指纹比对代码_谷歌开源图像比对算法_指纹图像比对算法

指纹技术的研究其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图象。多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图象属于个人隐私，因此不能直接存储指纹图象）。但指纹识别算法最终都归结为在指纹图象上找到并比对指纹的特征。每个指纹都有几个独一无二、可测量的特征点，每个特征点都有大约5~7个特征，我们的十个手指产生最少4900个独立可测量的特征，这足以说明指纹识别是一个更加可靠的鉴别方式。

识别指纹主要从两个方面展开：总体特征和局部特征。

总体特征

总体特征是指那些用人眼直接就可以观察到的特征。包括纹形、模式区、核心点、三角点和纹数等。

纹形：指纹专家在长期实践的基础上，根据脊线的走向与分布情况一般将指纹分为三大类——环型（loop，又称斗形）、弓形（arch）、螺旋形（whorl）。

模式区：即指纹上包括了总体特征的区域，从此区域就能够分辨出指纹是属于哪一种类型的。有的指纹识别算法只使用模式区的数据，有的则使用所取得的完整指纹。

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，即只能处理和识别具有核心点的指纹。

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。

纹数：即模式区内指纹纹路的数量。在计算指纹的纹路时，一般先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。

局部特征

局部特征是指指纹上节点的特征，这些具有某种特征的节点称为细节特征或特征点。两枚指纹经常会具有相同的总体特征，但它们的细节特征，却不可能完全相同。指纹纹路并不是连续的、平滑笔直的，而是经常出现中断、分叉或转折。这些断点、分叉点和转折点就称为"特征点"，就是这些特征点提供了指纹惟一性的确认信息。

分类（最经典的是终结点和分叉点）

终结点:一条纹路在此终结。

分叉点:一条纹路在此分开成为两条或更多的纹路。

分歧点:两条平行的纹路在此分开

孤立点:一条特别短的纹路，以至于成为一点。

环点: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。

短纹:一端较短但不至于成为一点的纹路。

方向

节点可以朝着一定的方向。

曲率

描述纹路方向改变的速度。

位置

节点的位置通过（x, y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。

指纹算法性能指标

由于计算机处理指纹时，只是涉及了指纹的一些有限的信息，而且在图像处理和比对过程中不可避免地会引入计算误差，所以，指纹识别算法并不是精确匹配，其结果也不能保证100%准确。指纹图像比对算法也就是说，指纹识别算法并不是100%的可靠。评估一个指纹识别算法性能，主要有如下指标：

(1)拒登率（Failure To Enroll Rate, FER），即拒绝建档（算法不能处理）的比率，反映适用人群大小；

(2)据真率（False Rejection Rate, FRR），即错误拒绝的比率，反映好用性。

(3)认假率（False Acceptance Rate, FAR），即错误接受的比率，反映安全性。指纹图像比对算法

(4)相等错误率（Equal Error Rate, EER），FRR和FAR相等时的值。

(5)速度 (SPEED），通常指每秒钟算法运行的次数。

(6)空间 (SPACE），算法运行所需要的代码空间和数据空间。

由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极大地提高了系统安全性。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-25785-1.html