1、“.....很显然这只是个充分条件，因为不符合这准则的特征点也有可能是真实特征点。而对应于各种不同类型的虚假特征点结构，以该特征点为中心，其周围半径范围内必然有其他特殊的点与它对应。因此，利用特征点间的距离方向角度连接情况等结构关系，便可以有效的判别伪点。识别时本文用到特征点间距离和特征点方向差两概念，特征点和间距离用欧式距离计算，见式,特征点和和方向差见式，分别为特征点和的方向。，如果,，则和是相对点。伪特征点滤除算法步骤如下若在半径内有个相邻特征点，如果个特征点与中心特征点的结构关系符合上面所述的准则，则是真特征点，保存。如果不符合，需进步分析，对端点和分叉点分别讨论。对于端点，判断个相邻特征点种有无短枝纹线间断伪特征结构，如没有是真特征点。如果有个或两个，则是伪特征，按照先短枝后纹线间断的顺序进行删除......”。

2、“.....判断个相邻结构中，有无毛刺孔洞叉连伪特征结构，如没有，则是真特征点。如有个或多个，是伪特征结构，按照毛刺孔洞叉连的顺序进行删除。对边界特征点的去除，搜索指纹分割时的边缘块，根据块所在的位置，判断特征点离边界的距离，如果小于阈值般设为，则认为该特征点为伪特征点，应予以删除。指纹图像的匹配指纹匹配是指纹识别系统中的最后步，也是评价整个指纹识别系统性能的最主要依据。指纹匹配是根据提取的指纹特征来判断两枚指纹是否来自于同个手指。由于每次采集到的指纹图像相对于模板图像会发生平移旋转和形变，这给后期的指纹匹配算法带来了很大的不便。为了能够准确快速地判断两枚指纹是否来自于同个手指，指纹匹配算法必须具有定的容错性，并且运算复杂度不能太高，时间代价小且准确度高。指纹匹配算法综述人们对指纹匹配做了很多研究，提出了许多匹配算法，主要可分为两类类是基于图形的匹配方式......”。

3、“.....图形匹配是针对纹线几何形状及其特征点拓扑结构的匹配方式，它的原理是基于相似变换的方法把两个特征点集中的相对应点匹配起来，这些相似变换可以是平移变换旋转变换伸缩变换等线性变换，可以在定程度内允许少量伪特征点的存在真正特征点的丢失以及轻微的特征点定位偏差，且对图像的平移和旋转也不敏感。但这种方法有两点不足是匹配速度比较慢二是对指纹图像的质量要求比较高，低质量的图像匹配效果不佳，下面对这些算法进行些简要的介绍。和提出了点模式匹配的松弛算法，其思想是寻找对匹配点，使得反映匹配程度的相似变换最大，则将该点对作为基准点对，然后根据相似变换的计算结果调整待识别图像的位置，统计最终的匹配点对数，给出匹配结果。等提出的基于变换的方法，把点模式匹配转化成对转换参数的空间中的峰值检测。这种方法的缺点在于当特征点数目较少少于个时......”。

4、“.....另外，该方法有计算量较大的缺点。与等都提出了基于结构信息的特征匹配方法，而与使用图来表示指纹特征，并用图匹配的方法来匹配指纹图像。这类方法利用了指纹图像的拓扑结构，允许般的图像平移旋转特征点丢失以及伪特征点的存在，但是这类方法的准确性在很大程度上依赖于所提取的指纹特征信息及分类信息的准确性。采用人工神经网络的指纹匹配方法也有很多。将非对称神经网络应用于指纹匹配中，提出了种基于非对称神经网络的点模式匹配算法，而田捷等人将遗传算法应用于指纹匹配中，提出了基于遗传算法的指纹图匹配方法，利用指纹图像的结构信息进行初匹配，缩小搜索空间，然后采用遗传算法和补偿算法匹配指纹图像，有较强的抗噪声与非线性形变的能力。但由于神经网络固有的反复处理特性，速度难以得到提高，计算量偏大，因此不适合用于对实时性要求较高的在线指纹识别系统。指纹匹配过程在指纹匹配之前......”。

5、“.....再建立特征模板。为了对指纹图像进行匹配做好的准备工作。中心点定位中心点定义为指纹的脊曲线曲率最大的点，在本文的匹配算法中，将中心点作为匹配参考点具有致性比较强的特点。这里选取的中心是指纹中心的个小区域，先求出指纹图像的点方向，相邻个灰度值之和的平均值，再求这个灰度值与平均值之差的和，最小和所在的方向即此点所在指纹脊线的方向，如此得到点方向图。把点方向图分为若干块大小的小块，对每块计算直方图，其峰值方向即为块方向，即每块中点的主导方向。然后在这个粗的块方向图上按照以下原则去搜索中心区域，逐行检查块方向数组。然后再根据求出各个方向的角度以及相邻个灰度值之和的平均值，再求这个灰度值与平均值之差的和，最小和所在的方向即此点所在指纹脊线的方向，如此得到点方向图。该方法求取的中心点具有很强的鲁棒性。建立特征模板特征端点分类为......”。

6、“.....和特征分叉点相对中心点的距离向量建立特征端点相对中心点的方向向量，和特征分叉点相对中心点的方向向量。定义匹配点点集合中的特征点是从输入的指纹图像中提取出来的，另外个匹配点点集合中的特征点则是从指纹图像库中提取出来储存在模板库中的。将两组点集合进行比对。本文的匹配方法指纹匹配是模式识别中的个有名的难题。它是对于两个含有不同数量的点集和，如何找出它们之间的匹配关系。因此，个好的指纹匹配算法应该能够有效地解决两个点集间的几何不变量问题。人们对般的指纹匹配提出很多算法，比如松弛算法，其中有的文献只处理了点模式间因平移带来的偏差也有文献处理了因平移和旋转带来的误差另外有文献不仅考虑到位移和旋转误差，还处理了因伸缩尺度不同而带来的误差。指纹图像匹配中的两个点集和，其中从第幅图像抽取，有个特征点构成，从第二幅图像抽取，有个特征点构成，即和......”。

7、“.....点的相对位置存在误差，所以它们之间的匹配就是对每个特征点分别提取再相对于中心点取得的向量进行比对的过程，使两个点集有最大数量点对之间存在稳定的对应关系。对于点集中的特征点，这里用方向和方向的坐标来描述，指纹图像每特征点是个五维向量，其中,分别是该点的坐标位置，是特征点相对于中心点的方向向量，为特征点的类型即是分叉点还是端点，为特征点相对于中心点的距离向量。可以通过些合适的算法，通过在定范围搜索参数空间，计算其匹配支持数，也就是在该参数空间里，有多少指纹对匹配。当匹配支持数最大时，也就得到了所需要的结果。算法步骤分别读取两个特征点集合中的特征点对特征点进行分类。定义取时，属于特征点端点分类，取时，属于特征点分叉点分类分别计算他们相对于中心点的方向向量和距离向量若两特征点的距离向量之差小于且梁特征点的方向向量小于等于......”。

8、“.....并删除。般能找到个相同的特征就可以认为这两个指纹出自同个手指，但从匹配来看，平均个特征匹配点会有个误配，于是将成功匹配点设置为个，认为是出自同个手指。匹配成功的特征点端点用红色标注，分叉点用绿色标注。实验结果提取细化后图像的中心点，用红色标注。如图所示提取中心点提取中心点图提取中心点后的细化图像指纹图像细化处理后，标注特征点和中心点。特征端点用标注，特征分叉点用标注，中心点用红色标注。如图所示特征提取图像特征提取图像图特征点提取后的图像运行垂直方向细化,为黑点时才做细化处理基于查找表附录求可能的特征点集,,,,,,,去伪分叉的端点,,,,大于个白点，即只有个黑点去伪断线的端点,去伪交叉点,,,,小于等于个白点，即黑点大于附录显示如下般能找到个相同的特征就可以认为这些指纹出自同个手指，但从匹配来看，平均个特征匹配点会有个误配，于是将成功匹配点设置为个......”。

9、“.....匹配成功的特征点端点用红色标注，分叉点用绿色标注。如图所示图匹配后的图像本章小结第二章已经介绍了指纹的全局结构特征和局部结构特征。这对于这章的特征提取做了很好的铺垫。全局结构特征用于指纹分类，减少指纹匹配时间端点和分叉点成为最常用的局部结构特征，也称为细节特征，用这两类特征点描述指纹的唯性。用算法实现了以下两点。指纹特征提取是指纹自动识别的核心技术之，采用模板匹配法，提取指纹的细节特征即端点和分叉点。滤除了伪特征点以后，不但使匹配的速度大大提高，而且指纹识别性能提升，因此在进行指纹匹配之前，尽可能将伪特征点去除，保留真特征点。接着本章首先介绍了指纹图像匹配的各种法综述。提取了指纹图像的中心点，最后采用了种基于特征点向量的匹配方法进行研究。实验证明，该算法是迅速有效的，可以实现对大多数指纹图像的准确匹配。但是也有极少质量很差......”。