生物认证技术.ppt

,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,生物认证技术,苏兆品,生物认证概述,第2章 生物认证原理,第3章 指纹识别技术,第4章 其他生物认证技术,第1章 概述,1.1 问题引入,1.2 问题的展开,1.3 各种生物认证技术及比较,1.4,常用的生物认证技术,1.5,生物认证技术的应用,1.1 问题引入,What you know,What you have,Yourself,NCSC,A Guide to Understanding Identification and,Authentication in Trusted Systems,September 1991,1.1.1 What you know,password,PIN,缺点：,易破解,字典攻击,暴力攻击,易丢失,1.1.2 What you have,Smart card,Usb-key,优点,自带芯片，内存,基于密码学算法，不易破解,缺点,易丢失,太多了,优点,（,1,）,普遍性,：生物认证所依赖的身体特征基本上是人人天生就有的，不像身份证之类的需要向有关部门进行申请或制作。,（,2,）,方便性：,生物认证技术能够提供更方便的用户服务。生物特征不会像口令或者磁卡那样容易被遗忘或者丢失，用户自身就是“通行证”。,（,3,）,不可复制性：,生物特征不存在口令泄密和磁卡被盗问题，并且在一个活人身上伪造另一个人的生物特征是非常困难的。,（,4,）,高安全性：,生物认证技术能够提供更高的安全级别，,“真正”,做到了判别用户本人的身份，而传统的自动身份鉴别系统不能区分合法用户和持有合法用户的磁卡或者口令的非法入侵者。生物认证技术使用人的生理或行为特征来判别身份，这些特征是人本身所固有的、独特且不容易改变的，不可以借给其他人使用的。,（,5,）生物认证技术能够提供,主动监控技术,。例如，把人脸识别系统的摄像机安装在某些重要场合，可以在人们不知道且不必主动配合的情况下发现非法入侵者。,生物认证技术的衡量标准,（,1,）普遍性：是指该生物特征必须每个人都要具有。,（,2,）唯一性：是指任何两个人都必须不一样。,（,3,）稳定性：每个人的这种生物特征都具有不变性，至少在一段时间内是不变的。,（,4,）可采集性：是指这种生物特征可以进行定量测量。,除此之外，下面的两点也经常作为衡量的标准：,（,5,）可接受性：是指当该生物特征用于身份认证时用户的接收程度，也就是人们是否愿意采用这种生物认证方式。,（,6,）防欺骗性：是指当该生物特征用于身份认证时能不能防止用户的欺骗。,常用生物特征,人脸,脸部热量图,指纹,手形,手部血管分布,虹膜,视网膜,签名,语音,1.3 各种生物特征比较,评价：,生物特征,普遍性,独特性,稳定性,可采集性,指纹,脸形,手形,虹膜,视网膜,签名,声音,指纹,M,H,H,M,最古老，最经典，最成熟的生物认证技术,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,手形,虹膜,视网膜,签名,声音,脸形,H,L,M,H,评价：,自然，直观，无侵害，最具潜力的生物认证技术,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,H,L,M,H,手形,虹膜,视网膜,签名,声音,手形,M,M,M,H,评价：,易实现，成本低，识别速度最快的生物认证技术,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,H,L,M,H,手形,M,M,M,H,虹膜,视网膜,签名,声音,评价：,高独特，高稳定的生物认证技术,虹膜,H,H,H,M,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,H,L,M,H,手形,M,M,M,H,虹膜,H,H,H,M,视网膜,签名,声音,评价：,受保护，防欺骗性好；采集困难,视网膜,H,H,M,L,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,H,L,M,H,手形,M,M,M,H,虹膜,H,H,H,M,视网膜,H,H,M,L,签名,声音,评价：,易于接受，常用于信用卡、文件生效等场合,签名,L,L,L,H,1.3 各种生物认证技术及比较,生物特征,普遍性,独特性,稳定性,可采集性,指纹,M,H,H,M,脸形,H,L,M,H,手形,M,M,M,H,虹膜,H,H,H,M,视网膜,H,H,M,L,签名,L,L,L,H,声音,评价：,成本低，代价小，常用作辅助手段,声音,M,L,L,M,1.4,常用的生物认证技术,(1),指纹,指纹认证是目前国内最为成熟的生物认证技术。在古代就被用来代替签字画押，证明身份。由于指纹认证具有方便、可靠、非侵害和价格便宜的的特点，已经在许多行业领域中得到了广泛的应用，如公司或单位的考勤指纹机，银行、证券等金融系统的门禁系统，笔记本电脑的指纹识别器，以及犯罪现场的指纹识别等。,指纹是指人的手指末端正面皮肤上凸凹不平产生的纹线。纹线有规律的排列形成不同的纹型。纹线的起点、终点、结合点和分叉点，称为指纹的细节特征点（,minutiae,）。指纹认证就是通过比较不同指纹的细节特征点来进行鉴别。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，而且终身不变，因此指纹可用于身份认证。,（,2,）人脸,人脸识别指利用分析比较人脸视觉特征信息进行身份认证的计算机技术。,目前常用于数码相机人脸自动对焦和笑脸快门技术、公安刑侦破案、门禁系统、摄像监视系统等领域。,由于人脸识别是利用可见光获取人脸图像信息，不容易引起人的注意而不容易被欺骗，而且在实际应用场景下可以进行多个人脸的分拣、判断及识别。,但是人脸容易受到表情、观察角度、光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响，从而影响识别的准确度。,中科院人脸识别技术成功用于奥运会开幕式,8,月,8,日，数万名观众由国家体育场鸟巢的,100,多个人脸识别系统快速身份验证关口有序入场，参加,2008,北京奥运会的开幕式。据悉，该验证系统是由中科院自动化所研制的。,（,3,）手形,手形指的是手的外部轮廓所构成的几何图形。在手形识别技术中，手形的几何信息包括手指不同部位的宽度、手掌宽度和厚度、手指的长度等。,经过生物学家大量实验证明，人的手形在一段时期具有稳定性，且两个不同人手形是不同的，即手形作为人的生物特征具有唯一性。而且手形也具有稳定性，且比较容易采集，故可以利用手形对人的身份进行认证。,手形识别是速度最快的一种生物识别技术，它对设备的要求较低，图像处理简单，且可接受程度较高。由于手形特征不像指纹那样具有高度的唯一性。因此，手形特征只用于满足中低级安全要求的认证。,（,4,）掌纹,掌纹是指手腕与手指之间的手掌表面上的各种纹线。掌纹与指纹一样，具有高度的唯一性。掌纹识别就是根据掌纹的特征信息来进行身份认证。,掌纹识别具有采样简单、图像信息丰富、用户接受程度高、不易伪造、受噪声干扰小等特点受到国内外研究人员的广泛关注。,但是由于掌纹识别技术起步较晚，目前尚处于学习和借鉴其他生物特征识别技术的阶段。,（,5,）声纹,声纹识别又称为,说话人识别,，是根据语音波形中反映说话人生理和行为的特征的语音参数进行自动识别说话人身份的技术。,所谓声纹是用电声学仪器显示的携带言语信息的,声波频谱,。由于人在讲话时使用的发声器官,-,舌、牙齿、喉头、肺、鼻腔在尺寸和形态方面每个人的差异很大，任何两个人的声纹图谱都有差异，因此可以用于身份认证。,同人脸一样，声纹的提取可在不知不觉中完成，用户的接受程度高，不容易被欺骗；而且一个麦克风就可以获取语音，识别成本低廉。但声音易受身体状况、年龄、情绪、噪音等的影响。,（,6,）虹膜,眼睛的虹膜是由相当复杂的纤维组织构成，内侧与瞳孔相邻，外侧与眼白相邻。虹膜与手指纹一样，是独一无二的，同一个人左右眼的虹膜纹理都不会相互认同。而且虹膜在人的一生中都极其稳定，不容易更改。,虹膜识别技术是将虹膜的可视特征转换成一个,512,个字节的虹膜代码，这个代码模板被存储下来以便后期识别所用,目前，虹膜识别被认为是最佳的生物认证技术，具有识别准确性高、识别速度快、防伪性强的特点。目前，虹膜识别技术在国外已广泛应用于航空、金融以及政府的反恐领域。但国内成熟的产品还很少，仅限于科学研究。,（,7,）鉴名,签名识别，也被称为签名力学辩识，源于每个人都有自己独特的书写风格，常分为静态识别（离线）和动态识别（在线）两种。静态识别是通过扫描仪获取签名的图像，分析签字的静态特征，如高度、宽度、交叉、分叉等；动态识别分析的是笔的移动，例如加速度、压力、方向以及笔划的长度，而非签名的图像本身。签名识别和声音识别一样，是一种行为测定学。,签名作为身份认证的手段已经用了几百年了，应用范围随处可见，是一种能很容易被大众接受而且是一种公认的较为成熟的身份识别技术。然而，签名识别的错误接受率很高，几乎不可能用它进行身份鉴定，一般只用于身份核实。,（,8,）视网膜,视网膜是眼睛底部的血液细胞层。通过视网膜扫描可以捕捉到视网膜的唯一模式。,由于视网膜是隐藏在眼睛底部，很难受到磨损，老化等影响，是一种极其固定的生物特征；而且视网膜是不可见的，不会被伪造。因此，视网膜可用于用于身份认证，有人甚至认为视网膜是比虹膜更唯一的生物特征。,但是视网膜技术可能会给使用者带来健康的损坏，而且设备投入较为昂贵，识别过程的要求也高。,（,9,）步态识别,步态识别是通过人的走路方式来识别人的身份的方法。,步态是指人们行走时的方式。由于每个人在肌肉的力量、肌腱和骨骼长度、骨骼密度、视觉的灵敏程度、协调能力、经历、体重、重心、肌肉或骨骼受损的程度、生理条件以及个人走路的“风格”上的不同，导致走路姿势的不同。,人类自身很善于进行步态识别，在一定距离之外都有经验能够根据人的步态辨别出熟悉的人。,步态识别就是通过从相同的行走行为中寻找和提取个体之间的变化特征，以实现自动的身份识别。它是一种非接触的生物特征识别技术，而且不需要人的行为配合，特别适合于远距离的身份识别。目前已广泛应用于智能视频监控领域。,(10)DNA,DNA,，又称脱氧核糖核酸，是遗传信息的载体。生物学家研究表明，人体内的,DNA,在整个人类范围内具有唯一性和永久性。因此，,DNA,识别主要根据人体细胞中,DNA,分子的结构因人而异的特点进行身份认证，具有绝对的权威性和准确性。但是,DNA,必须通过复杂的仪器才能完成提取和识别，而且具有一定的侵害性，接受性。,（,11,）味纹,人的身体会散发出气味，每个人散发出的气味都是不同的。当一个人在一个地点停留，他散发的气味分子就留在其周围，离去后不会马上消失。,丹麦警方把这称之为,味纹,，并开创了利用,味纹,侦破刑事案件的方法：侦破人员将在犯罪现场采集到的空气进行过滤、浓缩，然后将这带有罪犯,味纹,的空气转移到一块清洁无味的布上密封保存，供警犬或电子鼻嗅闻对证。审讯时先让警犬或电子鼻嗅闻带有,味纹,的布，然后逐个嗅闻犯罪嫌疑人。当警犬或电子鼻闻到相同的气味时，就会吠叫或发出警报。,精确度与成本,Voice,Accuracy,cost,Face,Fingerprint,Retina,Iris,Signature,Hand,1.,5,生物认证技术的应用,高端领域：国防，司法，机要机关，电子政务，电子商务,低端领域：门禁，考勤，考试，会议等,欧盟各国采用的生物识别护照，是利用人面部细节来认证身份；,导弹基地、军火库房等要地的门禁或通道控制，核能设施等重要军事装备的启动控制,纽约警方采用虹膜认证以防止罪犯隐瞒身份；,美全面使用指纹、脸、瞳孔虹膜等生物识别科技来监控离境旅客；,巴西总统选举就采用了指纹识别投票器；,印度采用的新型,ATM,提款机只需指纹输入，不需要输入密码；,国际语音生物识别巨头,PerSay,公司推出一项通过语音就可以重置电子银行密码的服务；,北京部分公证机构也采用了人脸识别技术来防骗。,中国人民银行规定所有的金库安防监控系统都要有人脸识别功能,指纹门禁管理系统,日立,ATM-,手指静脉,第2章 生物认证原理,2.1 生物认证的起源和发展,2.2,生物认证系统的原理,2.,3,用户培训,2.1 生物认证的起源和发展,生物认证的历史可以追溯到,14,世纪，葡萄牙历史学家若奥,德,巴洛斯记录了第一例有关指纹作为生物认证来使用的情况，当时中国的商人采用墨水拓取指纹的方式鉴定儿童的身份。,在公元前,7000,年到,6000,年以前，在古叙利亚和中国发现：一些粘土陶器上留有陶艺匠人的指纹，中国的一些文件上印有起草者的大拇指指纹，在,Jercho,古城市的房屋中也发现留有砖匠一对大拇指指纹的印记。,19,世纪初，英国科学家威廉,詹姆士,赫歇尔（,William James Herschel,）和亨利,福尔茨（,Henry Faulds,）通过对大量指纹的收集和研究发现,指纹,的两个重要特征，一是两个不同手指的指纹不同，另外一个是指纹的式样终生不改变。并把研究成果于,1880,年发表于,自然,上，提出可以利用犯罪现场的指纹来识别罪犯。但遭到政府的拒绝。,在十九世纪九十年代，巴黎警官阿方斯,贝迪永（,Alphonse Bertillion,）提出一种新的认证方法：,人体测量学,。其基本原则是：每个人的骨骼结构和尺寸都不一样，并且从,20,岁起，人的骨骼几乎保持不变。据此，贝迪永建议测量身高、坐高、臂长、头长、头宽、耳长、耳宽、左中指和左小指的长度、左脚长度等数十项指标，来区分个体。这种方法被称作“贝氏法”，并一直被警方采用。但由于后来在采用“贝氏法”的几宗案件中发生了错误的鉴定，“贝氏法”便迅速地被人们否定。,后来，英国的弗朗西斯,高尔顿爵士（,Sir Francis Galton,）应用强大的统计学知识，计算出两个人有相同指纹的概率是,六百四十亿分之一,。此外，他还对指纹进行了分类，为指纹分析建立了数学模型，并在,1892,年出版的,指纹,一书。而他的好友,Richard Edward Henry,（理查德,爱德华,享利）警官在高尔顿的研究基础上，开发了一个,指纹分类系统,，即后来大名鼎鼎的高尔顿,-,亨利指纹分类系统。,1901,年，该系统被引入伦敦警察厅，并很快在其他国家推广开来。,阿根廷警官胡安,武塞蒂赫同样受高尔顿启发，将指纹技术和贝迪永人体测量学系统结合起来用于识别和刑侦。,1892,年，他创办了世界上第一个指纹局，同年利用指纹技术首次成功地破获了一起案例：一个名为弗朗西斯卡,罗哈斯（,Francisca Rojas,）的女人残忍地将她的两个儿子割喉杀害，同时造成自己受伤的假象，并诬陷给自己的邻居。不过警方最终在现场找到了她的指印，揭示了真相。,从,20,世纪,60,年代开始，计算机可以有效地处理图形，人们开始着手研究利用计算机来处理指纹。特别是,20,世纪,80,年代，微电脑、光学扫描等技术的革新，使得指纹识别技术得到了突破性的发展，许多高效可靠的自动指纹识别系统（,Automated Fingerprint Identification System,，简称,AFIS,）相继问世。同时生物识别技术也得到了延伸和扩展，发现了脸像、虹膜、语音、气味、掌型、静脉等生物识别特征，并开发出许多可实际应用的生物识别系统。,在我国，指纹、掌纹、脸型、,DNA,、语音、脚印、行走步态的认证技术都得到了应用，并在侦查破案领域中发挥着重要的作用。但其他生物特征的认证在我国尚属空白，在国外却已经开始重视，并取得一定的成就。,2.,2,生物认证的基本工作原理,From,Authentication,2002.Used by permission,1,注册模块,功能：完成用户生物特征数据的捕获、提取和存储。,注册：通过传感器装置捕捉到原始的生物特征数据,噪音数据的处理,:,数字信号处理技术，来去除数据中无关噪声或者增强其中的重要特征,;,常采用的方法主要有：去噪、分块、增强、几何变换等,特征提取：提取特征点，编码，创建特征模板,质量分数,:,反映特征提取的成功程度，与注册有关,注册失败率,FTE,注册的方式,:,在注册的时候附加一些数据（如口令）来惟一确定一个注册个体；对注册办公室和办公人员严格要求以防止人为欺骗；采用多方法的注册方式减少注册失败率。,存储：系统模板数据库,存储方式：集中、分散,注册失败率,FTE,（,Failure to enroll rate),注册时产生的所有样本中被拒绝的比例,衡量系统的注册性能,脸部、手部、语音的注册失败率最低，而指纹最高。,注册失败率,脸部,手部,语音,指纹,(,硅片采集,),指纹,(,光学采集,),2%(,高,),虹膜,0%(,低,),来自于,Tony Mansfield,等的,生物测试产品的检测：最终报告,中的试验结果，,2001,年,3,月,21,日。有关英国政府生物测试工作（包括试验）的信息均可参阅,www.cesg.gov.uk/technology/biometrics,2,匹配模块,功能：用一定的匹配算法把认证目标的生物特征模板和数据库中的模板进行,比对,。,两种情况：,验证,(Verification),鉴别,(Identification),验证,验证就是证明一个人的身份,即回答,“,我是某人吗？,”,的问题。,匹配模块只需要将认证目标的生物特征模板与数据库中认证目标的模板进行比对，也就是,1,：,1,比对,系统数据库,1010110,1010110,1010110,两者是否匹配,（1：1）,特征提取,特征提取,Yes,No,注册,验证,(,Verification),Am I who I claim to be?,验证（续）,鉴别,前提是不知道认证目标的身份,鉴别是鉴定一个人的身份,即回答,“,我是谁？,”,的问题。,需要与数据库中所有的模板进行比对（,1,：,n,比对），从而获得该认证目标的身份,系统数据库,1010110,1010110,1010110,两者是否匹配,（1：,n）,特征提取,特征提取,Yes,No,注册,Do you know who I am?,鉴别,(,Identification),1010110,1010110,鉴别（续）,匹配原则,:,足够有效,原因：,系统在用户每次出示生物特征时采集到的特征数据是不同的；系统使用的是用户的生物特征的典型数据，并非生物特征的完整记录,模糊匹配：“足够有效”,匹配分数：,0%,100%,，用来表示模板之间的相似程度,3,判定模块,功能：最终对是否匹配做出“是”或“否”的结论,方法：给质量分数和匹配分数各设置一个阈值,当两个分数都大于阈值时，就认为匹配成功。,如果达到了质量阈值而没有达到匹配阈值，则认为匹配失败；,如果质量阈值没有达到，那么就认为数据的质量太差，系统可以拒绝匹配，并要求重新输入新数据。,4,生物认证系统的衡量指标,注册失败率,FTE,错误接受率,FAR,错误拒绝率,FRR,交叉错判率,CER,错误接受率,FAR,（,False Accept Rates,）,指系统接收冒名顶替者的概率,FAR,越小，安全性越高,一般是,10,万分之,1,到百万分之,1,为可接受范围,错误拒绝率,FRR,（,False Reject Rates,）,指系统拒绝授权个人的概率。,FRR,越大，安全性越高,问题：,FRR,越大，越容易被误判拒绝,FAR,和,FRR,的说明,FAR,与,FRR,是相互制约的关系,如果,FRR,减小，,FAR,就会增大；,如果,FAR,减小，,FRR,就会增大。,对安全性能要求较高的应用场合，生物认证系统需要较小的,FAR,，因为授权用户被拒绝造成的损失要小于非授权用户被接收造成的损失。,交叉错判率,CER(Crossover Error Rates),FAR,与,FRR,两条曲线相交点的错误率称为系统的交叉错判率,表征了生物认证系统总体误判率的大小，反映了系统的准确度。,对于生物认证系统来说，最好的情况就是,CER,和,FAR,越小越好,。,5,模板数据库的管理,模板的安全性,模板数据库安全：令牌、私钥,模板传输过程中的安全：安全的网络通道或安全的传输方式,模板撤销问题,模板无法撤销：为什么？,解决方法：在生物特征模板中掺入可以被撤销更换的其他因素,注意：,生物认证系统的安全薄弱环节存在于,模板的传输过程,中，以及,设备和网络数据库传输的匹配信息,中,The Biometric Dilemma,（,PPT,）,2.,3,用户培训,目前有很多种不同的生物特征，每个生物认证系统使用其中的一种。用户的培训对于,改善注册过程和匹配率,是很重要的。,培训包括,指导用户如何将特征正确地呈现给输入设备,。例如，一些指纹扫描设备使用光学技术，要求扫描镜头保持清洁，用户需要经常清洁镜头和手指，才能让系统接受输入,培训的最终目的是要,减少注册失败率，提高真实匹配的成功率,。这样有助于降低费用，并让用户更加满意。,第3章 指纹识别,3.1 指纹的性质和指纹识别发展历史,3.2图象学基础,3.3指纹识别系统的原理,指纹识别即指通过比较不同指纹的细节特征点来进行鉴别。,3.1指纹的性质和指纹识别发展历史,指纹的性质,指纹是指手指末端正面皮肤上凸凹不平的纹路，由于有这些凸凹纹路的存在，增加了皮肤表面的摩擦力，使得我们能够用手方便的抓起重物。,纹路中隆起部分是手指真皮向表皮乳突形成的皱痕，又称指纹,脊线,；,纹脊线之间的凹陷部分，称为指纹的,谷线,。,指纹特征：,脊端点：一条脊线在此开始或终结。,分叉点：一条纹路在此分开成为两条或更多的纹路。,交叉点：两条纹线在此交叉，然后再各自分开。,核：是指纹纹路的渐进中心，是最内部弯曲纹线处的最高点或最低点，通常一个指纹只有,1,个核。,短纹：相对比点长的脊线，占有两个分叉脊的中间部分。,三角形区域：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。,孔：一条纹线分开成为两条之后，立即有合并成为一条，中间的部分即为孔。,指纹具有两大特性：,（,1,）人人不同、指指相异,（,2,）终身不变,人类学家奥克尔（,Welker,）在,1856,年提出的。他对自己,34,岁和,75,岁时的指纹进行了对比，发现指纹的纹形类型和细节点特征没有变化。,它具有一定的复原性和难以毁灭性。,（,3,）此外，指纹的第三个特征是触物留痕。这个特性在人工采集指纹时期，使用油墨采集指纹的年代非常有用。在目前电子化自动采集时代，又成为需要克服的问题之一，尤其对于光学采集方法，按压指纹后会留下指纹残影，影响指纹成像。,指纹识别发展历史,我国古代早就利用指纹（手印）来签押。,1684,年，植物形态学家,Grew,发表了第一篇研究指纹的科学论文。,1809,年,Bewick,把自己的指纹作为商标。,1823,年解剖学家,Purkije,将指纹分为九类。,1880,年，,Faulds,在,自然,杂志提倡将指纹用于识别罪犯。,1891,年,Galton,用统计学和概率论的理论，整理出指纹的形态规律，提出著名的高尔顿分类系统，于,1892,年高尔顿出版了经典力作,指纹学,。此书标志着非经验意义上的、有着科学意义的现代指纹学的诞生。,1893,年，亨利创造出指纹档案分类登记法，他把指纹分为个种类：桡侧环（反箕）、尺侧环（正箕）、螺型、平拱和凸拱并开始在印度使用。,1901,年英国政府采用了亨利指纹分类法，,1903,年德国、,1904,年美国、,1914,年法国也都相继使用了亨利指纹法。其它国家如瑞士、挪威、俄罗斯、意大利、埃及等国也在后来陆续采用了亨利的指纹分类法。从此亨利指纹分类法在世界上广泛使用，包括我国在内。,随着计算机和信息技术的发展，,FBI,和法国巴黎警察局于六十年代开始研究开发,指纹自动识别系统,（,AFIS,）用于刑事案件侦破。目前，世界各地的警察局已经广泛采用了指纹自动识别系统。,九十年代，用于个人身份鉴定的自动,指纹识别系统,得到开发和应用,光学图像、照片以及人的眼睛看到的一切景物，都是模拟图像，这类图像无法直接用计算机处理。,为了使图像能在电子计算机中作处理运算，必须将模拟图像转化为离散数字所表示的图像，即所谓的,数字图像,。,3.2 图像学基础,数字图像,常用二维矩阵,Am,n,表示,1,m,n,说明图像的宽和高,2,矩阵元素,a(i j),的值表示图像在第,i,行,第,j,列的,像素,的,灰度值,像素（,pixel）,基本单位,每一个像素有一个灰度值,灰度值（,graylevel）,：色彩的明亮程度,对于,8,位的灰度图像,其灰度值范围为,0,255,白色为,255,，黑色为,0,彩色图像,(,用三字节表示红（,R）、,蓝（,B）,绿（,G）),，彩色图象的灰度其实在转化为黑白图像后的像素值,一般按加权的方法转换。,三种,二值图像（黑白图像,）,灰度图像,彩色图像,1.,二值图像（黑白图像,）,是指图像的每个像素只能是黑或者白，没有中间的过渡，故又称为值图像。,2,值图像的像素值为,0,、,1,。,2,灰度图像,灰度图像是指每个像素的信息由一个量化的,灰度级,来描述的图像，没有彩色信息。,表示灰度图像的亮度层次范围，描述整副图像亮度层次，级数越多图像的亮度范围越大层次越丰富,.,灰度图像描述示例,3,彩色图像,彩色图像是指每个像素的信息由,RGB,三原色构成的图像，其中,RBG,是由不同的灰度级来描述的。,图像数字化,将模拟图像转化为数字图像的过程称为图像数字化,过程：,采样,、量化等步骤,图像的采样,:,图像在空间的离散化，,是将在空间上连续的图像转换成离散的采样点（即像素）集的操作,。,由于图像是二维分布的信息，所以采样是在,x,轴和,y,轴两个方向上进行。,模拟图象若在,x,方向采,M,个点，,y,方向采,N,个点，就可得到,M*N,个点的数字化图象的形式。,采样是图象进入计算机的第一个处理过程。,图像的采样,数字图像特征灰度直方图,（,histogram,）,对图象中所有像素的灰度分布按灰度值的大小显示出现频率的直方图,横坐标是灰度级，纵坐标是该灰度级出现的频率，是图象的最基本的统计特征,频率,0,1,2,3,4,5,6,7,0,1,2,3,4,5,6,7,灰度值,注意：,不表示图像的空间信息；,任一特定图像都有唯一直方图，但反之并不成立；,灰度直方图的线形变换,使,对比度,较小的图像的灰度直方图作一个变换，将其从一个较狭窄的灰度区间中扩展到整个灰度定义域中，使得对比度增强,Lmin:,最小灰度值,Lmax：,最大灰度值,Li(LminLi Lmax),Li=255*(Li-Lmin)/(Lmax-Lmin),对比度,对比度,:,是,指,一,幅,图象中灰度,反差,的大,小,对比度,=,最,大亮度,/,最小,亮度,图象二值化,图像的二值化处理就是讲图像上的点的灰度置为,0(,白,),或,255,（黑），也就是讲整个图像呈现出明显的黑白效果。,即将,256,个亮度等级的灰度图像通过适当的,阀值选取,而获得仍然可以反映图像整体和局部特征的二值化图像,方法：在灰度区间,Lmin,Lmax,中定一个阈值,LT，,图象中灰度值大于或等于,LT,的像素被判定为属于特定物体，其灰度值为,255,表示；,小于,LT,的像素，被排除在物体区域以外，灰度值为,0,，表示背景或者例外的物体区域。,注意：,合理选取,LT（,阈值）：最大值法，平均值法，加权平均值法,对具有二值倾向的图象（背景色和前景色截然不同的图），易解决。,对不具有二值倾向的图，要,增强图象的轮廓特征,LT,取谷底值为,LT,即可,Laplacian,算法,Fourier,变换,Laplacian,算法,一个二维图像函数 的拉普拉斯变换是各向同性的二阶导数，定义为：,为了更适合于数字图像处理，将该方程表示为离散形式：,模板的形式,从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯,增强图象的轮廓特征,图象的除噪音处理,噪声：妨碍人们感觉器官对所接收的信源信息理解的因素,去除图象噪声的方法,均值滤波器,（,平滑线性滤波器,）,中值滤波器,小波去噪,自适应维纳滤波器,均值滤波器,用,滤波掩模,确定的邻域内像素的,平均灰度值,去代替图像每个像素点的值,去除图像中的,不相干,细节,滤波掩模：两种,（,1,）盒滤波器：所有系数（权重）都相等的空间均值滤波器,R,是由掩模定义的,33,邻域像素灰度的平均值,在滤波处理之后，整个图像被,9,除,降低了对比度,（,2,）加权平均,处于掩模中心位置的像素比,其他任何像素的权值都要大（,4,）,与中心直接相邻的四个像素，（,2,）,对角项像素（,1,）,把中心点加强为最高，而随着距,中心点距离的增加减小系数值,保留了对比度,中值滤波器,将图像滤波器包围的图像区域中像素的排序，用中值代替该像素的值,对一幅图像上的某个点做中值滤波处理，必须先将掩模内欲求的像素及其邻域的像素值排序，确定出中值，并将中值赋予该像素点,例如，在一个,33,的邻域内有一系列像素值,(10,，,20,，,20,，,20,，,15,，,20,，,20,，,25,，,100),，对这些值排序后为,(10,，,15,，,20,，,20,，,20,，,20,，,20,，,25,，,100),，那么其中值就是,20,3.3,指纹识别系统的原理,3.3.1,指纹采集,指纹采集的过程本质上是指纹成像的过程。其原理是根据脊线和谷线的几何特性、物理特征和生物特性的不同，以得到不同的反馈信号，根据反馈信号的量值来绘成指纹图像。,指纹采集的方法有两种：,一种是由指纹采集器件主动向手指发出探测信号，然后分析反馈信号，以形成指纹脊线和谷线的图案。如光学采集和射频（,RF,）采集属于主动式采集。,另一种是指纹采集器件是被动感应的方式。当手指放置到指纹采集设备上时，因为指纹嵴和峪的物理特性或生物特性的不同，会形成不同的感应信号，然后分析感应信号的量值来形成指纹图案。如热敏采集、半导体电容采集和半导体压感采集属于第二种。,理想情况下，如果在采集过程中外界噪声足够小，得到的指纹图像则是,干净的、真实的,。现实情况是，由于手指本身的影响、污渍的影响、设备采集面的不干净、用力方法不当等多种因素影响，采集到的图像经常是一幅含噪音较多的灰度图象，这时就需要对其进行预处理。,3.3,.2,指纹识别系统中的预处理技术,指纹,灰度图,滤波去噪,二值化,二值化,图象去噪,细化,细化后,去噪,点线指纹图,韩伟红,黄子中,王志英,.,指纹自动识别系统中的预处理技术,.,计算机研究与发展,.1997.,1,、灰度滤波去噪,目的是去除指纹图中的,叉连,、,断连,及模糊不清的部分。,传统的灰度图滤波方法,:,均值滤波、中值滤波、直方图均衡化滤波、,NN,最频值滤波、十字型中值滤波等方法,通过实践证明这些方法对指纹图的处理,都不是很理想，,主要原因是这些方法仅仅简单的把指纹图当作灰度图来处理,而忽视了指纹图的一个重要特性,:,指纹图中纹线的方向性,采用,方向图滤波,来克服传统灰度图滤波算法的这一缺陷,叉连即两条相近的脊线由于噪音而连在一起；,中断裂即指纹线上的小段口,方向图,是指纹源图象的一种变换表示方法,用纹线的方向来表示该纹线,.,一般有两种：,点方向图,表示源指纹图象中,每一象素点脊线的方向。,求法,：,灰度变化最小的方向;,块方向图,表示源指纹图象中某区域所有元素的平均方向，能够表示出指纹某一块脊线的大致方向。,求法：把点方向图分成,1616,大小的块,对每一块计算,方向直方图,方向直方图中的,峰值方向,即该块的方向,方向图滤波,器,（,上下文滤波器,）,一系列上下文相关的滤波器,.,使用时根据某一块区域的某种特征,即所谓的,上下文,从一系列滤波器中选择一个相应的滤波器来对这一块进行滤波,.,对指纹图中的某一块区域来说,因为断裂与叉连都与边的方向有关,所以它的上下文就是这一块区域中,边的方向,即块方向图中这一块的方向,.,2,、二值化,指纹图像二值化的目标是将图像背景和前景图案分割开，提取有关图像的图案信息和框架，它是指纹自动识别中的一个关键步骤，直接影响特征提取的准确性。,把灰度指纹图象变成,0,1,取值的二值图象,.,对一幅图象进行二值化,首先必须选取阈值,把高于阈值灰度的象素点转换为,1,低于阈值的象素点转换为,0,问题,不同图象的灰度基值不同,以及同一幅图象中各部分的明暗不同,阈值怎么确定？,平滑阈值自适应算法：根据指纹图象中每一部分的明暗度来调整阈值,每一块根据自己的阈值进行二值化,.,3,、二值滤波去噪,由于灰度去噪的不完全性及二值化时又可能引入噪音,所以对二值化后的指纹图象还需进行一次,二值滤波去噪,操作,目的是去除或减弱图象中的噪音,增强图象中有意义的部分,方法：,快速傅氏变换滤波,4,、细化,细化的目的是为了以后的特征提取更方便,细化后指纹图象中的每条纹线都是用单象素来表示的“点线”,.,线跟踪算法：,设置,16,个跟踪方向,每次在,9,个方向上跟踪纹线上的点,直到遇到背景点或者跟踪步数超过所给阈值为止,.,然后以所跟踪的最长步数为半径作一圆,则纹线至少会被该圆切下一段圆弧,取与跟踪方向最贴近的,弧的中点为终点,在终点与该段跟踪的起点之间连一条线段,则该直线段就作为该段纹线细化后的结果,.,重复执行,直到该纹线结束,3.,3.3,特征提取,基于方向图的特征提取和分类,将,256256,像元的图像分割成,1616,的小方块，规定,4,个方向。方向图由每个小方块的主方向构成，构建指纹模式数字阵（其元素为,0,，,1,，,2,，,3,），从中提取指纹的特征向量。,（见论文,“,陆颖,.,指纹自动识别原理与方法综述,.,工程数学学报,.2004,）,基于,奇异点,的特征提取,通常情况下，一枚指纹有一个核点，1-3个三角点，,对每个奇异点赋予一个距离权重，将所有的奇异点以,4,元数组（特征向量）的形式,(x,dx,y,dy),表示出来，再利用,k-means,算法进行聚类。,指核点和三角点,K-MEANS,算法是输入聚类个数,k,，以及包含,n,个数据对象的数据库，输出满足方差最小标准的,k,个聚类,基于结构的特征提取和匹配算法,这一方法主要依据指纹的,细节特征,。如：点、端点、分叉、刺、交叉、桥和短纹线。,这一算法的主要特点是：,在每个特征点的附近确定一个邻域，通过邻域内各类特征点的数目确定特征向量。,特征向量由邻域中心点的类型和八种特征点出现的数目,(Type,Num(T1),Num(T8),构成的。,其优点是具有旋转不变性和鲁棒性，并能支持更有效的搜索策略。在原理和计算上，此方法简单明了，但对细化算法的稳定性和准确性要求较高。细化部分的效果直接影响识别与分类的性能。,基于曲线解析的特征提取与分类,此方法由,Michael M.S.Chong,等四人在,1992,年基于指纹图像的数据压缩问题提出的。,压缩原理是：对一段多项式曲线，它只需存储系数和定义区间的端点，而指纹曲线的存储相比之下就相当于无穷多的量级。,Michael,的设想是将指纹图像用若干个这样的,B-,样条曲线,表示出来，在数据压缩的同时提取特征。,优点：形状多样、丰富、表达紧凑、可析且局部稳定,缺点：搜索时间长，对残缺和噪声图像适应性差。另外，它不是旋转不变的,图匹配方法,D.K.Isenor,和,S.G.Zaky 1985,年提出了图匹配的指纹识别方法：将一个指纹图像用,图的形式,表达出来。其中，以,纹线,对应图的节点，以纹线间的,邻近关系和交叉,确定节点之间的线。,用这种方式表达的指纹保持指纹的拓扑结构关系，具有与度量无关、旋转不变、仿射不