提取二值化指纹图像中特征数据的算法研究doc.docx
- 文档编号:12522042
- 上传时间:2023-04-19
- 格式:DOCX
- 页数:18
- 大小:329.86KB
提取二值化指纹图像中特征数据的算法研究doc.docx
《提取二值化指纹图像中特征数据的算法研究doc.docx》由会员分享,可在线阅读,更多相关《提取二值化指纹图像中特征数据的算法研究doc.docx(18页珍藏版)》请在冰豆网上搜索。
提取二值化指纹图像中特征数据的算法研究doc
1引言
人类一直在研究有效的身份鉴别方法。
用于身份鉴别的传统方法有两种:
第一种基于标志的身份鉴别,通常是通过判断是否具有某种特定标志来对身份进行鉴别,如身份证,护照、钥匙,通行证等。
第二种基于知识的身份鉴别,通常是根据被鉴别者所具有的某种知识来对其进行鉴别,如银行存折的密码,个人认证数字或固定问题答案等。
这些传统的身份鉴别方法具有简便,易于实现且经济成本很少的优点。
但是,随着科学技术和人类社会的发展,现代社会对于人类自身身份识别的准确性、安全性与实用性提出了更高要求。
传统的身份识别方法己经远远不能满足这种要求,于是人类找到了生物识别这种更为安全可靠、使用方便的新的身份识别技术。
生物识别技术是利用人体生物特征进行身份认证的一种技术。
生物特征包括生理特征和行为特征,人的生理特征与生俱来,多为先天性的;行为特征则是习惯使然,多为后天形成。
常见的生物特征包括:
指纹、掌纹、虹膜、脸像、声音、笔迹等。
这些特征都具有唯一性和稳定性的特点,且不易复制。
与传统的身份鉴别手段相比,基于生物特征的身份认证技术具有以下优点[1,2,3]:
(1)普遍性:
每个人都拥有该特征;
(2)唯一性:
没有哪两个人拥有同样的该特征;
(3)永久性:
该特征不会随时间而变化;
(4)可采集性:
该特征能够被定量地测量出来;
(5)易实现性:
容易实现,资源消耗少,对工作环境要求不苛刻;
(6)防伪性:
即不易伪造或被盗,识别率高;
(7)方便性强:
“随身携带”,随时随地可用。
目前的生物识别技术主要包括指纹、手形、面孔、虹膜、视网膜、声音、签名等的认证。
其中,指纹识别是利用手指纹线所构成的图像的唯一性和排他性进行身份鉴定。
基于指纹的自动识别技术是最早和最广泛的被应用于实践的生物识别技术。
它是一种相对准确率最高,且最易被用户接受的身份认证方案[1]。
1.1指纹识别发展概况
指纹在全球范围被承认中国使用最早,6000年以前就有使用。
一千多年前就有签字画押记载,无论是在法庭证词上,还是在民间契约上,利用指纹作为个人标识得到法律上的认可。
同一时期的古代印度,指纹也被用于人身标识。
现代指纹人身标识技术起始于十六世纪晚期。
1684年,英国的植物形态学者N.Grew对指纹做出了系统的研究并发表了一篇论文,文中详细分析了指纹的犁沟、脊线、汗腺孔的结构,这篇文章被认为是有关指纹技术的第一篇科学文献。
1788年,Mayer对指纹的构造原理和指纹脊线犁沟分布特点做出了详细的描述,给出了解剖学形式的详细报告。
1823年,Purkinje提出了最早的指纹分类策略,他将指纹按照纹线中脊的外形分布特点分成九类。
H.Fauld在1880年指出指纹的个人唯一性和终身不变性,这使得指纹在犯罪鉴别中得以正式应用(1808年阿根廷首次应用),与此同时,Herschel声称,他将指纹作为身份验证的依据已有近20年的历史了。
这些发现建立了现代指纹身份验证技术的基础。
十九世纪末,F.Galton对指纹进行了更为深入的研究,并在1888年提出利用细节特征点进行单个指纹分类的方法。
1899年E.Henry建立了著名的Henry指纹分类系统,提高了指纹验证效率,为指纹用于人身标识起了重要的推动作用及更为科学的鉴别标准。
到二十世纪早期,结合解剖学观点,人们对指纹的构成已经有了很好的了解,指纹鉴别被司法部门正式规定为合法的人身辨识方法,指纹鉴别己经成为司法调查的一道标准程序,指纹鉴别机构在世界范围内开始建立,构造出大量的罪犯指纹库。
六十年代,随着计算机的出现,人们开始了对自动指纹鉴别技术的研究。
美国联邦调查局巴黎警部首先开发了自动指纹鉴别系统(AFIS)大大提高了法律相关部门的效率。
在司法部门取得的成功,也大大推进了自动指纹鉴别系统向其他民用领域的转化。
20世纪末期以来,指纹识别技术被应用到许多方面。
通过使用指纹验证来取代各个计算机应用程序的密码就是最为典型的实例。
可以想象如果计算机上的所有系统和应用程序都可以使用指纹验证的话,人们使用计算机就会非常方便和安全,用户不再讨厌必要的安全性检查,而开发商的售后服务工作也会减轻许多。
IBM公司已经开发成功并广泛应用的GlobalSignon软件通过定义唯一的口令,使用指纹,就可以在公司整个网络上畅行无阻。
把指纹识别技术同IC卡结合起来,是目前最有前景的一个方向之一。
该技术把卡的主人的指纹(加密后)存储在IC卡上,并在IC卡的读卡机上加装指纹识别系统,当读卡机阅读卡上的信息时,一并读入持卡者的指纹,通过比对卡上的指纹与持卡者的指纹,就可以确认持卡者是否是卡的真正主人,从而进行下一步的交易。
在更加严格的场合,还可以进一步同后端主机系统数据库上的指纹作比较。
指纹IC卡可以广泛地运用于许多行业中,例如取代现行的ATM卡、制造防伪证件(签证或护照、公费医疗卡、会员卡、借书卡等)。
目前ATM提款机加装指纹识别功能在美国已经开始使用。
持卡人可以取消密码(避免老人和孩子记忆密码的困难)或者仍旧保留密码,在操作上按指纹与密码的时间差不多。
近年来,自动发送信息的互联网络,带给人们的方便与利益,正在快速增长之中,但也因此产生了很多的问题,尤其在信息安全方面。
无论是团体或者个人的信息,都害怕在四通八达的网络上传送而发生有损权益或隐私的事情。
由于指纹特征数据可以通过电子邮件或其他传输方法在计算机网络上进行传输和验证,通过指纹识别技术,限定只有指定的人才能访问相关信息,可以极大地提高网上信息的安全性,这样,包括网上银行、网上贸易、电子商务的一系列网络商业行为,就有了安全性保障。
SFNB(SecurityFirstNetworkBank安全第一网络银行)就是通过互联网络来进行资金划算的,他们目前正在实施以指纹识别技术为基础的保障安全性的项目,以增强交易的安全性。
在医院里,指纹识别技术可以验证病人身份,例如输血管理。
指纹识别技术也有助于证实寻求公共救援、医疗及其他政府福利或者保险金的人的身份确认。
在这些应用中,指纹识别系统将会取代或者补充许多大量使用照片和ID的系统。
总之,随着低价格高性能单片机和DSP的广泛使用,以及廉价的取像设备、指纹鉴别算法的开发与研究,指纹鉴别技术具有更广阔的发展前景,也将大量被应用于人们的生产生活中[1,2]。
1.2指纹识别技术概述
指纹识别技术简称FIS(FingerprintIdentificationTechnology)。
前面已经讲到,早期的指纹识别技术仅限于人工或半自动化的查找和匹配。
到20世纪60年代,计算机技术的发展推动了指纹自动识别技术。
目前指纹识别方法分为两大类[4]:
一是以手指毛细孔的位置,二是以手指表皮上的凸纹和凹纹所形成的纹路为识别的基准。
利用毛细孔来做识别,最主要的困难是必须以雷射光来扫描毛细孔的位置,设备不易取得,然而毛细孔的位置是永远固定不变的,而且毛细孔的位置不容易受外力而破坏,判断成功率较高。
凸凹纹线所形成的纹络,可经由油墨的按压在纸上,或经由扫描器扫描进电脑后取得影像档案,藉此来做判断,所以取得非常容易,可是此种方法取得的指纹,因为经过多次失真,使比对的错误率提高。
本文讨论的提取特征数据的算法是基于第二类。
因为这种方法取得的图像多次失真,所以对计算机的自动指纹识别技术要求比较高。
而基于计算机的自动指纹识别技术主要涉及三个步骤:
图像预处理、特征提取、特征匹配。
1.2.1预处理
在指纹自动识别过程中,由于按下力、皮肤表面性质的差异等各种原因的影响,都将导致得到的指纹图像质量欠佳,这些图像给指纹特征点的正确提取与匹配造成了相当大的困难。
对指纹图像进行预处理,可以去除指纹图像的各种噪声和无效指纹区域,同时增强有效的指纹区域,这对于系统后面的处理是非常重要的,可以保证系统对于输入图像的鲁棒性,降低指纹识别系统的错误接受率(FAP:
FalseAcceptanceProbability)和提高正确接受率(AAP:
AuthenticAcceptanceProbability)[5]。
预处理是指纹自动识别系统中非常重要的一步,它的好坏直接影响着指纹识别的效果。
预处理一般包括图像增强、图像的二值化、滤波等步骤[4]。
预处理后将得到一幅相对连续、平滑的二值化指纹图像。
1.2.2特征提取
特征提取一般分为两个阶段:
提取特征点和特征点后处理。
指纹图像由大量的纹线构成,纹线走向所形成的纹路可以用人眼直接观察,它被称作指纹的总体特征。
指纹纹路并不是连续、平滑的,它经常出现中断或分叉,这些断点和分叉点就是指纹的局部特征,称为“细节点”或“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—细节点,却不可能完全相同,就是这些细节点提供了指纹唯一性的确认信息。
一般的指纹识别系统都是基于细节点的识别系统。
目前最常用的细节特征是美国联邦调查局(FBI)提出的特征点坐标模型,它利用端点(Ending)与分叉点(Bifurcating)两种特征来鉴定指纹[4,6]。
尽管已有很多指纹图像增强算法,但是对于质量较差的指纹图像很难完全弥补其中的缺陷。
常见的指纹缺陷有纹线断裂、纹线粘连、纹线中出现孔洞等。
这些缺陷会使细节点自动提取算法得到很多虚假细节点。
因此,特征提取是整个识别系统的关键。
1.2.3指纹匹配
指纹匹配一般分为两类[7]:
验证(verification)和辨识(identification)。
认证是一对一的匹配,它首先把某人的指纹特征及个人信息以某种形式存储起来,需要认证时将当前的请求指纹与之前的存储指纹进行匹配,判断两枚指纹是否来自同一个手指。
识别是一对多的匹配,和认证系统类似,这种系统要事先把许多人的指纹特征及个人信息存入数据库,识别时将当前请求指纹与数据库中的多个指纹分别进行一对一的匹配,判断是否有和当前指纹符合的信息。
显然,识别完成的就是多次认证,认证系统可以说是识别系统的一个特例,它就是一对多的识别系统。
因此,无论哪种类型的匹配,都是新输入指纹的特征与原来存储指纹的特征进行比对的过程。
匹配算法的核心思想是:
通过某些坐标变换(如平移、旋转、伸缩变换),消除由于采集时指纹位移、旋转和畸变对特征点位置造成的影响;然后对比坐标变换后指纹特征点的相关信息(位置、类型、角度等)。
1.2本文主要研究内容及结构安排
目前,尽管指纹识别技术己有很多的商业产品,但识别准确率还是不能满足某些特定的应用;且许多已有的算法因商业利益而未能公开;同时,对于每个细节点需要记录其类型、位置坐标和所在纹线方向,在非理想采集条件下,指纹图像不能保证都很清晰,其中可能出现对比度不均匀、纹线断裂、纹线粘连等缺陷,造成纹线模糊或失真,这是使指纹特征可靠提取非常困难的主要原因。
因此,开发更多理想的自动指纹识别系统在目前仍然是一个有实用价值和有一定难度的研究任务。
本文参阅了大量指纹识别方面的文献资料,针对指纹识别技术中的一个重要环节:
特征提取进行了深入研究,对以往的算法进行了大量改进和完善。
具体工作如下:
(1)特征提取采用了种基于图段分析提取细节点的方法,这种方法将整个匹配过程分为三个阶段:
第一阶段称为图段提取,第二阶段称为细节点提取。
该方法使相差很大的指纹及早淘汰,减少了拒绝时间。
(2)在图段提取阶段,提取指纹图像中的局部连通区域为图段。
具体来说指纹图像中的一个黑色图段表示一个没有分支、粗细均匀的线条状结构的局部纹线段。
(3)在细节点提取阶段,先分析图段的结构类型。
根据图段的结构类型、是否存在相关图段及其与相关图段的相对位置关系,提取指纹的细节点。
(4)将所有算法在MicrosoftVisualStudio2005上编程实现,并通过大量的实验对其进行了验证。
实验结果表明本文采用的特征算法取得了较好的效果。
2特征提取算法介绍
2.1指纹的特征数据
指纹之间的区别,即特征,目前分为总体特征和局部特征[4,6,8]。
2.1.1总体特征
总体特征是指那些用肉眼直接就可以观察到的特征[8]:
(1)模式区(PatternArea)
模式区是指指纹上包括了总体特征的区域,即从模式区就能够分辨出指纹是属于那一种类型的。
有的指纹识别算法只使用模式区的数据。
SecureTouch的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。
(2)核心点(CorePoint)
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,既只能处理和识别具有核心点的指纹。
核心点对于SecureTouch的指纹识别算法很重要,但没有核心点的指纹它仍然能够处理。
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。
(3)纹数(RidgeCount)
指模式区内指纹纹路的数量。
在计算指纹的纹数时,一般先在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。
2.1.2局部特征
局部特征是指指纹上的节点的特征,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[8]。
(1)端点(Ending):
一条纹路在此终结。
(2)分叉点(Bifurcation):
一条纹路在此分开成为两条或更多的纹路。
(3)分歧点(RidgeDivergence):
两条平行的纹路在此分开。
(4)孤立点(DotorIsland):
一条特别短的纹路,以至于成为一点。
(5)环点(Enclosure):
一条纹路分开成为两条之后,立即有合并成为一条,这样形成的一个小环称为环点。
(6)短纹(ShortRidge):
一端较短但不至于成为一点的纹。
2.2提取算法
目前最常用的指纹特征属于局部特征,它是由美国联邦调查局(FBI)提出的利用端点(Ending)与分叉点(Bifurcating)两种特征来鉴定指纹[4,6]。
如图1-1所示。
图1-1端点和分叉点
对于这种指纹特征,众多专家学者提出了很多细节点提取算法,其中最常用的是基于细化图像的方法[9-13]。
此类方法首先得到细化指纹图像,然后通过邻域分析得到细化纹线的端点和分叉点。
Xiao等人[9]综合利用细节点的统计特性和结构特性进行细节点后处理;Hung[10]通过将细化纹线及其上的细节点表示成图的形式,利用图论的知识来清除虚假细节点;Ratha等人[11]根据细节点空间关系清除虚假细节点;Farina等人[12]通过分析真假细节点周围纹线的拓扑结构,给出了清除虚假细节点和验证真实细节点可靠性的方法;Bian等人[13]的方法不仅利用了细节点周围细化纹线的统计和结构特性,而且利用了二值图像上对应纹线的宽度信息。
上述基于细化图像的细节点提取方法主要有以下缺点:
①细化处理比较耗时;②若图像增强和二值化效果不好,会产生大量虚假细节点;③细节点后处理操作非常耗时。
因此,本文采用的是一种图段分析提取细节点的方法[6]。
该方法首先通过行程编码匹配得到二值指纹图像中的图段,每个图段表示一个不包含分支的纹线段。
然后根据图段的结构形式和图段之间的连接关系判定指纹纹线端点的位置。
利用指纹谷线端点与纹线分叉点的对应关系,通过提取谷线上的端点得到纹线的分叉点。
由于在端点判定之前清除了噪声图段,使该方法对纹线边缘毛刺和纹线中的小孔等结构形式具有较好的鲁棒性,不会像基于细化图像方法那样产生大量虚假细节点。
从而提高指纹匹配的精度。
3图段的提取
目前的自动指纹识别系统,普遍使用基于细节点的点模式匹配算法,一般情况下若两幅图像能成功匹配10个特征点对便可确认为同一枚指纹。
因此,特征点是识别的依据。
本文采用的方法提取特征点要先提取图段。
3.1基本定义
在提取之前,首先明确几个基本概念的定义,这些概念在后面的讨论中经常用到。
3.1.1行程
在图像的某一行水平扫描线上,由多个连续的、具有相同灰度值的像素点所组成的像素点集合称为一个行程[6]。
对于二值图像有两种行程:
黑色行程和白色行程。
例如图3-1中共有6个黑色行程。
图3-1行程及其相关关系
3.1.2行程码
由一个行程的起始和结束点水平坐标构成的二元组称为行程码,用(S,E)表示,其中S表示行程的起始坐标,E代表行程的终止坐标[6]。
3.1.3行程相关
设(S1,E1)和(S2,E2)为分属相邻两个扫描行中的两个行程,如果S2>E1或E2 而判定行程相关与否的过程被称为行程匹配。 虽然一幅二值图像中的黑白像素排列初看起来显得杂乱无章,但仔细观察可以发现。 相邻两个扫描行中的行程之间只存在以下两种相关关系: (1)某一行中的一个行程与另一行中的惟一一个行程相关,称之为一对一相关[6]。 如图3-1中的行程b和行程c为一对一相关,行程f和行程a,行程e和行程a也是一对一相关。 (2)某一行中的一个行程与另一行的多个行程同时相关,则称为一对多相关[6]。 例如图3-1中的行程a同时与行程b,d相关,行程a和行程f,e之间也是一对多相关。 3.1.4图段 由一系列互为一对一相关的行程所组成的集合称为图段[6]。 如图3-1中的行程c和b构成一个图段。 图3-2所示的图案由m,n和k三个图段构成。 图段的重要几何参数是图段包络矩形的宽度W和高度H,图3-2中图段k的包络矩形如虚线所示: 图3-2图段 3.2图段提取算法 3.2.1提取行程 逐行扫描图像,如果当前像素为前景点,则进行以下操作: (1)如果当前像素为该行的第一个像素或者它的前一像素为背景点,则开始新的行程; (2)如果当前像素为该行的最后一个像素或者它的后一像素为背景点,则该行程结束,并且把行程的图段编号初始化为,以便后面使用; (3)把像素的行程编号和行程对应起来。 3.2.2提取图段 对每个行程依次进行以下操作,直到最后一个行程: (1)如果当前行程的图段编号为初始化的,就表示当前行程已经有了归属图段,则操作下一个行程; (2)初始化新图段,即把当前行程放入该图段的起始行程和结束行程; (3)如果当该图段的结束行程在图像的最后一行,则进行步骤(9); (4)扫描该图段的结束行程的下一行,求出当前行程的下相关行程数,如不为1,则进行步骤(9); (5)求该图段的结束行程下相关行程数的上相关行程数,如不为1,则进行步骤(9); (6)如两个行程的长度相差太大(本文取的3倍),则进行步骤(9); (7)把该图段的结束行程的下相关行程放入该图段的结束行程; (8)继续步骤(3)。 (9)求出单个图段和更新图段集合的一些属性(在3.2.1图段属性中会具体描述),以便以后使用; (10)操作下一个行程。 3.3代码展示 3.3.3提取图段 4特征提取 因为本文采用的方法在求分叉点的时候是利用指纹白色谷线端点与黑色纹线分叉点对应的关系,通过提取白色谷线上的端点得到黑色纹线的分叉点。 所以这里就只描述黑色纹线端点的求法。 4.1图段结构 图段的结构会影响对细节点的判断。 4.2.1图段属性 而对图段结构进行分析需要以下几个属性: (在图段提取可以中一并求出) (1)单个图段的属性。 包括图段的矩形的宽度H和高度W,以及构成图段的行程的平均长度L。 (2)图段集合的属性。 包括图段的最大宽度RWmax和最小宽度RWmin。 其中,为了增强算法的适用性,对不同的指纹图像,RWmax和RWmin应取不同的值。 本文取的是所有H>1.5W的图段中最大的L值为RWmax,最小的L值为RWmin。 4.2.1图段结构类型 (1)噪声图段: 如果W 它代表图段的尺寸不合理。 (2)垂直方向图段: 如果H≥W,则图段为垂直方向图段。 它代表图段的方向在45°至135°之间。 如图3-1(a)所示。 (3)水平方向图段: 如果H 它代表图段的方向在-45°至45°之间。 如图3-1(b)所示。 (4)扁长型图段: 如果H≤RWmax且L>RWmax,则图段为扁长型图段。 它代表图段处于水平状态。 (5)弧顶、弧底图段: 弧顶图段指呈现上三角形的图段,弧底图段指呈现下三角形的图段。 如图3-1(c)和图3-1(d)所示。 图3-1图段结构类型 因为弧顶、弧底图段必然同时是水平方向或扁长型图段,所以本文把弧顶、弧底图段的判断放在端点的提取里,有需要的时候才进行判断。 4.2提取端点 4.2.1算法简介 (1)在正式提取端点之前先分析图段的结构,把噪声图段去除; (2)依次扫描图段上、下相关图段数,也就是图段起始行程的上相关行程数和结束行程下相关行程数(可以参照2.2.2提取图段),只要上、下相关行程所在的图段不是噪声图段; (3)再按照一定的规则提取端点。 4.2.2判定规则 (1)如果当前图段为扁长型图段,无上相关图段或上相关图段在当前图段的左侧,且无下相关图段或下相关图段在当前图段的左侧,则当前图段的右侧为端点; (2)如果当前图段为扁长型图段,无上相关图段或上相关图段在当前图段的右侧,且无下相关图段或下相关图段在当前图段的右侧,则当前图段的左侧为端点; (3)如果当前图段为水平方向图段,无上相关图段,且无下相关图段或不是弧顶图段,则当前图段的上端为端点; (4)如果当前图段为水平方向图段,无下相关图段,且无上相关图段或不是弧顶图段,则当前图段的下端为端点; (5)如果当前图段为垂直方向图段,无上相关图段,则当前图段的上端为端点; (6)如果当前图段为垂直方向图段,无下相关图段,则当前图段的下端为端点; (7)对于扁长和水平方向图段上的端点,其位置坐标取整个图段中最左或最右端的像素点的坐标; (8)对于垂直方向图段上的端点,则取该图段第一个或的最后一个行程中点为端点的位置坐标。 4.3消除周边点 由于采集的区域有限,则会产生接近图像边缘的纹线端点,称为周边点。 要去除周边点,首先用直线试探求得的经过当前图段最长的射线,这条射线的方向就是端点的方向。 然后向求出的端点的方向反方向引出一条射线,如果这条射线在到达图像边缘之前没有经过任何图段,就可以认为当前端点是采集区域有限而生成的周边点。 5实验与结果 5.1实验环境 本文的所有算法均在MicrosoftVisualStudio2005用C语言编程实现。 本实验采用的指纹图像是已经进行采集和预处理的。 采集是基于Secugen公司的FDU光学指纹采集仪进行指纹采集;预处理首先采用Gabor滤波的方法进行指纹图像增强,然后用Otsu法进行图像二值化,再用3×3中值滤波器进行边缘平滑和去除孤立噪声点。 5.2实验结果 如图5-1所示。 这是一幅经过增强、二值化等预处理的图,下文所述的实验结果都是在这张图上进行处理的。 图5-1预处理后的指纹图像 5.2.1图段提取的结果 因为本文所用的算法是利用指纹谷线端点与纹线分叉点的对应关系,通过提取谷线上的端点得到纹线的分叉点。 所以,图段提取的结果不仅有黑色的纹线图段,还有白色的谷线图段。 (1)其中,黑色纹线图段如图5-2所示。 图5-2黑色纹线图段 (2)而实验中提取白色谷线图段,是将图像中的黑白两色反转后再和黑色纹线图段一样提取的。 黑白反转和白色谷线图段分别如图5-2(左)和图5-2(右)所示。 图5-2反转图(左)和白色谷线图段(右) 5.2.2特征提取的结果 已经把黑白两色的图段提取出来了,接着是进行特征提取了。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 提取 二值化 指纹 图像 特征 数据 算法 研究 doc