生物识别技术是依赖人体的生物特征进行身份验证的一种解决方案。作为一种识别技术，生物识别技术与其它技术相比，安全与方便是其特色。目前的生物识别技术有多种方式，包括手形、指纹、脸形、虹膜、视网膜、耳廓、DNA等，其中应用zui广泛、技术zui成熟、成果zui多，产品化程度zui高的是指纹技术。指纹识别技术具有*性、稳定性、使用方便、成本低等特点，因此成为代替传统身份识别手段的zui安全、zui可靠、zui方便的方法之一，是比较理想可行的一种生物识别技术。
自动指纹识别系统概述
自动指纹识别系统(Automatic Fingerprint Identification System，简称AFIS)已经得到了广泛的应用。该系统流程图如下图所示：
从该流程图上可以看出，可将该过程分为五部分：图像输入、预处理、特征提取、分类和匹配，其中预处理又可分为图像分割、图像增强、二值化和细化等几个部分。
下面对这个系统的各部分做简要概述。
（1）图像输入
将一个人的指纹采集下来输入计算机进行处理是指纹识别的首要步骤。
（2）预处理
原始图像不可避免含有大量的噪声和对比度不统一等缺点，为了减少后续特征提取算法的复杂度和提率，指纹图像的预处理是必*的。其中背景分离是将指纹区与背景分离，从而避免在没有有效信息的区域进行特征提取，加速后续处理的速度，提高指纹特征提取和匹配的精度；图像增强的目的是改善图像质量，恢复脊线原来的结构；图像的二值化是将脊线与背景分离，将指纹图像从灰度图像转换为二值图像；指纹细化是把清晰但纹线粗细不均匀的二值指纹图像转化成线宽仅为一个像素的条纹中心点线图像。
（3）特征提取
特征提取负责把指纹图像的纹线走向、纹线断点、交叉点等能够充分表示该指纹*性的特征用数值的形式表达出来。希望特征提取时能保留真实特征，滤除虚假特征。
（4）指纹分类
在一些大型的指纹系统中，输入的指纹要与几万、甚至上千万个指纹进行匹配，为了减少搜索时间、降低计算的复杂度，需要将指纹以一种一致的方法分配到每个指纹库中。
（5）指纹匹配
指纹匹配是在指纹图像预处理和特征提取的基础上，将当前输入的测试指纹特征与事先保存的模板指纹特征进行比对，通过它们之间的相似程度，判断这两幅指纹图像是否来自同一个手指。
指纹识别算法研究
1.指纹图像的预处理
指纹图像分割
传统的指纹分割方法包括灰度方差法分割和局部灰度差法等。但是这两种方法对于太湿或太干的指纹图像分割效果往往不准确。也有利用指纹纹线具有较强的方向性的方向图分割法，但基于方向图的分割效果依赖于所求指纹图像的方向图的可靠性，而对图像对比度的高低并不敏感，对于纹线不连续、单一灰度的区域，方向图分割难以取得令人满意的效果。
总之，目前用于指纹分割的方法均各有利弊，采用单一特征的指纹分割方法难以达到理想的分割效果。可以把多种方法结合起来并加以改进，构造一种多级分割体系。对于一幅指纹图像，把它分为四类图像区域：背景区、不可恢复区、清晰区、可恢复区。指纹分割的目的就是保持后两类区域，而去除前两类的区域。所谓三级分割是指：*级分割出背景区域；第二级从前景中分割出模糊区域；第三级从模糊区域分割出不可恢复部分。经过这样的处理不仅节省了运算时间，而且提高了分割的可靠性。
方向场的计算
指纹方向场真实地反映了指纹图像zui本质的纹理特征，因此使研究指纹的几何拓扑结构问题得以大大简化。近年来，国内外不少研究指纹识别的学者在求取指纹方向图上已取得了不少成果。
图像的增强
指纹图像增强，就是对指纹图像采用一定的算法进行处理，使其纹线结构清晰化，尽量突出和保留固有的特征信息，而避免产生伪特征信息。迄今为止，已有不少文献对指纹增强的算法进行了研究。目前用的较为广泛的是基于Gabor滤波的增强方法和基于傅里叶滤波的低质量指纹增强算法。Gabor滤波增强的基本出发点是基于指纹的数学模型，该方法综合考虑到了指纹纹线的方向特性和频率特性。经此方法处理后的指纹图像，消除了纹线的粘连和断裂，纹线变得比较清晰。虽然本方法的滤波效果比较好，但是Gabor滤波过程中频率计算和滤波计算所消耗的时间在整个指纹图像的预处理过程中所占用的时间比重较大。与Gabor滤波相比，傅里叶滤波具有速度快，增强效果好的优点。该算法能够实现在线实时处理，并且对低质量指纹图像增强效果较好。我们也可以采用传统的傅立叶变换来增强指纹图像，同时在傅立叶增强后，再使用两种方向滤波器来进一步修补指纹的纹线。经过傅立叶变换和方向滤波的图像增强后的处理效果相对于其它的方法，用该方法处理后的指纹图像纹路清晰、饱满，对比度高，在图像增强的同时滤除了各种干扰点和噪点，有利于后续的处理。
二值化和细化
根据指纹图像的灰度分布，统计其*的阈值是二指化算法研究的核心。传统的二指化算法有静态算法和动态算法。动态算法比静态算法有着较好的效果，静态算法对质量差的指纹区域产生大量的伪特征点，动态算法能够在一定程度上弥补静态算法的缺陷，使断裂脊线得到一定程度的连接，但这样也会引入更多的噪声。
提出的一种基于方向图的动态阈值指纹图像二值化方法。该方法充分利用指纹图像方向性强的特点，直接从指纹灰度图像中获取动态阈值对图像二值化，一次性完成一般指纹图像预处理中的分离无效区域、滤波、增强、二值化的过程。该方法的zui大特点是对于从不同途径获得的不同质量的图像都有着令人满意的处理效果，具有良好的抗噪性，在指纹图像预处理上有着较好的应用前景。
目前使用较多的指纹细化算法有两种：基于形态学处理的快速细化算法和OPTA算法及其改进形式。快速细化算法为4连通并行细化算法,原理是判断出指纹纹线的边界点并逐步删除。该算法速度很快,但细化不*,细化后的纹线不是单像素宽。改进的OPTA算法是串行细化算法,其原理是构造一定的消除模板和保留模板,将二值化后的指纹图像和模板比较,决定是否删除某点的像素值。这种算法能够基本保证单像素宽,但细化后会产生很多毛刺[5]。对此可以对细化后的图像采用方形模板进行纹线跟踪,简单地去除了大部分孤立点、毛刺、短线等伪特征点,从而更好的克服各种干扰。
2.指纹特征提取和分类
在过去的研究中，专家们提出了多种从指纹图像中自动提取细节特征的方法：Dario Maio提出了一种基于脊线跟踪的直接从指纹原始灰度图提取特征的方法，通过跟踪指纹纹线实现了快速的特征提取。由于传统特征提取算法效率较低的主要原因是对图像的每一个像素都执行同样的预处理操作，而该方法仅仅对图像中的特定区域进行增强处理，从而大大减少了图像预处理中的冗余，提高了特征提取的效率。XudongJiang对此方法进行了自适应步长和细节点后处理方面的改进。这两种算法开创了直接灰度特征提取方法的先河。此算法提高了效率，但容易提取出大量的伪特征信息。因此很多专家相继提出了多种提纯细化图。
像中检测到细节点的方法。Ratha等用三个启发试探性的方法来消除脊线中断点、毛刺和边界点的影响。Hung[43]采用脊线和谷线图像之间的二值特性分别对应与脊线图像中的端点和中断特性。Xiao and Raffat提出了一种统计模式识别和结构模式识别方法相结合的特征提取方法。
指纹分类的目的是提高识别效率。指纹分类的思想zui早是由E.Henry提出，他将指纹分为五种主要的结构类型。目前对指纹分类的研究大多集中在如何将指纹分为Henry System所定义的五种类型，其优点是这些类型具有较明确的定义，缺点是类型数目太少。目前，神经网络方法在指纹识别技术中应用较为广泛，但是神经网络方法容易陷入局部*和过学习。K.Karu，L.Hong，G.L.Marcialis提出了基于全局结构特征的分类方法[55]，通过提取和分析方向图、奇异点、纹线结构等全局结构特征来实现分类。优点是模仿人类进行指纹分类的做法，对指纹的变形有较强的鲁棒性；缺点是指纹图像质量较差时很难提取可靠的结构特征。R.Cappelli，Y.Yao，A.K.Jain提出了基于指纹统计特征的分类方法，这类方法根据原始指纹图像或其某种变换结果（如傅立叶变换）的统计量，采用神经网络进行分类，优点是对图像质量有较强的鲁棒性，缺点是运算速度较慢。
3. 指纹图像的匹配
在指纹匹配方面，国内外很多专家学者在这方面进行了很多的研究工作，如 Zsolt Miklos 等人提出的基于三角匹配的指纹图像匹配算法；Xudong Jiang 等人提出的基于局部和全局结构的匹配算法等。D.K.Isenor提出了一种使用图形匹配来对两枚指纹进行匹配的算法；Andrew K Hrechak等人用结构匹配来做指纹识别。但目前zui常用的方法是用FBI提出指纹细节点模型来做细节匹配。它利用指纹脊线的端点和分歧点来鉴定指纹。通过将细节点表示为点模式，一个自动指纹识别问题就转化为点模式匹配的问题。
