指紋識別

出自 MBA智库百科(https://wiki.mbalib.com/)

指紋識別(fingerprinting)

　　指紋識別是通過解析系統響應的信息來判斷系統身份的技術。有些時侯，會發送出一些意外的數據組合而觸發系統做出響應。

　　指紋是手指末端正麵皮膚上凸凹不平產生的紋路。儘管指紋只是人體皮膚的小部分，但是，它蘊涵著大量的信息。指紋特征可分為兩類：總體特征和局部特征。總體特征指那些用人眼直接就可以觀察到的特征，包括基本紋路圖案、模式區、核心點、三角點、式樣線和紋線等。基本紋路圖案有環形、弓形、螺旋形。局部特征即指紋上節點的特征，這些具有某種特征的節點稱為特征點。兩枚指紋經常會具有相同的總體特征，但它們的局部特征——特征點，卻不可能完全相同。指紋上的特征點，即指紋紋路上的終結點、分叉點和轉折點。

　　指紋識別技術通常使用指紋的總體特征如紋形、三角點等來進行分類，再用局部特征如位置和方向等來進行用戶身份識別。通常，首先從獲取的指紋圖像上找到“特征點”(minutiae)，然後根據特征點的特性建立用戶活體指紋的數字表示——指紋特征數據(一種單向的轉換，可以從指紋圖像轉換成特征數據但不能從特征數據轉換成為指紋圖像)。由於兩枚不同的指紋不會產生相同的特征數據，所以通過對所採集到的指紋圖像的特征數據和存放在資料庫中的指紋特征數據進行模式匹配，計算出它們的相似程度，最終得到兩個指紋的匹配結果，根據匹配結果來鑒別用戶身份。由於每個人的指紋不同，就是同一人的十指之間，指紋也有明顯區別，因此指紋可用於身份鑒定。

　　指紋識別技術主要涉及四個功能：讀取指紋圖像、提取特征、保存數據和比對。首先。通過指紋讀取設備讀取人體指紋的圖像，取到指紋圖像之後，要對原始圖像進行預處理。其次，用指紋辨識軟體建立指紋的數字表示特征數據，是一種單方向的轉換，可以從指紋轉換成特征數據但不能從特征數據轉換成為指紋，而兩枚不同的指紋不會產生相同的特征數據。軟體從指紋上找到被稱為“節點”的數據點，也就是那些指紋紋路的分叉、終止或打圈處的坐標位置，這些點同時具有七種以上的唯一性特征。因為通常手指上平均具有70個節點，所以這種方法會產生大約500個數據。有的演算法將節點和方向信息組合產生了更多的數據，這些方向信息表明瞭各個節點之間的關係，也有的演算法還處理整幅指紋圖像。總之，這些數據，通常稱為模板，保存為1KB大小的記錄。最後，通過電腦模糊比較的方法，把兩個指紋的模板進行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結果。

　　圖1中，細節匹配又包括指紋圖像的特征提取、保存數據、特征值的匹配等過程。

　　首先，通過指紋讀取設備讀取人體指紋的圖像，並對原始圖像進行初步處理，使之更清晰。然後，運用指紋識別演算法建立指紋的數字表示——特征數據，這是一種單方向的轉換，只能從指紋轉換到特征數據。特征文件存儲的是從指紋圖像上找到的被稱為“細節點(Minutiae)”的數據點，也就是那些指紋紋路的分叉點或者末梢點。這時演算法會處理整幅指紋圖像或其中部分圖像。這些數據通常稱為模板，保存為1KB大小的記錄。最後，通過電腦模糊比較的方法，把兩個指紋的模板進行比較，計算出它們的相似程度，最終得到兩個指紋的匹配結果。

　　1．指紋圖像的獲取

　　指紋圖像的採集是自動指紋識別系統的重要組成部分。早期的指紋採集都是通過油墨按壓在紙張上產生的。20世紀80年代，隨著光學技術和電腦技術的發展，現代化的採集設備開始出現。

　　感測器是一種能把物理量或化學量變成便於利用的電信號的器件。在測量系統中它是一種前置部件，它是被測量信號輸入後的第一道關口，是生物認證系統中的採集設備。

　　這些感測器根據探測對象的不同，可分為光學感測器、熱敏感測器和超聲感測器；根據器件的不同，可分為CMOS器件感測器和CCD器件感測器。它們的工作原理都是：將生物特征經過檢測後轉化為系統可以識別的圖像信息。在生物認證系統中，可靠和廉價的圖像採集設備是系統運行正常、可靠的關鍵。

　　2．指紋圖像的增強

　　採集獲得的指紋圖像通常都伴隨著各種各樣的雜訊：一部分是由於採集儀器造成的，如採集儀器上有污漬，參數設置不恰當等；另外一部分是由於手指的狀態造成的，如手指過乾、過濕、傷疤、脫皮等。第一類雜訊相對來說是固定的系統誤差，比較容易恢復。第二類雜訊與個體手指密切相關，較難恢復。指紋增強在指紋圖像的識別過程中是最為重要的一環，這部分演算法的優劣將對整個系統產生至關重要的影響。

　　採集到的指紋圖像要經過預處理。預處理指的是在指紋圖像進行增強之前使用一些簡單的圖像處理手段對圖像進行初加工的過程。常見的預處理方法如下：

　　(1)採用灰度的均衡化，可以消除不同圖像之間對比度的差異。

　　(2)使用簡單的低通濾波消除斑點雜訊、高斯雜訊。

　　(3)計算出圖像的邊界，進行圖像的裁剪，這樣可以減少多餘的計算量，提高系統的速度。

　　指紋圖像的增強就是對指紋圖像採用一定的演算法進行處理，使其紋線結構清晰化，儘量突出和保留固有的特征信息，避免產生偽特征信息，其目的是保證特征信息提取的準確性和可靠性。常用圖像增強演算法具體包括以下幾種：

　　(1)基於傅里葉濾波的低質量指紋增強演算法；

　　(2)基於Gabor濾波的增強方法；

　　(3)多尺度濾波方法；

　　(4)改進的方向圖增強演算法；

　　(5)基於知識的指紋圖像增強演算法；

　　(6)非線性擴散模型及其濾波方法；

　　(7)改進的非線性擴散濾波方法。

　　另外，指紋圖像的分割也是預處理階段非常重要的一個步驟。對一些光學儀器採集到的指紋，分割相對容易；對一些電容感測器採集到的指紋圖像，分割則比較困難。

　　目前最新的分割演算法有以下幾種：

　　(1)基於正態模型進行的指紋圖像分割演算法；

　　(2)基於馬爾科夫隨機場的指紋圖像分割演算法；

　　(3)基於數學形態學閉運算的灰度方差法；

　　(4)基於方向場的指紋圖像分割演算法。

　　3．指紋特征的提取

　　指紋特征的提取是基於指紋特征來進行的。用電腦語言完整地描述穩定而又有區別的指紋特征是實現自動指紋識別的一個關鍵問題，選擇什麼特征及如何表示既關乎指紋本身的特點，又與具體的指紋匹配演算法密切聯繫。某種提取指紋的演算法在什麼情況下才能達到最佳的識別效果是人們關心的問題，因此應選擇一組好的特征，這些特征不僅能夠達到身份識別的基本要求，而且對雜訊、畸變和環境條件不敏感。

　　近年來，新的指紋特征提取演算法主要包括以下幾種：

　　(1)基於Gabor濾波方法對指紋局部特征的提取演算法。

　　(2)基於CNN通用編程方法對指紋特征的提取演算法。

　　(3)基於IFS編碼的圖像數字化技術，即建立IFS模型，計算源圖像與再生圖像之間的相似性，快速提取指紋圖像的特征。

　　(4)基於脊線跟蹤的指紋圖像特征點提取演算法。該演算法可以直接從灰度指紋圖像中有效提取細節點和脊線骨架信息。

　　(5)基於小波變換和ART(自適應共振理論)神經網路的指紋特征提取演算法。

　　4．指紋圖像的分類與壓縮

　　利用指紋技術識別一個人的時候，需要將他的指紋與資料庫中的所有指紋作比較才能做出判斷。在某些民用或者刑偵場合，資料庫可能非常大，在這種情況下，識別需要耗費很長的時間，從而降低了識別技術的可用性。這一問題可以通過減少必須執行的匹配次數以提高速度來解決。在某些情況下，加入與個體相關的信息(諸如性別、年齡等)能顯著降低搜索資料庫的範圍，然而這些信息並不總是存在的。通常的策略是將指紋資料庫劃分成幾個子類，這樣指紋識別時只需將此類指紋與資料庫中同一類的指紋作比較，這就是指紋分類技術。指紋分類就是研究如何以穩定而可靠的方式將指紋劃為某一類別。

　　常用的指紋分類技術有以下幾種：

　　(1)基於規則的方法，即根據指紋奇異點的數目和位置分類。

　　(2)基於句法的方法。這種方法的語法複雜，推導語法的方法複雜、不固定。這種方法已經逐漸被淘汰了。

　　(3)結構化的方法，即尋找低層次的特征到高層次的結構之間相關聯的組織。

　　(4)統計的方法。

　　(5)結合遺傳演算法和BP神經元網路的方法。

　　(6)多分類器方法。

　　指紋壓縮技術也是自動指紋識別系統中的一項重要技術。在大量的指紋庫中，為了節省存儲空間，必須對指紋圖像進行壓縮儲存，使用時再進行解壓縮。圖像壓縮編碼的目的是以儘量少的比特數表示圖像，同時保持原圖像的質量，使它符合預定應用場合的要求。

　　常用的壓縮演算法有以下兩種：

　　(1)圖像壓縮編碼方法：包括無損壓縮(熵編碼)和有損壓縮(量化)。

　　(2)基於小波變換的指紋壓縮演算法：包括WSQ演算法、DjVu演算法、改進的EZW演算法等。

　　指紋壓縮方法在很大程度上得益於圖像壓縮領域的發展。相信在不久的將來，指紋壓縮技術將為指紋識別技術在大容量資料庫級別上的應用提供更有利的支持。

　　5．指紋圖像的匹配

　　指紋圖像匹配指的是通過對兩個指紋特征集之間的相似性進行比較來判斷對應的指紋圖像是否來自於同一手指的過程，它是一種非常經典而又亟待解決的模式識別問題。

　　傳統的指紋匹配演算法有很多種，例如：

　　(1)基於點模式的匹配方法：如基於Hough變換的匹配演算法、基於串距離的匹配演算法、基於N鄰近的匹配演算法等。

　　(2)圖匹配及其他方法：如基於遺傳演算法的匹配、基於關鍵點的初匹配等。

　　(3)基於紋理模式的匹配：如PPM匹配演算法等。

　　(4)混合匹配方法等。

　　近幾年，又出現瞭如下新的匹配演算法：

　　(1)基於指紋分類的矢量匹配。該法首先利用指紋分類的信息進行粗匹配，然後利用中心點和三角點的信息進一步匹配，最後以待識別圖像和模板指紋圖像的中心點為基準點，將中心點與鄰近的36個細節點形成矢量，於是指紋的匹配就轉變為矢量組數的匹配。

　　(2)基於PKI(Public Key Infrastructure，公鑰基礎設施)的開放網路環境下的指紋認證系統。

　　(3)實時指紋特征點匹配演算法。該演算法的原理是：通過由指紋分割演算法得到圓形匹配限制框和簡化計算步驟來達到快速匹配的目的。

　　(4)一種基於FBI(Federal Bureauof Investigation)細節點的二次指紋匹配演算法。

　　(5)基於中心點的指紋匹配演算法。該演算法利用奇異點或指紋有效區域的中心點尋找匹配的基準特征點對和相應的變換參數，並將待識別指紋相對於模板指紋作姿勢糾正，最後採用坐標匹配的方式實現兩個指紋的比對。

　　1．指紋識別的優點

　　(1)指紋是人體獨一無二的特征，並且它們的複雜度足以提供用於鑒別的足夠特征。

　　(2)如果想要增加可靠性，只需登記更多的指紋，鑒別更多的手指，最多可以達到十個，而每一個指紋都是獨一無二的。

　　(3)掃描指紋的速度很快，使用非常方便。

　　(4)讀取指紋時，用戶必須將手指與指紋採集頭互相接觸，與指紋採集頭直接接觸是讀取人體生物特征最可靠的方法，這也是指紋識別技術能夠占領大部分市場的一個主要原因。

　　(5)指紋採集頭可以更加小型化，並且價格會更加低廉。

　　2．指紋識別的缺點

　　(1)某些人或某些群體的指紋因為指紋特征很少，故而很難成像。

　　(2)過去因為在犯罪記錄中使用指紋，使得某些人害怕“將指紋記錄在案”。然而，實際上現在的指紋鑒別技術都可以保證不存儲任何含有指紋圖像的數據，而只是存儲從指紋中得到的加密的指紋特征數據。

　　(3)每一次使用指紋時都會在指紋採集頭上留下用戶的指紋印痕，而這些指紋痕跡存在被用來複制指紋的可能性。

　　可見，指紋識別技術是目前最方便、可靠、非侵害和價格便宜的生物識別技術解決方案，市場應用有著很大的潛力。

　　3．指紋識別的兩個重要衡量標誌

　　指紋識別系統的重要衡量標誌是識別率。其主要由兩部分組成，拒判率(FRR)和誤判率(FAR)。

　　我們可以根據不同的用途來調整這兩個值。FRR和FAR是成反比的，用0—1．0或百分比來表達這個數。ROC(Receiver Operating Curve)曲線給出FAR和FRR之間的關係。儘管指紋識別系統存在著可靠性問題，但其安全性也比相同可靠性級別的“用戶ID+密碼”方案的安全性高得多。

　　例如採用四位數字密碼的系統，不安全概率為0．01％，如果同採用誤判率為0．01％指紋識別系統相比，由於不誠實的人可以在一段時間內試用所有可能的密碼，因此四位數密碼並不安全，但是他絕對不可能找到一千個人去為他把所有的手指(十個手指)都試一遍。

　　正因為如此，權威機構認為，在應用中1％的誤判率就可以接受。FRR實際上也是系統易用性的重要指標。由於FRR和FAR是相互矛盾的，這就使得在應用系統的設計中，要權衡易用性和安全性。

　　一個有效的辦法是比對兩個或更多的指紋，從而在不損失易用性的同時。極大地提高了系統安全性。

　　指紋識別的應用領域非常廣闊，具體包括以下幾個方面。

　　(1)指紋支付

　　通過把指紋與銀行卡綁定的方式，用指紋輕輕一點來完成消費支付。這種新型應用在美國已經出現兩年以上。國內2006年上海某公司已經涉及到指紋支付市場。

　　(2)汽車指紋防盜

　　通過指紋控制車門開關，或者控制引擎點火是指紋技術在汽車防盜方面的典型應用。國內個別廠商已經推出指紋防盜產品。

　　(3)指紋UKEY

　　指紋UKEY是網上銀行業務用於進行身份驗證的終端，它比目前的賬號密碼驗證以及普通UKEY驗證更安全。完全不需要密碼或PIN，使得病毒軟體無可乘之機，也杜絕了網銀賬號盜用的可能。它將大大提升網銀業務的誠信度和安全性，為銀行真正擴大網上交易量。

　　(4)指紋IC卡

　　目前的IC大多是不記名的IC，記名也都是用密碼。隨著IC在人們生活中使用頻度的增加，IC卡中的信息甚至代表著特殊的權力和金錢。通過在IC卡中存入持卡人的指紋信息，可以大大提高IC卡的安全性。

　　資料庫管理主要負責存儲已提取的指紋特征信息和參與指紋的比對。一般的自動識別系統的資料庫只含有指紋的特征信息，並不包含指紋圖像，也不能由存儲的特征數據恢覆成指紋圖像。警用系統的資料庫可以包含指紋壓縮圖像以及與前兩類數據相應的罪犯的文本信息。系統管理主要負責調度和協調各模塊的工作，並處理可能出現的故障以確保自動指紋識別系統能夠順利工作。