2021WSB | 您所在的位置:网站首页 › believe in you曲谱 › 2021WSB |
听百家之言,集百家智慧,站在巨人肩上攀登
本文旨在帮助大家理解指纹识别的机制和一些算法原理,有一个好的理解之后,读者朋友们需要自己做出一些修改,提出自己的想法。
特别说明,本文依据Raffaele教授的workshop整理而成,读者朋友们不要草率复制粘贴作为自己的论文或者报告。
文章目录
指纹的分割估计局部脊线的方向计算局部脊线的频率指纹增强处理细节点提取细节点方向计算基于Minutia Cylinder-Code的指纹特征表征MCC匹配总结
前两步参考前文1。 指纹的分割参考前文1。 估计局部脊线的方向参考前文1。 计算局部脊线的频率参考前文2。 指纹增强处理参考前文3。 细节点提取参考前文4。 细节点方向计算参考前文4。 基于Minutia Cylinder-Code的指纹特征表征Minutia Cylinder-Code (MCC) 是指纹里面,最最最有名的指纹特征表征。MCC发表在IEEE tPAMI,影响非常大。感兴趣可以查询原文,本文不再解释(后面有机会可以详细介绍一下MCC): Minutia Cylinder-Code: a new representation and matching technique for fingerprint recognition", IEEE tPAMI 2010 总结起来: MCC为最为有名的细节点匹配方法MCC提出了一种基于三维数据结构的圆柱编码算法,其从细节的距离和角度出发,构造了圆柱编码为一种多级的指纹匹配方法,其不仅使用了细节点特征也使用了方向场等特征是一种局部结构,也是3D结构以下是代码: # Compute the cell coordinates of a generic local structure # 计算 mcc_radius = 70 mcc_size = 16 g = 2 * mcc_radius / mcc_size x = np.arange(mcc_size)*g - (mcc_size/2)*g + g/2 y = x[..., np.newaxis] iy, ix = np.nonzero(x**2 + y**2 |
CopyRight 2018-2019 实验室设备网 版权所有 |