由浅入深，了解指纹识别资料下载

01、指纹识别成智能手机标配 伴随移动支付业务的火爆，指纹识别技术已成为今天智能手机的标配，而在CMOS/TFT显示屏、超音波侦测等新技术的不断助推下，更让其市场迎来了发展的新春。 据调研机构Yole预测，未来5年，指纹识别市场的复合年增率(CAGR)将达到19%，市场规模有望从2016年的28亿美元，增加到2022年的47亿美元。 最初只是作为方便手机解锁功能的元器件——指纹识别，如今在智能手机移动支付业务的带动下，已经变成要为移动支付把关的重要安全元素。据业内人士分析，目前的指纹识别市场，大多来自于OEM厂对全玻璃设计与防水功能的需求。这促使CMOS/TFT、超音波侦测等新技术，进一步推动高整合型指纹识别技术的演进。 据统计，2016年的指纹识别传感器的出货量已达6.89亿颗，相较2013年的2300万颗，CAGR达到210%。当然，大量的需求也促使指纹识别传感器均价的走低，目前已从5美元下滑到3美元，甚至更低，未来供应商仍将继续面临价格压力。 指纹识别市场对传感器制造商来说具有较高弹性，虽然今后5年的市场规模非常可观，但如何在激烈的市场竞争中脱颖而出，仍然是考验相关厂商的一道难题。 02、指纹识别的原理 指纹识别技术包含有以下两种主要的识别技术： 第一种是采用不同指纹图像统计对比的方法; 第二种是采用指纹图像本身固有的特征信息进行比对的方法。 第一种方法主要是将两幅指纹图像进行统计对比，查看他们之间相似度的大小，根据大小来判断这两幅指纹是否取自于同一个人，从而实现身份识别的作用。第二种方法是根据两幅指纹图像的结构特征，比较他们的特征信息，确认他们的身份。特征包含两种类型：全局特征类型和局部特征类型。 指纹识别技术的全过程是： (1)使用指纹采集设备采集指纹图像。 (2)对指纹图像中的大量噪声点进行预处理，从而提升后面处理的效率。在预处理之后，得到了一个关于指纹图像的轮廓线，为下一步特征提取做准备。 (3)进行指纹图像的特征提取，提取出其特征信息点。 (4)对指纹图像进行特征匹配，把提取的特征点与数据库中预存的特征点进行比对，通过比对来判断身份。根据英国学者E.R.Herry 的研究发现，两个指纹图像中，如果特征点的对数有13 对是重合的，就可以认为这两个图像取自于同一个人。 指纹识别系统的主要性能参数有以下几种： (1)误识率：指两个不同指纹被错误地识别成相同指纹的概率; (2)拒识率：指同一个手指的两个不同指纹样本不能匹配，即被认为来自不同手指的概率; (3)等错误率：第一和第二种错误相等时的数值; (4) 注册时间：从指纹被采集到完成指纹特征提出所需要消耗的时间; (5) 匹配时间：两个指纹样本进行一次对比匹配所需要消耗的时间; (6) 模板特征的大小：从一个指纹图像中提取出的指纹特征的存储容量; (7)分配内存的大小：在指纹识别的各个阶段，计算机系统需要占用的内存数量。 03、指纹图像的质量评估 在通过指纹采集设备把图像采集进入系统之后，我们需要对采集到的指纹图像的质量进行评估。如果图像的质量不达标，就会对后期产生影响。因此，需要对指纹图像进行评估。目前，指纹图像的质量评估有以下几种方法： (1)计算图像的信噪比： 这种方法是指求出图像的信号与噪声的方差之比。首先计算图像所有像素的局部方差，将局部方差的最大值设为信号方差，最小值设为噪声方差，求出它们的比值，再转成dB 数，最后用经验公式进行修正。此方法在效率方面表现一般。 (2)统计指纹图像细节点的数量： 对指纹图像中细节点的数量进行识别和统计。通过数量的多少来判断该指纹图像的质量是否在合格的范围之内。此方法理论上可行，但是由于首先需要对指纹进行预处理、提取细节点，因此效率不高。 (3)视觉客观测度： 该方法建立在视觉测评过程和客观测度基础上，利用设定的评测参数，对指纹图像的质量评价出一个综合结果。这一方法从全局上对指纹图像的质量，能够得出很好的判断。但是从局部上来看，指纹的纹理分析缺少了对指纹方向信息的判断。 (4)计算指纹图像方向信息： 从指纹图像局部特征开始，结合指纹的全局特征来判断指纹图像的质量。通过检测图像的有效面积和清晰度，来确定图像是否合格。具体方法是：首先，通过计算图像方向信息，确定前景块和背景块;然后，通过比较前景块和背景块的比例来判断是否是偏手指;再次，通过图像块的对比度的大小来判断是干手指或湿手指(干手指对比度较大，湿手指对比度较小)。 04、指纹图像的分割 在指纹图像质量评估合格后，需要对图像进行灰度变换，即对指纹图像均衡化，使得图像灰度均衡，以及对图像进行归一化。在这些完成之后，还需要对图像按照一定的算法和要求进行分割。即把指纹图像中质量很差，后期无法处理的图像区域与有效区域进行区分，使后期处理集中到有效区域上，提供特征提取精度，减少处理时间。目前，常用的分割方法有以下几种： (1)基于方向图的分割方法： 根据图像上纹理的方向，区分指纹区域和背景区域，然后按照不同的区域分割。如果指纹的纹理线不连续、图像的灰度 单一等方向难以正确估计或者有些区域变化剧烈，则此方法不能进行有效的分割。 (2)基于图像的局部灰度均值、局部标准差和局部一致性的分割方法： 利用指纹图像局部区域的灰度均值、标准差和一致性作为特征，再采用线性分类来分割指纹图像。局部图像的一致性显示了局部图像的纹理走向，但是这些特征对于模糊区域无法做出有效的表示。 (3)多级分割法： 就是将指纹图像进行多级分割，逐级减少分割的范围。例如：第一级分割图像的背景区域，第二级在前景区域中分割出模糊区域，第三级从模糊区域中分割出不可恢复区域。 (4)动态阈值分割法： 根据各个子块的局部灰度对比度自动调节阈值，基于像素的方差进行分割。该方法简单、快捷、分割效果好。具体为：将图像划分为不重叠的各个子块;计算每个子块的平均灰度和灰度方差;计算方差最大值与最小值之间的差值;定义动态阈值，并分割图像;平滑操作，去除孤立块。 05、指纹图像的增强 指纹图像增强就是将模糊的指纹纹理改变得更加清晰，例如：将断裂的指纹纹线进行连接，把连接的纹线区分开，而且在这个过程中还需要保持原有的指纹图像结构，使图像更加易于提取特征信息。目前，有以下几种指纹图像增强方法： (1)从脊线方向上采用平滑算子而在垂直于脊线的方向使用增强算子的图像增强算法。这种算法在理论上是十分正确的，但是要估计出脊线宽度以及滤波的参数却比较困难。如果参数估计有误，则会使得脊线产生污染，并且对于脊线上有折痕的指纹会产生偏差。 (2)基于Gabor 滤波器的指纹图像增强算法。此算法是在使用上一方法之前先进行滤波。将指纹图像分成不同的区域，有效削弱垂直于主导纹线方向的噪声，提高方向信息提取的可靠性。