据库中搜索同源指纹的方法描述如下：

（1）由脊线数N得到对应的类别Ri，并设置搜索半径c=0；

（2）在对应类别中查找指纹与待识别指纹依次进行比对，匹配成功则匹配结束；未匹配成功继续进行以下步骤；

（3）以1为梯度，逐次增加搜索半径，重复步骤(4)和(5)，直到搜索半径大于搜索半径上限时匹配结束，宣告搜索失败；

（4）当类别加搜索半径之和，小于14时，逐一将在R_i+c类别中指纹模板与待识别指纹比对，若匹配成功，则结束此搜索流程；反之执行步骤(5)；

（5）当类别大于搜索半径时，逐一将在R_i-c类别中指纹模板与待识别指纹比对，若匹配成功，则结束搜索；反之，匹配失败。

（三）基于脊线平均周期三级分类

本文仅针对经过二级分类的所有指纹使用连续性特征——指纹中心区域脊线平均周期，进行第三级分类，对已存在的类别进一步细化。首先构造一个7*7的均值滤波器对图像频率值做卷积操作，将部分频率值为0的像素点修正为具有频率值的像素点，相当于对图像频率进行平滑，可得到一幅较为准确的频率图。在得到频率值后，以指纹有效区域的几何中心为标准，将指纹图像整理成60*80的图像，求取每一块图像频率和之后除以整块图像大小（60*80），即可获得脊线平均周期值。平均周期同指纹数先关联，则将脊线平均周期分成10类。

采用上述的三种分类方法，展示***的分类过程，具体流程如图8所示。通过对指纹做三级分类处理，减少了与待识别指纹的匹配次数，可有效地划分子类并减少匹配时间。

一种基于三级分类特征的指纹识别方法，在第一级分类中利用了奇异点的数目、方向等信息，将指纹分为弓形、帐弓形、左箕形、右箕形、螺旋形以及较难分类的杂形等六大类;其次，针对帐弓形、箕型、螺旋形指纹进行二级分类，本文从0脊线数开始，以步长为1进行划分，将指纹分类划分为13类；再依据指纹模式区的中间位置的脊线平均周期的分布情况对二级分类的结果进行第三级分类,将二级子类细分10个子类。

根据前人的统计数据可知，一级指纹分类涉及到的6大类分类不均，对应的分类占比如表1所示：

二级指纹13类分类，对应的占比如表2为：

三级指纹10类分类，对应的占比如表3为

本文采用信息嫡来阐述本文的分类效率，传统依托信息熵的分类效率函数如下所示

其中，

为分类特征数，k为类别数目，p为任意指纹属于类的概率。根据信息熵的分类效率函数，可以求得三级分类效率，第一级分类中所需的概率数据由表1可知

由表2可知

由表3可知

因此本文的多级分类算法的分类效率为3.52X9.75X8.14=279.36，理论上去掉一级分类的弓形和杂类指纹，对应的指纹分类为

（6-2）X 13 X 10=520

其相对分类效率为279.36/520=0.5372，传统指纹识别相对分类效率为0.3113，从而可知本文相对分类效率较高。

Claims (6)

1.一种三级分类指纹识别方法，其特征在于包括如下步骤：信息采集与存储、图像预处理、指纹特征提取、指纹分类、指纹匹配、数据存储和指标识别，所述图像预处理包含图像分割、质量评估、二值化和细化；指纹特征提取包括细节点提取和奇异点的提取，指纹识别通过分析指纹的全局特征和指纹的局部特征，分析脊和谷的组合，从中提取特征信息，其中局部特征信息用于指纹匹配；数据存储通过指纹数据库进行，并将指纹数据库存储数据分为若干个子类，将待识别的指纹与库中同一类的指纹进行匹配；指纹匹配通过衡量指纹特征信息的相似度来判断其是否来自于同一个手指。

2.根据权利要求1所述一种三级分类指纹识别方法，其特征在于所述指纹的预处理与特征提取：

（一）方向场与频率场

指纹的方向信息能够反映指纹图像的基本纹形，按照精细程度可分为基于每个像素点的矢量分布图点方向和基于每个块的方向矢量分布图块方向，其中点方向图是由像素点的真实方向构成，而块方向图是以像素点为中心、w*w邻域内的灰度变化的梯度最小方向，指纹的脊线频率指的是单位距离内包含的脊线数，采用梯度法实现对指纹纹线方向场的估算，采用以下方法估算脊线频率，具体步骤如下：

（1）将图像分成若干个大小为 w*w（16*16）的子块；并在定义像素点(i,j)为中心、长宽为l*w的方向窗(设l=32），x轴垂直于该块的纹线方向，y轴与x轴垂直；

（2）遍历子块中的像素点，将每个子块中的灰度值求和之后除以图像快递w，为方向窗内水平方向的灰度离散信号X(m)，其中 m为0到1之间的任意值；

（3）计算平均周期，寻找X中的极值并记录极值的位置与个数，计算脊线平均周期T(i,j)，若X中不存在两个连续峰值，那么认为该块中含有奇异点或者细节点，令其频率值等于0；

（4）计算平均频率，设T(i,j)∈[3,25]，(i,j)为图像坐标系，平均频率为平均周期的倒数，则该子块的频率值F(i,j)=1/T(i,j)，且有效频率值在[0.04,0.33]范围内，若F(i,j)的值不在有效范围内，同步骤（3），令该块频率值等于0；

（二）指纹图像分割

指纹图像重点区域分别为感兴趣区域和图像边缘无灰度变化的区域，采用基于频率场的分割方法，并处理边界存在的孔洞与黑点的情况，具体步骤如下：

(1)定义感兴趣区域图像为Interest，遍历脊线频率场，如果频率值在[0.04,0.33]之间，则将Interest在(i,j)处的灰度值置为255，否则置为 0；

(2)模板B为8邻域图中将垂直方向与水平方向的四个位置，置16进制值0x80；将模板B在Interest上平移，遍历图中每个像素点；

(3)若模板B的中心位置像素灰度值为255，则对Interest与模板B进行“或”操作；

若遍历后的像素灰度值不为0，则令其等于255；

(4)若模板B的中心位置的像素灰度值为0，则对Interest与模板B进行“与”操作，若遍历后的像素灰度值不为255，则令其等于0。

3.根据权利要求2所述一种三级分类指纹识别方法，其特征在于所述指纹图像质量评估：

（1）图像有效面积质量评估，预先设定百分比 T1为30%，结合指纹图像分割部分，统计出白色区域所包含的像素点个数，有效面积比为感兴趣区域面积除以总面积，当R<T1时，质量不合适；反之，继续进行第二阶段评估；

（2）有效区的灰度对比度评估，预先设定灰度对比度下限T2为0.4，通过计算每个指纹图像像素点有效区的灰度均值、灰度方差，以灰度均值除以灰度方差值为灰度对比度C；当灰度对比度C满足下限T2时，进行第三阶段的质量评估，对不满足上述情况的指纹提示用户重新采集指纹；

（3）形心偏移量评估，但有效区域的几何中心偏移量小于指纹感兴趣图像的长和高均小于1/2时，通过第三阶段评估，反之拒绝指纹提示用户重新采集。

4.根据权利要求3所述一种三级分类指纹识别方法，其特征在于所述指纹图像的二值化与细化：

（1）二值化

遂将谷线部分划为背景区域，将脊线处理为灰度值为255的像素点，将谷线部分处理为灰度值为0 的像素点，

设I(i,j)描述指纹图像中坐标点为(i,j)的灰度值，其中i∈[0,h-1]，j∈[0,w-1]，h*w描述图像的大小；设概率函数P(x)描述灰度值x在图像中出现的概率，其中x∈[0,255]，选取中间值128作为阈值T的值，令大于T 的像素点的灰度值等于 255，小于T 的像素点灰度值等于0；

（2）细化

定义一个八邻域模型，即以当前点为中心，与紧邻中心点的八个点组成一个3×3的模板，各邻点与中心点的位置关系组成八邻域模型，A代表当前中心点，P1—P8分别代表中心点8个方向上的相邻点；

对二值化图像做一次水平遍历，若P3与P7与A的灰度值相同，则保持A点灰度值不变；反之，若该值为0则不改变A的灰度值，若为1，将A点灰度值置为0；对图像做一次垂直遍历，直到没有像素的灰度值改变为止。

5.根据权利要求4所述一种三级分类指纹识别方法，其特征在于所述指纹奇异点的定位与提取：提取奇异点的方法步骤如下：

（1）以像素点的8邻域图为例，做一条环绕该像素点的闭合曲线，选取曲线上某一点作为遍历像素点的起始点P0，采用顺时针方向选择下一像素点 P1，以此类推，直到重新回到P0；

（2）取分别以相邻两像素点为中心的子块的块方向值做差，记为 Δ(k)；

（3）若-π/2<|Δ(k)|<π/2，则维持不变；若|Δ(k)|<=-π/2，则Δ(k)=Δ(k)+π；否则，Δ(k)=Δ(k)-π；接下来计算闭合曲线上方向差的和；

（4）若=π，则表示环绕曲线内包含的是核心点；若=-π，则表示环绕曲线内包含的是三角点；将奇异点的信息，如坐标、方向和类型存入特征点集中；若不符合上述两种计算结果，否则表示该区域内并无奇异点。

6.根据权利要求5所述一种三级分类指纹识别方法，其特征在于所述指纹数据库分为若干个子类：

（一）基于纹型一级分类

指纹纹形通过奇异点的数目和相对位置来确定，根据两点之间的连线与指纹图像的参考坐标轴的夹角判断具体纹形，具体方法如下：

（1）连接中心点与三角点；

（2）当核心点数大于等于2时，是螺旋线；

（3）当核心点数小于1时，是弓形；

（4）当核心点数等于1，且三角点数不等于1时，是杂类；

（5）当核心点数等于1，且三角点数也为1时，计算连线的线段方向与中心点方向的方向差∆θ；若∆θ>π/9，则是右箕形；若∆θ<-π/9，则为左箕形纹；若|∆θ|≤π/9，则属于帐螺旋线；

（二）基于奇异的间脊线数目二级分类

第二级分类主要缩小各类别中数据量差异，所以针对左箕形、右箕形以及螺旋形进行第二级分类，脊线数的计算基于奇异点之间的连线，采用如下方法计算直线与脊线交点的个数：

(1) 以三角点或核心点为起点，沿着连线方向，遍历连线上的点的8邻域，判断脊线像素点的个数，若个数小于2，不算作交点；若个数为2，则执行步骤(2)；若个数为3，执行步骤(3)；

（2）计算两个脊线像素点间的距离s，若s=1，则不算作交点；反之纳入交点集中，总交点数加1；

（3）对含有3个脊线像素点的数量做统计，若数量为偶数，则总交点数加1；

（4）遍历交点集，计算相邻两个交点的横纵坐标的差值，若两差值有一个等于1则选一个从交点集中剔除，并将总交点数减一；

将脊线数分为13类Ri（1<=i<=13）；设搜索半径上限为 r，计算待识别指纹奇异点间的脊线数N，在数据库中搜索同源指纹的方法如下：

（1）由脊线数N得到对应的类别Ri，并设置搜索半径c=0；

（2）在对应类别中查找指纹与待识别指纹依次进行比对，匹配成功则匹配结束；未匹配成功继续进行以下步骤；

（3）以1为梯度，逐次增加搜索半径，重复步骤(4)和(5)，直到搜索半径大于搜索半径上限时匹配结束，宣告搜索失败；

（4）当类别加搜索半径之和，小于14时，逐一将在R_i+c类别中指纹模板与待识别指纹比对，若匹配成功，则结束此搜索流程；反之执行步骤(5)；

（5）当类别大于搜索半径时，逐一将在R_i-c类别中指纹模板与待识别指纹比对，若匹配成功，则结束搜索；反之，匹配失败；

（三）基于脊线平均周期三级分类

针对经过二级分类的所有指纹使用连续性特征——指纹中心区域脊线平均周期，进行第三级分类，对已存在的类别进一步细化，首先构造一个7*7的均值滤波器对图像频率值做卷积操作，将部分频率值为0的像素点修正为具有频率值的像素点，相当于对图像频率进行平滑，得到一幅较为准确的频率图，在得到频率值后，以指纹有效区域的几何中心为标准，将指纹图像整理成60*80的图像，求取每一块图像频率和之后除以整块图像大小60*80，即获得脊线平均周期值，平均周期同指纹数先关联，则将脊线平均周期分成10类。

Images