利用中心点信息的活体指纹分类算法

测试技术论文利用中心点信息的活体指纹分类算法摘要:一种针对活体指纹采集样本的分类算法。将指纹分为四类:弓形、左箕形、右箕形和箕形(Rightloop)和斗形(Whorl)。根据公安部的统计,中国人指纹类型的分布,弓形和帐弓形分别为1.1%、1.4%。对于实验系统,把两者分离的必要性不大。而且,弓形和帐弓形在结构上很相似,没有明显的特征可以把两者很好地分开。文献的实验表明:不把这两类分开,可以在不影响分类器效率的情况下,提高正确率。本文采用指纹结构特片分析方法,基于实用性的考虑,把采集的指纹分为四类:弓形(Arch)、左箕形(LeftLoop)、右箕形(Right loop)和斗形(Whorl)。如图1所示。关键词:指纹分类奇异点方向滤波连续分类目前指纹分类在的研究对象主要是油墨指令等滚动按捺得到的指纹图像,一般采用美国中央情报局的SINT4、NIST9、NIST14、NIST24等批文数据库,这些据指纹图像通常保留了三角点和中心点等特征点。但活体采集通常不能完整采集三角点。活体采集的样本与传统油墨按捺采集的样本有很大不同。从目前所能查阅的国内外文献来看,针对活体采集样本的分类算法研究并不多见,而且效果并不是很理想。本文所研究的指纹库是用主流芯片级指纹采集器——富士通公司的BMF200电容式的指纹传感器采集得到的。这款采集器在自动指纹识别系统中得到了广泛应用。因此,针对这种样本数据库的分类算法的研究具有现实意义和理论意义。传统的分类算法沿用指纹学上的分类法,把指纹分为五类:弓形(Arch)、帐弓形(Tent Arch)、左箕形(Left loop)、右箕形(Rightloop)和斗形(Whorl)。根据公安部的统计,中国人指纹类型的分布,弓形和帐弓形分别为1.1%、1.4%。对于实际系统,把两者分离的必要性不大。