189 8069 5689
指纹识别系统的重要衡量标志是识别率。其主要由两部分组成，拒判率（FRR）和误判率（FAR）。正因为如此，权威机构认为，在应用中1%的误判率就可以接受。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。下面是我收集整理的指纹识别使用什么原理，希望对你有帮助。
10年的樟树网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。全网营销推广的优势是能够根据用户设备显示端的尺寸不同，自动调整樟树建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。创新互联建站从事“樟树网站设计”,“樟树网站推广”以来，每个客户项目都认真落实执行。
第一步：指纹是手指末端正面皮肤上凸凹不平产生的纹路。
尽管指纹只是人体皮肤的小部分，但是，它蕴涵着大量的信息。指纹特征可分为两类：总体特征和局部特征。总体特征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、模式区、核心点、三角点、式样线和纹线等。基本纹路图案有环形、弓形、螺旋形。局部特征即指纹上节点的`特征，这些具有某种特征的节点称为特征点。两枚指纹经常会具有相同的总体特征，但它们的局部特征——特征点，却不可能完全相同。指纹上的特征点，即指纹纹路上的终结点、分叉点和转折点。
第二步：指纹识别技术通常使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行用户身份识别。
通常，首先从获取的指纹图像上找到“特征点”（minutiae），然后根据特征点的特性建立用户活体指纹的数字表示——指纹特征数据（一种单向的转换，可以从指纹图像转换成特征数据但不能从特征数据转换成为指纹图像）。由于两枚不同的指纹不会产生相同的特征数据，所以通过对所采集到的指纹图像的特征数据和存放在数据库中的指纹特征数据进行模式匹配，计算出它们的相似程度，最终得到两个指纹的匹配结果，根据匹配结果来鉴别用户身份。由于每个人的指纹不同，就是同一人的十指之间，指纹也有明显区别，因此指纹可用于身份鉴定。
第三步：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：
首先，通过指纹读取设备读取人体指纹的图像，取到指纹图像之后，要对原始图像进行预处理。
其次，用指纹辨识软件建立指纹的数字表示特征数据，是一种单方向的转换，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”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。
第三，通常手指上平均具有70个节点，所以这种方法会产生大约500个数据。有的算法将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1KB大小的记录。
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。
于指纹所具有的唯一性和不变性，以及指纹识别技术所具有的可行性和实用性，指纹识别成为目前最流行、最方便、最可靠的身份认证技术之一。指纹图像数据量大，通过直接比对指纹图像的方法来识别指纹是不可取的，应该先对指纹图像进行预处理，然后提取出指纹的特征数据，通过特征数据的比对来实现自动指纹识别。指纹图像预处理作为指纹自动识别过程的第一个环节，它的好坏直接影响着自动识别系统的效果。预处理通常包括滤波、方向图的求取、二值化、细化等几个步骤。
本文首先阐述了生物特征识别技术的基本概念，对自动指纹识别系统的组成也作了简要的介绍。然后对目前指纹图像预处理的一些常用算法进行了介绍，针对指纹图像的特征，采用了基于Gabor滤波器的指纹预处理方法，它为特征提取和比对奠定了良好的基础。
本文所提到的算法已在PC机上用Visual C++6.0编程实现，实验结果表明，这种方法能获得令人满意的指纹图像预处理效果。
1. php的aes算法，加密时会存在空格，0，\0等方式进行补长，所以解密后需要进行trim操作，才能得到原数据串
2. aes加密后进行base64_encode，但是解密时，直接用aes进行解密，不需要先base64_decode.【这个操作很骚气】
function _decryptData($data,$password, $iv){
$decryptData=openssl_decrypt($data, 'aes-128-cbc', $password, OPENSSL_ZERO_PADDING, $iv);
$data =json_decode(trim($decryptData), true);
return $data;
}
function encryptData($data, $password, $iv){
$data = json_encode($data);//$data是一个数组，如果是字符串，请忽略此句.
$result = base64_encode(openssl_encrypt($data, 'aes-128-cbc', $password, OPENSSL_RAW_DATA, $iv));
return $result;
}
现在国内外大都采用基于细节特征点的指纹识别技术，即采用基于图像处理的指纹识别算法，有两种比较有代表性的。一种是基于方向滤波增强，并在指纹细化图上提取特征点的算法，另一种是直接从指纹灰度图上提取特征点的算法。难题在于有些算法会由于指纹图像的噪音、皮肤弹性引起的非线性形变等多方面因素，导致在识别过程中出现误差，影响识别率等[1-2]
指纹算法存在的难题与方向
指纹图像预处理：预处理的目的是改善输入指纹图像的质量，以提高特征提取的准确性。本文采用灰度分割法对指纹图像进行分割。利用中值滤波去噪。通过自适应二值化的方法处理指纹图像，最后再对图像进行细化处理并去除毛刺，断裂等干扰。
指纹图像特征提取：对指纹图像的特征点进行提取。由于经过预处理后的细化图像上存在大量的伪特征点，这些伪特征点的存在，不但使匹配的速度大大降低，还使指纹识别性能急剧下降，造成识别系统的误拒率和误识率的上升。因此在进行指纹匹配之前，应尽可能将伪特征点去除，针对提取出的指纹细节特征点含有大量的伪特征点这一问题，提出了一种边缘信息判别法，有效地去除了边界伪特征点，再根据脊线结构特性去除其毛刺和短脊等伪特征点，明显的减少了伪特征点。
指纹匹配：对指纹图像的匹配算法进行研究。特征匹配是识别系统的关键环节，匹配算法的好坏直接影响识别的性能、速度和效率。为了克服指纹图像非线性形变的影响，采用基于结构特征的点匹配算法，对校准后的点集进行匹配，匹配的特征点个数在两个点集中所占比例大约百分之六十五的范围内就可判为匹配成功。