指纹传感器 (Fingerprint Sensor)¶

三种主流技术¶

1. 电容式指纹传感器¶

最早应用于手机的指纹技术 (iPhone 5s Touch ID, 2013)。

原理: 由密集的微电容阵列构成,手指按压时指纹的脊 (ridge) 与谷 (valley) 与传感器表面的距离不同,产生不同的电容值,从而形成指纹图像。

  手指表面
  ╱╲ ╱╲ ╱╲ ╱╲    ← 指纹脊 (ridge)
     ╲╱  ╲╱      ← 指纹谷 (valley)
  ─ ─ ─ ─ ─ ─ ─
  │C₁│C₂│C₃│C₄│  ← 电容传感阵列
  ─ ─ ─ ─ ─ ─ ─
  (C₁ > C₂: 脊处电容大,谷处电容小)

特性	说明
位置	Home 键 / 侧键 / 后置
分辨率	500-508 dpi
优点	识别速度快 (<0.5s),功耗低
缺点	需独立区域,不支持屏下
代表芯片	FPC1028 (FPC), 汇顶 GF318M

2. 光学屏下指纹传感器¶

2018 年起在 OLED 屏幕手机上普及。

原理: OLED 像素发光照亮手指,指纹的脊和谷对光的反射率不同,屏幕下方的 CMOS 图像传感器捕捉反射光形成指纹图像。

  手指
  ╱╲ ╱╲ ╱╲ ╱╲
  ────────────────    ← 屏幕盖板玻璃
  │ OLED 像素层  │    ← 发光照亮手指
  ────────────────
  │  光学准直层  │    ← 过滤杂散光
  ────────────────
  │ CMOS 传感器  │    ← 成像
  ────────────────

特性	说明
位置	屏下 (仅 OLED 屏)
分辨率	500-1000 dpi
优点	屏下方案,外观一体化
缺点	受屏幕贴膜影响,强光下可能干扰
代表芯片	汇顶 G7, 新思 FS9530

3. 超声波屏下指纹传感器¶

原理: 通过压电材料发射超声波脉冲穿透屏幕盖板,超声波遇到指纹的脊和谷产生不同的反射回波,接收器阵列检测回波强度形成 3D 指纹图像。

  手指
  ╱╲ ╱╲ ╱╲ ╱╲
  ────────────────    ← 屏幕盖板玻璃
  │  屏幕显示层  │
  ────────────────
  │  超声波       │
  │  发射/接收    │    ← 压电 MEMS 换能器阵列
  │  阵列         │
  ────────────────

特性	说明
位置	屏下 (OLED/LCD 均可)
优点	不受屏幕贴膜、湿手、油污影响;3D 成像更安全
缺点	成本较高
代表芯片	Qualcomm 3D Sonic Gen 2 (识别面积 8×8 mm → 17×17 mm)

三种技术对比¶

对比项	电容式	光学屏下	超声波屏下
成像维度	2D	2D	3D
湿手解锁	差	一般	好
安全性	中	中	高
识别速度	快 (<0.3s)	快 (~0.3s)	较快 (~0.5s)
屏幕类型	任意	仅 OLED	OLED/LCD
成本	低	中	高
识别面积	小 (按键)	中	大 (最新可全屏)

关键参数解析¶

分辨率与图像质量¶

FBI 和 ISO 标准要求指纹采集分辨率 ≥ 500 dpi,以保证细节特征点 (minutiae) 的可靠提取:

指标	FBI 标准	典型手机传感器
分辨率	≥ 500 dpi	500-1000 dpi
灰度级	256 级 (8-bit)	8-bit 或更高
成像面积	≥ 1" × 1"	4×4 ~ 17×17 mm

FAR 与 FRR¶

指标	电容式	光学屏下	超声波屏下
FAR (误识率)	1/50,000	1/50,000	1/100,000
FRR (拒识率)	~3%	~5%	~3%
模板大小	5-10 KB	5-10 KB	10-20 KB (3D)

匹配速度¶

现代手机指纹匹配全流程 (采集→特征提取→比对) 通常在 200-500 ms 内完成。匹配算法运行在安全飞地 (TEE/Secure Enclave) 内,指纹模板不会离开安全区域。

指纹特征提取¶

指纹识别的核心是提取 细节特征点 (Minutiae):

特征点类型¶

特征点	英文	说明
端点	Ending	脊线突然终止处
分叉	Bifurcation	一条脊线分成两条
短脊	Short Ridge	很短的独立脊线段
环	Island	脊线围成的封闭区域
三角点	Delta	三条脊线交汇区域

端点 (Ending):        分叉 (Bifurcation):

  ═══╗                ═══╦═══
     ║                   ║
                         ╠═══

典型指纹包含 40-100 个 细节特征点。匹配时只需 12-15 个特征点对齐即可确认身份。

应用实例¶

1. 模拟指纹脊线图案¶

import numpy as np

def generate_fingerprint_ridges(size=30, freq=0.3, num_orientations=3):
    """生成模拟指纹脊线图案 (正弦波叠加)
    size — 图案尺寸 (size × size)
    freq — 脊线频率
    num_orientations — 叠加方向数
    """
    pattern = np.zeros((size, size))
    angles = np.linspace(0, np.pi, num_orientations, endpoint=False)
    for angle in angles:
        for r in range(size):
            for c in range(size):
                # 沿 angle 方向的正弦波
                x_rot = r * np.cos(angle) + c * np.sin(angle)
                pattern[r, c] += np.sin(2 * np.pi * freq * x_rot)
    # 二值化: >0 为脊, ≤0 为谷
    ridge_map = (pattern > 0).astype(int)
    # ASCII 可视化
    for row in ridge_map:
        print(''.join('█' if v else ' ' for v in row))
    return ridge_map

generate_fingerprint_ridges()

2. 简易细节特征点检测¶

import numpy as np

def detect_minutiae(ridge_map):
    """简易细节特征点检测：端点与分叉点
    ridge_map — 二值脊线图 (1=脊, 0=谷)
    """
    rows, cols = ridge_map.shape
    endings = []        # 端点
    bifurcations = []   # 分叉点
    # 8-邻域连接数 (Crossing Number)
    dr = [-1, -1, -1, 0, 1, 1,  1,  0]
    dc = [-1,  0,  1, 1, 1, 0, -1, -1]
    for r in range(1, rows - 1):
        for c in range(1, cols - 1):
            if ridge_map[r, c] == 0:
                continue
            # 计算 Crossing Number
            cn = 0
            for k in range(8):
                cn += abs(int(ridge_map[r+dr[k], c+dc[k]]) -
                          int(ridge_map[r+dr[(k+1)%8], c+dc[(k+1)%8]]))
            cn //= 2
            if cn == 1:
                endings.append((r, c))
            elif cn == 3:
                bifurcations.append((r, c))
    print(f"检测到 {len(endings)} 个端点, {len(bifurcations)} 个分叉点")
    return endings, bifurcations

# 示例: 生成简单脊线图案并检测
size = 25
pattern = np.zeros((size, size))
for r in range(size):
    for c in range(size):
        pattern[r, c] = np.sin(2 * np.pi * 0.3 * (r * 0.7 + c * 0.7))
ridge = (pattern > 0).astype(int)
detect_minutiae(ridge)