缺失指纹识别：地统计关联特征与多子集匹配算法

“地统计关联特征与多子集匹配的缺失指纹识别算法”是针对传统指纹识别技术在处理缺失指纹图像时识别率低的问题而提出的一种创新方法。该算法结合了地统计学理论和多子集匹配策略，显著提高了不完整指纹的识别精度。 在论文中，作者陈云志首先介绍了问题背景，即现有的指纹识别系统在处理缺失或部分损坏的指纹图像时，由于缺乏有效的特征提取和匹配策略，导致识别效果不佳。为了解决这个问题，他提出了GS-MS（Geostatistics-Subset Matching）算法。GS-MS算法的核心步骤包括以下几个方面： 1. **预处理**：对指纹图像进行预处理，包括使用Gabor滤波器增强图像的纹理信息，进行二值化处理以清晰显示纹路，并通过细化操作减少噪声，突出指纹的关键特征，如纹路线和分叉点、端点。 2. **子集划分**：将预处理后的指纹图像均匀划分为多个互不重叠的子集。这样的划分有利于在局部范围内提取更精确的特征，同时减少了因全局特征缺失而导致的识别困难。 3. **特征提取**：在每个子集中提取地统计学关联特征，这些特征描述了子集内部指纹纹路的分布和关联性。此外，还提取了分叉点和端点等细节特征点，它们是指纹识别中的关键生物特征。 4. **多子集匹配**：以待识别的指纹图像子集作为基准，与指纹数据库中的所有子集进行比较。通过比较每个子集的特征，寻找最匹配的组合，从而实现对不完整指纹的识别。 实验部分，论文使用了完整的和缺失的指纹数据集进行测试，结果显示GS-MS算法在两种情况下都表现出较高的识别精度，且并未显著增加计算时间，这表明该算法具有较好的实用性和效率。 这篇论文发表于2014年的《计算机工程与应用》期刊，由浙江省科技厅高技能人才培养项目资助。作者陈云志是一位专注于掌纹识别研究的副教授，他的工作为指纹识别技术特别是缺失指纹识别开辟了新的方向。 GS-MS算法通过地统计学关联特征和多子集匹配的创新结合，有效地提高了不完整指纹的识别准确度，为生物识别技术在实际应用中的难题提供了解决方案。这种技术对于安全认证、犯罪侦查等领域具有重要的应用价值。