生物識別技術是依賴人體的生物特征進行身份驗證的一種解決方案。作為一種識別技術，生物識別技術與其它技術相比，安全與方便是其特色。目前的生物識別技術有多種方式，包括手形、指紋、臉形、虹膜、視網膜、耳廓、DNA等，其中應用zui廣泛、技術zui成熟、成果zui多，產品化程度zui高的是指紋技術。指紋識別技術具有*性、穩定性、使用方便、成本低等特點，因此成為代替傳統身份識別手段的zui安全、zui可靠、zui方便的方法之一，是比較理想可行的一種生物識別技術。
自動指紋識別系統概述
自動指紋識別系統(Automatic Fingerprint Identification System，簡稱AFIS)已經得到了廣泛的應用。該系統流程圖如下圖所示：
從該流程圖上可以看出，可將該過程分為五部分：圖像輸入、預處理、特征提取、分類和匹配，其中預處理又可分為圖像分割、圖像增強、二值化和細化等幾個部分。
下面對這個系統的各部分做簡要概述。
（1）圖像輸入
將一個人的指紋采集下來輸入計算機進行處理是指紋識別的首要步驟。
（2）預處理
原始圖像不可避免含有大量的噪聲和對比度不統一等缺點，為了減少后續特征提取算法的復雜度和提率，指紋圖像的預處理是必*的。其中背景分離是將指紋區與背景分離，從而避免在沒有有效信息的區域進行特征提取，加速后續處理的速度，提高指紋特征提取和匹配的精度；圖像增強的目的是改善圖像質量，恢復脊線原來的結構；圖像的二值化是將脊線與背景分離，將指紋圖像從灰度圖像轉換為二值圖像；指紋細化是把清晰但紋線粗細不均勻的二值指紋圖像轉化成線寬僅為一個像素的條紋中心點線圖像。
（3）特征提取
特征提取負責把指紋圖像的紋線走向、紋線斷點、交叉點等能夠充分表示該指紋*性的特征用數值的形式表達出來。希望特征提取時能保留真實特征，濾除虛假特征。
（4）指紋分類
在一些大型的指紋系統中，輸入的指紋要與幾萬、甚至上千萬個指紋進行匹配，為了減少搜索時間、降低計算的復雜度，需要將指紋以一種一致的方法分配到每個指紋庫中。
（5）指紋匹配
指紋匹配是在指紋圖像預處理和特征提取的基礎上，將當前輸入的測試指紋特征與事先保存的模板指紋特征進行比對，通過它們之間的相似程度，判斷這兩幅指紋圖像是否來自同一個手指。
指紋識別算法研究
1.指紋圖像的預處理
指紋圖像分割
傳統的指紋分割方法包括灰度方差法分割和局部灰度差法等。但是這兩種方法對于太濕或太干的指紋圖像分割效果往往不準確。也有利用指紋紋線具有較強的方向性的方向圖分割法，但基于方向圖的分割效果依賴于所求指紋圖像的方向圖的可靠性，而對圖像對比度的高低并不敏感，對于紋線不連續、單一灰度的區域，方向圖分割難以取得令人滿意的效果。
總之，目前用于指紋分割的方法均各有利弊，采用單一特征的指紋分割方法難以達到理想的分割效果。可以把多種方法結合起來并加以改進，構造一種多級分割體系。對于一幅指紋圖像，把它分為四類圖像區域：背景區、不可恢復區、清晰區、可恢復區。指紋分割的目的就是保持后兩類區域，而去除前兩類的區域。所謂三級分割是指：*級分割出背景區域；第二級從前景中分割出模糊區域；第三級從模糊區域分割出不可恢復部分。經過這樣的處理不僅節省了運算時間，而且提高了分割的可靠性。
方向場的計算
指紋方向場真實地反映了指紋圖像zui本質的紋理特征，因此使研究指紋的幾何拓撲結構問題得以大大簡化。近年來，國內外不少研究指紋識別的學者在求取指紋方向圖上已取得了不少成果。
圖像的增強
指紋圖像增強，就是對指紋圖像采用一定的算法進行處理，使其紋線結構清晰化，盡量突出和保留固有的特征信息，而避免產生偽特征信息。迄今為止，已有不少文獻對指紋增強的算法進行了研究。目前用的較為廣泛的是基于Gabor濾波的增強方法和基于傅里葉濾波的低質量指紋增強算法。Gabor濾波增強的基本出發點是基于指紋的數學模型，該方法綜合考慮到了指紋紋線的方向特性和頻率特性。經此方法處理后的指紋圖像，消除了紋線的粘連和斷裂，紋線變得比較清晰。雖然本方法的濾波效果比較好，但是Gabor濾波過程中頻率計算和濾波計算所消耗的時間在整個指紋圖像的預處理過程中所占用的時間比重較大。與Gabor濾波相比，傅里葉濾波具有速度快，增強效果好的優點。該算法能夠實現在線實時處理，并且對低質量指紋圖像增強效果較好。我們也可以采用傳統的傅立葉變換來增強指紋圖像，同時在傅立葉增強后，再使用兩種方向濾波器來進一步修補指紋的紋線。經過傅立葉變換和方向濾波的圖像增強后的處理效果相對于其它的方法，用該方法處理后的指紋圖像紋路清晰、飽滿，對比度高，在圖像增強的同時濾除了各種干擾點和噪點，有利于后續的處理。
二值化和細化
根據指紋圖像的灰度分布，統計其*的閾值是二指化算法研究的核心。傳統的二指化算法有靜態算法和動態算法。動態算法比靜態算法有著較好的效果，靜態算法對質量差的指紋區域產生大量的偽特征點，動態算法能夠在一定程度上彌補靜態算法的缺陷，使斷裂脊線得到一定程度的連接，但這樣也會引入更多的噪聲。
提出的一種基于方向圖的動態閾值指紋圖像二值化方法。該方法充分利用指紋圖像方向性強的特點，直接從指紋灰度圖像中獲取動態閾值對圖像二值化，一次性完成一般指紋圖像預處理中的分離無效區域、濾波、增強、二值化的過程。該方法的zui大特點是對于從不同途徑獲得的不同質量的圖像都有著令人滿意的處理效果，具有良好的抗噪性，在指紋圖像預處理上有著較好的應用前景。
目前使用較多的指紋細化算法有兩種：基于形態學處理的快速細化算法和OPTA算法及其改進形式。快速細化算法為4連通并行細化算法,原理是判斷出指紋紋線的邊界點并逐步刪除。該算法速度很快,但細化不*,細化后的紋線不是單像素寬。改進的OPTA算法是串行細化算法,其原理是構造一定的消除模板和保留模板,將二值化后的指紋圖像和模板比較,決定是否刪除某點的像素值。這種算法能夠基本保證單像素寬,但細化后會產生很多毛刺[5]。對此可以對細化后的圖像采用方形模板進行紋線跟蹤,簡單地去除了大部分孤立點、毛刺、短線等偽特征點,從而更好的克服各種干擾。
2.指紋特征提取和分類
在過去的研究中，專家們提出了多種從指紋圖像中自動提取細節特征的方法：Dario Maio提出了一種基于脊線跟蹤的直接從指紋原始灰度圖提取特征的方法，通過跟蹤指紋紋線實現了快速的特征提取。由于傳統特征提取算法效率較低的主要原因是對圖像的每一個像素都執行同樣的預處理操作，而該方法僅僅對圖像中的特定區域進行增強處理，從而大大減少了圖像預處理中的冗余，提高了特征提取的效率。XudongJiang對此方法進行了自適應步長和細節點后處理方面的改進。這兩種算法開創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偽特征信息。因此很多專家相繼提出了多種提純細化圖。
像中檢測到細節點的方法。Ratha等用三個啟發試探性的方法來消除脊線中斷點、毛刺和邊界點的影響。Hung[43]采用脊線和谷線圖像之間的二值特性分別對應與脊線圖像中的端點和中斷特性。Xiao and Raffat提出了一種統計模式識別和結構模式識別方法相結合的特征提取方法。
指紋分類的目的是提高識別效率。指紋分類的思想zui早是由E.Henry提出，他將指紋分為五種主要的結構類型。目前對指紋分類的研究大多集中在如何將指紋分為Henry System所定義的五種類型，其優點是這些類型具有較明確的定義，缺點是類型數目太少。目前，神經網絡方法在指紋識別技術中應用較為廣泛，但是神經網絡方法容易陷入局部*和過學習。K.Karu，L.Hong，G.L.Marcialis提出了基于全局結構特征的分類方法[55]，通過提取和分析方向圖、奇異點、紋線結構等全局結構特征來實現分類。優點是模仿人類進行指紋分類的做法，對指紋的變形有較強的魯棒性；缺點是指紋圖像質量較差時很難提取可靠的結構特征。R.Cappelli，Y.Yao，A.K.Jain提出了基于指紋統計特征的分類方法，這類方法根據原始指紋圖像或其某種變換結果（如傅立葉變換）的統計量，采用神經網絡進行分類，優點是對圖像質量有較強的魯棒性，缺點是運算速度較慢。
3. 指紋圖像的匹配
在指紋匹配方面，國內外很多專家學者在這方面進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紋圖像匹配算法；Xudong Jiang 等人提出的基于局部和全局結構的匹配算法等。D.K.Isenor提出了一種使用圖形匹配來對兩枚指紋進行匹配的算法；Andrew K Hrechak等人用結構匹配來做指紋識別。但目前zui常用的方法是用FBI提出指紋細節點模型來做細節匹配。它利用指紋脊線的端點和分歧點來鑒定指紋。通過將細節點表示為點模式，一個自動指紋識別問題就轉化為點模式匹配的問題。
