论文部分内容阅读
指纹识别系统是应用最为广泛的个人身份识别系统，这是因为人体指纹具有非常优异的易用性、可靠性和稳定性。然而，由于指纹本身的复杂性以及个人身份识别应用场景的不断演变，指纹识别算法的研究与实现仍然面临着很多挑战和难题亟待解决。比如对于低质量指纹图像，特别是存在严重非线性形变的图像，现有的指纹识别算法通常无法达到理想的识别效果。因此，进一步提高指纹识别算法的鲁棒性具有十分重要的意义。为解决上述问题，本文提出了一种基于细节点的高鲁棒性指纹识别算法。 基于细节点的指纹识别算法可以分为指纹细节点提取算法和基于细节点的指纹匹配算法两部分。本文首先阐述了指纹细节点提取算法，通过指纹图像输入、指纹方向场的生成、指纹图像二值化、指纹细节点检测、指纹质量场生成、低质量指纹细节点移除以及指纹细节点模板文件输出等步骤的处理，得到了指纹细节点信息，并作为后续指纹匹配算法输入。接着本文设计了基于细节点的指纹匹配算法，首先通过局部匹配得到初步的识别结果，然后利用细节点的质量、输入和模板指纹图像重叠区域面积等一系列简单易得的全局指纹细节点相关特征，经由全局匹配环节优化局部匹配结果得到最终的识别结果。除了算法设计以外，本文还在包含嵌入式CPU和GPU的异构平台上完整地实现了高性能、低能耗指纹识别算法，完成了自动指纹识别系统的全部功能。 实验结果表明，本文设计的指纹识别算法在FVC2006DB2和DB3上的EER分别为1.00％和4.82％，FMR1000分别为2.30％和16.13％，在鲁棒性方面明显优于其他先进的指纹识别算法;本文提出的嵌入式异构平台映射方案中的指纹细节点提取算法和基于细节点的指纹匹配算法的执行时间分别为477.08ms和107.07ms，能耗分别为647.11 mJ和137.27mJ，相对于仅使用嵌入式CPU的映射方案，指纹细节点提取算法加速1.32倍，同时减少了13.53％的能耗。最后，本文还将嵌入式异构平台的映射方案与其他高水平的嵌入式指纹识别系统进行了比较，充分证明了在移动平台计算资源与能耗受限制的情况下，本文提出的利用嵌入式CPU和GPU的异构映射方案达到了综合执行效率和能耗两方面的最优性能。