指纹算法指纹锁的匹配方式1:1,1:N是什么意思

什么是指纹识别技术？

指纹识别技术把一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。

每个人(包括指纹在内)皮肤纹路在图案、断点和交叉点上各不相同，也就是说，是唯一的，并且终生不变。

依靠这种唯一性和稳定性，我们才能创造指纹识别技术

如何编写指纹识别系统

其实我也不太懂，指纹识别技术通过分析指纹的局部特征，从中抽取详尽的特征点，从而可靠地确认个身份。

指纹识别的优点指纹作为人体独一无二的特征，它的复杂度可以提供用于鉴别的足够特征，具有极高的安全性。

相对于其他身份认证技术，指纹识别是一种更为理想的身份认证技术，指纹识别不仅具有许多独到的信息安全优点，更重要的是具有很高的实用性、可行性，已经广泛应用于金融、电子商务以及安全性能要求教高的行业中。

本文提出了一种新型基于DSP的指纹识别系统，硬件上利用DSP的高速处理能力，构建高速的数据处理平台，软件上考DSP和硬件逻辑的处理特点，对传统的指纹算法进行改进，满足实时性和可靠性要求。

2 硬件系统结构 本系统整体上可以分为图像采集模块、图像处理及识别模块以及输出模块三部分组成。

3 指纹识别算法 指纹识别算法是指纹识别的核心，本系统中采用的指纹识别算法流程如图（2）所示。

图像增强是指纹图像预处理需要解决的核心问题，指纹图像增强的主要目的是为了消除噪声，改善图像质量，便于特征提取。

由于指纹纹理由相间的脊线和谷线组成。

这些纹理蕴涵了大量的信息，如纹理方向、纹理密度等等。

在指纹图像的不同区域，这样的信息是不同的。

指纹图像增强算法就是利用图像信息的区域性差异来实现的。

传统的指纹图像增强就是利用图像的纹理方向信息，构造方向滤波器模板来实现滤波的。

滤波器构造的简单性和指纹图像复杂性的矛盾限制了其作用的有效性。

本系统中采用的是参考了指纹图像纹理频率信息，并且以GABOR变换这个能够同时对图像局部结构的方向和空域频率进行解析的最优滤波器作为滤波器的模板，因而极大的改善了增强算法的效果。

3.1 脊线方向 除奇异区外，指纹图像在一个足够小的区域内，纹理近似于相互平行的直线，这就是指纹图像的方向性特征。

方向性特征是指纹图像中最为明显的特征之一，它以简化的形式直观的反映指纹图像的基本形态特征，因而被广泛应用于指纹图像的分类、增强、特征提取等方面。

4 系统处理流程 整个系统的处理的过程分为四个步骤： ⑴ 从图像传感器输出的指纹图像首先送到FPGA缓冲，同时运用设计好的预处理模块对数据进行处理，得到各像素点的梯度值以及子块中极大值点的坐标，所有这些数据连同原始数据以突发模式存入DDR SDRAM中； ⑵ DSP通过FPGA从DDR SDRAM中读取所有相关数据，计算出脊线方向和脊线频率，然后利用GABOR对原始数据进行滤波，处理后的图像数据再通过FPGA存入DDR SDRAM中，因此在DDR SDRAM的输入输出端都需要进行缓冲； ⑶ 根据DSP处理的指令要求，从DDR SDRAM中读出滤波后的数据，由FPGA内部的比较逻辑提取出指纹图像中每行（每列）中的极大值点，送到DSP进行进一步处理，完成指纹图像脊线提取； ⑷ 由DSP完成匹配识别算法，并输出处理结果。

5 结论 以上设计方案综合考虑了各方面因素，兼顾了DSP处理器和FPGA协处理器的性能状况和资源需求来分配任务，而且在数据采集的同时完成了指纹方向和频率提取的部分运算，减少了内存操作的次数，采用的根据系统特点优化的基于GABOR的增强算法，提高了系统的实时性，满足应用要求 就是这些，在网上找到的

指纹识别有哪几种？

指纹的特征我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。

总体特征是指那些用人眼直接就可以观察到的特征，包括： 基本纹路图案 环型（loop）, 弓型（arch）, 螺旋型（whorl）。

其他的指纹图案都基于这三种基本图案。

仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。

模式区（Pattern Area）模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。

有的指纹识别算法只使用模式区的数据。

Aetex 的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。

核心点（Core Point）核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。

三角点（Delta）三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。

三角点提供了指纹纹路的计数和跟踪的开始之处。

式样线（Type Lines）式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。

纹数（Ridge Count）指模式区内指纹纹路的数量。

在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。

局部特征 局部特征是指指纹上的节点。

两枚指纹经常会具有相同的总体特征，但它们的局部特征--节点，却不可能完全相同 节点（Minutia Points）指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打折。

这些断点、分叉点和转折点就称为"节点"。

就是这些节点提供了指纹唯一性的确认信息。

指纹上的节点有四种不同特性： 1. 分类 - 节点有以下几种类型，最典型的是终结点和分叉点 A. 终结点（Ending） -- 一条纹路在此终结。

B. 分叉点（Bifurcation） -- 一条纹路在此分开成为两条或更多的纹路。

C. 分歧点（Ridge Divergence） -- 两条平行的纹路在此分开。

D. 孤立点（Dot or Island） -- 一条特别短的纹路，以至于成为一点 E. 环点（Enclosure） -- 一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点 F. 短纹（Short Ridge） -- 一端较短但不至于成为一点的纹路， 2. 方向（Orientation） -- 节点可以朝着一定的方向。

3. 曲率（Curvature） -- 描述纹路方向改变的速度。

4. 位置（Position） -- 节点的位置通过（x,y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点 电感式识别---以前用的比较多，现在有些公司也还在用，但稳定性一般。

光学采集识别，稳定性高，主要就这两种 最笨的一种是往纸上按一个人工识别！

什么是指纹技术？？

手指上的指纹表征了一个人的身份特征。

1788年mayer首次提出没有两个人的指纹完全相同，1823年purkinie首次把指纹纹形分成9类，1889年henry提出了指纹细节特征识别理论，奠定了现代指纹学的基础。

但采用人工比对的方法，效率低、速度慢。

20世纪60年代，开始用计算机图像处理和模式识别方法进行指纹分析，这就是自动指纹识别系统（简称afis）[1]。

20世纪70年代末80年代初，刑事侦察用自动指纹识别系统（policeafis，pafis）投入实际运用。

20世纪90年代，afis进入民用，称为民用自动指纹识别系统（civilafis，cafis）。

本文试图从指纹特征分析着手，阐述指纹作为人体身份识别的原理方法、指纹识别的主要技术指标和测试方法，以及实际应用的现实性与可靠性[2-4]。

1指纹识别的原理和方法1.1指纹的特征与分类指纹识别学是一门古老的学科，它是基于人体指纹特征的相对稳定与唯一这一统计学结果发展起来的。

实际应用中，根据需求的不同，可以将人体的指纹特征分为：永久性特征、非永久性特征和生命特征[5]。

永久性特征包括细节特征（中心点、三角点、端点、叉点、桥接点等）和辅助特征（纹型、纹密度、纹曲率等元素），在人的一生中永不会改变，在手指前端的典型区域中最为明显，分布也最均匀[1]。

细节特征是实现指纹精确比对的基础，而纹形特征、纹理特征等则是指纹分类及检索的重要依据。

人类指纹的纹形特征根据其形态的不同通常可以分为“弓型、箕型、斗型”三大类型，以及“孤形、帐形、正箕形、反箕形、环形、螺形、囊形、双箕形和杂形”等9种形态[1]。

纹理特征则是由平均纹密度、纹密度分布、平均纹曲率、纹曲率分布等纹理参数构成。

纹理特征多用于计算机指纹识别算法的多维分类及检索。

非永久性特征由孤立点、短线、褶皱、疤痕以及由此造成的断点、叉点等元素构成的指纹特征，这类指纹有可能产生、愈合、发展甚至消失[1]。

指纹的生命特征与被测对象的生命存在与否密切相关。

但它与人体生命现象的关系和规律仍有待进一步认识。

目前它已经成为现代民用指纹识别应用中越来越受关注的热点之一。

1.2指纹识别的原理和方法指纹识别技术主要涉及四个功能：读取指纹图像、提取特征、保存数据和比对。

通过指纹读取设备读取到人体指纹的图像，然后要对原始图像进行初步的处理，使之更清晰，再通过指纹辨识软件建立指纹的特征数据。

软件从指纹上找到被称为“节点”（minutiae）的数据点，即指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。

通常手指上平均具有70个节点，所以这种方法会产生大约490个数据。

这些数据，通常称为模板。

通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果[5-6]。

采集设备（即取像设备）分成几类：光学、半导体传感器和其他。

2指纹识别技术的主要指标和测试方法2.1算法的精确度指纹识别系统性能指标在很大程度上取决于所采用算法性能。

为了便于采用量化的方法表示其性能，引入了下列两个指标。

拒识率（falserejectionrate，frr）：是指将相同的指纹误认为是不同的，而加以拒绝的出错概率。

frr=（拒识的指纹数目／考察的指纹总数目）×100%。

误识率（eptrate，far）：是指将不同的指纹误认为是相同的指纹，而加以接收的出错概率。

far=（错判的指纹数目／考察的指纹总数目）×100%。

对于一个已有的系统而言，通过设定不同的系统阈值，就可以看出这两个指标是互为相关的，frr与far成反比关系。

这很容易理解，“把关”越严，误识的可能性就越低，但是拒识的可能性就越高。

2.2误识率和拒识率的测试方法测试这两个指标，通常采用循环测试方法[7]。

即给定一组图像，然后依次两两组合，提交进行比对，统计总的提交比对的次数以及发生错误的次数，并计算出出错的比例，就是frr和far。

针对far=0.0001%的指标，应采用不少于1415幅不同的指纹图像作循环测试，总测试次数为1000405次，如果测试中发生一次错误比对成功，则far=1/1000405；针对frr=0.1%，应采用不少于46幅属于同一指纹的图像组合配对进行测试，则总提交测试的次数为1035次数，如果发生一次错误拒绝，则frr=1/1035。

测试所采用的样本数越多，结果越准确。

作为测试样本的指纹图像应满足可登记的条件。

......具体请参照：参考资料：<ahref="/z/urlalertpage.e?sp=s%2fjournal%2farticleinfo.aspx%3fart_id%3d155512"target="_blank">/journal/articleinfo.aspx?art_id=155512</a>

指纹的重要概念

指纹识别技术作为一个新的IT技术领域，自身具有许多新的概念。

了解指纹识别技术的概念有助于准确的理解指纹识别技术。

识别与验证并不是指纹识别算法领域的问题，而是指纹识别系统的问题。

指纹识别是指在1：N模式下匹配指纹特征值。

它是从多个指纹模板中识别出一个特定指纹的过程。

其结果是，“有”或者“没有”。

有时会给出“是谁”的信息。

指纹验证是指在1：1模式下匹配指纹特征值。

它是拿待比对的指纹特征模板与事先存在的另一个指纹特征模板进行一次匹配的过程。

其结果是“是不是”。

在一个系统中既可以采用1：1模式也可以采用1：N模式，这是取决于应用系统的特点和要求。

有时候还可以业务模式的需要，把1:N模式转化为1:1模式以提高系统安全性和比对速度。

优点： 1.指纹是人体独一无二的特征，并且它们的复杂度足以提供用于鉴别的足够特征； 2.如果要增加可靠性，只需登记更多的指纹、鉴别更多的手指，最多可以多达十个，而每一个指纹都是独一无二的； 3.扫描指纹的速度很快，使用非常方便； 4.读取指纹时，用户必需将手指与指纹采集头相互接触，与指纹采集头直接； 5.接触是读取人体生物特征最可靠的方法； 6.指纹采集头可以更加小型化，并且价格会更加的低廉； 缺点： 1.某些人或某些群体的指纹特征少，难成像； 2.过去因为在犯罪记录中使用指纹，使得某些人害怕“将指纹记录在案”。

3.实际上指纹鉴别技术都可以不存储任何含有指纹图像的数据，而只是存储从指纹中得到的加密的指纹特征数据； 4.每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性。

FRR（False Rejection Rate）和FAR（False eptance Rate）是用来评估指纹识别算法性能的两个主要参数。

FRR和FAR有时被用来评价一个指纹识别系统的性能，其实这并不贴切。

指纹识别系统的性能除了受指纹算法的影响外，指纹采集设备的性能对FRR和FAR的影响也是不能忽视的。

FRR通俗叫法是拒真率的意思，标准称谓是FNMR（False Non-Match Rate 不匹配率）。

可以通俗的理解为“把应该相互匹配成功的指纹当成不能匹配的指纹”的概率。

对指纹算法的性能测量是在给定指纹库的情况下进行测量的。

用于测量的指纹库一般由FVC（国际指纹识别算法大赛）组织者给定。

FVC在作指纹识别算法性能测试时，并无外界指纹输入，是使用标准的指纹图像库来测试的。

所以FNMR是在没有连接指纹采集设备的情况下得出的测试值。

本节的其它参数也都是在这一前提下得出的。

假定指纹库中有100个不同ID的手指，每个手指注册有3枚指纹，则该指纹库中共有300枚指纹。

假定P1表示手指1的ID，则其三次注册的指纹用P1-F1,P1-F2,P1-F3来表示。

FNMR是指把指纹库中的同一个手指的3枚指纹两两比较，即P1-F1与P1-F2匹配，P1-F1与P1-F3匹配，P1-F2与P1-F3匹配，P1-F2与P1-F1匹配，P1-F3与P1-F1匹配，P1-F3与P1-F2匹配，共有6种匹配方式。

把所有100个手指在其内部均作6种匹配，共6x100=600次匹配。

理论情况下，600次匹配均能正确匹配，匹配的成功率为100%。

实际上因为同一手指的3枚指纹图像不可能完全一样，所以有一个匹配相似度问题。

假定我们把匹配成功的相似度设为>90%，就是说当相似度大于90%时，表示匹配成功。

然后我们从600次匹配中，找出多少次相似度在90%以上的，这个数值就表示匹配成功的次数，假定为570次。

600次中其余的表示没有匹配成功的次数，为600-570=30次。

则匹配失败率，就是30/600=5%。

对于指纹识别算法来讲，在指纹库确定的情况下，其匹配失败率FNMR是一定的。

当指纹库发生变化，其FNMR也会有变化。

所以国际上是以FVC公布的指纹库为统一的测试库，在该测试库中测试出来的FNMR结果作为衡量指纹算法性能的标准参考。

FAR一般称为认假率，其标准称谓是FMR（False Match Rate 错误匹配率）。

FMR是用来评估指纹识别算法性能的最重要参数。

可以通俗的理解为“把不应该匹配的指纹当成匹配的指纹”的概率。

同样以前段中的指纹库为例。

把库中的每个指纹，与除自己之外的其它所有指纹进行匹配，匹配的总次数，即300×（300-1）=89700次。

理论情况下，匹配成功次数为6x100=600次，匹配失败次数应为89700-600=89100次。

假定由于指纹算法性能的原因，把本应该匹配失败的判为匹配成功，若假定这种错误次数为100次。

则错误接受率FAR为100/89100=0.11%。

匹配失败次数是因判定相似的条件严格程度而变化的。

当匹配成功的筛选条件，即门限值提高时，FAR会降低。

FAR也与指纹库相关。

在FVC大赛中，有4个指纹库用于测试，并取平均值。

其中有一个指纹库是人工生成的，以排除采集设备不同导致的指纹图像质量不同对算法效能的影响。

在同一个指纹库中，对同一个算法来讲，需要设定一个阈值，作为判定相似的标准。

当相似度大于这个阈值时，表示匹配成功，否则表示匹配失败。

FNMR是随阈值增大而增大的，即判定相似的门槛值越高，则真的指纹判定为假的机率越大。

反之，FMR是随阈值增大而减小的，即随着判定相似度的门槛值越高，把假的指纹判定为真的概率会越小。

FAR与FRR成反比。

根据2004年FVC大赛测试结果，一般当FMR是1/1000量级时，FNMR是5/100左右。

也就是100个手指的指纹库中，进行1000次匹配，有可能发生一次匹配错误，即认错。

进行100次匹配，有可能出现5次匹配失败，即不认。

EER（Equal Error Rate）是相等错误率的意思。

这个参数一般在普通场合不大使用。

EER主要用于评价指纹算法整体效能的指标。

也就是把FAR、FRR两个参数统一为一个参数，来衡量指纹算法的整体性能。

FAR和FRR是同一个算法系统的两个参数，把它放在同一个坐标中，如图30所示。

FAR是随阈值增大而减小的，FRR是随阈值增大而增大的。

因此它们一定有交点。

这个点是在某个阈值下的FAR与FRR等值的点。

习惯上用这一点的值来衡量算法的综合性能。

对于一个更优的指纹算法，希望在相同阈值情况下，FAR和FRR都越小越好。

把FAR和FRR曲线都向下平移。

同时相交点ERR也向下平移。

EER值越小的时候，表示算法的整体性能越高。

由于当FRR与FAR相交时对应的阈值都很小，也就是说此时的相似度阈值连30%都不到。

实际使用中的阈值至少设在80%以上，故EER值并不被用在大众化场合来描述指纹算法的性能，只是在竞赛排名中使用。

FRR实际上也是系统易用性的重要指标。

由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。

一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极大地提高了系统安全性。

拒登率一般使用较少，在指纹识别术语中，它是一个意思相对比较含糊的词。

在世界指纹算法大赛中，有个参数叫拒绝注册率，有时被称为拒登率，用来衡量指纹识别算法对指纹图像质量的挑剔程度，用REJENROLL。

表示。

在给定的指纹数量，如100枚指纹图像中，可以成功注册或称为建档的指纹，如果是99，则REJENROLL　=　1%。

对FVC大赛给出的标准指纹库来讲，绝大多数的指纹算法都可以建档成功，即REJENROLL　为0.00%。

在另外一种场合，拒登率通常被解释为指纹识别系统（包含指纹采集设备）不接受指纹注册的概率。

这种情况下，拒绝注册的因素，除了算法本身的原因外，更多的受指纹采集设备的成像能力的影响。

指纹采集设备输出的指纹图像质量越好，指纹识别系统的拒登率越低，指纹采集设备输出的指纹图像质量越低，其拒登率越高。

注册时间是用来衡量指纹算法性能的另一个指标。

它是指从输入指纹图像到指纹建档成功（注册成功）的时间。

根据FVC大赛的结果，一般的指纹算法注册时间在0.5秒以内，这也是FVC以参加LIGHT组比赛的算法提出的参赛资格之一。

匹配时间有时称为比对速度，是用来指示指纹识别算法完成一次匹配所需的时间。

它是从指纹图像输入算起到匹配结果输出为止的时间。

参加算法大赛的绝大多数算法的匹配时间在0.3秒以内，这个参数与注册时间最小值一起构成LIGHT组的参赛条件。

由于这些时间都是受待测的指纹图像的质量影响，故一般取多个指纹库的平均值，一般拿平均注册时间和平均匹配时间作为衡量依据。

指纹锁的匹配方式1:1,1:N是什么意思

1. 指纹锁的匹配方式1:1就是指纹采样时对同一指纹录入1次样，指纹识别时只对比一次，然后判断是与否。

优点：速度比1:N快一点； 缺点；误识率相对1：N要高点。

2. 1：N就是指纹采样时对同一指纹录入N次样，指纹识别时对比N次，然后判断是与否。

缺点：速度比1：1慢一点； 优点：误识率相对1：1要低点。

3. 由于指纹本身的唯一性，误识率已经很低，N一般为2-4，过高无意义。

4. 指纹锁是智能锁具，它是计算机信息技术、电子技术、机械技术和现代五金工艺的完美结晶。

指纹的特性成为识别身份的最重要证据而广泛应用于公安刑侦及司法领域。

指纹认证具有方便、快速、精确、的特点。