·238 智能系统学报 第7卷 采用细节点匹配的分值，而S,（I,J)为脊线匹配的 点指纹引起的，MLR算法中参与匹配的脊线数量较 分值，取入，和入2分别为这2种不同特征对应的权 少，虽特征提取耗时短，但对算法精度的提高也相对 系数，则细节特征和脊线特征的综合匹配分值计算 较低；MF℃算法采用的是指纹脊线的纹理和流向等 如式(6)： 较“粗”的特征，精度提高有限，且特征提取计算量 S=A S(I,J)+A2S,(I,J). (6) 较大；本文算法MGR采用的脊线匹配更好地提高 了不完整指纹或少细节点指纹的匹配精度，从而有 3实验结果与分析 效提高了整体匹配的精度.从表2知，在匹配时间方 按FVC20001o]的测试标准，在CPU主频 面（即每种算法在4个库中所有匹配的平均时间， 1.6GHz、内存512MB的笔记本微机上，采用 不包括预处理和特征提取时间)，由于实际采用脊 FVC2004公布的4个指纹库进行实验，每个库包含 线匹配的次数较少（经统计，脊线匹配的次数约占 800(100×8)张指纹图像.每个样本与相同手指未 总匹配次数的6%左右)，所以每个库的平均匹配时 能匹配上的其余样本的比率称为错误拒绝率(false 间没有明显增加. non-match rate,FNMR),每个库FNMR的实际测试 表1特征提取耗时比较 总数为((8×7)/2)×100=2800次.每个手指的第 Table 1 Comparison of time consuming for feature extraction s 1个样本与其他手指的第1个样本匹配成功的比率 算法 DB1 DB2 DB3 DB4 平均 称为错误接受率(false match rate,FMR),每个库 M 0.27 0.25 0.33 0.26 0.28 FMR实际测试的总数为(100×99)/2=4950次 MLR 0.32 0.27 0.39 0.29 0.32 EER(equal error rate)也叫等错误率，是当FNMR= MFC 1.31 1.24 1.61 1.13 1.32 MGR 0.87 0.71 0.98 0.68 0.81 FMR时的FNMR值，ROC是采用对数坐标的FMR 与FNMR的关系曲线. 表2EER及特征匹配耗时比较 本文同时实现了4种算法，分别是细节点匹配 Table 2 Comparison of EER and matching time consuming 算法[9]、局部脊线匹配算法山、FingerCode算法[81以 EER/% 及本文脊线匹配算法，分别记为M、MLR、MF℃和 算法 耗时/s DB1 DB2 DB3 DB4 MGR,其中MLR、MFC和MGR中均以M算法为基 M 9.15 7.07 6.01 4.35 0.04 础，再融合各自特有的算法.为便于比较，在进行 MLR 8.21 6.71 5.55 4.25 0.04 MFC和本文MGR算法实验时，首先进行细节匹配， MFC 8.04 6.62 5.27 4.01 0.04 同时检查获得最佳匹配值时参与匹配的细节点数， MGR 7.32 5.93 4.45 3.32 0.04 如果细节点数少于5个，则分别实施这2种算法，并 且都根据式(6)与细节点算法加权融合，以进行2 表3EER下降程度比较 种算法的性能比较，其中细节点相似度的权值入，取 Table 3 Comparison of the decrease level on EER 为0.6，脊线或FingerCode算法的权值入2取为0.4. 算法 DB1 DB2 DB3 DB4 平均 表1是4种算法对4个指纹库进行特征提取的 MLR 10.3 5.09 7.65 2.30 6.34 耗时比较，表2是4种算法在4个库中的匹配等错 MFC 12.1 6.36 12.3 7.82 9.65 MGR 20.0 16.1 26.0 23.7 21.5 误率和平均耗时的比较，表3给出了MLR、MFC和 MGR3种算法与M算法相比，等错误率下降程度的 统计结果，图5是4种算法在4个指纹库上的R0C 曲线.由表1可见，与算法M相比，MLR、MFC和 MGR3种算法都需要更大的计算量，其中以MFC算 △一M 法耗时最长，平均达到了1.328，本文算法MGR次 MLR 之，平均耗时0.818，MLR算法最少.由表2可见， MFC ◇一MGR EER 与算法M相比，MLR、MFC和MGR3种算法都明显 降低了等错误率EER,但从表3可见，本文算法 MGR使EER平均下降了21.5%，明显优于MLR算 -2 lg(FMR) 法的6.34%和MF℃算法的9.65%.由于指纹匹配 (a)DB1匹配的ROC曲线 错误大都是由于低质量指纹、不完整指纹或少细节