1、“.....占用个比特位。图特征参量提取流程图第二种信息标记的编码格式如下其中存放的是特征点在图像中的坐标，占用个比特位存放的是特征点在图像中的坐标，占用个比特位存放的是特征点的类型，占用个比特位，其中。表示纹线端点，表示分叉点表示特征点所在的块方向，占用个比特位,存放的是特征点所在脊线的采样点。表示第个采样点到特征点的距离，占用个比特位表示第个采样点和对应特征点的连线与特征点方向的夹角，占用个比特位。由特征点编码我们可以清晰看到，第种标记信息比第二种标记信息所用的存储空间要小。本章小结本章针对指纹图像由于噪声而提取到的伪特征点进行了验证，并取得了良好的结果。但是，在验证过程中会损失部分真正的特征点，虽然匹配工作不需要匹配所有的真特征点，但是对于特征点较为敏感的匹配算法这样做就会对最后的匹配结果造成较大的不良影响。因此......”。

2、“.....从而避免影响最终的识别结果，当然匹配算法也要尽量改进，具有更高的适应性。另外，在这章，我们还采用了种有效的提取奇异点的方法通过求各点的工值，从而确定奇异点及其类型。该方法迅速有效，且便于实现。在提取指纹细节特征的信息时，针对指纹在输入过程中会造成非线性形变的特点，我们用提取特征点与参考点之间的纹线数来代替提取它们之间的距离，这样所提取到的信息具有更高的容忍度，不受指纹图像的平移旋转和伸缩的影响。但是，特征信息是依据中心点参照点来确定的，如果指纹图像不全或模糊，无法提取到奇异点中心点和三角点，那么信息确定的基础就没有了。因此，特征提取算法需要进步改进，可以结合匹配过程来进行，比如我们后面采用的匹配算法可以克服这缺点。最后，对于如何保存所提取到的特征信息以便于后处理，本章还介绍了两种信息编码格式，采用编码方式可以大大减少信息所占的空间，提高后续过程的处理速度......”。

3、“.....也称为比对，在模式识别系统中是核心坏节。指纹图像匹配算法的优劣直接影响着自动指纹识别系统的性能，因此，本文在这章着重讨论指纹的匹配算法。传统的特征匹配有两种种是基于以上处理的点模式匹配，即将细节特征点表示成点模式进行匹配另种是基于纹理信息的匹配模式，通过纹理特征模型将图像匹配转化成模式识别的纹理匹配问题。当前所采用的指纹匹配算法大体上都采用点模式匹配方法。图两幅来自同手指的指纹图像理想情况下，如果满足下面的三个条件知道了匹配的两枚指纹的对应关系二者之间没有诸如偏移旋转非线性形变等因素影响指纹图像中每个细节特征点都能很准确地定位。那么指纹匹配的问题就简单到累加两枚指纹中匹配上的点对的个数。然而实际情况确往往是这样的我们事先并不知道两枚指纹的对应关系待匹配的两枚指纹间的偏移旋转和非线性形变是不可避免的指纹图像中会存在伪细节特征点真实的细节特征点有可能会丢失......”。

4、“.....指纹匹配时取得细节特征点的对应关系恢复形变检测伪细节特征点是必须的。但这些工作并不是容易的事情，这可由图看出，图中的两幅指纹图像虽然来自于同手指，但存在着不少差别。下面将先对已经提出的各种匹配算法作以介绍。文献综述在指纹识别中，指纹图像的变形可以由线性变形和非线性变形组成。线性变形可以通过数学方法求解后解决，而非线性变形目前还没有非常好的解决方法。,和,等提出的基于变换的方法把点模式匹配转化成了对变换参数的空间中峰值的检测。该方法将变化参数离散化，并在离散化后的参数空间积累各自的置信度。另外，通过在细节点周围的定范围内设定个边界框来增强算法对细节点位置偏移的承受能力。这种方法的相对缺点在于细节点数量较少时，很难在变换参数的空间中积累起足够大的证据来保证个可靠的匹配。另外，该方法有计算量大，时间复杂度高的缺点，需要很高性能的计算环境的支持。与提出了点匹配的松弛算法......”。

5、“.....两个点集中其余点的匹配程度，迭代计算每组可能的对应点的可靠度。直到满足种条件，迭代停止。尽管后来的研究人员提出了很多的改进算法，试图降低它的计算复杂性，但都没有改变它的迭代本质。所以仍然存在计算速度慢的缺点，并且不能很好地处理具有较大变形的指纹。与从能量最小化的角度描述点匹配问题，并使用了模拟退火的方法。该方法的计算量也较大，不适合应用于实时的自动指纹识别系统。等提出了比较两个点集中构成的全部三元组后，积累各自的置信度后，找出最可靠的变换方法仁。该方法计算量大，对细节点的丢失或增加比较敏感，匹配的精度不够理想。研究中心的等提出了利用专利算法算法和指纹图像中对刚性变换不变的些细节点的结构信息，如细节点间连线跨越脊线的数目临近的细节点的类型等进行细节匹配研究所的提出了更细致的指纹特征模型。该模型能区分十种不同的指纹特征。与等都提出了基于结构信息的指纹特征匹配方法......”。

6、“.....并用图匹配的方法来匹配指纹图像。这些方法都利用了指纹图中的拓扑结构信息，以克服指纹图的噪声旋转与变形对识别的干扰。般的图匹配是个完全问题，所以需要大量的辅助结构信息使算法的时间复杂度下降。但在实际应用中，很难保证能够正确的提取出所需要的结构信息，所以该算法鲁棒性不够理想。等描述了三种指纹匹配的方法。种是利用光学仪器实现两幅指纹图的灰度相关性计算，该方法速度快，但实现的价格昂贵并且不宜携带。种是方法，在图像识别中就是变换，该方法对于伪细节点和细节点的丢失或增加非常敏感，效果并不理想。种是的神经网络算法，该算法简单鲁棒性好，但计算代价非常大。和提出了个五邻域结构的模型。这个模型能够处理指纹的旋转拉伸移位等问题，具有很好的匹配特性，特别是对于质量较好的指纹图像。但这种模型对指纹图像的质量要求高，如果指纹图像模糊不清，质量不好时，该模型会遇到困难......”。

7、“.....即中心点与特征点之间相隔的脊线数，而采用中心点与特征点之间的绝对距离和相对角度差作为分量。实际的指纹图像不可避免存在着不同程度的形变会使模型所采用的两分量不够可靠，从而造成误差影响匹配结果。和等人提出了种动态串匹配的匹配算法，他们对两个待匹配的指纹特征点集进行递归串匹配，得到两个细节点集合的匹配近似度的个阂值。阂值越小，说明两个集合匹配得越好相反，闭值越大，说明两个集合匹配得越差。这种方法具有很高的适应性，能处理指纹匹配中的大部分问题，但是对于具有不同特征点个数不同细节点个数的两个细节点集合而言，定出个分类阂值是件非常困难的事情。融合结构信息的指纹匹配算法本文采用的是提出的细节点即细节特征模型的匹配方式，是个点模式匹配问题。是否匹配取决于输入细节点集合和模板细节点集合中能否有足够多的能匹配上的细节点对，如果这个数量小于设定的阑值则认为匹配失败，反之则认为匹配成功......”。

8、“.....其中点集是模板细节点信息，也即事先存储的指纹细节点信息点集是从输入的指纹图像中提取出来的细节点信息。其中细节点信息记录的内容可见上章。不妨设点集尸中有个细节点的信息，中有个细节点的信息，不失般性，令假设这两幅指纹图像是来自同个手指，则可通过对输入的指纹图像作些变换旋转平移和伸缩得到近似的模板中的指纹图像。因此点集可以通过旋转平移和伸缩等变换近似成点集，其中些点可能被噪声偏移出应有的位置，还有些点可能被添加或丢失。这样对两幅指纹图的匹配就转换成了发现种变换，使得两个点集可以较好的匹配的问题。由于采集指纹时手指摆放的位置以及按压的力度不可能完全样，所以即使是从同手指采集到的两幅指纹图像也不可能相同。通过几何变换虽然可以解决指纹的旋转平移和伸缩问题，但无法处理因手指按压力度不同而产生的非线性形变......”。

9、“.....也就是图像校准。采取适当的策略处理两幅指纹图之间的非线性形变问题。指纹的非线性形变往往呈放射状，在个区域内的形变比较大，然后非线性地向外扩张，因此采用极坐标来进行细节匹配是非常方便的，可以更好地描述非线性形变。另外，在极坐标系中不需要考虑输入图像与模板图像的参照点之间的平移，因为输入图像与模板间的平移是固定的，也就是说另外对对应点之间的平移与参照点之间的平移是样的，这样，将另外对对应点的坐标相对于参照点转换为极坐标时，平移就被抵消掉了。而且，在极坐标系中显然比在直角坐标系中更便于处理两幅图像之间的旋转。综上所述，本文采用极坐标系进行细节匹配。现在我们来解决刚才提到的第个问题图像校准。图像校准由于输入的指纹图像与数据库中的模板图像之间存在平移旋转尺度变化等形变，因此在进行图像校准前要先估计这两幅图像之间的形变参数，并以此对它们进行校准......”。