王科俊，丁欣楠

(哈爾濱工程大學(xué) 自動(dòng)化學(xué)院，哈爾濱 150001)

基于Android平臺(tái)的非接觸指紋識(shí)別研究

王科俊，丁欣楠

(哈爾濱工程大學(xué) 自動(dòng)化學(xué)院，哈爾濱 150001)

提出一種利用手機(jī)攝像頭獲取指紋在Android平臺(tái)中進(jìn)行實(shí)時(shí)指紋識(shí)別的方法。采用多尺度Harris角點(diǎn)檢測(cè)和ORB圖像匹配算法進(jìn)行特征提取與匹配，并運(yùn)用Android開發(fā)工具和OpenCV對(duì)其技術(shù)實(shí)現(xiàn)，最后分別在不同的Android移動(dòng)設(shè)備上進(jìn)行實(shí)驗(yàn)和測(cè)試。實(shí)驗(yàn)結(jié)果表明此方法能夠在Android平臺(tái)上進(jìn)行實(shí)時(shí)的指紋圖像的采集、注冊(cè)與識(shí)別，具有較高的識(shí)別率和穩(wěn)定性，基本滿足移動(dòng)平臺(tái)非接觸式指紋識(shí)別的需求。

指紋識(shí)別; Harris角點(diǎn)檢測(cè); ORB匹配; Android平臺(tái)

隨著智能手機(jī)市場(chǎng)的發(fā)展和性能的提升，移動(dòng)互聯(lián)網(wǎng)技術(shù)的大規(guī)模普及，移動(dòng)支付、手機(jī)付款方式的流行，迫切需要一種更加方便而且有效的身份認(rèn)證技術(shù)來(lái)保證手機(jī)用戶的移動(dòng)支付安全和信息安全。接觸式指紋識(shí)別已在部分高檔智能手機(jī)(華為、蘋果、三星等)中被廣泛使用，有效提高了手機(jī)信息的安全性，但是接觸式指紋識(shí)別需要在手上安裝專用指紋傳感器，這不僅增加了手機(jī)成本，同時(shí)還存在接觸面積小，指紋圖像畸變，不衛(wèi)生等問(wèn)題。非接觸(通過(guò)攝像機(jī)或者其他非接觸式采集元件)指紋識(shí)別技術(shù)是近幾年興起的生物特征識(shí)別技術(shù)之一，克服了傳統(tǒng)的指紋識(shí)別技術(shù)在指紋獲取方式上存在的缺陷，具備宜采集和宜接受等優(yōu)點(diǎn)，具有很大的應(yīng)用前景和研究?jī)r(jià)值。同時(shí)現(xiàn)今移動(dòng)平臺(tái)中所占比例最大的智能手機(jī)幾乎全帶有攝像頭，這使在移動(dòng)平臺(tái)上開發(fā)的非接觸指紋識(shí)別技術(shù)具有先天的優(yōu)勢(shì)，具有更廣闊的應(yīng)用前景。據(jù)了解，2015年三星公司非接觸指紋識(shí)別技術(shù)已得到美國(guó)專利局的認(rèn)可，用戶只需要將手指放至移動(dòng)設(shè)備的攝像頭前，該設(shè)備會(huì)自動(dòng)從內(nèi)存中搜尋匹配的指紋圖像，完成身份識(shí)別與認(rèn)證。

目前針對(duì)非接觸指紋識(shí)別的研究多是利用多個(gè)攝像頭采集手指指紋的3D指紋圖像，再展開為等效的2D手指指紋圖像進(jìn)行識(shí)別，以解決旋轉(zhuǎn)變形等問(wèn)題。李永等[1]使用基于聚類的Dynamic-score-selection算法將2D指紋圖像進(jìn)行融合，提升系統(tǒng)的性能。Labati等[2]通過(guò)利用兩視圖結(jié)構(gòu)光學(xué)的方法對(duì)指尖進(jìn)行重構(gòu)并獲得3D圖像，然后將其展開成平面圖像完成指紋圖象識(shí)別。但是這類方法通常需要多個(gè)攝像頭，且算法復(fù)雜，成本較高，故應(yīng)用范圍有限。針對(duì)這個(gè)缺陷，梁小龍等[3]提出利用2D指紋圖像模型重構(gòu)出3D指紋圖像模型的方法，以指紋脊線為信息，利用包括脊線和細(xì)節(jié)點(diǎn)特征的指紋模型進(jìn)行重構(gòu)。在此基礎(chǔ)上，Zhang等[4]和 Kono等[5]重構(gòu)出3D指紋圖像的結(jié)構(gòu)信息，并用其進(jìn)行識(shí)別。另外，非接觸指紋采集方式的研究也取得了很大的進(jìn)展。自2004年起，韓國(guó)Yonsei University進(jìn)行非接觸指紋采集設(shè)備的研究[6]，現(xiàn)已制作出多款采集設(shè)備，但距離實(shí)際應(yīng)用仍有較大差距。

本文研究使用手機(jī)自帶的攝像頭實(shí)現(xiàn)非接觸指紋識(shí)別技術(shù)，為普通智能手機(jī)的信息安全提供有效手段，提出了一種多尺度的Harris角點(diǎn)檢測(cè)算法用于非接觸指紋識(shí)別的特征提取過(guò)程中，彌補(bǔ)Harris角點(diǎn)算法無(wú)尺度信息的不足，以適應(yīng)手機(jī)拍攝指紋圖像時(shí)分辨率的變化，提高識(shí)別率與可靠性。同時(shí)在Android移動(dòng)平臺(tái)上實(shí)現(xiàn)非接觸指紋識(shí)別過(guò)程。利用手機(jī)攝像頭進(jìn)行指紋圖像采集，運(yùn)用OTSU[7]算法完成手指指尖的前背景分割，多尺度Harris角點(diǎn)檢測(cè)算法用于特征提取，最后通過(guò)ORB進(jìn)行指紋匹配識(shí)別。實(shí)驗(yàn)結(jié)果表明此方法具有較高的識(shí)別率和實(shí)時(shí)性，能夠基本滿足移動(dòng)平臺(tái)非接觸式指紋識(shí)別的需求。

1 多尺度Harris角點(diǎn)檢測(cè)算法

1.1 Harris角點(diǎn)提取算法

Harris角點(diǎn)是指某一塊圖像沿每一個(gè)方向移動(dòng)時(shí)，變化快速的點(diǎn)。通過(guò)局部自相關(guān)函數(shù)，計(jì)算出某一塊圖像在每一個(gè)方向移動(dòng)時(shí)的變化，自相關(guān)性較大的點(diǎn)即為Harris角點(diǎn)。其原理是取以目標(biāo)像素點(diǎn)為原點(diǎn)的一個(gè)小的矩形區(qū)域的窗口向任意方向以較小的位移來(lái)移動(dòng)，用解析表達(dá)式表征它的灰度變化量。Harris算子用式(1)的高斯函數(shù)代替二值窗口函數(shù)，將離中心位置點(diǎn)較近的像素賦予更大的權(quán)重，進(jìn)而減小噪聲的影響。

(1)

設(shè)以某一個(gè)像素點(diǎn)(x，y)為中心位置的小區(qū)域在x方向上移動(dòng)u，在y方向上移動(dòng)v，則Harris給出的灰度變化量的解析表達(dá)式為：

(2)

寫成矩陣形式為：

(3)

其中，Ix表示x方向的梯度，Iy表示y方向的梯度，矩陣M的特征值是自相關(guān)函數(shù)的一階曲率。Harris利用I1和I2來(lái)表示變化最快和最慢的兩個(gè)方向。如果兩者都非常大就是角點(diǎn)，一大一小就是邊緣，兩者都非常小即為圖像區(qū)域。矩陣兩個(gè)特征值的和與矩陣M的跡相等，兩個(gè)特征值的積與矩陣M的行列式相等，為了避免計(jì)算矩陣M的特征值，常通過(guò)下式來(lái)計(jì)算特征點(diǎn)的響應(yīng)函數(shù)，亦稱興趣值:

R=detM-k(traceM)2

(4)

其中，det(M) 為矩陣M的行列式，trace(M)為矩陣M的跡，即M特征值之和。k為經(jīng)驗(yàn)值常數(shù)，一般為0.04～0.06。

Harris算子是一種非常有效的特征提取算子，可以有效應(yīng)對(duì)圖像的灰度變化、旋轉(zhuǎn)性和噪聲等，相對(duì)其他特征提取算子較穩(wěn)定。但對(duì)尺度敏感，受尺度的影響較大。

1.2 基于尺度的Harris角點(diǎn)檢測(cè)算法

Harris角點(diǎn)檢測(cè)算法相對(duì)于其他特征提取算法，在相同條件下具有更好的穩(wěn)定性和較高的識(shí)別率。但手機(jī)拍照采集的指紋圖像尺度會(huì)與檢測(cè)圖像發(fā)生變化，傳統(tǒng)的Harris算法無(wú)法應(yīng)對(duì)尺度變化，因此提出一種帶尺度信息的Harris算法，適用于手機(jī)拍照。

1.2.1 尺度空間理論

如果人的視覺(jué)在觀察某一物體時(shí)，隨著人與這個(gè)物體的距離變化時(shí)，會(huì)出現(xiàn)大小和清晰度的變化，這種視覺(jué)變化即為一種尺度[8]。利用手機(jī)攝像頭進(jìn)行指紋圖片采集時(shí)，景深的不同直接影響采集清晰度，且圖片的實(shí)際分辨率不一定能夠很好地表示其特點(diǎn)，直接影響指紋識(shí)別率?？紤]在Harris角點(diǎn)檢測(cè)算法中引入多尺度空間，使指紋關(guān)鍵點(diǎn)在不同尺度范圍內(nèi)都能夠被檢測(cè)，具有尺度不變性，以提高識(shí)別率。

Lindeberg從理論上驗(yàn)證了高斯核是唯一可以產(chǎn)生多尺度空間的核[9]。二維的高斯函數(shù)的定義為：

(5)

則圖像的尺度空間的概念定義為：

L(x，y，σ)=G(x，y，σ)*I(x，y)

(6)

根據(jù)上式，不同的尺度空間即為利用不同的高斯卷積核對(duì)圖像進(jìn)行卷積的結(jié)構(gòu)。二維空間的高斯函數(shù)的結(jié)構(gòu)見圖1。

尺度空間在實(shí)現(xiàn)時(shí)用高斯金字塔表示，見圖2。金字塔構(gòu)造的主要步驟：①對(duì)圖像進(jìn)行低通的平滑處理;②對(duì)處理后的圖像進(jìn)行采樣(主要是進(jìn)行水平和豎直方向的1/2采樣)，從而得到一系列尺寸范圍的圖像。

圖1 二維高斯卷積核函數(shù)的三維空間分布圖Fig. 1 Three-dimensienal spatial distribution map of two-dimensional Gauss convolution kernel

圖2 二維圖像的金字塔圖Fig.2 Two-dimensional image of the Pyramid diagram

1.2.2 改進(jìn)的多尺度Harris特征提取算法

圖3 多尺度Harris角點(diǎn)檢測(cè)示意圖Fig.3 Sketch map of multiscale Harris corner detection

為了滿足尺度不變性的要求，對(duì)原有的Harris角點(diǎn)提取算法進(jìn)行改進(jìn)，提出了基于尺度的Harris特征提取算法，以適應(yīng)手機(jī)拍照后分辨率的變化。多尺度Harris角點(diǎn)檢測(cè)的示意圖見圖3。

改進(jìn)的算法將多尺度空間的理論引入到傳統(tǒng)的Harris算法中。參考原始的Harris角點(diǎn)檢測(cè)中的公式，使用M=μ(x，σI，σD)作為多尺度的二階矩：

(7)

其中，g(σI)是σI尺度下的高斯卷積的核，x為圖像的位置，L(x)為高斯平滑后的圖像，符號(hào)?表示的卷積，Lx(x，σD)與Ly(x，σD)分別表示的是對(duì)圖像進(jìn)行高斯函數(shù)平滑后，在x或y方向求微分的結(jié)果，也就是Lx=?xL，Ly=?yL，σt稱為Harris角點(diǎn)的積分尺度，σD稱為微分尺度。

則改進(jìn)的多尺度的Harris角點(diǎn)檢測(cè)主要分成兩個(gè)步驟：①在多尺度下進(jìn)行Harris角點(diǎn)檢測(cè);②自動(dòng)搜索角點(diǎn)的最佳的特征尺度值。

多尺度下的Harris角點(diǎn)檢測(cè)：先構(gòu)造一組積分的尺度，這一組尺度的定義是：σ1…σn=σ0…knσD。

經(jīng)驗(yàn)表明k取值為1.4。這時(shí)為了較小復(fù)雜度，對(duì)于微分尺度σD的選擇即在積分尺度的基礎(chǔ)上，乘上一個(gè)比例系數(shù)，即σD=sσ1，比例系數(shù)s選取0.7。這樣生成μ(x，σ1，σD)，然后運(yùn)用Harris角點(diǎn)檢測(cè)，具體的步驟是：

首先，對(duì)于給定尺度空間值σn，進(jìn)行下面的角點(diǎn)響應(yīng)值的運(yùn)算：

cornerness=det(μ(x，σn))-atrace2(μ(x，σn))thresholdH

(8)

然后，對(duì)上一步提取出來(lái)的特征點(diǎn)，進(jìn)行非最大值抑制過(guò)濾，找出這8個(gè)鄰域的角點(diǎn)的響應(yīng)為最大值的角點(diǎn)。同理在每一個(gè)尺度上進(jìn)行同樣的操作，即找到了空間中的極值點(diǎn)。接著進(jìn)行尺度空間判斷，對(duì)位置空間搜索每一個(gè)候選點(diǎn)，通過(guò)拉普拉斯計(jì)算，求出響應(yīng)值，并且要滿足給定的閾值大小：

F(x，σn)=σ2|Lxx(x，σn)+Lyy(x，σn)|≥thresholdL

(9)

最后與周圍的兩個(gè)尺度空間的拉普拉斯的響應(yīng)值進(jìn)行比較，使其能夠滿足：

F(x，σn)F(x，σl)，l∈{n-1，n+1}

(10)

搜索角點(diǎn)的最佳尺度值：為了精確定位角點(diǎn)，對(duì)離散的拉普拉斯響應(yīng)函數(shù)迭代擬合。經(jīng)過(guò)多尺度Harris角點(diǎn)搜索，得到提取的特征點(diǎn)集(x，σ1)，對(duì)于當(dāng)中的每一個(gè)特征點(diǎn)，精化的迭代算法如下：

(11)

2 基于ORB的圖像匹配算法

圖像的匹配算法有SIFT、SURF、ORB等幾種。其中SIFT、SURF算法準(zhǔn)確率較高，但執(zhí)行效率較低，不適用于實(shí)時(shí)運(yùn)行的手機(jī)環(huán)境。在計(jì)算速度方面，ORB是SIFT的100倍左右，是SURF的10倍左右，計(jì)算快速，且占用較低的內(nèi)存，非常適合手機(jī)端，滿足實(shí)時(shí)的特征匹配的要求。因此選用ORB來(lái)進(jìn)行指紋圖像的匹配。

ORB作為一種局部不變特征匹配算法，是建立在FAST特征點(diǎn)和BRIEF特征點(diǎn)描述基礎(chǔ)之上的。實(shí)現(xiàn)步驟：①用Oriented FAST算法找出圖像關(guān)鍵點(diǎn)的位置;②利用上節(jié)所述改進(jìn)的多尺度Harris角點(diǎn)檢測(cè)，通過(guò)Rotated BRIEF描述符生產(chǎn)特征點(diǎn)的二進(jìn)制描述向量;③將兩幅圖像的特征點(diǎn)利用漢明距離比值準(zhǔn)則得到最終的匹配結(jié)果。計(jì)算第二幀圖像上的每一個(gè)特征點(diǎn)與第一幀圖像上的全部特征點(diǎn)描述向量的漢明距離，若距離越小說(shuō)明兩個(gè)特征點(diǎn)越相似，距離最小的即為匹配對(duì)。

oFAST是在FAST特征檢測(cè)基礎(chǔ)上對(duì)特征點(diǎn)來(lái)增加方向信息θ。計(jì)算公式為：

θ=atan 2(m01，m10)

(12)

(13)

其中，m01，m10是圖像的一階矩，mpq是矩的計(jì)算公式。

rBRIEF是對(duì)BRIEF描述子添加特征點(diǎn)的方向，然后用貪婪算法從所有的像素對(duì)中找到256個(gè)相關(guān)性最低的像素對(duì)，最后得到rBRIEF。

3 系統(tǒng)實(shí)現(xiàn)

3.1 系統(tǒng)開發(fā)平臺(tái)介紹

3.1.1 硬件平臺(tái)

1)PC用戶端：Acer 4741G型筆記本，配置：CPU為Intel Core i3、雙核，2GB內(nèi)存，Microsoft Windows7操作系統(tǒng)。

2)Android手機(jī)：三星S4型號(hào)手機(jī)和LG-D802型號(hào)手機(jī)，都為Android4.2.2操作系統(tǒng)，屏幕分辨率都為1 920×1 080，內(nèi)存2G。

3.1.2 軟件平臺(tái)

1)Eclipse Juno(4.2版本)開發(fā)環(huán)境，同時(shí)選擇JDK作為Java的語(yǔ)言環(huán)境。Eclipse是一個(gè)大型的開發(fā)平臺(tái)，而JDK是Java語(yǔ)言的運(yùn)行環(huán)境。

2)Android NDK R8和Cygwin。運(yùn)用Android NDK R8來(lái)完成C++庫(kù)文件的調(diào)用的互相編譯，且自動(dòng)將so和java應(yīng)用組成apk文件。NDK編譯代碼要用到make和gcc，而Cygwin用來(lái)模擬linux的操作環(huán)境。

3)Android SDK的開發(fā)工具包，包括開發(fā)應(yīng)用程序時(shí)所用的的軟件工具包、調(diào)試工具和最后的Android模擬器。在開發(fā)過(guò)程中運(yùn)用DDMS和ADB工具進(jìn)行調(diào)試，應(yīng)用程序在Android模擬器上調(diào)試。

4)OpenCV 2.4.6版庫(kù)函數(shù)，提供了Android端的接口，運(yùn)用OpenCV版庫(kù)文件來(lái)實(shí)現(xiàn)Android平臺(tái)下的圖像處理操作。

3.2 系統(tǒng)實(shí)現(xiàn)過(guò)程

確定了關(guān)于指紋圖像預(yù)處理算法、特征提取和匹配算法之后，開始對(duì)智能手機(jī)上的指紋識(shí)別的軟件進(jìn)行開發(fā)設(shè)計(jì)和實(shí)現(xiàn)，具體流程見圖4。安卓平臺(tái)上的指紋識(shí)別系統(tǒng)共有4大模塊，分別為攝像頭模塊、指紋圖像處理模塊、指紋圖像匹配模塊和匹配結(jié)果模塊。

圖4 非接觸指紋識(shí)別安卓應(yīng)用流程圖Fig.4 Flowchart of Android application for contactless fingerprint identification

攝像頭模塊：功能主要由CameraActivity活動(dòng)來(lái)完成，同時(shí)調(diào)用處理模塊，即ProcessActivity。其中包括攝像頭對(duì)手指指紋的采集，通過(guò)takepicture實(shí)現(xiàn)對(duì)指紋圖像的拍攝，并設(shè)置了拍攝所需要的參數(shù)，拍攝完成的瞬間對(duì)拍攝到的整個(gè)圖像開始灰度化。

預(yù)處理模塊：在ProcessActivity活動(dòng)中實(shí)現(xiàn)，利用關(guān)鍵函數(shù)Imgproc.cvtColor(matCameraFrame，matGrayScale，Imgproc.COLOR_RGB2GRAY) 使指紋圖像的灰度化，接著運(yùn)用Imgproc.equalizeHist()對(duì)圖像完成直方圖均衡化，然后計(jì)算脊線方向場(chǎng)，設(shè)置gradientSigma=1，blockSigma=13，orientSmoothSigma=15。并對(duì)脊線頻率進(jìn)行計(jì)算：fBlockSize=36，fWindowSize=5，fMinWaveLenth=5，fMaxWaveLenth=25。且對(duì)脊線方向進(jìn)行濾波，濾波器大小filterSize=1.9。最后通過(guò)enhancement方法進(jìn)行增強(qiáng)。

圖像匹配模塊：由于進(jìn)行圖像匹配的算法幾乎全是用C++進(jìn)行編寫的，且要調(diào)用OpenCV庫(kù)，而Java是應(yīng)用層語(yǔ)言[10]。所以需用到JNI技術(shù)[11]，使Java應(yīng)用層使用特定算法的功能。JNI是Java平臺(tái)的接口，使其與其他語(yǔ)言實(shí)現(xiàn)交互，完成兩種語(yǔ)言的調(diào)用，同時(shí)提高程序的運(yùn)行效率。 Android平臺(tái)也有相應(yīng)的JNI接口，使應(yīng)用程序方便地調(diào)取C語(yǔ)言。其具體的結(jié)構(gòu)見圖5。

圖5 JNI接口的結(jié)構(gòu)圖Fig.5 Structure diagram of JNI interface

匹配結(jié)果模塊：FLAAN表示快速近似最近鄰庫(kù)，對(duì)于基于FLANN的匹配器，傳遞IndexParams和SearchParams兩個(gè)字典，指定所用的算法及相關(guān)的參數(shù)集合。并用DescriptorMatcher.creat(DescriptorMatcher.FLANNBASED)進(jìn)行初始化。接著調(diào)用match()和knnMatch函數(shù)，運(yùn)算完全部的描述子后利用DescriptorMatcher.match(descriptors1，descriptor2， matches)進(jìn)行關(guān)鍵點(diǎn)匹配。調(diào)用drawMatches()來(lái)幫助進(jìn)行繪制結(jié)果，顯示所得到的的匹配。

至此，非接觸指紋識(shí)別的安卓實(shí)現(xiàn)基本完成，注冊(cè)與識(shí)別界面見圖6。其中，圖6(a)為應(yīng)用程序首頁(yè)，即注冊(cè)識(shí)別界面；圖6(b)～圖6(d)為直接拍攝指紋的身份注冊(cè)過(guò)程；圖6(e)～圖6(g)為對(duì)采集的指紋圖像進(jìn)行識(shí)別的過(guò)程。

圖6 應(yīng)用程序的操作界面Fig.6 Application’s operation interface

4 實(shí)驗(yàn)結(jié)果及分析

4.1 應(yīng)用程序識(shí)別性能的測(cè)試

非接觸指紋識(shí)別系統(tǒng)識(shí)別率的高低直接決定系統(tǒng)性能。測(cè)試中，發(fā)現(xiàn)光照強(qiáng)度和背景因素對(duì)識(shí)別率的影響較大，測(cè)試結(jié)果見表1。

表1 指紋庫(kù)的檢測(cè)識(shí)別結(jié)果Table 1 Recognition results of fingerprint Library

指紋的識(shí)別率受光照和背景的影響，在70%左右。而識(shí)別速度可以控制在2 s以內(nèi)，基本滿足實(shí)時(shí)性的要求。同時(shí)對(duì)已采集的好指紋圖像進(jìn)行測(cè)試，選取在不同的光照條件下測(cè)試結(jié)果見表2。

表2 指紋圖片的檢測(cè)識(shí)別結(jié)果Table 2 Recognition results of fingerprint image

以上的測(cè)試都是Android手機(jī)上完成的，這些實(shí)驗(yàn)結(jié)果基本達(dá)到預(yù)期的要求，有較好的識(shí)別率和檢測(cè)速度。由于直接拍攝指紋受到光照和背景等的影響，包括手機(jī)配置等諸多因素在內(nèi)，識(shí)別效率一般，而直接采集預(yù)處理過(guò)的指紋圖片，達(dá)到了較好的實(shí)驗(yàn)效果。如何進(jìn)一步完善指紋數(shù)據(jù)庫(kù)的質(zhì)量，降低外界光照和背景因素的影響，對(duì)識(shí)別算法進(jìn)行進(jìn)一步的優(yōu)化，降低計(jì)算的復(fù)雜度都是未來(lái)研究的重點(diǎn)。

4.2 應(yīng)用程序工作效率測(cè)試

運(yùn)用兩種不同手機(jī)進(jìn)行應(yīng)用程序的效率測(cè)試，其中三星S4和LG-D802獲取的指紋照片的像素都是1 920×1 080，分別對(duì)80枚指紋圖像進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果見表3。結(jié)果表明應(yīng)用程序基本達(dá)到實(shí)時(shí)性的要求。同時(shí)三星S4和LG-D802手機(jī)在相同條件下的識(shí)別率也有一定的差異。

表3 不同型號(hào)手機(jī)的識(shí)別結(jié)果對(duì)比Table 3 Comparison of recognition results of different cell phones

圖7 對(duì)比測(cè)試的結(jié)果圖Fig.7 Comparison of test results

4.3 應(yīng)用程序與PC機(jī)上識(shí)別率的對(duì)比測(cè)試

在PC機(jī)上進(jìn)行識(shí)別結(jié)果的測(cè)試針對(duì)的是標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)，圖像受外界影響較小，識(shí)別率較高。而在手機(jī)設(shè)備上進(jìn)行指紋識(shí)別時(shí)受到外界光照和背景等因素的影響，會(huì)使識(shí)別精度下降。兩種情況下的對(duì)比測(cè)試結(jié)果見圖7。同時(shí)同一畫面在不同尺度下在手機(jī)上進(jìn)行圖像采集，結(jié)果表明，在各種尺度下的指紋圖像匹配率差異不大，基本滿足要求，驗(yàn)證了多尺度的Harris特征提取算法在手機(jī)拍照采集指紋下能獲得較好效果。

5 結(jié) 論

手機(jī)等移動(dòng)設(shè)備逐漸改變?nèi)藗兊纳?，同時(shí)移動(dòng)平臺(tái)的身份認(rèn)證技術(shù)也受到了廣泛關(guān)注。非接觸指紋識(shí)別有較好的識(shí)別率、穩(wěn)定性和可靠性，克服了傳統(tǒng)指紋圖像采集中的圖像畸變等問(wèn)題，有很好的發(fā)展前景。本文利用手機(jī)攝像頭進(jìn)行指紋圖像采集，運(yùn)用OTSU算法完成手指指尖的前背景分割和基本圖像預(yù)處理后，采用多尺度Harris角點(diǎn)檢測(cè)和ORB匹配算法進(jìn)行指紋識(shí)別。并在Android平臺(tái)上得以實(shí)現(xiàn)和應(yīng)用，有較好的識(shí)別率和實(shí)時(shí)性，能夠基本滿足移動(dòng)平臺(tái)非接觸式指紋識(shí)別的需求。

但該系統(tǒng)仍存在很多需要改進(jìn)的地方：實(shí)際指紋拍攝過(guò)程中會(huì)有光照過(guò)強(qiáng)等因素影響采集效果，文中的測(cè)試均在實(shí)驗(yàn)條件較好情況下進(jìn)行，識(shí)別率雖達(dá)到預(yù)期，但在手機(jī)軟件上注冊(cè)的指紋圖像較少，對(duì)系統(tǒng)的檢驗(yàn)程度不足；手機(jī)攝像頭是光學(xué)成像采集的指紋圖像，只能采用基于圖片的識(shí)別算法，假指紋同樣能夠完成身份認(rèn)證，且存在指紋圖像易被盜取的安全隱患。未來(lái)研究中應(yīng)提高系統(tǒng)對(duì)光照的魯棒性，同時(shí)應(yīng)對(duì)指紋的真假進(jìn)行判斷，并對(duì)采集的指紋圖像數(shù)據(jù)庫(kù)設(shè)計(jì)相應(yīng)的加密技術(shù)，提高精確度、穩(wěn)定性和安全性。

[1] 李永，殷建平，祝恩，等.動(dòng)態(tài)分?jǐn)?shù)選擇的多視角非接觸指紋識(shí)別融合[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2012，44(7):108-113.

[2] Labati R D，Genovese A，Piuri V，et al.Quality measurement of unwrapped three-dimensional fingerprints:a neural networks approach[C]//Neural Networks(IJCNN)， The 2012 International Joint Conference on.IEEE，2012:1-8.

[3] 梁小龍，殷建平，祝恩，等.基于紋路的三維指紋模型重建算法[J].計(jì)算機(jī)科學(xué)，2012， 39(10):282-285.

[4] Zhang D， Lu G.3D biometrics:systems and applications[J].Springer，2013，6(3):2432-2442.

[5] Kono M，Ueki H，Umemura S.A new method for the identification of individuals by using of vein pattern matching of a finger[C]//Proceedings of the 5th symposium on pattern measurement，Yamaguchi，Japan.2000: 9-12.

[6] Kim J.Touchless sensor capturing five fingerprint images by one rotating camera[J]. Optical Engineering， 2011， 50(11):828-832

[7] NishimuraS，Manabe I，Nagasaki M，et al.CD8+ effector T cells contribute to macrophage recruitment and adipose tissue inflammation in obesity[J].Nature Medicine，2009， 15(8):914.

[8] Luo J，Gwun O.A comparison of SIFT，PCA-SIFT and SURF[J].International Journal of Image Processing，2009，3(4):143-152

[9] Perona P，Malik J.Scale-space and edge detection using anisotropic diffusion[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，12(7):629-639.

[10] 曾健平，邵艷潔. Android系統(tǒng)架構(gòu)及應(yīng)用程序開發(fā)研究[J]. 微計(jì)算機(jī)信息，2011(9):1-3.

[11] 衛(wèi)紅春. JNI調(diào)用本地方法的原理及應(yīng)用[J]. 計(jì)算機(jī)與信息技術(shù)， 2010， 12(6): 84-87.

Implementation of non-contact fingerprint identificationbased on Android platform

WANG Ke-Jun， DING Xin-Nan

(CollegeofAutomation，HarbinEngineeringUniversity，Harbin， 150001)

A method of real-time fingerprint identification using the camera on mobile-phone to acquire fingerprints in Android platform is proposed. Multi-scale Harris corner detection and ORB image matching algorithm are used for feature extraction and matching， furthermore Android development tools and OpenCV are used for technical implementation， respectively experiment and test in Android different mobile devices. The experimental results show that this algorithm can acquire， register and recognize the fingerprint images in real time on the Android platform， and it has higher recognition rate and stability to meet the requirements of contactless fingerprint identification on mobile platform.

fingerprint identification; Harris corner detection; ORB match; Android platform

10.13524/j.2095-008x.2017.03.045

TP273.4

A

2095-008X(2017)03-0082-08

2017-08-15

國(guó)家自然科學(xué)基金資助項(xiàng)目(61573114)；黑龍江省自然科學(xué)基金資助項(xiàng)目(F2015033)；中央高校基本科研基金資助項(xiàng)目(HEUCF160415)

王科俊(1962-)，男，黑龍江哈爾濱人，教授，博士，博士研究生導(dǎo)師，學(xué)科帶頭人，研究方向：模糊混沌神經(jīng)網(wǎng)絡(luò)、自適應(yīng)逆控制理論、模式識(shí)別和多模態(tài)生物特征識(shí)別等，E-mail：wangkejun@hrbeu.edu.cn。