指纹识别

出自 MBA智库百科(https://wiki.mbalib.com/)

指纹识别(fingerprinting)

　　指纹识别是通过解析系统响应的信息来判断系统身份的技术。有些时侯，会发送出一些意外的数据组合而触发系统做出响应。

　　指纹是手指末端正面皮肤上凸凹不平产生的纹路。尽管指纹只是人体皮肤的小部分，但是，它蕴涵着大量的信息。指纹特征可分为两类：总体特征和局部特征。总体特征指那些用人眼直接就可以观察到的特征，包括基本纹路图案、模式区、核心点、三角点、式样线和纹线等。基本纹路图案有环形、弓形、螺旋形。局部特征即指纹上节点的特征，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相同的总体特征，但它们的局部特征——特征点，却不可能完全相同。指纹上的特征点，即指纹纹路上的终结点、分叉点和转折点。

　　指纹识别技术通常使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行用户身份识别。通常，首先从获取的指纹图像上找到“特征点”(minutiae)，然后根据特征点的特性建立用户活体指纹的数字表示——指纹特征数据(一种单向的转换，可以从指纹图像转换成特征数据但不能从特征数据转换成为指纹图像)。由于两枚不同的指纹不会产生相同的特征数据，所以通过对所采集到的指纹图像的特征数据和存放在数据库中的指纹特征数据进行模式匹配，计算出它们的相似程度，最终得到两个指纹的匹配结果，根据匹配结果来鉴别用户身份。由于每个人的指纹不同，就是同一人的十指之间，指纹也有明显区别，因此指纹可用于身份鉴定。

　　指纹识别技术主要涉及四个功能：读取指纹图像、提取特征、保存数据和比对。首先。通过指纹读取设备读取人体指纹的图像，取到指纹图像之后，要对原始图像进行预处理。其次，用指纹辨识软件建立指纹的数字表示特征数据，是一种单方向的转换，可以从指纹转换成特征数据但不能从特征数据转换成为指纹，而两枚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“节点”的数据点，也就是那些指纹纹路的分叉、终止或打圈处的坐标位置，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500个数据。有的算法将节点和方向信息组合产生了更多的数据，这些方向信息表明了各个节点之间的关系，也有的算法还处理整幅指纹图像。总之，这些数据，通常称为模板，保存为1KB大小的记录。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。

　　图1中，细节匹配又包括指纹图像的特征提取、保存数据、特征值的匹配等过程。

　　首先，通过指纹读取设备读取人体指纹的图像，并对原始图像进行初步处理，使之更清晰。然后，运用指纹识别算法建立指纹的数字表示——特征数据，这是一种单方向的转换，只能从指纹转换到特征数据。特征文件存储的是从指纹图像上找到的被称为“细节点(Minutiae)”的数据点，也就是那些指纹纹路的分叉点或者末梢点。这时算法会处理整幅指纹图像或其中部分图像。这些数据通常称为模板，保存为1KB大小的记录。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。

　　1．指纹图像的获取

　　指纹图像的采集是自动指纹识别系统的重要组成部分。早期的指纹采集都是通过油墨按压在纸张上产生的。20世纪80年代，随着光学技术和计算机技术的发展，现代化的采集设备开始出现。

　　传感器是一种能把物理量或化学量变成便于利用的电信号的器件。在测量系统中它是一种前置部件，它是被测量信号输入后的第一道关口，是生物认证系统中的采集设备。

　　这些传感器根据探测对象的不同，可分为光学传感器、热敏传感器和超声传感器；根据器件的不同，可分为CMOS器件传感器和CCD器件传感器。它们的工作原理都是：将生物特征经过检测后转化为系统可以识别的图像信息。在生物认证系统中，可靠和廉价的图像采集设备是系统运行正常、可靠的关键。

　　2．指纹图像的增强

　　采集获得的指纹图像通常都伴随着各种各样的噪声：一部分是由于采集仪器造成的，如采集仪器上有污渍，参数设置不恰当等；另外一部分是由于手指的状态造成的，如手指过干、过湿、伤疤、脱皮等。第一类噪声相对来说是固定的系统误差，比较容易恢复。第二类噪声与个体手指密切相关，较难恢复。指纹增强在指纹图像的识别过程中是最为重要的一环，这部分算法的优劣将对整个系统产生至关重要的影响。

　　采集到的指纹图像要经过预处理。预处理指的是在指纹图像进行增强之前使用一些简单的图像处理手段对图像进行初加工的过程。常见的预处理方法如下：

　　(1)采用灰度的均衡化，可以消除不同图像之间对比度的差异。

　　(2)使用简单的低通滤波消除斑点噪声、高斯噪声。

　　(3)计算出图像的边界，进行图像的裁剪，这样可以减少多余的计算量，提高系统的速度。

　　指纹图像的增强就是对指纹图像采用一定的算法进行处理，使其纹线结构清晰化，尽量突出和保留固有的特征信息，避免产生伪特征信息，其目的是保证特征信息提取的准确性和可靠性。常用图像增强算法具体包括以下几种：

　　(1)基于傅里叶滤波的低质量指纹增强算法；

　　(2)基于Gabor滤波的增强方法；

　　(3)多尺度滤波方法；

　　(4)改进的方向图增强算法；

　　(5)基于知识的指纹图像增强算法；

　　(6)非线性扩散模型及其滤波方法；

　　(7)改进的非线性扩散滤波方法。

　　另外，指纹图像的分割也是预处理阶段非常重要的一个步骤。对一些光学仪器采集到的指纹，分割相对容易；对一些电容传感器采集到的指纹图像，分割则比较困难。

　　目前最新的分割算法有以下几种：

　　(1)基于正态模型进行的指纹图像分割算法；

　　(2)基于马尔科夫随机场的指纹图像分割算法；

　　(3)基于数学形态学闭运算的灰度方差法；

　　(4)基于方向场的指纹图像分割算法。

　　3．指纹特征的提取

　　指纹特征的提取是基于指纹特征来进行的。用计算机语言完整地描述稳定而又有区别的指纹特征是实现自动指纹识别的一个关键问题，选择什么特征及如何表示既关乎指纹本身的特点，又与具体的指纹匹配算法密切联系。某种提取指纹的算法在什么情况下才能达到最佳的识别效果是人们关心的问题，因此应选择一组好的特征，这些特征不仅能够达到身份识别的基本要求，而且对噪声、畸变和环境条件不敏感。

　　近年来，新的指纹特征提取算法主要包括以下几种：

　　(1)基于Gabor滤波方法对指纹局部特征的提取算法。

　　(2)基于CNN通用编程方法对指纹特征的提取算法。

　　(3)基于IFS编码的图像数字化技术，即建立IFS模型，计算源图像与再生图像之间的相似性，快速提取指纹图像的特征。

　　(4)基于脊线跟踪的指纹图像特征点提取算法。该算法可以直接从灰度指纹图像中有效提取细节点和脊线骨架信息。

　　(5)基于小波变换和ART(自适应共振理论)神经网络的指纹特征提取算法。

　　4．指纹图像的分类与压缩

　　利用指纹技术识别一个人的时候，需要将他的指纹与数据库中的所有指纹作比较才能做出判断。在某些民用或者刑侦场合，数据库可能非常大，在这种情况下，识别需要耗费很长的时间，从而降低了识别技术的可用性。这一问题可以通过减少必须执行的匹配次数以提高速度来解决。在某些情况下，加入与个体相关的信息(诸如性别、年龄等)能显著降低搜索数据库的范围，然而这些信息并不总是存在的。通常的策略是将指纹数据库划分成几个子类，这样指纹识别时只需将此类指纹与数据库中同一类的指纹作比较，这就是指纹分类技术。指纹分类就是研究如何以稳定而可靠的方式将指纹划为某一类别。

　　常用的指纹分类技术有以下几种：

　　(1)基于规则的方法，即根据指纹奇异点的数目和位置分类。

　　(2)基于句法的方法。这种方法的语法复杂，推导语法的方法复杂、不固定。这种方法已经逐渐被淘汰了。

　　(3)结构化的方法，即寻找低层次的特征到高层次的结构之间相关联的组织。

　　(4)统计的方法。

　　(5)结合遗传算法和BP神经元网络的方法。

　　(6)多分类器方法。

　　指纹压缩技术也是自动指纹识别系统中的一项重要技术。在大量的指纹库中，为了节省存储空间，必须对指纹图像进行压缩储存，使用时再进行解压缩。图像压缩编码的目的是以尽量少的比特数表示图像，同时保持原图像的质量，使它符合预定应用场合的要求。

　　常用的压缩算法有以下两种：

　　(1)图像压缩编码方法：包括无损压缩(熵编码)和有损压缩(量化)。

　　(2)基于小波变换的指纹压缩算法：包括WSQ算法、DjVu算法、改进的EZW算法等。

　　指纹压缩方法在很大程度上得益于图像压缩领域的发展。相信在不久的将来，指纹压缩技术将为指纹识别技术在大容量数据库级别上的应用提供更有利的支持。

　　5．指纹图像的匹配

　　指纹图像匹配指的是通过对两个指纹特征集之间的相似性进行比较来判断对应的指纹图像是否来自于同一手指的过程，它是一种非常经典而又亟待解决的模式识别问题。

　　传统的指纹匹配算法有很多种，例如：

　　(1)基于点模式的匹配方法：如基于Hough变换的匹配算法、基于串距离的匹配算法、基于N邻近的匹配算法等。

　　(2)图匹配及其他方法：如基于遗传算法的匹配、基于关键点的初匹配等。

　　(3)基于纹理模式的匹配：如PPM匹配算法等。

　　(4)混合匹配方法等。

　　近几年，又出现了如下新的匹配算法：

　　(1)基于指纹分类的矢量匹配。该法首先利用指纹分类的信息进行粗匹配，然后利用中心点和三角点的信息进一步匹配，最后以待识别图像和模板指纹图像的中心点为基准点，将中心点与邻近的36个细节点形成矢量，于是指纹的匹配就转变为矢量组数的匹配。

　　(2)基于PKI(Public Key Infrastructure，公钥基础设施)的开放网络环境下的指纹认证系统。

　　(3)实时指纹特征点匹配算法。该算法的原理是：通过由指纹分割算法得到圆形匹配限制框和简化计算步骤来达到快速匹配的目的。

　　(4)一种基于FBI(Federal Bureauof Investigation)细节点的二次指纹匹配算法。

　　(5)基于中心点的指纹匹配算法。该算法利用奇异点或指纹有效区域的中心点寻找匹配的基准特征点对和相应的变换参数，并将待识别指纹相对于模板指纹作姿势纠正，最后采用坐标匹配的方式实现两个指纹的比对。

　　1．指纹识别的优点

　　(1)指纹是人体独一无二的特征，并且它们的复杂度足以提供用于鉴别的足够特征。

　　(2)如果想要增加可靠性，只需登记更多的指纹，鉴别更多的手指，最多可以达到十个，而每一个指纹都是独一无二的。

　　(3)扫描指纹的速度很快，使用非常方便。

　　(4)读取指纹时，用户必须将手指与指纹采集头互相接触，与指纹采集头直接接触是读取人体生物特征最可靠的方法，这也是指纹识别技术能够占领大部分市场的一个主要原因。

　　(5)指纹采集头可以更加小型化，并且价格会更加低廉。

　　2．指纹识别的缺点

　　(1)某些人或某些群体的指纹因为指纹特征很少，故而很难成像。

　　(2)过去因为在犯罪记录中使用指纹，使得某些人害怕“将指纹记录在案”。然而，实际上现在的指纹鉴别技术都可以保证不存储任何含有指纹图像的数据，而只是存储从指纹中得到的加密的指纹特征数据。

　　(3)每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性。

　　可见，指纹识别技术是目前最方便、可靠、非侵害和价格便宜的生物识别技术解决方案，市场应用有着很大的潜力。

　　3．指纹识别的两个重要衡量标志

　　指纹识别系统的重要衡量标志是识别率。其主要由两部分组成，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 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，但其安全性也比相同可靠性级别的“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内试用所有可能的密码，因此四位数密码并不安全，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。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。极大地提高了系统安全性。

　　指纹识别的应用领域非常广阔，具体包括以下几个方面。

　　(1)指纹支付

　　通过把指纹与银行卡绑定的方式，用指纹轻轻一点来完成消费支付。这种新型应用在美国已经出现两年以上。国内2006年上海某公司已经涉及到指纹支付市场。

　　(2)汽车指纹防盗

　　通过指纹控制车门开关，或者控制引擎点火是指纹技术在汽车防盗方面的典型应用。国内个别厂商已经推出指纹防盗产品。

　　(3)指纹UKEY

　　指纹UKEY是网上银行业务用于进行身份验证的终端，它比目前的账号密码验证以及普通UKEY验证更安全。完全不需要密码或PIN，使得病毒软件无可乘之机，也杜绝了网银账号盗用的可能。它将大大提升网银业务的诚信度和安全性，为银行真正扩大网上交易量。

　　(4)指纹IC卡

　　目前的IC大多是不记名的IC，记名也都是用密码。随着IC在人们生活中使用频度的增加，IC卡中的信息甚至代表着特殊的权力和金钱。通过在IC卡中存入持卡人的指纹信息，可以大大提高IC卡的安全性。

　　数据库管理主要负责存储已提取的指纹特征信息和参与指纹的比对。一般的自动识别系统的数据库只含有指纹的特征信息，并不包含指纹图像，也不能由存储的特征数据恢复成指纹图像。警用系统的数据库可以包含指纹压缩图像以及与前两类数据相应的罪犯的文本信息。系统管理主要负责调度和协调各模块的工作，并处理可能出现的故障以确保自动指纹识别系统能够顺利工作。