指紋識別過程同所有的生物體特征識別的過程類似，分為用戶注冊和特征匹配2個部分。首先，需要錄入指紋圖像，對獲取的原始圖像進行處理，包括圖像增強、分割、細化、二值化等。然后，對指紋的細節特征進行提取，比較常見的特征點有分叉點、端點，最后，生成模板儲存在系統數據庫中。無論是驗證或者辨識的過程，都需要將待識別的用戶的指紋圖像再一次進行同樣的圖像分割、細化、二值化、特征提取等一系列步驟，生成和數據庫模板同樣的數據格式，最后，進行比對，得出識別的結果。

現有的指紋識別算法的前提條件是使用相同的指紋識別器上采集指紋或認證。所以，在網上的很多用戶只能用同一類指紋識別器才能實現認證，實踐證明：如果換作不同的指紋識別器，驗證系統的性能將大大降低，這是因為指紋識別器沒有標準的互換規定。

由于各種識別器的使用算法的不同，要使用指紋識別器的各系統需要個別的登錄，而且，認證時必須使用與登錄時使用的識別器類型相同。這說明個人和系統需要保留多個不同種類的識別器。解決不同識別器之問的通用算法就成為目前研究的一個很有意義的課題，這樣，用戶可以在自己的電腦上使用不同的識別器，方便了在線指紋驗證系統的使用價值。

由于某類指紋傳感器僅僅適合同種類型的采集儀驗證使用，為了允許更多的用戶使用和阻止假冒用戶試圖欺騙系統，多傳感器指紋融合提高系統的性能顯得很有必要。本文提出一種簡單的融合策略研究了兩類常用的指紋傳感器一光學傳感器和電容傳感器。兩類傳感器分別采集兩幅圖像后通過預處理程序提取細節點后分別與模板指紋相匹配，得到2個匹配分數，然后，把這2個匹配分數通過融合規則得到最后的匹配分數，通過與單一傳感器性能比較表明：融合后的結果對系統的性能有了很大的提高。

1、提出的融合框架

圖1為提出的多傳感器指紋驗證系統框架圖。首先，通過光學和電容傳感器采集用戶的指紋圖像。然后，對圖像進行預處理和分別提取兩類傳感器采集的指紋圖像的特征，基于細節點的匹配算法被分別應用到光學和電容細節點集，因此，有2個匹配分數，并使用融合規則融合這些分數。

圖1多指紋傳感器驗證系統框架圖

1．1指紋傳感器的類型和工作原理

由于當今指紋傳感器規格很多，但是，至今仍然沒有一個恰當和統一的協議和標準。目前，市場上現有的傳感器主要有光學傳感器和電容式傳感器兩類。

1．1．1光學傳感器工作原理

它的基本原理如下：將手指按壓在玻璃平面的一側，在玻璃的另一側安裝有LED光源和CCD攝像頭，LED發出的光束以一定的角度照射向玻璃，攝像頭用于接收從玻璃表面反射回的光線。手指上的脊線與玻璃表面接觸，谷線不與玻璃表面接觸，因此，照射在指紋脊線所接觸部分的玻璃表面的光線被漫反射，而照射在指紋谷線所對應的玻璃表面的光線被全反射，從而在由CCD攝像頭捕獲的圖像中，對應指紋脊線的部分顏色較深，對應指紋谷線的部分顏色較淺。

1．1．2電容傳感器工作原理

電容傳感器原理根據按壓到采集頭上的手指的脊和谷在手指表皮和芯片之間產生不同的電容，芯片通過測量空間中的不同的電磁場得到完整的指紋。由這一構造原理，可以大大地提高指紋的防偽性。偽造的指紋一般用硅樹脂或者白明膠等絕緣材料，在電容傳感器上是無法成像的，這樣使偽造的指紋無用武之地。但電容技術的芯片昂貴，且易受到干擾。

1．2指紋圖像處理

在該識別過程中，首先，通過指紋采集儀器采集到指紋J，由于采集指紋圖像時圖像質量不高或者在捺取指紋過程中因用力不均造成指紋畸變，常常會造成指紋圖像分割的不準確，給后續的指紋識別帶來更大的困難，造成指紋自動識別系統的拒識或誤識，所以，指紋采集后的第一個關鍵技術就是對采集到的指紋圖像進行預處理，包括對指紋圖像的增強、二值化和細化等。預處理完成后即可進行特征提取，然后，進行特征匹配，輸出匹配結果，如圖2。

圖2指紋圖像預處理步驟

最后，細節點被提取出來，細節點定義為：端點和分又點（如圖3），紋線端點是一條紋路的終結點，而紋線分叉點是一條紋路再次分開成為兩條紋路的點。這2種特征點在指紋圖像中出現的幾率最大、最穩定，易于檢測，而且，足以描述指紋的唯一性。

圖3指紋細節點類型

兩幅指紋圖像的匹配主要是解決旋轉、平移和形變等問題。本文中，指紋匹配的輸入是2個特征點的點集尸與Q，其中一個點集P是從輸入的指紋圖像中提取出來的，另一個點集合Q則是預先從標準的指紋圖像中提取出來儲存在模板庫中。這2個點集合分別表示為

其中，電容傳感器工作原理記錄了點集P中第i個特征點的3條信息：坐標、Y坐標與方向，電容傳感器工作原理則記錄了點集Q中第j個特征點的3條信息：x坐標，y坐標與方向。假設兩幅指紋圖可以完全匹配起來，則可通過對輸入的指紋圖作某種變換（旋轉、平移與伸縮）得到模板中的指紋圖，因此，點集P可以通過旋轉、平移與伸縮等變換近似成點集Q。

為了能夠將輸入指紋圖像中的某一個特征點按照一定的變換方式轉換成模板指紋圖像中的相對應位置，需要知道相應的變換因子，△x與△y分別為x，y方向上的平移因子，△θ則是旋轉因子。匹配基準點的確定是通過判斷這2個三角形的相似程度得到的，在求取了兩幅指紋圖像之間的匹配基準點和變換因子后，本文對待識別指紋相對于模板指紋進行旋轉、平移變換，以便判斷兩枚指紋是否來自于同一個手指。在本文中，求取變換后的待識別指紋的特征點坐標位置和所在區域的紋線方向。然后，將變換后的待識別指紋特征點集疊加到模板指紋特征點集上，檢測2個特征點集合中相重合的特征點數目。由于本文中的匹配是一種非精確匹配，即使是一對匹配的特征點對，它們之問也不會完全重合，總是在位置、方向上存在有一定的偏差，所以，必須有一定的偏差容忍度。

為此，本文采用一種稱為界定盒的方法。對模板指紋特征點集中的每一個特征點，選取它周圍的一個矩形區域作為它的界定盒，只要變換后的待識別指紋中的特征點經過疊加后落在這個區域之內，而且，方向基本一致，可以認為這2個特征點對是一對匹配的特征點。

最后，算法統計所有相匹配的特征點數目，通過式（1）轉換成匹配分數，其中，maxscore是通過疊加匹配的細節點個數得到的最大匹配得分，Temp—Num和Input—Num分別是模板和輸入指紋的細節點數目。

計算的匹配分數代表了相比較的兩幅指紋的相似程度。參數值越大，相似性程度越高，而如果得分較小時，說明這一用戶不一定是其宣稱的用戶，訪問將被拒絕。

本文所使用的算法是一種典型的基于特征點坐標模型的點模式匹配算法。它對匹配過程中最難的一步一基準點的確定和變換參數的求取作了較深入的研究，根據3個近鄰的特征點之間的相互關系來確定基準點、求取變換參數。該算法在一定程度上能夠加快基準點的求取，從而提高整個匹配算法的速度。同時，該算法是根據多點來確定變換參數，而不是通常意義上的一點，在一定程度上可以消除在特征提取過程中所引入的位置、角度的偏差，得到更為準確的變換參數。

1．3光學和電容傳感器的融合

So，Sc是分別由光學傳感器和電容傳感器采集的圖像運用匹配算法所獲得的匹配分數，s融合后的分數和S。So，Sc之間有如下關系

將S和設定的閾值相比較：if：S＞threshold系統允許進入，為真；否則，系統拒絕該用戶，當然，上述方法也可用于2只以上的，。

根據方程（2）研究了兩種類型的匹配分數轉換執行融合規則，第一種類型融合規則屬于所謂的固定融合規則，因為它們不需要參數估計，尤其研究了兩類傳感器的匹配分數中值

第二種融合是所謂的訓練樣本規則，因為它們需要為了獲得理想的閾值分數而讓樣本經過多次訓練，采用公式（4）訓練樣本

式中W0，W1，W2為權值向量，顯然，中值融合的效果要差于邏輯融合，邏輯融合的過程就是以中值為基礎，經過多次迭代，總能找到一組合適的權值向量（W0，W1，W2），使得閾值分數S接近于最佳值。

2、實驗結果

隨機抽取20個人，每個人使用3個手指，分別為大拇指、食指、中指，使用光學和電容傳感器，每個手指按壓10次，每個人采集到的指紋數為6×10=60，共有指紋20×60=1200。對于每一個驗證算法兩類集合的匹配分數。第一次匹配稱為“真正匹配分數（真正用戶之間）G集合，第二次是“假匹配分數”（“假冒用戶之問”）I集合。

隨機細分以上集為2個大小相同的集合：G=G1UG2，I=I1UI2，G1，G2和I1，I2分別是G和I的分離集合。訓練集合Tr={G1，I1}用于計算邏輯融合規則的權重，測試集合Tx={G2，I2}用于評價和比較算法性能。它包含以下幾個指標：

訓練樣本集合的等錯誤率（EER），也就是當真正用戶被系統錯誤拒絕的百分比（FRR）等于假冒用戶被系統錯誤接受的百分比（FAR）。

表1總結了計算訓練樣本的EER與測試樣本的FAR和FRR的結果。

表1單一傳感器和多傳感器融合計算結果的指標EER。FAR，FRR

從表1可知，電容傳感器性能明顯差于光學傳感器。其原因主要是電容傳感器采集圖像時的接觸面積遠遠小于光學傳感器。直接導致了其采集的圖像提取的細節點數目少，因此，提取的細節點不能彼此正確的匹配。

從等錯誤率計算的融合結果來看，性能也有很大的提高，邏輯融合減少EER從3.6%到2.9%。測試樣本的結果也表明融合提高了系統的魯棒性，實際上，在邏輯融合（表1第5行）以后，訓練樣本的性能（表1第2列）和測試樣本的性能偏差（表l第3列和第4列）大大減小了。

該實驗結果與GianLuca實驗結果對比，發現得到的結果指標低于文獻［7］的指標，其中原因可能是本文使用的采集器性能比較差，以致獲得的指紋圖像質量不夠理想而導致指標稍弱，另外，可能就是本文使用的算法獲得的匹配結果不夠理想。

3、結論

本文提出了基于光學和電容傳感器多傳感器指紋驗證系統。實驗結果表明：驗證后的多傳感器系統性能優于最好的單一傳感器陛能（光學傳感器），而且，光學和電容傳感器匹配器兩者之間的互補性也表明了多傳感器融合的可能性，從理論上來說系統本身也獲得了很低的驗證錯誤率。特征提取過程被分別應用到每一個采集設備采集到的圖片，應用一個簡單的融合規則，提高系統的驗證性能。因此，融合不同類型的傳感器提高系統性能方案簡單易行。