指纹是人类独一无二的特征，根据指纹特征追踪锁定嫌疑人是公安机关侦破刑侦案件的关键技术手段。大量实践表明，案发现场指纹痕迹图像的有效提取对于破获案件能够起到极为关键的作用^[1-3]。现代科技的发展为指纹检验提供了新的理论依据及技术工具，目前学术界及工业界均开展了大量研究，提出了多种新型检验技术。

WOLSTENHOLME等人^[4]通过光学与化学显影相结合的方式成功采集了指纹中的血迹痕迹。LEINTZ等人^[5]搭建了紫外光与自然光成像系统，表明自然光成像在合适照明角度时能够采集到黄铜子弹壳上指纹信息，而紫外光成像无法采集。CRANE等人^[6]使用近红外光谱成像技术无损测量了犯罪现场的微弱指纹，表明近红外波段更适合微弱指纹提取。TAHTOUH等人^[7]优化设计了光谱分辨率及照明角度，结合化学显影及近红外光谱成像提取了高分子纸币、纸张及饮料罐等复杂表面的指纹。可见案发现场情况复杂，单一照明条件难以满足需求，现场检测时多光谱成像必不可少。通过融合不同波段信息，多光谱成像技术有效增强了目标场景图像，已在遥感、农业等领域广泛应用。目前研究人员已提出一系列融合算法，包括小波变换^[8]、稀疏特征^[9]、机器学习^[10-11]等，各有适用场合，但目前对于多光谱指纹图像融合的研究较少，尚没有成熟的解决方案。

另一方面，现场指纹图像质量一般较低，为了准确识别指纹，往往需要增强指纹图像特征。目前指纹图像增强技术已被系统研究，新的算法仍在不断涌现。SHARMA等人^[12]提出了一种两步增强算法，首先基于机器学习算法识别指纹属于干性、中性还是湿性，然后通过短时傅里叶变换进行增强。GUPTA等人^[13]提出综合考虑特征点密度及指纹方向进行图像重建。KHAN等人^[14]在计算指纹方向图时考虑尺度因素，增加了方向图的准确性，并进一步使用扩散滤波器及Gabor滤波器对指纹增强。但文献中增强算法一般基于标准指纹图像库，缺少多光谱指纹图像应用的验证。

智能手机近年来作为嵌入式装置控制主机获得了广泛的关注，已开发了一系列应用，如流场测量^[15-16]、条码识别^[17]、比色测量^[18-20]等，其一方面集成了处理器及图像、声音等多种传感器，功能强大，另一方面可通过无限局域网(wireless fidelity，WIFI)或蓝牙等无线模块易实现数据传输。针对现场指纹图像的实际需求，本文中提出了一种基于智能手机的指纹图像自动化采集软硬件系统，可实时采集、融合及增强指纹图像，显著提高了现场检测效率及便携性，在刑侦领域具有广阔的应用前景。

便携式指纹图像采集装置包括智能手机及电控光源，3维机械结构如图 1所示。

Figure 1.  3-D mechanical configuration for acquiring fingerprint images

自行设计并使用3-D打印加工支架连接2个部分，智能手机通过支架孔拍摄电控光源照明的现场指纹图像。智能手机使用Redmi 9A，操作系统为Android 9，电池容量为5000mAh，相机像素数目为2500×3200，传感器尺寸3mm×2mm，主要使用其蓝牙及拍照功能。电控光源由4组不同颜色发光二极管(light-emitting diode, LED)组成，分别为紫色(410nm)、蓝色(450nm)、绿色(550nm)及红色(630nm)的LED组成，LED的功率均为3W。

图 2为控制系统原理图。智能手机与光源之间使用下位机STM32F103作为控制接口，下位机外接串口转蓝牙模块HC42。智能手机通过蓝牙功能向下位机发送光源控制命令，下位机接收命令后控制LED的开关。需要注意的是，由于大功率LED的工作电流较大，普通光耦无法满足电流要求，故使用固态继电器进行控制。系统工作时，智能手机控制4组LED轮流照明并分别拍摄每个光源照明时的场景。由于后续图像处理算法相对复杂，因此智能手机通过WIFI基于网格接口将图像上传至服务器进行处理。为避免控制软件在不同手机机型的适配问题，作者使用微信小程序编写了手机前端控制软件，服务器端图像处理则由Visual C^#语言实现。

Figure 2.  Schematic diagram of the control system

指纹识别技术在安保、门禁等领域已较为成熟，但与专用指纹采集设备不同，案发现场指纹图像一般质量较低、对比度较低，直接识别可能出现错误，需要进行一定的前处理以增强图像。由于现场指纹情况复杂，难以针对性设计，本文中根据指纹特点提出一种自适应增强算法，包括多光谱图像融合增强及指纹图像增强两个步骤。

多光谱图像增强技术已广泛应用于遥感探测领域。由于本装置可获得不同波段光源照明时的指纹图片，因此, 借鉴该技术能够充分利用指纹在不同波段处反射率差异增加图像对比度。目前已有多种多光谱图像增强算法，本文中采用主成分分析(principal component analysis，PCA)技术。具体流程如下。

(1) 由于智能手机一般拍摄为彩色图像，需将其变换为灰度图像，变换公式如下式所示:

式中, R, G及B分别为原图像红色、绿色及蓝色分量，g为变换后灰度值，假设共拍摄N波段多光谱图像，强度记为I_i(i = 1, …, N)，行数及列数分别记为r及c。

(2) 将每个波段2维图像矩阵转成1维向量，获得图像向量矩阵M，其行数与列数分别为r×c及N，求解M的协方差矩阵C及其特征向量矩阵V与特征值对角矩阵A，提取最大特征值A_m及对应特征向量V_m。

(3) 融合增强后图像如下式所示:

研究人员已开发了多种指纹图像增强算法，如灰度均衡、小波变换、卷积神经网络等，这些算法各有优缺点及适应场合，本文中选择改进依据指纹本身特点进行增强的方向滤波算法，使用与指纹局部纹线方向一致的滤波器，增强实用性，具体流程如下。

(1) 方向图计算。指纹图像在纹线方向变化缓慢，垂直纹线方向则变化剧烈，因此纹线方向与图像梯度密切相关。本文中使用Sobel算子计算图像梯度，如下式所示：

式中，*表示卷积，I₀是需要求解梯度的原图像。由于梯度方向相反时方向图应保持一致，因此将方向角定义在第一象限和第四象限，如下式所示：

(4) 式表明方向角范围为(-π/2, π/2]，进一步对其进行离散化处理，将方向角范围均匀离散至16个区间，即(-π/2, -7π/16], (-7π/16, -6π/16], …, (7π/16, π/2]，并新建数组保存方向角直方图。由于指纹图像在局部方向图变化较为缓慢，因此为减小计算量，将图像进行分块，尺寸为16×16，遍历图块各像素，建立直方图，选择具有最多像素的方向角作为图块整体方向，最终获得方向图。

(2) 方向滤波器设计。方向滤波器一方面增强沿着指纹纹线方向的点并减弱随机噪声影响，另一方面断开垂直纹线方向粘连以提高指纹质量。假设图块中心像素坐标为(0, 0)，对应方向角为θ₀，则过图块中心的方向直线可表示为:

根据定义，方向滤波器应在平行直线的方向具有相近权重，垂直直线的方向具有渐变权重，因此采用距离函数定义滤波器元素权值为:

式中, A₀及A₁为经验参量，分别设置为11及3;D是指数，表示该元素位置与过图块中心的直线之间的距离，单位为像素。

式中, (x₀, y₀)为元素的像素位置。由于方向角已离散为16个数值，方向滤波器可预先计算并存储于内存中，后续滤波时直接根据方向角调用相应滤波器与图块进行卷积运算即可。

完成滤波器设计后，分别对每块图像进行卷积滤波即可实现图像增强。基于上述原理，本文中的算法流程如图 3所示。

Figure 3.  Flowchart of the algorithm for image processing

对搭建的指纹图像自动化采集装置进行了实验研究。首先在蓝色背景颜色纸张上使用红色印泥制作了指纹，进一步测试了多光谱采集及图像增强的效果。为了模拟现场实际指纹质量可能较差的情况，实验中并未特别注重指纹质量，指纹存在较严重的粘连。由于实验拍摄时只需固定好装置，LED为电子控制，无需任何机械调节，因此图像采集具有较高的效率，4幅图像约需0.5s。

图 4为4种LED照明时拍摄的典型指纹图像。由图 4a~图 4d分别为紫色、蓝色、红色、绿色LED照明时采集图像的灰度图。红色LED照明时蓝色背景强度较弱，部分红色粘连指纹反射较强，显示为白色，但左侧及下方指纹反射很弱，对比度较差，表明红色照明难以适用于该指纹的图像采集需求。蓝色与紫色LED的照明波长较为接近，采集的图像相近。与预期一致，指纹主体部分反射率低于背景部分，因此在图像上显示为黑色指纹，但值得注意的是，指纹中部及下方部分纹线之间背景为白色，这主要是因为制作指纹的纹线具有3维曲面面形，在特定角度光源照明时将光线镜面反射至纹线中间的背景上，导致背景反射强度较高，表明光源入射角度对成像效果有较大的影响。由于智能手机镜头一般具有一定的变焦能力，因此在实际测量时，可移动装置，通过控制其与指纹的距离调节光源入射角度。相比之下，图 4d中绿色LED照明时蓝色背景较亮，红色指纹纹线较暗，具有更高的对比度，因此绿色照明更为适合实验中指纹及背景颜色。

Figure 4.  Fingerprint images with the illumination

对图 4中多光谱图像进行了融合及增强测试，服务器使用普通个人计算机进行图像处理，CPU为Intel(R)Core(TM)i7-7700@3.60GHz，内存为8.0GB，图像像素数目为384×288，此配置下主成分分析法融合约需100ms。融合结果如图 5a所示。由于图 4d具有最高对比度，其对融合图像主成分影响最大，因此融合图像整体分布与图 4d相近，但图 4b中部及下方明亮的背景部分在融合图像中亦有所体现，表明主成分分析法能够将每幅图像的局部特征进行融合。进一步进行了方向滤波测试，对其进行分块处理，每块的像素为32×32，滤波器尺寸为7×7，滤波时间约需100ms，可满足一般场景处理效率需求，若需要融合及增强海量指纹图像，则可进一步通过并行计算提高效率。图 5b为进行方向滤波增强后的指纹图像。与原图像相比，图像具有更高的对比度，可为后续识别提供更高质量的指纹图像。同时, 尽管图像进行了分块，但并未观察到马赛克效应，表明设计的图像增强算法达到了预期的效果。

Figure 5.  Fingerprint images

为了进一步定量研究算法性能，引入加权指纹图像质量评价指标，包括平均灰度指标、灰度模糊指标、全局方向一致性及全局脊线纹理清晰度。具体参量为：灰度阈值为[0.2, 0.8]，灰度方差阈值为0.2，方向一致性阈值为0.2，纹线清晰度阈值为[5,10,4]。4种指标权值相同，指标详细解释及参量意义见参考文献[21]。计算结果如表 1所示，可见照明波长不同时，指纹图像质量变化明显。经过多光谱融合处理后，指纹图像质量相比最优波长有所改善，而在方向滤波之后大幅增加，表明多光谱融合及方向滤波能够有效改善指纹图像质量，为后续指纹识别提供了良好的基础。表中图像质量为纯数值计算结果，灰度范围值为0~1。

便携式多光谱指纹采集系统在现场刑侦领域有广泛的需求，针对此问题，本文中搭建了一种基于智能手机的多光谱指纹图像便携式采集装置。智能手机通过蓝牙控制多波长LED照明并拍摄对应指纹图像，然后将图像通过网络传输至服务器端进行处理。设计了多光谱图像融合及基于方向滤波的图像增强算法，自行制作了指纹进行了测试，结果表明，该装置采集并处理4幅图像可在1s内完成，满足了现场指纹图像采集及处理效率的需求，提出的图像融合及增强算法能够保留多光谱图像的各自特征并提高图像质量，适用于不同颜色背景与指纹的区分。由于一般手机镜头的微距拍摄效果一般，可通过外接镜头的方案进一步改善微距拍摄时指纹图像的质量。与现有多光谱成像装备相比，本装置成本、便携性及智能性得到了显著提高，有望在现场指纹图像采集领域得到广泛应用。