指纹识别及特征提取对比验证系统

资 源 简 介

本项目开发了一套基于MATLAB的指纹识别实验室测试系统，旨在为学术研究、论文论证及初学者教学提供一个可验证的实验平台。系统完整实现了指纹识别的核心流程，包括指纹图像的读取、预处理（灰度转换、归一化、滤波去噪、二值化及骨架细化）、特征点提取（端点与分叉点检测）以及特征匹配。项目的核心功能在于通过模块化设计，重点测试和对比了不同特征提取方法对最终识别性能的影响。用户可以通过该平台观察在不同预处理参数和特征提取算法下，指纹识别率、误识率（FAR）和拒识率（FRR）的变化情况。代码中包含详细的算法实现与注释，能够直观地展示指纹细化过程及特征点位置，非常适合用于撰写毕业论文时的数据生成、算法验证以及生物特征识别课程的实验教学。

详 情 说 明

实验室级 MATLAB 指纹识别及特征提取对比测试平台

项目简介

本项目是一套基于 MATLAB 开发的实验室级指纹识别测试系统，专为生物特征识别领域的学术研究、算法验证及教学演示而设计。该平台完整实现了从指纹图像获取、预处理、特征提取到特征匹配的全流程。

系统采用模块化设计，代码结构清晰，能够通过合成数据或外部图像直观地展示指纹识别的内部逻辑。通过可视化的方式，用户可以深入理解指纹细化、方向场计算、Gabor 滤波增强以及基于 Crossing Number（CN）的特征点提取算法。本项目非常适合作为毕业论文的数据生成工具或相关课程的实验平台。

主要功能特性

• 双模式数据源支持：支持导入外部指纹图像（TIF/BMP/JPG等），在未选择图像时自动通过算法生成合成指纹（模拟脊线正弦波与高斯包络），方便在无样本库的情况下进行测试。
• 鲁棒的模拟测试环境：自动构建对比测试样本，通过对源图像进行旋转（模拟5度偏差）及添加椒盐噪声，模拟真实的指纹采集环境，用于验证算法的抗噪性和旋转不变性（一定范围内）。
• 先进的图像增强流水线：

* 基于梯度法的指纹方向场估计。 * 8方向 Gabor 滤波器组增强，有效连接断裂脊线并增强对比度。

• 精确的形态学处理：包含二值化、小面积去噪、闭运算以及基于形态学的骨架细化（Thinning）和毛刺去除（Spur Removal）。
• 细节点特征提取：实现基于 Crossing Number（CN）算法的端点与分叉点检测，并包含基于距离的虚假特征点剔除机制。
• 点模式匹配算法：基于质心对齐和平移补偿的特征点匹配策略，输出匹配得分及判定结果。
• 全流程可视化：提供 2x3 的多图联动显示，涵盖原图、细化特征图、待测图及最终匹配连线图。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 确保 MATLAB 当前工作目录包含脚本文件。
2. 在 MATLAB 命令窗口输入主函数名运行系统。
3. 系统启动后将弹出文件选择对话框：

* 若选择图片文件，系统将处理该图片。 * 若点击“取消”，系统将自动生成一张合成的指纹图像进行演示。

1. 程序运行结束时，会显示包含源图像、目标图像、特征点分布及匹配连线的可视化窗口，并弹出消息框显示最终的匹配得分。

---

核心算法与代码实现原理

本项目的所有功能逻辑均在一个主脚本文件中通过子函数形式实现，以下是主要模块的详细技术解析：

1. 图像获取与模拟场景构建

系统首先尝试通过 UI 对话框加载用户图像并转换为灰度的双精度数据。若用户未选择，则触发合成函数。

• 合成算法：利用正弦函数 sin(0.5*r + 4*sin(t)) 模拟指纹的环形脊线结构，并叠加高斯包络 exp(-(r/100).^4) 使得图像中心清晰、边缘衰减，最后添加高斯噪声增加真实感。
• 对比样本构造：为了测试匹配功能，系统将源图像旋转 5 度并添加 0.02 强度的椒盐噪声，作为待匹配的目标图像。

2. 预处理与图像增强（Preprocessing Pipeline）

预处理是系统的核心部分，旨在将低质量的灰度图转化为高质量的单像素宽骨架图。

• 归一化：通过均值和标准差将图像像素值标准化，减少由于干湿手指导致的灰度差异。
• 方向场估计：使用 imgradientxy 计算梯度，利用高斯平滑后的梯度协方差矩阵（Gxx, Gyy, Gxy）计算每个像素的局部脊线方向。
• Gabor 滤波增强：

* 将连续的方向场量化为 8 个离散方向（0°, 22.5°, ... 157.5°）。 * 手动构建 8 个方向的实部 Gabor 核。 * 对归一化图像进行 Gabor 滤波，并根据像素点的局部方向索引选择响应最强的滤波结果，从而在沿脊线方向平滑的同时抑制垂直方向的噪声。

• 二值化与形态学清理：由于 Gabor 滤波后脊线通常表现为负值，系统直接通过阈值（<0）进行二值化。随后使用 bwareaopen 移除孤立的小噪点，并用 imclose 填补微小孔洞。
• 骨架细化：利用 bwmorph 的 thin操作迭代至收敛，获得单像素宽度的中心线，并进一步执行 clean 和 spur 操作以去除边缘毛刺。

3. 特征点提取（Feature Extraction）

采用经典的 Crossing Number (CN) 算法提取指纹细节点。

• 边缘屏蔽：自动忽略图像边缘 15 像素范围内的特征，避免边界效应产生的伪特征。
• CN 计算：遍历骨架图中所有值为 1 的点，提取其 3x3 邻域像素，按顺时针顺序排列。计算相邻像素值差值的绝对值之和的一半。

* 端点 (Termination)：CN = 1 * 分叉点 (Bifurcation)：CN = 3

• 虚假点剔除：计算提取出的特征点之间的欧氏距离，若两个特征点距离过近（小于 5 像素），则将其视为噪声引起的伪特征并同时移除。系统记录特征点的坐标 (x, y)、类型及局部方向。

4. 特征匹配算法（Minutiae Matching）

实现了一种基于几何距离的点模式匹配策略。

• 质心对齐：分别计算源特征点集和目标特征点集的几何中心（质心），计算位移向量并对源特征点集进行平移补偿，实现粗对齐。
• 最近邻匹配：

* 遍历平移后的源特征点与目标特征点。 * 类型约束：仅允许同类型特征点（端点对端点、分叉对分叉）进行匹配。 * 距离约束：若两点欧氏距离小于 10 像素，则视为潜在匹配点。

• 得分计算：统计成功匹配的特征点对数量，匹配得分计算公式为：Score = 2 * 匹配对数 / (源特征数 + 目标特征数)。

5. 结果可视化

系统构建了一个综合图表来展示过程数据：

• 左侧与右侧面板：分别显示源图像与目标图像，以及叠加了特征点的骨架图（红色圆圈表示端点，绿色方框表示分叉点）。
• 底部面板：将源图与目标图并排拼接，绘制匹配成功的特征点连线（黄色线段），直观展示匹配效果。
• 自动判定：根据计算得分（阈值设为 0.4），在界面上直接打印“匹配成功 (Same Finger)”或“不匹配 (Different)”的判定结论。