指纹传感器工作原理及提高匹配性能的方法

i个特征点的3条信息：坐标、Y坐标与方向，则记录了点集Q中第j个特征点的3条信息：x坐标，y坐标与方向。假设两幅指纹图可以完全匹配起来，则可通过对输入的指纹图作某种变换（旋转、平移与伸缩）得到模板中的指纹图，因此，点集P可以通过旋转、平移与伸缩等变换近似成点集Q.

为了能够将输入指纹图像中的某一个特征点按照一定的变换方式转换成模板指纹图像中的相对应位置，需要知道相应的变换因子，△x与△y分别为x，y方向上的平移因子，△θ则是旋转因子。匹配基准点的确定是通过判断这2个三角形的相似程度得到的，在求取了两幅指纹图像之间的匹配基准点和变换因子后，本文对待识别指纹相对于模板指纹进行旋转、平移变换，以便判断两枚指纹是否来自于同一个手指。在本文中，求取变换后的待识别指纹的特征点坐标位置和所在区域的纹线方向。然后，将变换后的待识别指纹特征点集叠加到模板指纹特征点集上，检测2个特征点集合中相重合的特征点数目。由于本文中的匹配是一种非精确匹配，即使是一对匹配的特征点对，它们之问也不会完全重合，总是在位置、方向上存在有一定的偏差，所以，必须有一定的偏差容忍度。

为此，本文采用一种称为界定盒的方法。对模板指纹特征点集中的每一个特征点，选取它周围的一个矩形区域作为它的界定盒，只要变换后的待识别指纹中的特征点经过叠加后落在这个区域之内，而且，方向基本一致，可以认为这2个特征点对是一对匹配的特征点。

最后，算法统计所有相匹配的特征点数目，通过式（1）转换成匹配分数，其中，maxscore是通过叠加匹配的细节点个数得到的最大匹配得分，Temp-Num和Input-Num分别是模板和输入指纹的细节点数目

计算的匹配分数代表了相比较的两幅指纹的相似程度。参数值越大，相似性程度越高，而如果得分较小时，说明这一用户不一定是其宣称的用户，访问将被拒绝。

本文所使用的算法是一种典型的基于特征点坐标模型的点模式匹配算法。它对匹配过程中最难的一步一基准点的确定和变换参数的求取作了较深入的研究，根据3个近邻的特征点之间的相互关系来确定基准点、求取变换参数。该算法在一定程度上能够加快基准点的求取，从而提高整个匹配算法的速度。同时，该算法是根据多点来确定变换参数，而不是通常意义上的一点，在一定程度上可以消除在特征提取过程中所引入的位置、角度的偏差，得到更为准确的变换参数。

1.3光学和电容传感器的融合

So， Sc是分别由光学传感器和电容传感器采集的图像运用匹配算法所获得的匹配分数，s融合后的分数和S.So， Sc之间有如下关系

将S和设定的阈值相比较：if：S＞threshold系统允许进入，为真；否则，系统拒绝该用户，当然，上述方法也可用于2只以上的，。

根据方程（2）研究了两种类型的匹配分数转换执行融合规则，第一种类型融合规则属于所谓的固定融合规则，因为它们不需要参数估计，尤其研究了两类传感器的匹配分数中值

第二种融合是所谓的训练样本规则，因为它们需要为了获得理想的阈值分数而让样本经过多次训练，采用公式（4）训练样本

式中W0，W1，W2为权值向量，显然，中值融合的效果要差于逻辑融合，逻辑融合的过程就是以中值为基础，经过多次迭代，总能找到一组合适的权值向量（W0，W1，W2），使得阈值分数S接近于最佳值。

2实验结果

随机抽取20个人，每个人使用3个手指，分别为大拇指、食指、中指，使用光学和电容传感器，每个手指按压10次，每个人采集到的指纹数为6×10=60，共有指纹20×60=1200.对于每一个验证算法两类集合的匹配分数。第一次匹配称为"真正匹配分数（真正用户之间）G集合，第二次是"假匹配分数"（"假冒用户之问"）I集合。

随机细分以上集为2个大小相同的集合：G=G1 U G2，I=I1 U I2，G1， G2和I1， I2分别是G和I的分离集合。训练集合Tr={G1，I1}用于计算逻辑融合规则的权重，测试集合Tx={G2，I2}用于评价和比较算法性能。它包含以下几个指标：

训练样本集合的等错误率（EER），也就是当真正用户被系统错误拒绝的百分比（FRR）等于假冒用户被系统错误接受的百分比（FAR）。

电容传感器性能明显差于光学传感器。其原因主要是电容传感器采集图像时的接触面积远远小于光学传感器。直接导致了其采集的图像提取的细节点数目少，因此，提取的细节点不能彼此正确的匹配。

从等错误率计算的融合结果来看，性能也有很大的提高，逻辑融合减少EER从3.6%到2.9%.测试样本的结果也表明融合提高了系统的鲁棒性，实际上，在逻辑融合（表1第5行）以后，训练样本的性能（表1第2列）和测试样本的性能偏差（表l第3列和第4列）大大减小了。

该实验结果与Gian Luca实验结果对比，发现得到的结果指标低于文献[7]的指标，其中原因可能是本文使用的采集器性能比较差，以致获得的指纹图像质量不够理想而导致指标稍弱，另外，可能就是本文使用的算法获得的匹配结果不够理想。