指纹采集技术

目录

1.概述

1.1 捺印油墨采集

1.2 现场指纹提取

1.3 在线指纹采集

2. 指纹采集器的关键技术指标

2.1 采集面积

2.2 分辨率

2.3 图像质量

2.4 耐用性


1.概述

        最早的指纹采集技术是油墨法,至少已经有上百年的历史。1990年代出现了活体指纹采集器,利用各种传感器技术(例如光学、电容和超声波)直接从用户手指获得数字指纹图像。经过30年的发展,技术多元、形态多样的指纹采集器不断涌现,促进了指纹识别技术在公共安全、消费电子、电子商务等众多领域的应用。

图1 指纹采集器的发展

        指纹采集器和传感器是两个不同的概念,后者是前者的内部模块。形态差别很大的采集器可能是基于类似的传感器技术,例如下图都是基于光学传感技术的指纹采集器,分别可以采集四连指、滚动指纹、平面指纹、部分平面指纹。而形态类似的采集器可能是基于完全不同的传感器技术。例如基于超声波和光学的手机屏下指纹传感器,虽然技术原理完全不同,但是普通用户可能感受不到它们的区别。

图2 基于光学传感技术的各种形态的指纹采集器,分别采集四连指、滚动指纹、平面指纹、部分平面指纹

1.1 捺印油墨采集

        在非常非常古老的时候,人们就发现用油墨可以采集到质量非常好的指纹。所以从100多年前,警方就大规模使用油墨来采集有犯罪前科人员的指纹。油墨法是在手指蘸上油墨,在专门的指位卡片上按手指或者滚动手指。

        虽然活体指纹采集技术早已普及,但是警方的指纹数据库积累了多年的油墨指纹(已扫描为电子版),警用指纹识别系统仍然需要兼容油墨指纹。

图3 捺印油墨指纹

1.2 现场指纹提取

        与此同时,警察还需要从犯罪现场提取现场指纹。按照形成现场指纹的物质、遗留表面的材质等,有多种不同的方法来发现和提取现场指纹,例如粉末法、蓝光/紫外光显影法、烟熏法、碘熏法等。提取清晰的现场指纹比较困难,需要专业技巧。

图4 现场潜指纹

1.3 在线指纹采集

        现在普遍使用的则是在线采集(on-line method)。在线采集的原理比较多。有基于光学全反射原理的,也有通过电容传感器或者超声波等方式的,也有用相机直接拍照的。

图5 在线采集

        但是不管什么样采集方式,最后得到的图像大概就是下面这三种。

 图6 从左到右分别为油墨指纹、来自现场的潜指纹和基于光学全反射原理的指纹

2. 指纹采集器的关键技术指标

        不同的应用对指纹采集器的要求不同。通常,从采集面积、分辨率、图像质量、耐用性等方面对指纹采集设备进行评价。

2.1 采集面积

        采集面积对指纹识别的准确性有至关重要的影响,过小的采集面积会使识别准确性急剧下降。

        一些严肃的应用对指纹采集面积有明确规定。例如,在500 ppi分辨率下,

  • 美国FBI则要求指纹采集面积为832×768像素,约42.3mm×39.0mm,3面滚动采集;
  • 中国刑侦应用要求指纹采集面积为640×640像素,约32.5mm×32.5mm,滚动采集;
  • 中国二代身份证指纹项目要求指纹采集面积为256×360像素,约13mm×18.3mm,平面采集。

较大的采集面积可以保证有足够多的指纹细节特征,从而保证匹配的准确性。

        由于成本和尺寸限制,大面积的指纹采集器难以在移动电子设备使用。因此在这些场合出现了明显的小型化趋势。例如,苹果公司的TouchlD使用了4.5mm×4.5mm的小面积采集器。注册时则要求多次捺印,以拼合成较大面积的模板。小面积采集器对指纹识别算法提出了极高的要求。

        滑动式指纹采集器则通过拼接手指滑动过程中的指纹片段来获得大面积的指纹图像。但拼接图像可能产生严重的形变,对手指滑动的方向和速度有较严格的要求,影响用户体验和采集成功率。

2.2 分辨率

        分辨率也是影响指纹识别准确性的重要因素。目前,国际上广泛接受的指纹图像分辨率为500ppi,即每英寸对应500个像素点。采集面积较大时,500ppi的分辨率可提供足够的识别准确性。

        在一些场合,1000ppi指纹采集器逐渐开始使用,以采集更高质量的指纹。研究表明,1000ppi以上的分辨率可以稳定地支持3级特征的提取与匹配。测试表明,当采集面积较大时高分辨率带来的好处并不明显,此时使用Galton细节点已经有很高的识别准确性,使用3级特征意义不大。但在小尺寸的指纹采集器上高分辨率则可能具有重要意义。此时,传统的2级特征已经严重不足,需要通过高分辨率来提供更丰富的3级特征信息。

2.3 图像质量

        图像质量决定了识别的准确率。有很多原因会造成图像质量差。从传感器的角度来说,不同种类的传感器在分辨率、信噪比、面积大小等方面差异往往是很大的,这对采集到的信息的多少有很大影响。此外不同人的手指的皮肤状况也不一样,有的人皮肤太干燥或太潮湿,或者因为长期体力工作划痕比较多/乳突纹被磨平,这都会造成采集质量较差。另外,当按手指时,按的方式和手的姿态也会对图像质量有影响。这些低质量指纹对于指纹识别算法都是很大的挑战。

图5 不同质量的指纹图像

        NFIQ(NIST Fingerprint Image Quality)是量化指纹质量的事实标准。NFIQ(NIST Biometric Image Software (NBIS) | NIST),它将{1,2,3,4,5}中的值分配给指纹,该值与其质量成反比。

图8 NIST Fingerprint Image Quality (NFIQ)

        NFIQ2(NFIQ 2 | NIST),它的质量值在[0~100],分值与质量成正比。

图9 NFIQ 2.0

2.4 耐用性

        在耐用性方面,通常的结论是,光学采集器的耐用性要好,固态采集器的耐用性要差一些;因为光学采集器的采集表面为玻璃,而玻璃的耐用性非常好。静电击穿和耐磨程度可能对电容式指纹传感器的耐用性有较大影响。但最近几年出现的蓝宝石保护层技术大大提高了电容式传感器的耐用程度。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/20818.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据库(入门)

文章目录 一、数据库(DB) 二、数据库管理系统(DBMS) 三、SQL(结构化查询语言) 四、三者的关系 五、端口号(port number) 一、数据库(DB) 定义:按照一定格式存储数据的一些文件的组合。 简单来…

常用的变量命名

当命名编码中的变量时,清晰、简洁和具有描述性的命名是非常重要的。以下是一些常用的变量名称示例: 整数型变量: countindexnumtotalsizelength 浮点型变量: priceratetemperatureweightheightamount 字符串型变量: …

大数据测试/ETL开发,如何造测试数据

相信很多的小伙伴,有些是大数据测试岗位,有些是ETL开发,都面临着如何要造数据的情况。 1,造数背景 【大数据测试岗位】,比较出名的就是宁波银行,如果你在宁波银行做大数据开发,对着需求开发完…

数学建模 —— 层次分析法(2)

目录 一、层次分析法(AHP) 二、构造比较判断矩阵 2.1 两两比较法 三、单准则下的排序及一致检验 3.1 单准则下的排序 3.2 一致性检验 四、层次总排序 4.1 层次总排序的步骤 4.2 总排序一致性检验 一、层次分析法(AHP) 方…

xdp、dpdk、rdma能在同一网卡上同时使用吗?

文心一言 XDP、DPDK和RDMA是三种不同的技术,它们各自在Linux网络性能优化中扮演了不同的角色。关于它们能否在同一网卡上同时使用,我们需要考虑以下几个方面: XDP(eXpress Data Path): XDP是Linux内核提供…

SVM算法-非线性分类背后技术详解

引言 支持向量机(SVM)是一种强大的监督学习算法,广泛应用于分类和回归任务中。本文将详细介绍SVM算法在非线性分类任务中的应用,并通过代码示例来展示其背后的技术精髓。我们将分三大部分来展开,本部分将重点介绍SVM算…

银行批量支付业务功能测试点详细介绍

银行批量支付业务是一种银行业务处理方式,它允许银行将多个支付交易合并为一个批次,然后一次性进行处理。这种方式通常用于处理大量、重复性高或定期发生的支付交易,如工资发放、定期账单支付等。 主要作用: 提高效率&#xff1…

【C++面试50题】

以下是针对C程序员面试可能遇到的一些问题,涵盖了从基础语法、面向对象、STL、内存管理、模板、异常处理、并发编程等多个方面。 ### 基础概念与语法 1. C与C的主要区别是什么? 2. 什么是构造函数和析构函数?它们何时被调用? 3. 什…

51单片机C语言编程网盘:深度探索与实用指南

51单片机C语言编程网盘:深度探索与实用指南 在嵌入式系统领域,51单片机以其广泛的应用和稳定的性能而备受青睐。而C语言,作为一种高效且灵活的编程语言,更是单片机编程的首选工具。今天,我们将通过分享一个51单片机C语…

17、Spring系列-SpringMVC-请求源码流程

前言 Spring官网的MVC模块介绍: Spring Web MVC是基于Servlet API构建的原始Web框架,从一开始就已包含在Spring框架中。正式名称“ Spring Web MVC”来自其源模块的名称(spring-webmvc),但它通常被称为“ Spring MVC…

Linux 软件安装:从源码编译到包管理器安装

Linux 软件安装:从源码编译到包管理器安装 在 Linux 操作系统中,软件安装是一个非常重要的任务。不同的软件安装方式有不同的优缺点,本篇博客将介绍 Linux 软件安装的几种方式,包括从源码编译安装、使用包管理器安装和使用第三方…

【Redis】什么是缓存雪崩 ? 怎么解决

缓存雪崩(Cache Avalanche)是指在某个时刻,大量的缓存同时失效或过期,导致大量的请求直接打到数据库,使数据库压力剧增,甚至崩溃。与缓存穿透和缓存击穿不同,缓存雪崩是多个缓存同时失效或过期引…

[AI Google] 三种新方法利用 Gemini 提高 Google Workspace 的生产力

Workspace 侧边栏中的 Gemini 现在将使用 Gemini 1.5 Pro,新的 Gemini for Workspace 功能即将登陆 Gmail 移动应用,等等。 Gemini for Google Workspace 帮助个人和企业更好地利用 Google 应用——从在 Gmail 中撰写邮件到在 Sheets 中组织项目计划。过…

glpi 安装与使用

1、环境介绍 操作系统:龙蜥os 8.9 nginx:1.26.1 php:8.2.19 mysql:MarinaDB 10.3.9 glpi:10.0.6 fusioninventory:fusioninventory-10.0.61.1 2、安装epel源 dnf install epel-release -y dnf install htt…

Mongodb安装和简单操作

文章目录 1.安装服务端1.1 官网下载,解压安装1.2 配置启动 2.安装客户端2.1 MongoDB Shell下载安装2.2 连接服务3.操作3.1 创建数据库 Create a New Database and Collection3.1 Insert Documents3.2 Query Documents3.3 Update Documents3.4 Delete Documents 1.安…

Python | Leetcode Python题解之第125题验证回文串

题目&#xff1a; 题解&#xff1a; class Solution:def isPalindrome(self, s: str) -> bool:n len(s)left, right 0, n - 1while left < right:while left < right and not s[left].isalnum():left 1while left < right and not s[right].isalnum():right - …

2010-2015 年阿拉斯加北坡苔原植物功能类型连续覆盖图

ABoVE: Tundra Plant Functional Type Continuous-Cover, North Slope, Alaska, 2010-2015 2010-2015 年阿拉斯加北坡苔原植物功能类型连续覆盖图 简介 文件修订日期&#xff1a;2021-08-27 数据集版本: 1 摘要 该数据集以 30 米的分辨率提供了阿拉斯加北坡约 12.5 万平方…

UTF-64设想之排列组合

现有的UTF-8和UTF-16&#xff0c;用不同语言表示相同意思时&#xff0c;字节数相差很多。所以&#xff0c;就有了UTF-64的设想。它的设计目标是&#xff1a;不同语言表示相同意思&#xff0c;需要的字节数相差不多。 运行以下程序&#xff0c;得出所有排列组合。 import itert…

【深度学习的未来:探索无监督学习的潜力】

文章目录 前言无监督学习的基本概念简单的无监督学习示例&#xff1a;K-Means聚类分析代码结论 前言 随着深度学习技术的不断进步&#xff0c;我们正逐渐从依赖大量标注数据的有监督学习转向更加高效和自主的无监督学习。无监督学习旨在让机器从数据中自行发现模式和结构&…

【RuoYi】实现文件的上传与下载

一、前言 首先&#xff0c;最近在做一个管理系统&#xff0c;里面刚好需要用到echarts图和富文本编辑器&#xff0c;然后我自己去看了官网觉得有点不好懂&#xff0c;于是去B站看来很多视频&#xff0c;然后看到了up主【程序员青戈】的视频&#xff0c;看了他讲的echarts图和富…