EEPW论坛

指纹识别技术详解

从“指纹”到“指纹术”的研究，经历了漫长的过程。指纹技术形成之后，又经过了从人工识别技术到自动化识别技术的发展转变。随着计算机图像处理技术和信息技术的发展，指纹识别技术逐渐进入IT技术领域，与众多计算机信息系统结合在一起，被广泛应用起来。本章介绍指纹识别技术的主要技术构成。

几个重要概念

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。

指纹识别系统

指纹识别系统经过人工识别到机器识别的发展之后，进入自动识别阶段，称为自动指纹识别系统（AFIS）。一个典型的自动指纹识别系统，包括与人交互的前端子系统――自动指纹采集设备、完成指纹图像处理和特征值提取的后台子系统，以及用于指纹库存储的数据库子系统。当后台子系统用于指纹注册过程时，可以称为指纹注册子系统。当它用于指纹辨识过程时，称为指纹辨识子系统。

指纹注册又叫指纹登记。是从指纹图像中提取指纹特征值，形成指纹特征值模板，并与人的身份信息结合起来，存储在指纹识别系统中的过程。它相当于为指纹报户口。所以指纹注册的时候，需要保证指纹与身份信息之间的正确对应。尤其对于政府、社团、公司等单位进行指纹注册时，防止冒名顶替，避免指纹与身份信息关联错误，是非常重要的。因此在这类指纹应用中，指纹登记的过程，需要现场督导人员参与。甚至把督导人的指纹采集到系统中，作为注册者指纹特征值模板的组成部分，以示职责之重要，并为后续责任审计提供依据。

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。

FRR（False Rejection Rate）和FAR（False Acceptance 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3x99x3x100=89100次。理论情况下，匹配成功次数为6x100=600次，匹配失败次数应为89100-600=88500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。所以在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

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。所以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，所以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。

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REJ_ENROLL。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REJ_ENROLL　＝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REJ_ENROLL　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。

注册时间和匹配时间

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，所以一般取多个指纹库的平均值，所以一般拿平均注册时间和平均匹配时间作为衡量依据。