MATLAB指纹识别系统[GUI]

基于MATLAB的指纹识别系统设计 摘 要生物识别技术已经成为身份识别和网络安全的发展技术之一,其中指纹识别技术是目前公认的安全,准确,方便的身份认证技术之一,使之成为人们研究的热点。本文主要设计一个基于matlab 的指纹识别系统。首先主要介绍了指纹识别技术研究的背景,意义,及现状。其次,实现了指纹识别系统,描述了指纹识别系统的基本结构,并且对指纹图像的预处理、特征提取、特征匹配这三个必要的环节的算法进行了详细地研究,在指纹... 阅读详情

MATLAB指纹识别系统[GUI,预警]

一、课题介绍随着生物识别技术的不断发展,人们发现每个人的指纹具有唯一性和不变性。因此指纹识别技术逐步发展为一种新的身份识别方式,并且凭借其良好的安全可靠性,大有取代传统身份识别方式的趋势。本文简要介绍了指纹识别的基本步骤,分别是指纹图像预处理、指纹特征提取、指纹匹配。在图像预处理中,依次介绍了规格化处理、图像增强、二值化处理和细化处理的方法。预处理后将得到一幅宽度为一个像素的细化二值图像,然后通过特定的端点和交叉点的特征进行指纹匹配。实验表明,该方法效果良好。二、算法流程传统的身份识别技术包括基于密码的身份识别技术和基于令牌的身份识别技术。但是这两种方式都存在着一定的安全风险:令牌容易丢失,密码容易忘记,且它们都容易被窃取或冒充。近年来,依赖人体特征的新型身份识别技术正在兴起,凭借其唯一且不变的特点,生物识别技术逐步成为人们研究的热点。而在生物识别技术中,指纹识别技术已经被广泛的研究和应用。它的基本原理框图如图一所示。 指纹采集指纹图像预处理特征点提取特征点匹配输出显示图1指纹识别的基本原理框图三、指纹图像具体实现及源码3.1图像规格化受采集设备参数和环境的影响,采集到的指纹图像可能总体对比度较差。图像归一化的作用就是使所有指纹图像具有相同的灰度均值和方差,从而将每一幅图像的灰度调整到统一的范围,方便后续处理。归一化的算法是:先计算图像的平均值和方差。这部分工作主要通过统计图像中各点像素值得到该图像的直方图,然后利用直方图来计算指纹图像的相关指标。指定期望经过处理后的图像均值和方差,计算归一化后的图像G。图像规格化的Matlab程序如下(其中方差取Var0=2000,M0=150):% 归一化M=0;var=0;for x=1:m for y=1:n M=M+I(x,y); endendM1=M/(m*n);for x=1:m for y=1:n var=var+(I(x,y)-M1).^2; endendvar1=var/(m*n);for x=1:m for y=1:n if I(x,y)>=M1 I(x,y)=150+sqrt(2000*(I(x,y)-M1)/var1); else I(x,y)=150-sqrt(2000*(M1-I(x,y))/var1); end endendfigure, imshow(uint8(I)) ;带入指纹图像’zhiwen1.bmp’后得到的原始图像和归一化图像见图2和图3: 图2原始指纹图像 图3规格化后的指纹图像3.2图像分割指纹图像通常包括纹线区域和周边的无用区域。如果保留这些无用区域,会致使计算冗余度增加。为此要先将其从待处理区域中去除。通常用的分离方法有像素领域特征的方法和基于像素分布概率的方法等。本文采取对各像素邻域特征进行分析,然后分割图像算法。吧图像分成T*T的非重叠块,计算每一块的灰度均值M和方差Var,通过下列条件区分前景与背景:如果M>M1且Var<Var1,则认为背景如果M<=M1且Var>=Var1,则认为前景,否则待定;对所有分块划分完毕后,在对待定块进行判决。如果在8邻域中,背景景小于等于4则认为是前景,否则是背景在编程过程中通过几次调试后对图像进行3*3分块处理Matlab程序如下:% 分割M =3; %3*3H = m/M; L= n/M;aveg1=zeros(H,L);var1=zeros(H,L);% 计算每一块的平均值for x=1:H; for y=1:L; aveg=0;var=0; for i=1:M; for j=1:M; aveg=I(i+(x-1)*M,j+(y-1)*M)+aveg; end end aveg1(x,y)=aveg/(M*M);% 计算每一块的方差值 for i=1:M; for j=1:M; var=(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)).^2+var; end end var1(x,y)=var/(M*M); endendGmean=0;Vmean=0;for x=1:H for y=1:L Gmean=Gmean+aveg1(x,y); Vmean=Vmean+var1(x,y); endendGmean1=Gmean/(H*L);%所有块的平均值Vmean1=Vmean/(H*L);%所有块的方差 gtemp=0;gtotle=0;vtotle=0;vtemp=0;for x=1:H for y=1:L if Gmean1>aveg1(x,y) gtemp=gtemp+1; gtotle=gtotle+aveg1(x,y); end if Vmean1<var1(x,y) vtemp=vtemp+1; vtotle=vtotle+var1(x,y); end endendG1=gtotle/gtemp;V1=vtotle/vtemp; gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;for x=1:H for y=1:L if G1<aveg1(x,y) gtemp1=gtemp1-1; gtotle1=gtotle1+aveg1(x,y); end if 0<var1(x,y)<V1 vtemp1=vtemp1+1; vtotle1=vtotle1+var1(x,y); end endendG2=gtotle1/gtemp1;V2=vtotle1/vtemp1; e=zeros(H,L);for x=1:H for y=1:L if aveg1(x,y)>G2 && var1(x,y)<V2 e(x,y)=1; end if aveg1(x,y)< G1-100 && var1(x,y)< V2 e(x,y)=1; end endend for x=2:H-1 for y=2:L-1 if e(x,y)==1 if e(x-1,y) + e(x-1,y+1) +e(x,y+1) + e(x+1,y+1) + e(x+1,y) + e(x+1,y-1) + e(x,y-1) + e(x-1,y-1) <=4 e(x,y)=0; end end endend Icc = ones(m,n);for x=1:H for y=1:L if e(x,y)==1 for i=1:M for j=1:M I(i+(x-1)*M,j+(y-1)*M)=G1; Icc(i+(x-1)*M,j+(y-1)*M)=0; end end end endendfigure, imshow(uint8(I));title('分割');得到的图像如图4:图4经过分割处理后的图像3.3图像二值化一般的指纹图像都有比较清晰的方向场,方向场估计得准确性直接决定了图像增强算法的效果。为估计方向场,我们把指纹脊线的走向分为如下8个方向,如下图:图5 在一个像素处的8个指纹脊线方向我们先对分割后的图像进行了平均滤波,然后对图像的每一个像素,为确定在该像素出的脊线方向,在以该像素为中心的9*9窗口内,分别计算8个方向上的经过处理后的灰度值,即将图5中标了i(i=0,1,…7分别代表8个方向)的位置的像素灰度值去他们中最大summax和最小值summin,若满足(summax+summin+ 4*I(x,y))> (3*summ/8),则该像素点的脊线方向为summin,否则为summax.确定完方向后就根据该向场对图像进行二值化。Matlab程序如下:%二值化¯temp=(1/9)*[1 1 1;1 1 1;1 1 1];%模板系数 均值滤波 Im=double(I); In=zeros(m,n);for a=2:m-1; for b=2:n-1; In(a,b)=Im(a-1,b-1)*temp(1,1)+Im(a-1,b)*temp(1,2)+Im(a-1,b+1)*temp(1,3)+Im(a,b-1)*temp(2,1)+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b-1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3); endend I=In;Im=zeros(m,n);for x=5:m-5; for y=5:n-5; sum1=I(x,y-4)+I(x,y-2)+I(x,y+2)+I(x,y+4); sum2=I(x-2,y+4)+I(x-1,y+2)+I(x+1,y-2)+I(x+2,y-4); sum3=I(x-2,y+2)+I(x-4,y+4)+I(x+2,y-2)+I(x+4,y-4); sum4=I(x-2,y+1)+I(x-4,y+2)+I(x+2,y-1)+I(x+4,y-2); sum5=I(x-2,y)+I(x-4,y)+I(x+2,y)+I(x+4,y); sum6=I(x-4,y-2)+I(x-2,y-1)+I(x+2,y+1)+I(x+4,y+2); sum7=I(x-4,y-4)+I(x-2,y-2)+I(x+2,y+2)+I(x+4,y+4); sum8=I(x-2,y-4)+I(x-1,y-2)+I(x+1,y+2)+I(x+2,y+4); sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8]; summax=max(sumi); summin=min(sumi); summ=sum(sumi); b=summ/8; if (summax+summin+ 4*I(x,y))> (3*summ/8) sumf = summin; else sumf = summax; end if sumf > b Im(x,y)=128; else Im(x,y)=255; end endend for i=1:m for j =1:n Icc(i,j)=Icc(i,j)*Im(i,j); endend for i=1:m for j =1:n if (Icc(i,j)==128) Icc(i,j)=0; else Icc(i,j)=1; end; end end figure,imshow(double(Icc));title('二值化');得到的二值化图像如图6:图6二值化后的图像3.4图像增强在当前的指纹采集条件下,不可避免的会受到环境,皮肤上的油脂、水分、污渍的影响,使采集到的指纹图像出现纹线粘连、纹线断裂等缺陷,对后续的指纹特征提取带来很大困难。所以我们必须对指纹图像进行图像增强处理,例如分离粘连的纹线,连接断裂的纹线,平滑纹线的边缘等,以保证指纹特征提取的可靠性。实验中进行了初步去除空洞和毛刺的处理,程序如下:u=Icc;[m,n]=size(u) %去除空洞和毛刺for x=2:m-1for y=2:n-1if u(x,y)==0if u(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3u(x,y)=1;endelse u(x,y)=u(x,y);endendendfigure,imshow(u)%title('去除毛刺')for a=2:m-1for b=2:n-1if u(a,b)==1if abs(u(a,b+1)-u(a-1,b+1))+abs(u(a-1,b+1)-u(a-1,b))+abs(u(a-1,b)-u(a-1,b-1))+abs(u(a-1,b-1)-u(a,b-1))+abs(u(a,b-1)-u(a+1,b-1))+abs(u(a+1,b-1)-u(a+1,b))+abs(u(a+1,b)-u(a+1,b+1))+abs(u(a+1,b+1)-u(a,b+1))~=1%寻找端点if (u(a,b+1)+u(a-1,b+1)+u(a-1,b))*(u(a,b-1)+u(a+1,b-1)+u(a+1,b))+(u(a-1,b)+u(a-1,b-1)+u(a,b-1))*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0 %去除空洞和毛刺u(a,b)=0;endendendendendfigure,imshow(u)%title('去除空洞')得到的去除毛刺后的图像和再去除空洞后的图像分别如图7和图8: 图7去除毛刺后的图像 图8去除空洞后的图像3.5图像细化二值化后的纹线仍然具有一定的宽度,因为指纹识别只与纹线的走向有关,所以需要对二值图像进行细化,以减少冗余信息,突出纹线的有效特征,便于后续的特征提取。程序如下:v=~u;se=strel('square',3);fo=imopen(v,se);v=imclose(fo,se); %对图像进行开操作和闭操作w=bwmorph(v,'thin',Inf);%对图像进行细化figure,imshow(w)title('细化图')得到的图像如图9:图9细化后的图像4.特征点提取4.1 找出所有的端点和交叉点因为特征点必然是从端点和交叉点里找出,所以在得到细化的图像后,我们首先要找出所有的端点和交叉点。程序如下:switch (i) case {1, 9} j = img(x+1, y); case 2 j = img(x + 1, y-1); case 3 j = img(x, y - 1); case 4 j = img(x - 1, y - 1); case 5 j = img(x - 1, y); case 6 j = img(x - 1, y + 1); case 7 j = img(x, y + 1); case 8 j = img(x + 1, y + 1);end 然后找出细化后图像的所有端点。将一个点的8个邻域依次两两相减并取绝对值,并将所有结果相加,从细化图像的特征来说,和为2时为端点,和为6时为交叉点。程序如下:count = 1;txy(count, :) = [0,0,0];siz=min(size(thin,1),size(thin,2));for x=40:siz - 40 for y=40:siz - 40 if (thin(y, x) ) CN = 0; for i = 1:8 CN = CN + abs (P(thin, y, x, i) - P(thin, y, x, i + 1)); end if (CN == 2) txy(count, :) = [x, y,2]; count = count + 1; end if (CN == 6) txy(count, :) = [x, y,6]; count = count + 1; end end end end for i=1:count - 1 x(i) =txy(i, 1); y(i)= txy(i, 2);end imshow(double(thin));hold on;plot(x,y,'.');运行完程序后,将所有的端点和交叉点全部找出。定义的数组txy第一项为横坐标,第二项为纵坐标,第三项为2或6(2为端点、6为交叉点)。得到的标出端点和交叉点的图像如图10:图10标出端点和交叉点的细化图像4.2 纹线光滑处理在指纹图像预处理中,已经对指纹图像进行过去除毛刺和空洞的处理。进一步对细化后的图像进行光滑处理。基本原理为:找到每个端点,使其沿着纹线的方向移动5个像素,如果在5个像素之内遇到交叉点,则认为此端点为毛刺,去除此点。for j=1:5 txy=point(thin); pxy=txy(find(txy(:,3)==2),:); n=size(pxy,1); for i=1:n error=0; error=walk(thin,pxy(i,1),pxy(i,2),5); if error==1 thin(pxy(i,2),pxy(i,1))=0; end endendw=thin;imshow(w);光滑后的图像如图11所示:图11 光滑后的图像光滑完后需再画出新的端点,如下图所示:图12 光滑后标出端点和特征点的图像4.3 去除图像边缘的端点可以看出,在指纹图像的边缘,由于采集仪器的关系,不可避免的多出很多端点,一方面增加了后续工作量,另一方面还可能产生错误,所以有必要将这些边缘的端点去除。函数如下:s(8,8)=0;delta(8,8)=0;n=size(txy,1);for i=1:8 for j=1:8 mp{i,j}=thin(1+31*(i-1):31+31*(i-1),1+31*(j-1):31+31*(j-1)); s(i,j)=sum(sum(mp{i,j}))/(31*31); mp{i,j}=(mp{i,j}-s(i,j)).^2; delta(i,j)=sum(sum(mp{i,j})); if delta(i,j)<=70 for k=1:nif (txy(k,1)>=1+31*(i-1)&&txy(k,1)<=31+31*(i-1)&&txy(k,2)>=1+31*(j-1)&&txy(k,2)<=31+31*(j-1)&&txy(k,3)==2) txy(k,:)=[0,0,0]; end end end endendtxy=txy(find(txy(:,1)),:);plot(txy(:,1),txy(:,2),'ro');得到的图像如下:图13 去除图像边缘端点后的图像4.4 找出特征点4.4.1 经过光滑处理和去除边缘端点后进一步减少了端点和交叉点的个数。下面就要找出一些独特的端点来作为特征点。在一幅细化的指纹图上,如果一个端点的周围半径为r个像素的圆内没有任何端点或交叉点,那么随着r的逐渐变大,这样的点会越来越少,也就越来越独特。 程序如下:error=0;x=txy(:,1);y=txy(:,2);n=length(x);d(1:n,1:n)=0;for j=1:n for i=1:n if (i~=j) d(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2); else d(i,j)=2*r; end endend[a,b]=min(d);c=find(a>r);pxy2=txy(c,:);pxy2=pxy2(find(pxy2(:,3)==2),:);t=size(pxy2,1);if t==0 error=1else plot(x,y,'b.'); hold on plot(pxy2(:,1),pxy2(:,2),'r.'); end比如在执行后,会显示出下图:图14 Matlab的显示情况由运行结果可知,有3个端点满足周围半径为20个像素的圆内没有任何端点和交叉点的条件。这三个点在下图中用红点标出。图15 满足条件的特征点4.4.2 用于进一步找出特征点,它的作用是判断离某一端点num距离是否有另一端点。函数如下:error=0;thin(y0,x0)=0;t1=0;for n=1:num if error==1 break; else x=x0; y=y0; for x=x0-1:x0+1 if error==1 break; else for y=y0-1:y0+1 t1=sum(sum(thin(y0-1:y0+1,x0-1:x0+1))); if (t1==0||t1>=2) error=1; a=x0; b=y0; break; else if (thin(y,x)==1&&(x-x0)^2+(y-y0)^2~=0) if (t1>=2 ) error=1; break ; else thin(y,x)=0; x0=x; y0=y; a=x0; b=y0; plot(x0,y0,'r.') end end end end end end endend 4.4.3 综合以上两个找特征点的函数,可以设计一个新的last1函数。通过找出周围半径为r个像素的圆内没有任何端点或交叉点,并且沿纹线走num个像素内没有另一个端点或交叉点的端点。程序如下所示:error=0;[pxy2,error]=single_point(txy,r);n=size(pxy2,1);l=1;error2=0;for i=1:n [error,a,b]=walk(thin,pxy2(i,1),pxy2(i,2),num); if error~=1 pxy3(l,1)= pxy2(i,1); pxy3(l,2)= pxy2(i,2); pxy3(l,3)= pxy2(i,3); l=l+1; error2=0; plot(pxy2(i,1) ,pxy2(i,2),'r+'); endend 得到的Matlab运行结果显示为:图16 last1函数的运行结果得到的图像如下:图17 指纹图像的显示其中红色的纹线为沿上述端点走一定距离后的纹线,一部分可以一直走到规定距离(这些即是要找的特征点),还有一部分走到端点或叉点停止。 至此,每幅指纹图像的特征点均可找出。5.特征点匹配 5.1 纹线长度匹配 上面,我们已经可以找出每幅指纹图像的特征点,并画出一段纹线。下面就是匹配的问题了。在此,我们设置了三层匹配。 首先是纹线长度匹配。对于上面找出的特征点和纹线,每沿着纹线走5个像素测量一下到原始端点的距离。num2=fix(num/5);for i=1:num2 [error,a,b]=walk(thin,x0,y0,5*i); if error~=1 d(i)=sqrt((a-x0)^2+(b-y0)^2); else break; endend最后会得到一个装有长度信息的数组。试想如果两幅指纹图中的指纹是一样的,则它们会包含相同的特征点和从这个特征点出发画出的纹线,则这两个长度数组对应位置的比例应基本相等(考虑到老师所给的24幅指纹图像大小相同,这个比例应近似为1);最终的函数中定义了一个数f=(sum(abs((d1./d2)-1))),所以f值越接近于0,这两幅图像的匹配度越高。5.2 三角形边长匹配找到一个特征点后,可以找出距离其最近的2个端点或交叉点,与原特征点构成三角形,若两幅图像的三角形边长比例相等(本实验中都为1),则说明这两幅图像匹配。x=txy(:,1);y=txy(:,2);n=length(x);l(1,n)=0;lnn=1;pxy(num,:)=[0,0,0];for i=1:n l(i)=sqrt((x(i)-x0)^2+(y(i)-y0)^2);endll=sort(l);for i=1:num xiao=ll(i+lnn);nn=find(l==xiao);lnn=length(nn); pxy(i,:)=[x(nn(1)),y(nn(1)),txy(nn(1),3)]; endplot(x0,y0,'bo');x0;y0;hold onplot(pxy(:,1),pxy(:,2),'ro');在最终程序中定义了一个数ff=(sum(abs((dd1./dd2)-1))),所以ff值越接近于0,这两幅图像的匹配度越高。5.3 点类型匹配 找到一个特征点后,在其周围找到40个端点或交叉点,统计这40个点中端点和交叉点的个数。若两幅图中端点占的比例近似相同,则两幅图像相匹配。在最终函数中定义了一个数fff=abs(f11-f21)/(f11+f12),所以fff值越接近于0,这两幅图像的匹配度越高。 最终程序如下(里面调用到前面一些函数):close all;ticclear;thin1=tuxiangyuchuli('zhiwen8.bmp');thin2=tuxiangyuchuli('zhiwen9.bmp');figure;txy1=point(thin1);txy2=point(thin2);[w1,txy1]=guanghua(thin1,txy1);[w2,txy2]=guanghua(thin2,txy2);thin1=w1;thin2=w2;txy1=cut(thin1,txy1);txy2=cut(thin2,txy2);[pxy31,error2]=last1(thin1,8,txy1,60)[pxy32,error2]=last1(thin2,8,txy2,60)error=1; num=20;cxy1=pxy31; cxy2=pxy32; d1=distance(cxy1(1,1),cxy1(1,2),num,thin1); d2=distance(cxy2(1,1),cxy2(1,2),num,thin2); f=(sum(abs((d1./d2)-1))); if f<=0.5 error=0; else error=1; end f c11=find_point(cxy1(1,1),cxy1(1,2),txy1,1); c12=find_point(cxy1(1,1),cxy1(1,2),txy1,2); c21=find_point(cxy2(1,1),cxy2(1,2),txy2,1); c22=find_point(cxy2(1,1),cxy2(1,2),txy2,2); cxy1(2,:)=c11; cxy1(3,:)=c12(2,:); cxy2(2,:)=c21; cxy2(3,:)=c22(2,:); x11=cxy1(1,1); y11=cxy1(1,2); x12=cxy1(2,1); y12=cxy1(2,2); x13=cxy1(3,1); y13=cxy1(3,2); x21=cxy2(1,1); y21=cxy2(1,2); x22=cxy2(2,1); y22=cxy2(2,2); dd1(1)=juli(x11,y11,x12,y12); dd1(2)=juli(x12,y12,x13,y13); dd1(3)=juli(x13,y13,x11,y11); dd2(1)=juli(x21,y21,x22,y22); dd2(2)=juli(x22,y22,x23,y23); dd2(3)=juli(x23,y23,x21,y21); ff=(sum(abs((dd1./dd2)-1))) if ff<=1 error=0; else error=1; end cxy1(2:41,:)=find_point(pxy31(1,1),pxy31(1,2),txy1,40); cxy2(2:41,:)=find_point(pxy32(1,1),pxy32(1,2),txy2,40); f11=length(find(cxy1(:,3)==2)); f12=length(find(cxy1(:,3)==6)); f21=length(find(cxy2(:,3)==2)); f22=length(find(cxy2(:,3)==6)); fff=abs(f11-f21)/(f11+f12) toc6.实验结果 本实验中,取r=8,num=60,经过反复试验,可以得到f的阈值为0.5,ff的阈值为1.5,fff的阈值为0.2。即三幅图像的f,ff,fff若均小于阈值,则两幅图匹配,显示出MATCH。若三个值中有至少一个值大于阈值,则不匹配,显示出NOT MATCH。实验中我们进行了数次匹配(每次匹配大概需要70秒),下面列出两组结果:zhiwen8和zhiwen7:f=0.3525;ff=0.6803;fff=0.1463。所以匹配。Zhiwen8和zhiwen1:f=0.1389;ff=1.5441;fff=0.2927。所以不匹配。MATLAB指纹识别系统[GUI,预警]

一、课题介绍

随着生物识别技术的不断发展,人们发现每个人的指纹具有唯一性和不变性。因此指纹识别技术逐步发展为一种新的身份识别方式,并且凭借其良好的安全可靠性,大有取代传统身份识别方式的趋势。

本文简要介绍了指纹识别的基本步骤,分别是指纹图像预处理、指纹特征提取、指纹匹配。在图像预处理中,依次介绍了规格化处理、图像增强、二值化处理和细化处理的方法。预处理后将得到一幅宽度为一个像素的细化二值图像,然后通过特定的端点和交叉点的特征进行指纹匹配。实验表明,该方法效果良好。

二、算法流程

传统的身份识别技术包括基于密码的身份识别技术和基于令牌的身份识别技术。但是这两种方式都存在着一定的安全风险:令牌容易丢失,密码容易忘记,且它们都容易被窃取或冒充。近年来,依赖人体特征的新型身份识别技术正在兴起,凭借其唯一且不变的特点,生物识别技术逐步成为人们研究的热点。

而在生物识别技术中,指纹识别技术已经被广泛的研究和应用。它的基本原理框图如图一所示。

指纹采集

指纹图像预处理

特征点提取

特征点匹配

输出显示

图1指纹识别的基本原理框图

三、指纹图像具体实现及源码

3.1图像规格化

受采集设备参数和环境的影响,采集到的指纹图像可能总体对比度较差。图像归一化的作用就是使所有指纹图像具有相同的灰度均值和方差,从而将每一幅图像的灰度调整到统一的范围,方便后续处理。归一化的算法是:

  1. 先计算图像的平均值和方差。这部分工作主要通过统计图像中各点像素值得到该图像的直方图,然后利用直方图来计算指纹图像的相关指标。

  1. 指定期望经过处理后的图像均值和方差,计算归一化后的图像G。

图像规格化的Matlab程序如下(其中方差取Var0=2000,M0=150):

% 归一化

M=0;var=0;

for x=1:m

for y=1:n

M=M+I(x,y);

end

end

M1=M/(m*n);

for x=1:m

for y=1:n

var=var+(I(x,y)-M1).^2;

end

end

var1=var/(m*n);

for x=1:m

for y=1:n

if I(x,y)>=M1

I(x,y)=150+sqrt(2000*(I(x,y)-M1)/var1);

else

I(x,y)=150-sqrt(2000*(M1-I(x,y))/var1);

end

end

end

figure, imshow(uint8(I)) ;

带入指纹图像’zhiwen1.bmp’后得到的原始图像和归一化图像见图2和图3:

图2原始指纹图像 图3规格化后的指纹图像

3.2图像分割

指纹图像通常包括纹线区域和周边的无用区域。如果保留这些无用区域,会致使计算冗余度增加。为此要先将其从待处理区域中去除。通常用的分离方法有像素领域特征的方法和基于像素分布概率的方法等。本文采取对各像素邻域特征进行分析,然后分割图像算法。

吧图像分成T*T的非重叠块,计算每一块的灰度均值M和方差Var,通过下列条件区分前景与背景:

  1. 如果M>M1且Var<Var1,则认为背景
  2. 如果M<=M1且Var>=Var1,则认为前景,否则待定;
  3. 对所有分块划分完毕后,在对待定块进行判决。如果在8邻域中,背景景小于等于4则认为是前景,否则是背景

在编程过程中通过几次调试后对图像进行3*3分块处理

Matlab程序如下:

% 分割

M =3; %3*3

H = m/M; L= n/M;

aveg1=zeros(H,L);

var1=zeros(H,L);

% 计算每一块的平均值

for x=1:H;

for y=1:L;

aveg=0;var=0;

for i=1:M;

for j=1:M;

aveg=I(i+(x-1)*M,j+(y-1)*M)+aveg;

end

end

aveg1(x,y)=aveg/(M*M);

% 计算每一块的方差值

for i=1:M;

for j=1:M;

var=(I(i+(x-1)*M,j+(y-1)*M)-aveg1(x,y)).^2+var;

end

end

var1(x,y)=var/(M*M);

end

end

Gmean=0;Vmean=0;

for x=1:H

for y=1:L

Gmean=Gmean+aveg1(x,y);

Vmean=Vmean+var1(x,y);

end

end

Gmean1=Gmean/(H*L);%所有块的平均值

Vmean1=Vmean/(H*L);%所有块的方差

gtemp=0;gtotle=0;vtotle=0;vtemp=0;

for x=1:H

for y=1:L

if Gmean1>aveg1(x,y)

gtemp=gtemp+1;

gtotle=gtotle+aveg1(x,y);

end

if Vmean1<var1(x,y)

vtemp=vtemp+1;

vtotle=vtotle+var1(x,y);

end

end

end

G1=gtotle/gtemp;V1=vtotle/vtemp;

gtemp1=0;gtotle1=0;vtotle1=0;vtemp1=0;

for x=1:H

for y=1:L

if G1<aveg1(x,y)

gtemp1=gtemp1-1;

gtotle1=gtotle1+aveg1(x,y);

end

if 0<var1(x,y)<V1

vtemp1=vtemp1+1;

vtotle1=vtotle1+var1(x,y);

end

end

end

G2=gtotle1/gtemp1;V2=vtotle1/vtemp1;

e=zeros(H,L);

for x=1:H

for y=1:L

if aveg1(x,y)>G2 && var1(x,y)<V2

e(x,y)=1;

end

if aveg1(x,y)< G1-100 && var1(x,y)< V2

e(x,y)=1;

end

end

end

for x=2:H-1

for y=2:L-1

if e(x,y)==1

if e(x-1,y) + e(x-1,y+1) +e(x,y+1) + e(x+1,y+1) + e(x+1,y) + e(x+1,y-1) + e(x,y-1) + e(x-1,y-1) <=4

e(x,y)=0;

end

end

end

end

Icc = ones(m,n);

for x=1:H

for y=1:L

if e(x,y)==1

for i=1:M

for j=1:M

I(i+(x-1)*M,j+(y-1)*M)=G1;

Icc(i+(x-1)*M,j+(y-1)*M)=0;

end

end

end

end

end

figure, imshow(uint8(I));title('分割');

得到的图像如图4:

图4经过分割处理后的图像

3.3图像二值化

一般的指纹图像都有比较清晰的方向场,方向场估计得准确性直接决定了图像增强算法的效果。

为估计方向场,我们把指纹脊线的走向分为如下8个方向,如下图:

图5 在一个像素处的8个指纹脊线方向

我们先对分割后的图像进行了平均滤波,然后对图像的每一个像素,为确定在该像素出的脊线方向,在以该像素为中心的9*9窗口内,分别计算8个方向上的经过处理后的灰度值,即将图5中标了i(i=0,1,…7分别代表8个方向)的位置的像素灰度值去他们中最大summax和最小值summin,若满足(summax+summin+ 4*I(x,y))> (3*summ/8),则该像素点的脊线方向为summin,否则为summax.

确定完方向后就根据该向场对图像进行二值化。

Matlab程序如下:

%二值化¯

temp=(1/9)*[1 1 1;1 1 1;1 1 1];%模板系数 均值滤波

Im=double(I);

In=zeros(m,n);

for a=2:m-1;

for b=2:n-1;

In(a,b)=Im(a-1,b-1)*temp(1,1)+Im(a-1,b)*temp(1,2)+Im(a-1,b+1)*temp(1,3)+Im(a,b-1)*temp(2,1)+Im(a,b)*temp(2,2)+Im(a,b+1)*temp(2,3)+Im(a+1,b-1)*temp(3,1)+Im(a+1,b)*temp(3,2)+Im(a+1,b+1)*temp(3,3);

end

end

I=In;

Im=zeros(m,n);

for x=5:m-5;

for y=5:n-5;

sum1=I(x,y-4)+I(x,y-2)+I(x,y+2)+I(x,y+4);

sum2=I(x-2,y+4)+I(x-1,y+2)+I(x+1,y-2)+I(x+2,y-4);

sum3=I(x-2,y+2)+I(x-4,y+4)+I(x+2,y-2)+I(x+4,y-4);

sum4=I(x-2,y+1)+I(x-4,y+2)+I(x+2,y-1)+I(x+4,y-2);

sum5=I(x-2,y)+I(x-4,y)+I(x+2,y)+I(x+4,y);

sum6=I(x-4,y-2)+I(x-2,y-1)+I(x+2,y+1)+I(x+4,y+2);

sum7=I(x-4,y-4)+I(x-2,y-2)+I(x+2,y+2)+I(x+4,y+4);

sum8=I(x-2,y-4)+I(x-1,y-2)+I(x+1,y+2)+I(x+2,y+4);

sumi=[sum1,sum2,sum3,sum4,sum5,sum6,sum7,sum8];

summax=max(sumi);

summin=min(sumi);

summ=sum(sumi);

b=summ/8;

if (summax+summin+ 4*I(x,y))> (3*summ/8)

sumf = summin;

else

sumf = summax;

end

if sumf > b

Im(x,y)=128;

else

Im(x,y)=255;

end

end

end

for i=1:m

for j =1:n

Icc(i,j)=Icc(i,j)*Im(i,j);

end

end

for i=1:m

for j =1:n

if (Icc(i,j)==128)

Icc(i,j)=0;

else

Icc(i,j)=1;

end;

end

end

figure,imshow(double(Icc));title('二值化');

得到的二值化图像如图6:

图6二值化后的图像

3.4图像增强

在当前的指纹采集条件下,不可避免的会受到环境,皮肤上的油脂、水分、污渍的影响,使采集到的指纹图像出现纹线粘连、纹线断裂等缺陷,对后续的指纹特征提取带来很大困难。所以我们必须对指纹图像进行图像增强处理,例如分离粘连的纹线,连接断裂的纹线,平滑纹线的边缘等,以保证指纹特征提取的可靠性。

实验中进行了初步去除空洞和毛刺的处理,程序如下:

u=Icc;

[m,n]=size(u) %去除空洞和毛刺

for x=2:m-1

for y=2:n-1

if u(x,y)==0

if u(x,y-1)+u(x-1,y)+u(x,y+1)+u(x+1,y)>=3

u(x,y)=1;

end

else u(x,y)=u(x,y);

end

end

end

figure,imshow(u)

%title('去除毛刺')

for a=2:m-1

for b=2:n-1

if u(a,b)==1

if abs(u(a,b+1)-u(a-1,b+1))+abs(u(a-1,b+1)-u(a-1,b))+abs(u(a-1,b)-u(a-1,b-1))+abs(u(a-1,b-1)-u(a,b-1))+abs(u(a,b-1)-u(a+1,b-1))+abs(u(a+1,b-1)-u(a+1,b))+abs(u(a+1,b)-u(a+1,b+1))+abs(u(a+1,b+1)-u(a,b+1))~=1%寻找端点

if (u(a,b+1)+u(a-1,b+1)+u(a-1,b))*(u(a,b-1)+u(a+1,b-1)+u(a+1,b))+(u(a-1,b)+u(a-1,b-1)+u(a,b-1))*(u(a+1,b)+u(a+1,b+1)+u(a,b+1))==0 %去除空洞和毛刺

u(a,b)=0;

end

end

end

end

end

figure,imshow(u)

%title('去除空洞')

得到的去除毛刺后的图像和再去除空洞后的图像分别如图7和图8:

图7去除毛刺后的图像 图8去除空洞后的图像

3.5图像细化

二值化后的纹线仍然具有一定的宽度,因为指纹识别只与纹线的走向有关,所以需要对二值图像进行细化,以减少冗余信息,突出纹线的有效特征,便于后续的特征提取。

程序如下:

v=~u;

se=strel('square',3);

fo=imopen(v,se);

v=imclose(fo,se); %对图像进行开操作和闭操作

w=bwmorph(v,'thin',Inf);%对图像进行细化

figure,imshow(w)

title('细化图')

得到的图像如图9:

图9细化后的图像

4.特征点提取

4.1 找出所有的端点和交叉点

因为特征点必然是从端点和交叉点里找出,所以在得到细化的图像后,我们首先要找出所有的端点和交叉点。

程序如下:

switch (i)

case {1, 9}

j = img(x+1, y);

case 2

j = img(x + 1, y-1);

case 3

j = img(x, y - 1);

case 4

j = img(x - 1, y - 1);

case 5

j = img(x - 1, y);

case 6

j = img(x - 1, y + 1);

case 7

j = img(x, y + 1);

case 8

j = img(x + 1, y + 1);

end

然后找出细化后图像的所有端点。

将一个点的8个邻域依次两两相减并取绝对值,并将所有结果相加,从细化图像的特征来说,和为2时为端点,和为6时为交叉点。

程序如下:

count = 1;

txy(count, :) = [0,0,0];

siz=min(size(thin,1),size(thin,2));

for x=40:siz - 40

for y=40:siz - 40

if (thin(y, x) )

CN = 0;

for i = 1:8

CN = CN + abs (P(thin, y, x, i) - P(thin, y, x, i + 1));

end

if (CN == 2)

txy(count, :) = [x, y,2];

count = count + 1;

end

if (CN == 6)

txy(count, :) = [x, y,6];

count = count + 1;

end

end

end

end

for i=1:count - 1

x(i) =txy(i, 1);

y(i)= txy(i, 2);

end

imshow(double(thin));

hold on;

plot(x,y,'.');

运行完程序后,将所有的端点和交叉点全部找出。定义的数组txy第一项为横坐标,第二项为纵坐标,第三项为2或6(2为端点、6为交叉点)。

得到的标出端点和交叉点的图像如图10:

图10标出端点和交叉点的细化图像

4.2 纹线光滑处理

在指纹图像预处理中,已经对指纹图像进行过去除毛刺和空洞的处理。进一步对细化后的图像进行光滑处理。基本原理为:找到每个端点,使其沿着纹线的方向移动5个像素,如果在5个像素之内遇到交叉点,则认为此端点为毛刺,去除此点。

for j=1:5

txy=point(thin);

pxy=txy(find(txy(:,3)==2),:);

n=size(pxy,1);

for i=1:n

error=0;

error=walk(thin,pxy(i,1),pxy(i,2),5);

if error==1

thin(pxy(i,2),pxy(i,1))=0;

end

end

end

w=thin;

imshow(w);

光滑后的图像如图11所示:

图11 光滑后的图像

光滑完后需再画出新的端点,如下图所示:

图12 光滑后标出端点和特征点的图像

4.3 去除图像边缘的端点

可以看出,在指纹图像的边缘,由于采集仪器的关系,不可避免的多出很多端点,一方面增加了后续工作量,另一方面还可能产生错误,所以有必要将这些边缘的端点去除。

函数如下:

s(8,8)=0;

delta(8,8)=0;

n=size(txy,1);

for i=1:8

for j=1:8

mp{i,j}=thin(1+31*(i-1):31+31*(i-1),1+31*(j-1):31+31*(j-1));

s(i,j)=sum(sum(mp{i,j}))/(31*31);

mp{i,j}=(mp{i,j}-s(i,j)).^2;

delta(i,j)=sum(sum(mp{i,j}));

if delta(i,j)<=70

for k=1:n

if (txy(k,1)>=1+31*(i-1)&&txy(k,1)<=31+31*(i-1)&&txy(k,2)>=1+31*(j-1)&&txy(k,2)<=31+31*(j-1)&&txy(k,3)==2)

txy(k,:)=[0,0,0];

end

end

end

end

end

txy=txy(find(txy(:,1)),:);

plot(txy(:,1),txy(:,2),'ro');

得到的图像如下:

图13 去除图像边缘端点后的图像

4.4 找出特征点

4.4.1 经过光滑处理和去除边缘端点后进一步减少了端点和交叉点的个数。下面就要找出一些独特的端点来作为特征点。在一幅细化的指纹图上,如果一个端点的周围半径为r个像素的圆内没有任何端点或交叉点,那么随着r的逐渐变大,这样的点会越来越少,也就越来越独特。

程序如下:

error=0;

x=txy(:,1);

y=txy(:,2);

n=length(x);

d(1:n,1:n)=0;

for j=1:n

for i=1:n

if (i~=j)

d(i,j)=sqrt((x(i)-x(j))^2+(y(i)-y(j))^2);

else

d(i,j)=2*r;

end

end

end

[a,b]=min(d);

c=find(a>r);

pxy2=txy(c,:);

pxy2=pxy2(find(pxy2(:,3)==2),:);

t=size(pxy2,1);

if t==0

error=1

else

plot(x,y,'b.');

hold on

plot(pxy2(:,1),pxy2(:,2),'r.');

end

比如在执行后,会显示出下图:

图14 Matlab的显示情况

由运行结果可知,有3个端点满足周围半径为20个像素的圆内没有任何端点和交叉点的条件。

这三个点在下图中用红点标出。

图15 满足条件的特征点

4.4.2 用于进一步找出特征点,它的作用是判断离某一端点num距离是否有另一端点。

函数如下:

error=0;

thin(y0,x0)=0;

t1=0;

for n=1:num

if error==1

break;

else

x=x0;

y=y0;

for x=x0-1:x0+1

if error==1

break;

else

for y=y0-1:y0+1

t1=sum(sum(thin(y0-1:y0+1,x0-1:x0+1)));

if (t1==0||t1>=2)

error=1;

a=x0;

b=y0;

break;

else

if (thin(y,x)==1&&(x-x0)^2+(y-y0)^2~=0)

if (t1>=2 )

error=1;

break ;

else

thin(y,x)=0;

x0=x;

y0=y;

a=x0;

b=y0;

plot(x0,y0,'r.')

end

end

end

end

end

end

end

end

4.4.3 综合以上两个找特征点的函数,可以设计一个新的last1函数。通过找出周围半径为r个像素的圆内没有任何端点或交叉点,并且沿纹线走num个像素内没有另一个端点或交叉点的端点。

程序如下所示:

error=0;

[pxy2,error]=single_point(txy,r);

n=size(pxy2,1);

l=1;

error2=0;

for i=1:n

[error,a,b]=walk(thin,pxy2(i,1),pxy2(i,2),num);

if error~=1

pxy3(l,1)= pxy2(i,1);

pxy3(l,2)= pxy2(i,2);

pxy3(l,3)= pxy2(i,3);

l=l+1;

error2=0;

plot(pxy2(i,1) ,pxy2(i,2),'r+');

end

end

得到的Matlab运行结果显示为:

图16 last1函数的运行结果

得到的图像如下:

图17 指纹图像的显示

其中红色的纹线为沿上述端点走一定距离后的纹线,一部分可以一直走到规定距离(这些即是要找的特征点),还有一部分走到端点或叉点停止。

至此,每幅指纹图像的特征点均可找出。

5.特征点匹配

5.1 纹线长度匹配

上面,我们已经可以找出每幅指纹图像的特征点,并画出一段纹线。下面就是匹配的问题了。在此,我们设置了三层匹配。

首先是纹线长度匹配。对于上面找出的特征点和纹线,每沿着纹线走5个像素测量一下到原始端点的距离。

num2=fix(num/5);

for i=1:num2

[error,a,b]=walk(thin,x0,y0,5*i);

if error~=1

d(i)=sqrt((a-x0)^2+(b-y0)^2);

else

break;

end

end

最后会得到一个装有长度信息的数组。试想如果两幅指纹图中的指纹是一样的,则它们会包含相同的特征点和从这个特征点出发画出的纹线,则这两个长度数组对应位置的比例应基本相等(考虑到老师所给的24幅指纹图像大小相同,这个比例应近似为1);最终的函数中定义了一个数f=(sum(abs((d1./d2)-1))),所以f值越接近于0,这两幅图像的匹配度越高。

5.2 三角形边长匹配

找到一个特征点后,可以找出距离其最近的2个端点或交叉点,与原特征点构成三角形,若两幅图像的三角形边长比例相等(本实验中都为1),则说明这两幅图像匹配。

x=txy(:,1);

y=txy(:,2);

n=length(x);

l(1,n)=0;

lnn=1;

pxy(num,:)=[0,0,0];

for i=1:n

l(i)=sqrt((x(i)-x0)^2+(y(i)-y0)^2);

end

ll=sort(l);

for i=1:num

xiao=ll(i+lnn);

nn=find(l==xiao);

lnn=length(nn);

pxy(i,:)=[x(nn(1)),y(nn(1)),txy(nn(1),3)];

end

plot(x0,y0,'bo');

x0;

y0;

hold on

plot(pxy(:,1),pxy(:,2),'ro');

在最终程序中定义了一个数ff=(sum(abs((dd1./dd2)-1))),所以ff值越接近于0,这两幅图像的匹配度越高。

5.3 点类型匹配

找到一个特征点后,在其周围找到40个端点或交叉点,统计这40个点中端点和交叉点的个数。若两幅图中端点占的比例近似相同,则两幅图像相匹配。在最终函数中定义了一个数fff=abs(f11-f21)/(f11+f12),所以fff值越接近于0,这两幅图像的匹配度越高。

最终程序如下(里面调用到前面一些函数):

close all;

tic

clear;

thin1=tuxiangyuchuli('zhiwen8.bmp');

thin2=tuxiangyuchuli('zhiwen9.bmp');

figure;

txy1=point(thin1);

txy2=point(thin2);

[w1,txy1]=guanghua(thin1,txy1);

[w2,txy2]=guanghua(thin2,txy2);

thin1=w1;

thin2=w2;

txy1=cut(thin1,txy1);

txy2=cut(thin2,txy2);

[pxy31,error2]=last1(thin1,8,txy1,60)

[pxy32,error2]=last1(thin2,8,txy2,60)

error=1;

num=20;

cxy1=pxy31;

cxy2=pxy32;

d1=distance(cxy1(1,1),cxy1(1,2),num,thin1);

d2=distance(cxy2(1,1),cxy2(1,2),num,thin2);

f=(sum(abs((d1./d2)-1)));

if f<=0.5

error=0;

else

error=1;

end

f

c11=find_point(cxy1(1,1),cxy1(1,2),txy1,1);

c12=find_point(cxy1(1,1),cxy1(1,2),txy1,2);

c21=find_point(cxy2(1,1),cxy2(1,2),txy2,1);

c22=find_point(cxy2(1,1),cxy2(1,2),txy2,2);

cxy1(2,:)=c11;

cxy1(3,:)=c12(2,:);

cxy2(2,:)=c21;

cxy2(3,:)=c22(2,:);

x11=cxy1(1,1); y11=cxy1(1,2);

x12=cxy1(2,1); y12=cxy1(2,2);

x13=cxy1(3,1); y13=cxy1(3,2);

x21=cxy2(1,1); y21=cxy2(1,2);

x22=cxy2(2,1); y22=cxy2(2,2);

dd1(1)=juli(x11,y11,x12,y12);

dd1(2)=juli(x12,y12,x13,y13);

dd1(3)=juli(x13,y13,x11,y11);

dd2(1)=juli(x21,y21,x22,y22);

dd2(2)=juli(x22,y22,x23,y23);

dd2(3)=juli(x23,y23,x21,y21);

ff=(sum(abs((dd1./dd2)-1)))

if ff<=1

error=0;

else

error=1;

end

cxy1(2:41,:)=find_point(pxy31(1,1),pxy31(1,2),txy1,40);

cxy2(2:41,:)=find_point(pxy32(1,1),pxy32(1,2),txy2,40);

f11=length(find(cxy1(:,3)==2));

f12=length(find(cxy1(:,3)==6));

f21=length(find(cxy2(:,3)==2));

f22=length(find(cxy2(:,3)==6));

fff=abs(f11-f21)/(f11+f12)

toc

6.实验结果

本实验中,取r=8,num=60,经过反复试验,可以得到f的阈值为0.5,ff的阈值为1.5,fff的阈值为0.2。即三幅图像的f,ff,fff若均小于阈值,则两幅图匹配,显示出MATCH。若三个值中有至少一个值大于阈值,则不匹配,显示出NOT MATCH。

实验中我们进行了数次匹配(每次匹配大概需要70秒),下面列出两组结果:

zhiwen8和zhiwen7:f=0.3525;ff=0.6803;fff=0.1463。所以匹配。

Zhiwen8和zhiwen1:f=0.1389;ff=1.5441;fff=0.2927。所以不匹配。

基于MATLAB GUI的指纹识别系统 指纹识别的第一步是指纹图像的获取,目前已经有多种指纹图像的获取方式,主要有光学指纹采集技术、电容式传感器指纹采集、温度传感指纹获取技术、超声波指纹采集技术、电磁波指纹采集技术,获得图像后进行预处理加工,要实现图像的灰度变换、分割、均衡化、增强、 细化等预处理步骤。首先要把指纹从整个图案上分割出来, 背景图和指纹分布图的灰度是不同的,这就确定了两者强度的区别, 利用梯度这个概念就能将指纹从背景图... 阅读详情

相关推荐

基于Matlab指纹识别处理系统GUI设计

基于Matlab指纹识别处理系统GUI设计这款MATLAB指纹识别处理系统利用相似度算法进行指纹匹配,并支持多种指纹处理算法,如二值化、归一化和特征提取。系统还具备语音播报功能,能够提供指纹识别结果的语音提示。适用于指纹识别应用和系统开发,具有强大的处理能力和用户友好的界面设计。主要功能:相似度算法: 基于相似度算法进行高效的指纹匹配识别。多种处理算法:二值化算法: 将指纹图像转换为二值图像,便于后续处理。归一化算法: 对指纹图像进行归一化处理,提升识别精度。

2501_90804007的博客 727

基于Matlab实现指纹识别技术(源码).rar

1、资源内容:基于Matlab实现指纹识别技术(源码).rar 2、适用人群:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计中的部分功能,作为“参考资料”使用。 3、解压说明:本资源需要电脑端使用WinRAR、7zip等解压工具进行解压,没有解压工具的自行百度下载即可。 4、免责声明:本资源作为“参考资料”而不是“定制需求”,代码只能作为参考,不能完全复制照搬。不一定能够满足所有人的需求,需要有一定的基础能够看懂代码,能够自行调试代码并解决报错,能够自行添加功能修改代码。由于作者大厂工作较忙,不提供答疑服务,如不存在资源缺失问题概不负责,谢谢理解。

基于MATLAB的指纹识别系统【论文,GUI】

一、课题介绍 本设计为基于MATLAB的指纹识别系统。本设计系统主要对指纹图像进行三方面处理:图像预处理、特征提取和特征匹配。图像预处理包括四个步骤:图像灰度化、滤波增强、二值化、细化,对指纹图像进行预处理后,去除了原图像的冗余部分,方便后续的识别处理;特征提取主要是提取指纹图像细化后的端点和分叉点;特征匹配是利用两个指纹的图像进行特征点比较,来确定两幅图像是否来自于同一手指。 二、运行界面 三、主程序 1、载入指纹图像 set(handles.text1,‘string’,’ ‘) [filena

m0_62577501的博客 1070

基于MATLAB的指纹识别系统

21世纪是信息化时代,在这个特殊的时代,我们的生活中电子设备越来越多,比如,笔记本电脑, ATM取款机,考勤系统,门禁系统和各种智能卡,网络中的网上银行,人人网账号等,都需要验证身份。对个人身份识别技术的要求不断提高,如果没有安全可靠和快捷的身份识别技术,电子商务、网上购物等就存在重大隐患。目前许多身份验证系统都采用“用户名+密码”的方式来进行用户访问控制,但此方法存在诸多隐患,比如密码被窃取、破...

Jiangtagong的博客 1万+

基于MATLAB GUI的指纹识别门禁系统

我们将实现指纹图像的采集、特征提取和匹配功能,并通过MATLAB的图形界面提供用户友好的交互。通过这个基于MATLAB GUI的指纹识别门禁系统,我们可以实现指纹图像的采集、特征提取和匹配功能,并提供一个直观友好的用户界面,使门禁系统更加安全和便捷。首先,我们需要准备一些必要的工具和资源。特征提取:一旦预处理完成,我们将使用MATLAB的图像处理工具箱中的特征提取算法来提取指纹图像的关键特征。匹配算法:在特征提取之后,我们将使用匹配算法来比较输入指纹图像的特征向量和数据库中已注册用户的特征向量。

CodeGu的博客 288

基于Matlab GUI的指纹识别系统开发

可以从网上下载现有的指纹图像数据集,也可以自己采集指纹图像。在本文中,我们使用了NIST SD4指纹图像数据集,该数据集包含400个指纹图像,分别属于100个人。在本文中,我们使用了GUIDE工具箱来设计和实现指纹识别系统的GUI界面。指纹图像中包含了大量的细节信息,因此需要对指纹图像进行特征提取以便对其进行识别。本文简单介绍了如何使用Matlab GUI开发一个指纹识别系统,并给出了完整的代码实现。可以通过GUI界面选择测试图像,并点击“开始识别”按钮,系统会自动提取特征并进行识别,最后显示出识别结果。

qq_39605374的博客 326

基于MATLAB的指纹识别系统及GUI界面:让指纹识别触手可及

基于MATLAB的指纹识别系统及GUI界面:让指纹识别触手可及 去发现同类优质开源项目:https://gitcode.com/ 项目简介 基于MATLAB的指纹识别系统及GUI界面,这是一款集成图像处理、特征提取与比对识别功能的强大工具,为用户提供了一个直观、友好的图形用户界面。 项目介绍 在这个数字化时代,身份验证的需求日益增长,指纹识别作为一种可靠且便捷的生物识别技术,得到了广泛应用。本项目...

gitblog_06774的博客 689

【Matlab指纹识别】指纹识别门禁系统【含GUI源码 1692期】

一、代码运行视频(哔哩哔哩) 【Matlab指纹识别】指纹识别门禁系统【含GUI源码 1692期】 二、matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016. [2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017. [3]肖大雪.基于MATLAB的指纹识别研究与实现[J].科技广场. 2014,(08) ...

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 532

基于MATLAB的指纹识别系统及GUI界面

基于MATLAB的指纹识别系统及GUI界面 去发现同类优质开源项目:https://gitcode.com/ 项目简介 本项目为基于MATLAB环境开发的指纹识别系统,系统具备图形用户界面(GUI)。此系统能够实现指纹图像的采集、处理、特征提取及比对识别等功能。 注意事项 本演示仅适用于64位MATLAB版本。若需在32位或64位MATLAB环境中均能运行,则需要完整的源代码。 请确保您拥有MA...

gitblog_06738的博客 301

基于Matlab实现指纹识别技术(附上源码)

基于Matlab实现指纹识别技术(附上源码)

m0_62143653的博客 2607

MATLAB指纹识别系统GUI界面实战

指纹识别技术是一种利用人体指纹的唯一性和不变性进行身份验证的方法。它的核心在于通过特定算法提取指纹中的特征,如脊线、终点、分叉点等,并将这些特征与数据库中已注册的指纹模板进行匹配。这种技术在安全性和便利性上具有显著优势,因而广泛应用于身份验证、刑侦领域、信息安全等领域。MATLAB是一个高级数学计算和可视化环境,它的图像处理工具箱为用户提供了广泛的图像处理功能。这些功能涵盖了从图像读取、显示、存储到复杂的图像分析、滤波、增强、变换和形态学操作等。

weixin_35509395的博客 395

MATLAB与GUI结合的指纹识别系统开发

在数字化时代,安全成为人们关注的焦点。生物识别技术作为最自然、便捷的身份认证方式之一,其应用逐渐普及。指纹识别系统作为生物识别技术中应用最广泛的分支,以其独特性、持久性和不可复制性,被广泛应用于安全验证、身份认证等场景。MATLAB提供了便捷的图形用户界面(GUI)设计工具,称为GUIDE(GUI Development Environment)。GUIDE是一种交互式设计环境,允许用户通过拖放组件的方式来创建GUI界面,例如按钮、文本框、滑块等。这种直观的设计方式非常适合不熟悉代码编写的用户。

weixin_42560991的博客 368

基于MATLAB的指纹识别系统设计与GUI实现

指纹识别技术作为生物特征识别的重要分支,凭借其唯一性与稳定性,广泛应用于安全认证、身份验证及访问控制系统中。本章将系统性地介绍指纹识别的基本原理、发展历程、技术分类以及在信息安全领域的核心作用,帮助读者建立对指纹识别系统的整体认知。通过理解指纹图像的结构特征与识别流程,为后续基于MATLAB GUI的指纹识别系统开发打下坚实基础。Zhang-Suen细化算法是一种经典的二值图像细化方法,其基本思想是通过迭代删除边缘像素,直到所有脊线变为单像素宽。% 使用MATLAB实现Zhang-Suen细化算法。

weixin_42504649的博客 741

MATLAB指纹识别系统GUI界面实现

MATLAB指纹识别系统GUI界面实现课题背景人的指纹各不相同,指纹可以用来确定人的身份,指纹识别技术作为最传统、最成熟的生物识别方式之一,已经在很多领域得以应用。如何对指纹的基本特征进行有效提取制约着指纹识别技术的发展。对指纹的特征进行更为完善、精准、简洁地表示是我们当前最重要的任务,只有做好这一步,才能使得指纹匹配进行的更加顺利,指纹识别技术有质的飞跃。二、算法流程对指纹的基本特征进行描述采取...

m0_65908410的博客 1163

别再只设接触压力了!用ANSYS Workbench模拟O型圈密封泄漏的完整流程

本文详细介绍了在ANSYS Workbench中模拟O型圈密封泄漏的完整流程,重点解析了流体渗透压力载荷的设置与应用。通过双物理场耦合模型和精确的参数配置,帮助工程师准确评估密封性能,避免传统方法仅考虑接触压力的局限性。文章还提供了常见问题的解决方案和工程实践建议,提升密封设计的可靠性。

weixin_30372371的博客 403

Android 13 录音APK在后台无数据的处理

未获取到录音数据

chenchen4310的博客 1185
上一篇: MATLAB指纹识别系统[GUI,预警]
下一篇: 基于MATLAB的指纹识别系统
GPT_code
博客等级 码龄3年 3543粉丝 338原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值