（4）指纹细化处理[6][8]：图像细化就是在二值化以后，在不破坏图像连通性的情况下删除纹线的边缘像素，将纹线的宽度降为单个像素的宽度，最终得到纹线的骨架图像的过程。在理想的细化之后纹线的骨架应该在原始纹线的中间位置。目前细化算法的种类有很多，依照细化顺序的不同分为三类：串行细化、并行细化以及混合细化。
2.3.2  特征提取
指纹图像由纹脊和纹谷组成，手指皮肤上的凸起部分就是纹脊（也称纹路），纹脊在指纹图像中表现为灰度较深的粗线条；纹谷夹在两条纹路之间，对应于手指皮肤凹进去的部分，相对纹路来说，其灰度较亮。每个指纹有其自己的特征，以此来作为识别的凭证。下面介绍指纹图像中主要的几个特征。
一、指纹特征介绍
指纹特征可分为两类：全局特征和局部特征。
全局特征包括[1][4]：
（1） 纹形：拱型(acrh)、尖拱型(etntedacrh)、右箕型(rightloop)、左箕型(leftloop)、斗型(whorl)和双箕型（doubleloop），如图2.3.1所示。
图2.3.1  751大类指纹：（a）拱型，（b）尖拱型，（c）右箕型，（d）左箕型，
（e）斗型和（f）双箕型。指纹的临界点称为核心点和三角点，标记在（c）图中。
（2）模式区：包含了纹形特征的区域。
（3）核心点：位于指纹纹路的渐进中心，如图2.3.1（C）。
（4）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，如图2.3.1（C）。
（5）纹数：指模式区内指纹纹路的数量（脊密度）。
局部特征：指纹上的细节点的特征。
（1） 特征点：类型、方向、曲率、位置。
（2）特征点类型：
A：端点（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。
F：短纹（Short Ridge），一端较短但不至于成为一点的纹路。  
（a）端点                    （b）分叉点
图2.3.2  局部特征举例
二、指纹特征提取方法
特征点的提取算法现在有很多，且各有不同。但基本过程都是：先将采集到的指纹图像二值化，然后再通过细化，抽取出指纹的纹路(Ridge)，最后再扫描纹路的末端来判定细节点。指纹特征提取包括以下工作：纹线细化、特征点的检测与分类、伪特征点的消除等等。
指纹细节特征提取的方法有两种[9]：从灰度图像中提取特征和从细化二值图像中提取特征。一个指纹的特征点通常在100~150之间，在形成指纹特征值模板的时候，尽量多的提取特征点对提高准确性有很大帮助。
2.3.3  特征匹配
指纹特征值比对的过程就是把当前采集到的指纹特征与事先存储在指纹数据库中的指纹特征值模板进行匹配的过程。由于某种因素，两次采集到的同一个指纹的特征值可能并不一定完全相同，所以匹配的过程不是相等与不等的判定，而是存在某个阈值，当匹配的相似度在这个阀值之上的时候，即认为这两个指纹为同一个人的，所以说阈值的选取极为关键，阀值取的高，则错误拒绝率FRR升高；阀值取得低，则错误接受率FAR升高。因此需要在FAR和FRR之间找到平衡点，特征点取的越多，阀值取的越合理，系统误判的机率就越小[10]。指纹匹配方法有很多，包括基于特征点的匹配、线对（两个特征点的连线）匹配以及脊模式的匹配方法。一般算法的错误接受率FAR为0.001%时，其错误拒绝率FRR为0.75-5%。 DSP指纹识别技术研究+电路框图+流程图(6):http://www.751com.cn/jisuanji/lunwen_4170.html