技术摘要：
本发明提出一种基于聚类分析和模糊逻辑的指纹和指静脉特征融合方法，包括以下步骤：步骤1)提取指纹和指静脉图像，进行图像预处理，特征点提取和特征点匹配，计算出匹配分数；步骤2)使用k‑medoid聚类算法，分别对指纹匹配分数和指静脉匹配分数进行聚类分析，将每种模态 全部
背景技术：
身份认证是人们日常生活中息息相关的一环，小到家庭管理、资金管理，大到国家 管理、金融管理，无时无刻不在进行着身份认证。基于生物特征的身份识别技术凭借较高的 安全性和便利性受到用户的青睐，具有较强优势。单模态生物特征识别往往由于传感器的 噪声以及特征提取和匹配的缺陷而使得误识率过高，或由于特征易丢失而存在安全性方面 的问题，对应用的环境也有过多的限制，而且每一种生物特征也并不可能具有真正意义上 的普遍性。这样一些固有问题的存在很难通过单纯的改进匹配方法来解决，运用多模态生 物特征识别系统可以克服以上问题。指纹特征有持久不变性和应用普遍性的优点，指静脉 具有高度防伪性，将这两中模态进行融合不但能实现准确性与安全性的优势互补，大大提 高系统的识别性能和使用价值，而且指纹与指静脉两种特征在手指同一部位同时采集，在 方便硬件集成，降低成本的同时极大地提高了系统的安全性。基于指纹和指静脉特征的双 模态融合识别在生物特征识别领域具有较强优势。
技术实现要素：
针对现有技术不足，本发明提供一种基于聚类分析和模糊逻辑的指纹和指静脉特 征融合方法，以提高生物特征匹配的识别率，提高系统鲁棒性，运行效率和安全性。 为实现上述目的，本发明采用如下技术方案： 基于聚类分析和模糊逻辑的指纹和指静脉特征融合方法，包括如下步骤： 步骤1：提取指纹图像和指静脉图像，分别进行图像预处理，特征点提取和特征点 匹配，计算出匹配分数并进行归一化处理； 步骤2：使用k-medoid聚类算法，分别对归一化后的指纹匹配分数和指静脉匹配分 数进行聚类分析，将每种模态的匹配分数分为若干类，并将这若干类匹配分数组成的集合 作为模糊子集； 步骤3：选择隶属度函数，对输入变量和输出变量分别进行模糊化处理，建立输入 变量和输出变量之间的模糊逻辑关系； 步骤4：使用模糊推理法获得模糊推理结论； 步骤5：使用加权平均判决法进行去模糊化，获得最终融合结果，并做出决策。 进一步的，步骤1中，所述图像预处理包括图像尺度和灰度归一化，去除图像噪声， 去除图像空洞和毛刺和图像细化。 进一步的，步骤1中，指纹图像的特征点提取采用Poincare Index指纹奇异点检测 算法。 进一步的，步骤1中所述特征点匹配，对于指纹特征，通过计算原始图像和待匹配 4 CN 111611890 A 说 明 书 2/5 页 图像的欧几里得距离进行匹配；对于指静脉特征，通过计算原始图像和待匹配图像特征码 的Hamming距离进行匹配。 进一步的，步骤2中所述使用k-medoid聚类算法，分别对指纹匹配分数和指静脉匹 配分数进行聚类分析，其具体步骤如下： 步骤2.1：输入单模态匹配分数集； 步骤2.2：随机选择若干个代表对象作为初始的中心点； 步骤2.3：指派每个剩余对象给离它最近的中心点所代表的簇； 步骤2.4：计算其余所有的点到各个中心点的距离，并把每个点到各个中心点最短 的聚簇作为自己所属的聚簇； 步骤2.5：在每个聚簇中按照顺序依次选取点，计算该点到当前聚簇中所有点距离 之和，最终距离之和最小的点，则视为新的中心点； 步骤2.6：重复步骤2.4，步骤2.5，直到各个聚簇的中心点不再改变。 进一步的，步骤2中所述将每种模态的匹配分数分为三类：相同类，不确定类和不 同类，其具体分类原则为：根据每个聚簇中心对应的归一化后的匹配分数的大小，有小到大 将匹配分数分为相同类，不确定类和不同类。 进一步的，步骤3中对输入变量中不确定类匹配分数采用三角形隶属函数，对输入 变量中相同类和不同类匹配分数采用梯形隶属函数。 进一步的，步骤3中对输出变量进行模糊化处理采用三角形隶属函数；将输出变量 命名为识别结果，定义其范围为[0,1]；该输出变量有五个模糊子集，分别命名为：很好，好， 中等，差，很差。 进一步的，步骤3所述输入变量和输出变量之间的模糊逻辑关系包括如下规则： 规则1：如果指纹匹配分数属于相同类且指静脉匹配分数属于相同类，则识别结果 为很好； 规则2：如果指纹匹配分数属于相同类且指静脉匹配分数属于不确定类，则识别结 果为好； 规则3：如果指纹匹配分数属于相同类且指静脉匹配分数属于不同类，则识别结果 为中等； 规则4：如果指纹匹配分数属于不确定类且指静脉匹配分数属于相同类，则识别结 果为好； 规则5：如果指纹匹配分数属于不确定类且指静脉匹配分数属于不确定类，则识别 结果为中等； 规则6：如果指纹匹配分数属于不确定类且指静脉匹配分数属于不同类，则识别结 果为差； 规则7：如果指纹匹配分数属于不同类且指静脉匹配分数属于相同类，则识别结果 为中等； 规则8：如果指纹匹配分数属于不同类且指静脉匹配分数属于不确定类，则识别结 果为差； 规则9：如果指纹匹配分数属于不同类且指静脉匹配分数属于不同类，则识别结果 为很差。 5 CN 111611890 A 说 明 书 3/5 页 进一步的，步骤4所述模糊推理法为mamdani模糊推理法。 有益效果：该方法能够提高生物特征识别系统的识别率，从而提高系统的工作效 率。指纹特征有持久不变性和应用普遍性的有点，指静脉具有高度防伪性，将这两中模态进 行融合不但能实现准确性与安全性的优势互补，大大提高系统鲁棒性。 附图说明 图1是本发明基于聚类分析和模糊逻辑的指纹和指静脉特征融合方法流程图。
