指纹的识别方法及其识别处理装置 【技术领域】
本发明涉及一种生物特征识别方法及其识别设备，尤其涉及一种指纹的识别方法及其识别处理装置，属于计算领域。
背景技术
随着信息技术的不断发展，安全问题日益引起人们的关注，越来越多的领域需要应用生物识别技术提供的解决方案，信息安全市场近几年在国内保持高速增长。生物识别技术是基于个人独特的生理和行为特征进行身份鉴别的技术，它以生物技术为基础，以信息技术为手段，属于模式识别的研究课题。与传统的加解密方法相比较，生物识别技术是目前最为方便与安全的识别技术，它不需要记住复杂的密码，也不需要携带钥匙、智能卡之类的东西。
指纹识别技术以其稳定性、易用性、唯一性成为生物识别领域的最佳选择，可广泛应用于犯罪鉴定、门禁、金融安全、出入境等系统。
然而，如何进一步提高指纹识别的性能仍然具有重要的意义，尤其是技术和产品相结合，需要对现有的算法和硬件电路性能都进行优化，才能满足用户的需要。需要一种方法对指纹图像的预处理、图像增强、特征提取和匹配等多个方面进行改进。
【发明内容】
本发明的目的就是为了解决现有技术中存在的上述问题，提供一种指纹的识别方法及其识别处理装置。
本发明的目的通过以下技术方案来实现：
指纹的识别方法，其包括以下步骤：
步骤①，将采集的指纹图像分为互不重叠的网格块；
步骤②，计算网格块内每个像素点(i，j)沿其X、Y方向的梯度向量；
步骤③，估算以像素点(i，j)为中心点的每个网格块的局部方向；
步骤④，采用偶对称Gabor滤波，滤除噪声并保持脊或谷的结构，获取采集指纹图像的相关特征点；
步骤⑤，比较采集指纹图像与特征指纹图像上特征点之间的比例值和角度大小进行识别。
上述的指纹的识别方法，其中：所述的估算为以像素点(i，j)的四个最邻近中心点块梯度向量的加权平均，作为以i，j为中心点的网格块的梯度向量，即将每块分成四个小块，计算每个小块中心点的梯度向量，加权平均作为该块X、Y方向的梯度向量，再计算该点的方向。当然，直接以每小块中心点的梯度向量估算该小块的方向，相当于将每块划分得细，则抗噪声能力将明显减弱。
进一步地，上述的指纹的识别方法，其中：所述的识别过程为设a为输入图像的某一特征点；b1、b2、b3、b4为其最邻近的4个特征点，c1、c2、c3、c4分别为b1、b2、b3、b4除a点外最邻近的特征点，分别计算三角形ab1c1、ab2c2、ab3c3、ab4c4的面积两两之间的比值以及相应的角ab1c1、ab2c2、ab3c3、ab4c4记入输入向量组中，向量组中每个成员由比值与相应的两个角组成，计算同样结果存入的模板向量组中，比较输入部分和模板部分中所有的向量，根据选定的阈值判断两幅图像是否匹配。
指纹识别处理装置，其中：包括存储模块、控制模块、电源模块、处理芯片，存储模块、控制模块、电源模块各自的外围接口模块都集成在处理芯片上，处理芯片提供SPI接口、UART接口、USB接口三种可选接口，构成片上芯片结构。
上述的指纹识别处理装置，其中：所述的存储模块其由RAM、ROM、EEPROM组成，ROM存储用以识别指纹图像的程序，EEPROM存储录入地用以认证的指纹图像模板以及设备配置信息。
进一步地，上述的指纹识别处理装置，其中：所述的控制模块，用于采集指纹图像后通知处理芯片完成相应的计算，然后与存储模块所述的EEPROM中提取特征指纹图像进行匹配，并将结果输出。
进一步地，上述的指纹识别处理装置，其中：所述的EEPROM内存储的相关数据由64位TDES加密算法保护，密钥存储在ROM中。
更进一步地，上述的指纹识别处理装置，其中：所述的步骤①中的网格块，取最小值为16×16像素，最大值取32×32像素。
本发明技术方案的突出的实质性特点和显著的进步主要体现在：采用本发明的方法，整个指纹采集识别快速准确。同时，采用本方法后有利于将指纹识别技术与现有常见的移动存储设备相结合使用，提高移动存储设备的安全性。并且在确保准确性和保持较高硬盘数据传输速度的情况下，本发明采用加密模块的芯片面积减小了近三分之二，为本领域的技术进步拓展了空间，实施效果好。
【附图说明】
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。这些附图当中，
图1是指纹采集识别的施示意图；
图2是指纹特征点的构造示意图；
图3是指纹识别处理装置的构造示意图。
图中各附图标记的含义如下：
1 USB接口 2 UART接口
3 RAM 4 ROM
5 EEPROM 6 芯片
【具体实施方式】
在常见的指纹识别中，图像增强主要用于改善不清晰区域的指纹图像质量，对于指纹图像增强算法，一般都是基于方向场估计的滤波算法，将指纹纹路分为若干个方向计算像素灰度值，大都使用纹路方向作为增强算法的参数。因此，本发明首先在指纹的图像处理和匹配方面做了相应的改善和研究，结合图1～3来看，方法如下：首先将采集的指纹图像分为互不重叠的W×W网格块，其中W取最小值为16×16像素，最大值取32×32像素，完成指纹采集，即步骤S1。
然后，进行图像预处理S2，具体来说：计算网格块内每个像素点(i，j)其沿X、Y方向的梯度向量。随后估算以像素点(i，j)为中心点的每个网格块的局部方向，即以像素点(i，j)的四个最邻近中心点块梯度向量的加权平均，作为以i，j为中心点的网格块的梯度向量。接着，采用偶对称Gabor滤波，滤除噪声并保持脊或谷的结构，获取采集指纹图像的相关特征点，即步骤S3。完成上述工作时亦可同时完成步骤S4的指纹登记。最后比较采集指纹图像与特征指纹图像上特征点之间的比例值和角度大小进行识别，即步骤S5。所有工作完成后进行匹配结果的输出，即步骤S6。
进一步来看，对于指纹匹配方法，指纹特征点具有唯一性和稳定性，大多数指纹算法是基于特征点的，特征点的提取、类型的选择直接影响到指纹匹配的准确性。由于在计算特征点的过程中难免存在误差，产生虚假特征点，而且指纹图像之间存在旋转、平移、非线性形变，影响匹配的准确性。本发明在每幅指纹图像上计算特征点之间的比例值和角度大小，再比较两幅图像对应的比例值和角度关系，能够较有效消除非线性形变的影响。
具体来说，如图2所示：设a为输入图像的某一特征点，b1、b2、b3、b4为其最邻近的4个特征点，c1、c2、c3、c4分别为b1、b2、b3、b4除a点外最邻近的特征点。分别计算三角形ab1c1、ab2c2、ab3c3、ab4c4的面积两两之间的比值以及相应的角ab1c1、ab2c2、ab3c3、ab4c4记入输入向量组中，向量组中每个成员由比值与相应的两个角组成，计算同样的结果存入模板向量组，比较输入部分和模板部分中所有的向量组，相应的向量组之间再进行相互比较，根据选定的阈值决定两幅图像是否匹配。
在实际的电路实现上，本发明采用片上芯片6的原理，将存储模块、控制模块、电源模块，外围接口模块都集成在同一片芯片6上，芯片6提供了三种可以选择的接口，分别是SPI接口、UART接口2、USB接口1。
结合图3来看，存储模块由RAM3、ROM4、EEPROM5组成。ROM4存储算法程序及系统程序。EEPROM5存储录入用以认证的指纹图像模板、设备配置信息以及对硬件的更新，里面的数据由64位TDES加密算法保护，其密钥存放在ROM4中。控制器在采集完一幅指纹图像采集后通知处理芯片6完成相应的计算，然后与EEPROM5中提取的特征指纹进行匹配，并将结果输出到外设。芯片6在没有工作的情况下将自动进入节电模式，在保证系统快速稳定计算的同时，极大的减少了连线和芯片6面积，降低了整个系统的功耗
目前来说，常见的指纹识别主要用于门禁、笔记本电脑等系统。本发明能够将指纹识别模块应用在移动存储设备上。指纹识别模块由于本身体积较小且支持USB通信，是移动存储加密的最佳选择。通过指纹识别模块与硬盘的结合，不仅数据的加解密准确无误，而且在各种系统测试下均达到较高的速度。
通过上述文字表述并结合附图可以看出，采用本发明的方法，整个指纹采集识别快速准确。同时，采用本方法后有利于将指纹识别技术与现有常见的移动存储设备相结合使用，提高移动存储设备的安全性。并且在确保准确性和保持较高硬盘数据传输速度的情况下，本发明采用加密模块的芯片面积减小了近三分之二，有着很好的实施前景。