空间指纹算法

① 数字证书的签名哈希算法跟指纹算法都是指对摘要（指纹的）的编码吗

证书签名使用的算法是发布者自己规定的 使用自己的私钥对证书编码的哈希值进行加密 一般算法为md5withrsa或者sha256withrsa。哈希算法是唯一的 就是把证书编码转换为固定长度的2进制 这个过程不可逆 就是说无法通过哈希值还原证书编码。指纹算法就是哈希算法 一般都是sh1。证书认证的流程是证书所有者把证书和指纹（证书的哈希值并用私钥加密）发给用户 用户根据证书计算出一个哈希值 用公钥解密指纹得到一个哈希值 看一下两者是否相同 相同及证明证书未被篡改。算法是由所有者的私钥加密的。ca的作用是ca是可以认证一个证书链，源头就是ca 一旦你信任了这个ca 就是信任了ca发布的证书，这样你与ca发布的证书的所有者通信时可以根据证书链找到ca ca可信任了则这个发布者就是可信任的

② 如何设置隐私空间的指纹密码

1、点击打开桌面上的【设置】， 选择【隐私】选项。 2、点击【隐私空间】，选择【开启】。 3、输入主空间密码后，设定一个与主空间不同的隐私空间密码，选择关联指纹，然后录入指纹即可。

③ 每天都用指纹识别，那指纹识别技术的工作方式是什么呢

首先介绍一下生活中主要应用的几种指纹识别技术，分别是光学式和电容式指纹识别还有超声波识别。

光学式指纹识别

光学识别是应用比较早的一种指纹识别技术，比如之前很多的考勤机、门禁都采用的就是光学指纹识别技术。

它主要是利用光的折摄和反射原理，将手指放在光学镜片上，手指在内置光源照射下，光从底部射向三棱镜，并经棱镜射出，射出的光线在手指表面指纹凹凸不平的线纹上折射的角度及反射回去的光线明暗就会不一样。用棱镜将其投射在电荷耦合器件上CMOS或者CCD上，进而形成脊线（指纹图像中具有一定宽度和走向的纹线）呈黑色、谷线（纹线之间的凹陷部分）呈白色的数字化的、可被指纹设备算法处理的多灰度指纹图像。然后对比资料库看是否一致。而三星Galaxy S7 Edge就采用了用手指直接按压屏幕就可以实现解锁的光学指纹解锁技术。

超声波指纹识别

超声波指纹识别也可称为射频式指纹识别。超声波指纹识别与电容式需要检测指纹表面不同，超声波具有穿透性，利用指纹模组发出的特定频率的超声波扫描手指，利用指纹的不同对超声波反射的不同，能够建立3D指纹图形，因此对手指表面的清洁程度并不用太过考虑。另外，由于超声波具有比较强的穿透性，可以穿透金属、玻璃等常用手机材质，因此对手机外观方面也不会有太多限制。

④ 指纹锁的匹配方式1:1,1:N是什么意思

• 指纹锁的匹配方式1:1就是指纹采样时对同一指纹录入1次样，指纹识别时只对比一次，然后判断是与否。优点：速度比1:N快一点； 缺点；误识率相对1：N要高点。

• 1：N就是指纹采样时对同一指纹录入N次样，指纹识别时对比N次，然后判断是与否。缺点：速度比1：1慢一点； 优点：误识率相对1：1要低点。

• 由于指纹本身的唯一性，误识率已经很低，N一般为2-4，过高无意义。

• 指纹锁是智能锁具，它是计算机信息技术、电子技术、机械技术和现代五金工艺的完美结晶。指纹的特性成为识别身份的最重要证据而广泛应用于公安刑侦及司法领域。指纹认证具有方便、快速、精确、的特点。

⑤ 指纹识别是怎么一回事

指纹识别技术主要涉及四个功能：读取指纹图象、提取特征、保存数据和比对。

在一开始，通过指纹读取设备读取到人体指纹的图象，取到指纹图象之后，要对原始图象进行初步的处理，使之更清晰。

接下来，指纹辨识软件建立指纹的数字表示——特征数据，一种单方向的转换，可以从指纹转换成特征数据但不能从特征数据转换成为指纹，而两枚不同的指纹不会产生相同的特征数据。软件从指纹上找到被称为“节点”（minutiae）的数据点，也就是那些指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。因为通常手指上平均具有70个节点，所以这种方法会产生大约490个数据。

有的算法把节点和方向信息组合产生了更多的数据，这些方向信息表明了各个节点之间的关系，也有的算法还处理整幅指纹图像。总之，这些数据，通常称为模板，保存为1K大小的记录。无论它们是怎样组成的，至今仍然没有一种模板的标准，也没有一种公布的抽象算法，而是各个厂商自行其是。

最后，通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。

二. 取得指纹图象

1.取象设备原理

取像设备分成两类：光学、硅晶体传感器和其他。

光学取像设备有最悠久的历史，可以追溯到20世纪70年代。依据的是光的全反射原理(FTIR)。光线照到压有指纹的玻璃表面，反射光线由CCD去获得，反射光的数量依赖于压在玻璃表面指纹的脊和谷的深度和皮肤与玻璃间的油脂。光线经玻璃设到谷后反射到CCD，而设到脊后则不反射到CCD（确切的是脊上的液体反光的）。

由于最近光学设备的革新，极大地降低了设备的体积。最近90年代中期，传感器可以装在6x3x6英寸的盒子里，在不久的将来更小的设备是3x1x1英寸。这些进展取决于多种光学技术的发展而不是FTIR的发展。例如：纤维光被用来捕捉指纹图象。纤维光束垂直射到指纹的表面，他照亮指纹并探测反射光。另一个方案是把含有一微型三棱镜矩阵的表面安装在弹性的平面上，当手指压在此表面上时，由于脊和谷的压力不同而改变了微型三棱镜的表面，这些变化通过三棱镜光的反射而反映出来。

应用晶体传感器是最近在市场上才出现的，尽管它在传奇文学作品中已经出现近20年。这些含有微型晶体的平面通过多种技术来绘制指纹图象。电容传感器通过电子度量被设计来捕捉指纹。电容设备能结合大约100,000导体金属阵列的传感器，其外面是绝缘的表面，当用户的手指放在上面时，皮肤组成了电容阵列的另一面。电容器的电容值由于金属间的距离而变化，这里指的是脊（近的）和谷（远的）之间的距离。压感式表面的顶层是具有弹性的压感介质材料，他们依照指纹的外表地形（凹凸）转化为相应的电子信号。温度感应传感器被设计为感应压在设备上的脊和远离设备的谷温度的不同。

超声波扫描被认为是指纹取像技术中非常好的一类。很象光学扫描的激光，超声波扫描指纹的表面。紧接着，接收设备获取了其反射信号，测量他的范围，得到脊的深度。不象光学扫描，积累在皮肤上的脏物和油脂对超音速获得的图象影响不大，所以这样的图象是实际脊地形（凹凸）的真实反映。

由于巨大的指纹辨别市场，如果想指纹识别在商业上的巨大成功，三个因素中的两个因素是非常重要的，它们是低价格和紧凑的体积（另外一个是上面谈到的识别率）。90年代初到后期，取像设备的价格已经剧烈的下降，制造商最近又承诺，在最近几年后，又要进行大幅度降价。至于体积，上面已经提到光学传感器的体积从6x3x3英寸降到3x1x1英寸。应用晶体的传感器的体积差不多是这样或者更小。在晶片上，集成电路的技术越来越高（如：数字化电路把指纹信号转化为数字信号强度），系统体积将越来越小，晶体传感器的体积接近与手指大小所需要的体积，其长宽大约是1x1英寸高不到1英寸。

在晶体传感器之前，一些没有用到的机能是局部调整、软件控制、自动获取控制(AGC)技术。对于大多数光学设备，只能通过人工调整来改变图象的质量。然而，晶体传感器提供自动调节象素，行以及局部范围的敏感程度，从而提高图象的质量。AGC在不同的环境下结合反馈的信息产生高质量的图象。例如，一个不清晰（对比度差）的图象，如干燥的指纹，能够被感觉并增强灵敏度，在捕捉的瞬间产生清晰的图象（对比度好）；由于提供了局部调整的能力，图象不清晰（对比度差）的区域也能够被检测到（如：手指压得较轻的地方）并在捕捉的瞬间为这些象素提高灵敏度。

光学扫描也有自己的优势。其中之一在较大的模型可以做较大指纹取像区域。而制造较大的应用晶体传感器的指纹取像区域是非常昂贵的，所以应用晶体传感器的指纹取像区域小于1平方英寸，而光学扫描的指纹取像区域等于或大于1平方英寸。然而这个对于较小的光学扫描设备并不是优势。较小的光学扫描也是较小指纹取像区域，这是因为较大的指纹取像区域需要较长的焦点长度，所以要有较大包装，否则如果较大的取像区域使用较小的包装，则光学扫描设备会受到图象边缘线形扭曲的影响。

晶体传感器技术最重要的弱点在于，它们容易受到静电的影响，这使得晶体传感器有时会取不到图象，甚至会被损坏，另外，它们并不象玻璃一样耐磨损，从而影响了使用寿命。

总之，各种技术都具有它们各自的优势，也有各自的缺点。我们在下面给出三种主要技术的比较。

比较项目 光学全反射技术 硅晶体电容传感技术 超声波扫描
体 积 大 小 中
耐 用 性 非常耐用 容易损坏 一般
成像能力 干手指差，但汗多的和稍脏的手指成像模糊 干手指好，但汗多的和稍脏的手指不能成像 非常好
耗 电 较多 较少 较多
成 本 低 低 很高

2. 图象增强

刚获得的图象有很多噪音。这主要由于平时的工作和环境引起的，比如，手指被弄脏，手指有刀伤、疤、痕、干燥、湿润或撕破等。图象增强是减弱噪音，增强脊和谷的对比度。想得到比较干净清晰的图象并不是容易的事情。为这个目标而为处理指纹图象所涉及的操作是设计一个适合、匹配的滤镜和恰当的阀值。

指纹还有一些其他的有用的信息。比如：类似于脊的“多余的部分”，即使一些特别的脊不连续，但仍可认为是脊的一部分，从而决定他的走向。我们可以利用这些“多余的信息”。

有很多图象增强的方法。大多数是通过过滤图象与脊局部方向相匹配。图象首先分成几个小区域（窗口），并在每个区域上计算出脊的局部方向来决定方向图。可以由空间域处理，或经过快速2维傅立叶变换后的频域处理来得到每个小窗口上的局部方向。

设计合适的，相匹配的滤镜，使之实用于图象上所有的象素（空间场是其中的一个）。依据每个象素处脊的局部走向，滤镜应增强在同一方向脊的走向，并且在同一位置，减弱任何不同于脊的方向。后者含有横跨脊的噪音，所以其垂直于脊的局部方向上的那些不正确的“桥”会被滤镜过滤掉。所以，合适的、匹配的滤镜可以恰到好处地确定脊局部走向的自身的方向，它应该增强或匹配脊而不是噪音。

图象增强，噪音减弱后，我们准备开始选取一些脊。虽然，在原始灰阶图象中，其强度是不同的而按一定的梯度分布，但它们真实的信息被简单化为二元：脊及其相对的背景。二元操作使一个灰阶图象变成二元图象，图象在强度层次上从原始的256色（8-bits）降为2色(1-bits)。图象二元化后，随后的处理就会比较容易。

二元化的困难在于，并不是所有的指纹图象有相同的阀值，所以一般不采取从单纯的强度入手，而且单一的图象的对照物是变化的，比如，手在中心地带按的比较紧。因此一个叫“局部自适应的阀值（locally adaptive thresholding）”的方法被用来决定局部图象强度的阀值。

在节点提取之前的最后一道工序是“细化（thinning）”。细化是将脊的宽度降为单个象素的宽度。一个好的细化方法是保持原有脊的连续性，降低由于人为因素所造成的影响。人为因素主要是毛刺，带有非常短的分支而被误认为是分叉。认识到合法的和不合法的节点后，在特征提取阶段排除这些节点。

三. 指纹识别技术的基本原理

指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图象。多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图象属于个人隐私，因此不能直接存储指纹图象）。但指纹识别算法最终都归结为在指纹图象上找到并比对指纹的特征。

指纹的特征

我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。总体特征是指那些用人眼直接就可以观察到的特征，包括：

基本纹路图案
环型（loop）, 弓型（arch）, 螺旋型（whorl）。其他的指纹图案都基于这三种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。

模式区（Pattern Area）
模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。 Aetex 的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。

核心点（Core Point）
核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。

三角点（Delta）
三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的开始之处。

式样线（ Type Lines）
式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。

纹数（ Ridge Count）
指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。 局部特征 局部特征是指指纹上的节点。两枚指纹经常会具有相同的总体特征，但它们的局部特征——节点，却不可能完全相同。

节点（Minutia Points）
指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为“节点”。就是这些节点提供了指纹唯一性的确认信息。

指纹上的节点有四种不同特性：
1. 分类 – 节点有以下几种类型，最典型的是终结点和分叉点

A. 终结点（Ending） -- 一条纹路在此终结。
B. 分叉点（Bifurcation） -- 一条纹路在此分开成为两条或更多的纹路。
C. 分歧点（Ridge Divergence） -- 两条平行的纹路在此分开。
D. 孤立点（Dot or Island） -- 一条特别短的纹路，以至于成为一点
E. 环点（Enclosure） -- 一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点
F. 短纹（Short Ridge） -- 一端较短但不至于成为一点的纹路，

2. 方向（Orientation） -- 节点可以朝着一定的方向。

3. 曲率（Curvature） -- 描述纹路方向改变的速度。

4. 位置（Position） -- 节点的位置通过（x,y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。

四. 系统问题（system issues）

有效的指纹辨识系统不仅仅依赖于辨识算法，还有其他的一些重要因素，这里称之为“系统问题”。包括注册和辨识过程，速度和工作学、用户信息的反馈、排斥欺骗和安全考虑。 为了得到较好的识别率，重要的是在注册时尽量获得最好的指纹图象，这是因为注册一般只进行一次，而以后的辨识是经常的。一个较好的指纹识别系统应要求用户的指纹在登记指纹时多次获取指纹，然后，把最好的指纹或每次获得的指纹的综合的结果作为注册的指纹。

又一个方法可以作为指纹系统设计时的考虑，即我们可以多次取像直到得到一个确定的匹配，但这个过程在降低了拒判率的同时，提高了误判率。辨识不仅仅只用一个手指的指纹，可以用两个或更多的手指的指纹，这样可以增强识别率，当然这样一来会浪费用户的许多时间。

系统的工作学是很重要的。例如：在个人识别系统中，人们愿意等待时间的极限，这个极限时间根据特定的应用而不同，依赖于在处理的过程中人们正在做什么。例如：刷卡或输入ID号的过程，从0.5-1.5秒被认为是可接受的时间；另外，拒判而重复次数不应超过3次。

验证和辨识的过程、取像设备的设计拒判率和误判率关系的设定，为了尽可能的获得高质量的指纹图象而提示用户手指该怎样放置，正确的反馈信息是非常有用的。如“手指放得太高”，“手指按得不够重”等。

在指纹识别系统中，反欺骗的措施用来阻止人造指纹、死指纹和残留指纹。残留指纹是由于皮肤油或其他原因残留在传感器上。传感器应建立反欺对策，使得有能力识别真实的皮肤温度、阻力或电容。

既然指纹识别系统是为安全而考虑的，例如，节点模板数据库必须是安全的，以防止一个冒名顶替的人将自己的指纹存进数据库而成为合法的用户。指纹匹配的结果是“YES”或“NO”，以此获得访问权。如果有人简单地绕过指纹匹配而能去直接发送一个“YES”，那么系统就是不安全的。这个问题的解决是确保主机接收的识别结果是来自真正的合法用户，如通过数字信号发送给主机。

总之，在一个完整的指纹识别应用系统中有许多问题值得考虑，解决好这些问题有助于成功地建立有效的系统，相反，则有可能会使得高明的技术被束之高阁，甚至导致应用系统最后的失败。

⑥ 目前行业内有哪些比较高精度的室内定位算法和实现

目前室内定位常用的较高精度的定位方法，从原理上主要分为七种：邻近探测法、质心定位法、多边定位法、三角定位法、极点法、指纹定位法和航位推算法。
一、邻近探测法
通过一些有范围限制的物理信号的接收，从而判断移动设备是否出现在某一个发射点附近。该方法虽然只能提供大概的定位信息，但其布设成本低、易于搭建，适合于一些对定位精度要求不高的应用，例如自动识别系统用于公司的员工签到。
二、质心定位法
根据移动设备可接收信号范围内所有已知的信标（beacon）位置，计算其质心坐标作为移动设备的坐标。该方法易于理解，计算量小，定位精度取决于信标的布设密度。
三、多边定位法
通过测量待测目标到已知参考点之间的距离，从而确定待测目标的位置。精度高、应用广。
四、三角定位法
基于无线信号的三角测量定位算法是室内定位算法中非常常见的一种，三角测量定位算法类似GPS卫星定位。实际定位过程中使用的是RSSI信号值衰减模型。原理是在无线信号强度在空间中传播随着距离衰减，而无线信号强度（RSSI值）对于定位标签上的接收器来说是可测的，那么依据测试到的信号强度，再根据信号衰减模型就可以反推出距离了。获取待测目标相对2个已知参考点的角度后结合两参考点间的距离信息可以确定唯一的三角形，即可确定待测目标的位置。基于三角测量定位算法的定位方案是被动式蓝牙定位方案和主被动一体式蓝牙定位方案。
五、极点法
通过测量相对某一已知参考点的距离和角度从而确定待测点的位置。该方法仅需已知一个参考点的位置坐标，因此使用非常方便，已经在大地测量中得到广泛应用。
六、指纹定位法
在定位空间中建立指纹数据库，通过将实际信息与数据库中的参数进行对比来实现定位。指纹定位的优势是几乎不需要参考测量点，定位精度相对较高；但缺点是前期离线建立指纹库的工作量巨大，同时很难自适应于环境变化较大的场景。
七、航位推算法
是在已知上一位置的基础上，通过计算或已知的运动速度和时间计算得到当前的位置。数据稳定，无依赖，但该方法存在累积误差，定位精度随着时间增加而恶化。

⑦ 指纹的重要概念

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。 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。
优点：
1.指纹是人体独一无二的特征，并且它们的复杂度足以提供用于鉴别的足够特征；
2.如果要增加可靠性，只需登记更多的指纹、鉴别更多的手指，最多可以多达十个，而每一个指纹都是独一无二的；
3.扫描指纹的速度很快，使用非常方便；
4.读取指纹时，用户必需将手指与指纹采集头相互接触，与指纹采集头直接；
5.接触是读取人体生物特征最可靠的方法；
6.指纹采集头可以更加小型化，并且价格会更加的低廉；
缺点：
1.某些人或某些群体的指纹特征少，难成像；
2.过去因为在犯罪记录中使用指纹，使得某些人害怕“将指纹记录在案”。
3.实际上指纹鉴别技术都可以不存储任何含有指纹图像的数据，而只是存储从指纹中得到的加密的指纹特征数据；
4.每一次使用指纹时都会在指纹采集头上留下用户的指纹印痕，而这些指纹痕迹存在被用来复制指纹的可能性。 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300×（300-1）=89700次。理论情况下，匹配成功次数为6x100=600次，匹配失败次数应为89700-600=89100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。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（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。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，故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。
FRR实际上也是系统易用性的重要指标。由于FRR和FAR是相互矛盾的，这就使得在应用系统的设计中，要权衡易用性和安全性。一个有效的办法是比对两个或更多的指纹，从而在不损失易用性的同时，极大地提高了系统安全性。 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REJENROLL。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REJENROLL=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REJENROLL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，故一般取多个指纹库的平均值，一般拿平均注册时间和平均匹配时间作为衡量依据。

⑧ 指纹识别技术是基于哪些原理

指纹其实是比较复杂的。与人工处理不同，许多生物识别技术公司并不直接存储指纹的图像。多年来在各个公司及其研究机构产生了许多数字化的算法（美国有关法律认为，指纹图像属于个人隐私，因此不能直接存储指纹图像）。但指纹识别算法最终都归结为在指纹图像上找到并比对指纹的特征。
指纹的特征
我们定义了指纹的两类特征来进行指纹的验证：总体特征和局部特征。总体特征是指那些用人眼直接就可以观察到的特征，包括：
基本纹路图案
环型（loop）,
弓型（arch）,
螺旋型（whorl）。其他的指纹图案都基于这三种基本图案。仅仅依靠图案类型来分辨指纹是远远不够的，这只是一个粗略的分类，但通过分类使得在大数据库中搜寻指纹更为方便。
模式区（Pattern
Area）模式区是指指纹上包括了总体特征的区域，即从模式区就能够分辨出指纹是属于那一种类型的。有的指纹识别算法只使用模式区的数据。
Aetex
的指纹识别算法使用了所取得的完整指纹而不仅仅是模式区进行分析和识别。
核心点（Core
Point）核心点位于指纹纹路的渐进中心，它用于读取指纹和比对指纹时的参考点。
三角点（Delta）三角点位于从核心点开始的第一个分叉点或者断点、或者两条纹路会聚处、孤立点、折转处，或者指向这些奇异点。三角点提供了指纹纹路的计数和跟踪的开始之处。
式样线（Type
Lines）式样线是在指包围模式区的纹路线开始平行的地方所出现的交叉纹路，式样线通常很短就中断了，但它的外侧线开始连续延伸。
纹数（Ridge
Count）指模式区内指纹纹路的数量。在计算指纹的纹数时，一般先在连接核心点和三角点，这条连线与指纹纹路相交的数量即可认为是指纹的纹数。
局部特征
局部特征是指指纹上的节点。两枚指纹经常会具有相同的总体特征，但它们的局部特征--节点，却不可能完全相同
节点（Minutia
Points）指纹纹路并不是连续的，平滑笔直的，而是经常出现中断、分叉或打折。这些断点、分叉点和转折点就称为"节点"。就是这些节点提供了指纹唯一性的确认信息。
指纹上的节点有四种不同特性：
1.
分类
-
节点有以下几种类型，最典型的是终结点和分叉点
A.
终结点（Ending）
--
一条纹路在此终结。
B.
分叉点（Bifurcation）
--
一条纹路在此分开成为两条或更多的纹路。
C.
分歧点（Ridge
Divergence）
--
两条平行的纹路在此分开。
D.
孤立点（Dot
or
Island）
--
一条特别短的纹路，以至于成为一点
E.
环点（Enclosure）
--
一条纹路分开成为两条之后，立即有合并成为一条，这样形成的一个小环称为环点
F.
短纹（Short
Ridge）
--
一端较短但不至于成为一点的纹路，
2.
方向（Orientation）
--
节点可以朝着一定的方向。
3.
曲率（Curvature）
--
描述纹路方向改变的速度。
4.
位置（Position）
--
节点的位置通过（x,y）坐标来描述，可以是绝对的，也可以是相对于三角点或特征点的。

⑨ 指纹识别是什么原理呢

本来想自己写的，但是要说的太多了，干脆找找COPY一个。你还有什么不明白的可以直接问我，我就是做这个行业的。

手指上的指纹表征了一个人的身份特征。1788年Mayer首次提出没有两个人的指纹完全相同，1823年Purkinie首次把指纹纹形分成9类，1889年Henry提出了指纹细节特征识别理论，奠定了现代指纹学的基础。但采用人工比对的方法，效率低、速度慢。20世纪60年代，开始用计算机图像处理和模式识别方法进行指纹分析，这就是自动指纹识别系统（简称AFIS）[1]。20世纪70年代末80年代初，刑事侦察用自动指纹识别系统（police�AFIS，P�AFIS）投入实际运用。20世纪90年代，AFIS进入民用，称为民用自动指纹识别系统（civil�AFIS，C�AFIS）。本文试图从指纹特征分析着手，阐述指纹作为人体身份识别的原理方法、指纹识别的主要技术指标和测试方法，以及实际应用的现实性与可靠性[2-4]。

1 指纹识别的原理和方法

1.1 指纹的特征与分类
指纹识别学是一门古老的学科，它是基于人体指纹特征的相对稳定与唯一这一统计学结果发展起来的。实际应用中，根据需求的不同，可以将人体的指纹特征分为：永久性特征、非永久性特征和生命特征[5]。
永久性特征包括细节特征（中心点、三角点、端点、叉点、桥接点等）和辅助特征（纹型、纹密度、纹曲率等元素），在人的一生中永不会改变，在手指前端的典型区域中最为明显，分布也最均匀[1]。细节特征是实现指纹精确比对的基础，而纹形特征、纹理特征等则是指纹分类及检索的重要依据。人类指纹的纹形特征根据其形态的不同通常可以分为“弓型、箕型、斗型”三大类型，以及“孤形、帐形、正箕形、反箕形、环形、螺形、囊形、双箕形和杂形”等9种形态[1]。纹理特征则是由平均纹密度、纹密度分布、平均纹曲率、纹曲率分布等纹理参数构成。纹理特征多用于计算机指纹识别算法的多维分类及检索。
非永久性特征由孤立点、短线、褶皱、疤痕以及由此造成的断点、叉点等元素构成的指纹特征，这类指纹有可能产生、愈合、发展甚至消失[1]。
指纹的生命特征与被测对象的生命存在与否密切相关。但它与人体生命现象的关系和规律仍有待进一步认识。目前它已经成为现代民用指纹识别应用中越来越受关注的热点之一。

1.2 指纹识别的原理和方法
指纹识别技术主要涉及四个功能：读取指纹图像、提取特征、保存数据和比对。通过指纹读取设备读取到人体指纹的图像，然后要对原始图像进行初步的处理，使之更清晰，再通过指纹辨识软件建立指纹的特征数据。软件从指纹上找到被称为“节点”（minutiae）的数据点，即指纹纹路的分叉、终止或打圈处的坐标位置，这些点同时具有七种以上的唯一性特征。通常手指上平均具有70个节点，所以这种方法会产生大约490个数据。这些数据，通常称为模板。通过计算机模糊比较的方法，把两个指纹的模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果[5-6]。采集设备（即取像设备）分成几类：光学、半导体传感器和其他。

2 指纹识别技术的主要指标和测试方法

2.1 算法的精确度

指纹识别系统性能指标在很大程度上取决于所采用算法性能。为了便于采用量化的方法表示其性能，引入了下列两个指标。
拒识率（false rejection rate，FRR）：是指将相同的指纹误认为是不同的，而加以拒绝的出错概率。FRR=（拒识的指纹数目／考察的指纹总数目）×100%。
误识率（false accept rate，FAR）：是指将不同的指纹误认为是相同的指纹，而加以接收的出错概率。FAR=（错判的指纹数目／考察的指纹总数目）×100%。
对于一个已有的系统而言，通过设定不同的系统阈值，就可以看出这两个指标是互为相关的，FRR与FAR成反比关系。这很容易理解，“把关”越严，误识的可能性就越低，但是拒识的可能性就越高。

2.2 误识率和拒识率的测试方法
测试这两个指标，通常采用循环测试方法[7]。即给定一组图像，然后依次两两组合，提交进行比对，统计总的提交比对的次数以及发生错误的次数，并计算出出错的比例，就是FRR和FAR。针对FAR=0.0001%的指标，应采用不少于1 415幅不同的指纹图像作循环测试，总测试次数为1 000 405次，如果测试中发生一次错误比对成功，则FAR=1/1 000 405；针对FRR=0.1%，应采用不少于46幅属于同一指纹的图像组合配对进行测试，则总提交测试的次数为1 035次数，如果发生一次错误拒绝，则FRR=1/1 035。测试所采用的样本数越多，结果越准确。作为测试样本的指纹图像应满足可登记的条件。

2.3 系统参数
拒登率（error registration rate，ERR）：指的是指纹设备出现不能登录及处理的指纹的概率，ERR过高将会严重影响设备的使用范围，通常要求小于1%。
登录时间：指纹设备登录一枚指纹所需的时间，通常单次登录的时间要求不超过2 s。
比对时间：指纹设备对两组指纹特征模版进行比对所耗费的时间，通常要求不超过1 s。
工作温度：指纹设备正常工作时所允许的温度变化范围，一般是0～40 ℃。
工作湿度：指纹设备正常工作时所允许的相对湿度变化范围，一般是30%～95%。

3 指纹识别技术的应用
指纹识别技术已经成熟，其应用日益普遍，除了刑事侦察用之外，在民用方面已非常广泛，如指纹门禁系统、指纹考勤系统、银行指纹储蓄系统、银行指纹保管箱、指纹医疗保险系统、计划生育指纹管理系统、幼儿接送指纹管理系统、指纹献血管理系统、证券交易指纹系统、指纹枪械管理系统、智能建筑指纹门禁管理系统、驾驶员指纹管理系统等。
指纹门禁系统和指纹考勤系统是开发和使用得最早的一种出入管理系统，包括对讲指纹门禁、联机指纹门禁、脱机指纹门禁等等。在入口将个人的手指按在指纹采集器上，系统将已登录在指纹库中的指纹（称为已经注册）进行对比，如果两者相符（即匹配），则显示比对成功，门就自动打开。如不匹配，则显示“不成功”或“没有这个指纹”，门就不开。在指纹门禁系统中，可以是一对一的比对（one�to�one matching），也可以是一对几个比对（one�to�few matching）。前者可以是一个公司、部门，后者可以是一个家庭的成员、银行的营业厅、金库、财务部门、仓库等机要场所。在这些应用中，指纹识别系统将取代或者补充许多大量使用照片和ID系统。
把指纹识别技术同IC卡结合起来，是目前最有前景的一个应用之一。该技术把卡的主人的指纹（加密后）存储在IC卡上，并在IC卡的读卡机上加装指纹识别系统，当读卡机阅读卡上的信息时，一并读入持卡者的指纹，通过比对就可以确认持卡者是否是卡的真正主人，从而进行下一步的交易。指纹IC卡可取代现行的ATM卡、制造防伪证件等。ATM卡持卡人可不用密码，避免老人和孩子记忆密码的困难。

近年来，互联网带给人们方便与利益已，也存在着安全问题。指纹特征数据可以通过电子邮件或其它传输方法在计算机网络上进行传输和验证，通过指纹识别技术，限定只有指定的人才能访问相关的信息，可以极大地提高网上信息的安全性。网上银行、网上贸易、电子商务等一系列网络商业行为就有了安全性保障。
指纹社会保险系统的应用为养老金的准确发放起了非常有效的作用。避免了他人用图章或身份证复印件代领，而发放人员无法确定该人是故世的问题，要凭本人的活体指纹，才可准确发放养老金。

4 指纹识别的可靠性
指纹识别技术是成熟的生物识别技术。因为每个人包括指纹在内的皮肤纹路在图案、断点和交叉点上各不相同，是唯一的，并且终生不变。通过他的指纹和预先保存的指纹进行比较，就可以验证他的真实身份。自动指纹识别是利用计算机来进行指纹识别的一种方法。它得益于现代电子集成制造技术和快速而可靠的算法理论研究。尽管指纹只是人体皮肤的一小部分，但用于识别的数据量相当大，对这些数据进行比对是需要进行大量运算的模糊匹配算法。利用现代电子集成制造技术生产的小型指纹图像读取设备和速度更快的计算机，提供了在微机上进行指纹比对运算的可能。另外，匹配算法可靠性也不断提高。因此，指纹识别技术己经非常简单实用。由于计算机处理指纹时，只是涉及了一些有限的信息，而且比对算法并不是十分精确匹配，其结果也不能保证100%准确。

指纹识别系统的特定应用的重要衡量标志是识别率。主要包括拒识率和误识率，两者成反比关系。根据不同的用途来调整这两个值。尽管指纹识别系统存在着可靠性问题，但其安全性也比相同可靠性级别的“用户ID+密码”方案的安全性要高得多。拒识率实际上也是系统易用性的重要指标。在应用系统的设计中，要权衡易用性和安全性。通常用比对两个或更多的指纹来达到不损失易用性的同时，极大提高系统的安全性。