Algorithm 基于细节点的指纹匹配算法

问题

我需要匹配两个指纹并给相似性评分

我以前发布过一篇文章，但我认为我已经取得了足够的进步，可以提出一个新问题

输入

对于每个图像，我都有一个细节列表（要点）。我想通过匹配这两个列表来匹配指纹

以图形方式表示时，它们如下所示：

一个细节由一个三元组

（i，j，θ）

组成，其中：

• i

  是矩阵中的行

• j

  是矩阵中的列

• theta

  是一个方向。我还没有在匹配算法中使用该参数

我到目前为止所做的事情

• 对于每个列表，找到“密集区域”或“簇”。有些区域比其他区域有更多的点，我已经编写了一个算法来查找它们。如果你愿意，我可以进一步解释
• 移动第二个列表以说明两个图像之间手指位置的差异。我忽略了手指旋转的差异。移动是通过调整星团中心的重心来完成的。（它比所有细节的重心更可靠）
• 我尝试为每个列表（轮班后）构建一个矩阵，以便为每个细节增加相应的元素及其近邻，如下所示

  11

  12 1

  1232 1

  1234321

  1232 1

  12 1

  11

• 通过减去这两个矩阵，并将所得矩阵中所有元素的绝对值相加，我希望得到接近指纹的较低数字

结果

• 我测试了一些指纹，发现聚类的数量非常稳定。匹配的指纹通常具有相同数量的簇，不同的手指给出不同的数字。所以这肯定是整体相似性得分的一个因素
• 然而，这些差异的总和根本不起作用。相似性和总和之间没有相关性

思想

• 我可能需要使用点的方向，但我不知道如何使用
• 我可以使用点或簇的标准偏差
• 我可以对不同类型的细节重复这个过程。现在，我的算法检测脊端点和脊分叉，但也许我应该分别处理它们

问题：如何改进算法？

编辑

自从发布这个问题以来，我已经走了很长一段路，所以这里是我的更新

我完全放弃了这些分支，因为我的细化算法太频繁地把它们搞砸了。然而，我最终还是使用了很多角度

我最初的群集计数想法在我进行的小规模测试中（我的手指和少数志愿者的手指的不同组合）确实很有效

我根据以下测试给出分数（10次测试，因此每次成功10%。这有点幼稚，但我会找到更好的方法将这10次结果转化为分数，因为每次测试都有其特殊性）：

• Cluster thingy（以下所有内容都不使用集群，而是使用细节。这是我采用的唯一与集群相关的方法）
• 平均

  i

  位置
• 平均角

• i

  差异

• j

  差异
• 角度方差

• i

  峰度

• j

  峰度
• 角峰度

• j

  偏度

确实是一种统计方法

---

同样的手指比较几乎总是在80%到100%之间。0和60%之间的奇数指比较（不经常为60%）。我这里没有确切的数字，所以我不会假装这是一个统计上显著的成功，但这似乎是一个很好的第一枪。

您的聚类方法很有趣，但有一件事我很好奇，那就是您对它的测试有多好。为了使新的匹配算法对现有的所有研究和方法都有用，您需要有一个合理的低EER。您是否使用任何标准数据库测试过您的方法？我怀疑单靠集群计数和位置就能够在更大范围内识别个体

1） 指纹匹配是一个研究得很好的问题，有很多好的论文可以帮助您实现这一点。想要有一个好的开始，请查看这篇由Jiang&Yau撰写的文章。这是一篇经典的论文，篇幅很短（只有4页），可以相当合理地实现。他们还定义了一个评分标准，可用于量化两个指纹图像的匹配程度。同样，这应该只是一个起点，因为现在有许多算法表现得更好

2）如果你希望算法是健壮的，它应该考虑图像之间的指纹变换。扫描指纹和潜在指纹在图像之间可能不一致

此外，计算细节点的方向提供了处理指纹旋转的方法。通过测量细节点方向之间的角度，无论全局旋转如何，多幅图像中的细节点方向将保持相同或接近相同（尽管可能会出现小的不一致，因为皮肤不是刚性的，可能会略微拉伸），您可以找到对应细节对或三元组的最佳集合，并将它们用作旋转对齐的基础

3） 我建议您区分脊线端点和分叉。您可以分离的特征越多，就越能准确地确定指纹是否匹配。你也可以考虑这个数字。