文摘
在本文中,作者提出一个新颖的个人基于似然比的测试验证系统融合的匹配分数从多个生物匹配器(脸、指纹、手的形状,和棕榈打印)。在拟议的系统中,多通道特性提取的泽尼克时刻(ZM评选)。匹配后,比赛成绩从多个生物匹配器融合基于似然比检验。有限高斯混合模型(GMM)是用于估计的真正的和骗子密度匹配分数为个人验证。我们的方法也比较一些不同的著名方法,如支持向量机和min-max求和规则。实验结果证实,该系统可以实现良好的识别性能比不同的著名方法精度的高水平,因此可以用于多个应用程序相关的验证。
1。介绍
被证实在文献中,个人使用生物识别验证系统形式获得超过优势的安全和便利。因此,现在有许多生物识别系统得到了广泛的应用,如的脸,面部温谱图、指纹、手几何,手静脉、虹膜、视网膜模式,签名,声波纹等等(1]。
目前,unibiometric系统,该系统在单一生物特征,在使用相当受欢迎。尽管他们重大的发展,这些系统仍然有一些缺点,可以抑制性能在噪音方面,其疗效有限的自由,组内变异,欺骗攻击,不可接受的错误率,等等。其中的一些缺点,然而,可以由系统使用多个生物识别技术包括不同的传感器,多个样品相同的生物识别技术,不同的特征表示,多个算法,或多峰性(2- - - - - -4]。其中,多通道系统利用多个特征,生理或行为,登记和鉴定。
多通道生物识别系统已经被许多专业人士了其优越的性能和为了克服其他unibiometric系统的局限性3]。这将导致多个模式的假设,我们的就业(脸、指纹、手掌印,手形状)可以克服单一modality-based技术的局限性。多通道生物识别技术有很多融合水平(3),如传感器水平,功能水平,匹配分数水平和决策水平。其效率和简单,融合在分数水平成为一个更好的融合技术(3,5]虽然分数不同的匹配器结合不同性质和规模是一个真正的挑战,因为不同匹配器的分数可以是距离或不同的措施。最后,比赛分数可能遵循不同的概率分布,可以提供完全不同的精度,可能是相关的。技术融合在三组:分数水平提出transformation-based评分融合(6- - - - - -8],classifier-based评分融合[9,10],density-based评分融合(11,12]。最后一批是基于似然比检验和它需要显式估计真正的密度和骗子匹配分数。这个分数密度的方法是基于Neyman-Pearson定理(13),它的优点是直接在任何所需的操作点达到最优性能,提供了准确评分密度估计。
我们的工作旨在探索有效的方法结合多种生物特征提取到模板为个人验证。为了实现这一目标,我们建议一个方法使用泽尼克时刻(ZM评选)和分数水平融合技术基于似然比检验和有限高斯混合模型(LR gmm) [14]。在这种方法中,ZM评选(15)是用于多通道图像提取特征(脸、指纹、手掌印,手的形状)。这样,ZM评选的基函数是定义在一个单位圆和单位圆的中心将配合生物图像的中心。这将提取更多的功能,增加个人的准确性验证。匹配后,融合的性能匹配分数使用似然比(LR)测试和有限高斯混合模型(GMM)估计真正的检查和骗子评分密度。最后,决定标识:一个人是真正的或骗子。我们建议的技术也较著名的技术,如支持向量机(SVM)和求和规则min-max这比较显示突出提出技术的结果。
本文的其余部分是关于这些内容:描述提出系统的部分2;建议方法的描述3;讨论部分的实验结果4;和论文的结论部分5。
2。提出了多通道系统
在我们的工作中,一个系统使用多个生物特征(脸、指纹、手掌印,手形图像)为个人身份(图1提出了由两个阶段组成:登记和验证。两个阶段都包括预处理生物图像小波Contourlet变换(16),本地化的中心形象,提取特征向量与ZM评选。
在注册阶段,捕获的图像归一化和本地化的中心形象特征提取。分数产生的特征抽取,在数据库中存储为模板。
在验证阶段,特征集的分数获得图像预处理后,本地化形象和特征提取的中心,提供匹配的模块与存储模板匹配实现的地方在招生阶段,生成匹配分数。这些分数是融合,最后选择的个人识别。
我们提出个人验证系统由五个模块组成。在第一个模块,图像预处理特征提取之前。我们的识别系统使用小波Contourlet变换(16)来处理图像归一化、噪声消除光照归一化,等等。在第二个模块、算法(17- - - - - -22)被用来确定最佳椭圆的中心在一个脸的形象,指纹图像的参考点,参考点的棕榈打印图像和椭圆的中心模型的棕榈和每一个手指,然后单位圆的中心ZM评选将配合在指纹图像和参考点与最佳椭圆的中心形象,棕榈打印图像的参考点和椭圆的中心模型的手掌和手指。第三模块,不同的特征提取得到图像正常化(功能域)并行结构。从输入图像提取特征,使用泽尼克时刻(ZM评选)。第四模块,匹配由欧几里得距离,基于所选择的特性。匹配的每个特性域并行如图1。在过去的模块,每一个匹配器的输出组合构造识别。摘要匹配分数融合方法是选择决定策略和FVC2004数据库(23),ORL数据库(24),理大数据库(25],IIT德里数据库(26被用于实验。
3所示。方法
在我们的论文中,提出了系统的主要模块包括图像预处理、本地化的中心形象、特征提取、匹配和多通道生物识别验证模型详细描述。
3.1。图像预处理
由于生物特征图像的噪声,图像的质量可能是贫穷,因此识别无法有效地完成;因此,这个模块旨在规范一个图像通过减少或消除它的一些变化。,小波Contourlet变换(WBCT) [16使用)。
小波Contourlet变换(16简述如下:本系统由两个阶段组成。在第一阶段,一个图像分解成低频和高频成分,创建各种乐队的系数,后来单独处理。直方图均衡化是应用于近似系数的低频。在阶段2中,系数的高频处理平滑图像边缘方向滤波器组。归一化图像由于由一个逆小波系数修改Contourlet变换。归一化图像增强的对比,其边缘,和它的细节,所有这些都需要进一步的生物特征图像识别(图2)。
参见[16详细描述)。
3.2。本地化的中心形象
在这个阶段,我们发现生物图像归一化后的中心。这将提取更多的功能,增加个人的准确性验证。
3.2.1之上。指纹的参考点
指纹的参考点是定义为最大曲率点在最内部的波峰。通常,核心观点是作为参考点。这一点可以通过一个位于算法简要描述如下(17]:(1)选择一个窗口 大小估计的方向 。一个 均值滤波是用于我们的工作。平滑定位领域在 计算如下: (2)估计 ,一个图像的正弦分量 : (3)初始化 ,一个标签图像用于参考点指示。(4)确定最高的价值并分配其协调的核心,也就是参考点(图3)。
参见[17详细描述)。
3.2.2。脸图像的中心
在面对图像额看来,脸型是近似椭圆(图5)。的算法,找到最佳椭圆(18),使用椭圆模型五个参数; , 表示椭圆中心;θ是方向;和是小和单独的主要轴椭圆(图4)。几何的时刻被认为是这五个参数的计算。
几何秩序的时候 指定的数字图像 在哪里 和 表示数字图像的灰度值和的位置。原点被放置在图像中心捕捉翻译不变的中央时刻总结以下方程: 在哪里 和 代表加入组件的中心的重心表示椭圆中心。方向椭圆的估计的最小惯性矩(19,20.] 在哪里是中央的时刻加入组件(4)。最小和最大的转动惯量椭圆的定义是 主要和次要的轴的长度计算
3.2.3。ROI的手掌印
在这个阶段,我们将找到感兴趣区域(ROI)在棕榈表中。中定义的ROI是正方形,它包含足够的信息来表示棕榈打印进行进一步处理。ROI的轮廓可以获得如下(21]。
手掌的中心部分打印图像提取包含突出的特性,比如皱纹,山脊,主要线路。以下是在ROI提取步骤:(1)计算质心的棕榈打印和定位之间的点“我”中指和无名指。(2)需要一个3×3 8-connectivity矩阵将指针“P”(是面具的中心)矩阵的“我”和跟踪角点””和“ 。”(3)定位之间的中点“中期”””和“ 。”(4)从“中期”固定数量的像素为中心的棕榈和位置的固定大小的平方作物图像,提取子图象(ROI)。(5)ROI的中心是固定大小的广场中心的作物图像(图6)。
参见[21详细描述)。
3.2.4。手的形状
手轮廓的分割而不需要执行任何里程碑点的提取这个细分的手,可以概括如下。
二值化后,首先,手轮廓划分为六个区域对应于手掌和手指。分割使用一个迭代过程执行基于形态学滤波器(22]。第二个是几何的时刻(19,20.每个组件的手,被认为是五个参数的计算; 表示椭圆中心;是方向;和是小和单独的主要轴椭圆(图4)。最后,每个组件的最佳椭圆的中心的手已经定义(图7)。
3.3。特征提取与泽尼克时刻
这个模块旨在提取特征向量或肖像权信息。ZM评选(提取的特性15]。在我们的系统中,萃取是提取图像上执行并行结构。使越来越多的生物特征图像的特征。
3.3.1。泽尼克时刻
的2 d图像 ,图像改变了从笛卡尔坐标到极坐标 ,在那里和分别半径和方位。图像的变换是通过以下公式:
在单位圆上指定的图像 和放大的基本功能 。
泽尼克时刻与秩序和重复被定义为 在哪里表示复杂的共轭, ,是一个整数的约束呢 是负的,甚至。 泽尼克多项式,在单位圆定义如下: 与径向多项式定义为
zm评选的内核是一组正交的泽尼克多项式,因此任何图像可以表示为复杂的zm评选。zm评选的一个图像,可以重建图像如下:
泽尼克时刻的优点是翻译、旋转和缩放不变性。泽尼克时刻的不变性质运用模式敏感特性识别应用程序(27]。一个简短的讨论应该考虑他们不变的属性。
翻译可以通过将原始图像不变性 绝对像素坐标如下 ,在那里 和 是原始图像的质心坐标(m表示几何矩)。
缩放不变性可以通过规范的泽尼克时刻对几何的形象。改进的泽尼克时刻源于以下方程: 与泽尼克的时刻(10)。
可以考虑旋转不变性 旋转了一个角度吗 ;我们有泽尼克时刻旋转后的图像定义为
zm评选的这样,大小可以作为图像的旋转不变性的特点。
3.3.2。特征提取
在此阶段,单位圆的中心(ZM评选的基础功能)的生物特征图像确定。ZM评选的单位圆的中心将配合指纹图像的参考点,脸与最佳椭圆的中心形象(最佳椭圆是一个椭圆,包含人脸图像的面部区域额视图),与中心广场地区的外接圆的棕榈表叫做感兴趣的区域(ROI),与中心的best-ellipse-fitting palm和每个手指(图8)。
泽尼克时刻显示在文学表现的能力比其他时刻(例如,Tchebichef时刻(30.],Krawtchouk时刻[31日])。ZM评选的事实上,订单的增加将导致减少重构图像的质量由于数值ZM评选的可变性。因此,在我们的工作中,前十的ZM评选与36个特征向量元素是ZM评选的选择一个更好的性能。
3.4。提出了匹配和融合
特征向量的集合后获得的图像特征提取提供匹配的模块,在那里他们与模板匹配存储在数据库中。欧氏距离度量应用于计算两个特征向量生成之间的相似度匹配分数。
在这项工作中,我们提出一个监管融合分类器(真实的或骗子)在哪里训练使用匹配分数密度和有限高斯混合模型的参数,用于模拟真正的和骗子得分训练数据的密度。
根据Neyman-Pearson定理,决定的最优测试得分向量x类真正的或骗子的似然比检验 在哪里和是真正的从训练数据估计密度和骗子匹配分数,分别。自动摘要GMM估计组件和组件参数使用采用(EM)算法[14)和最低消息长度标准。的概率分布维对象是由 在哪里是比赛得分向量,是均值向量,然后呢训练集的协方差矩阵。假设真正的类和骗子类有一个混合物的高斯分布,表达的吗 在哪里()是真正的混合组件的数量(骗子)评分和 分配下来的重量吗th混合组件, 。
4所示。实验结果和讨论
4.1。实验结果
实验已经进行几个数据集。简短的信息(图4使用数据库9提出了如下:(1)FVC2004指纹数据库(23]:FVC2004指纹DB4包括800 100年的手指(8每个手指的照片)。每个指纹图像的大小是288×384像素,分辨率为500 dpi。(2)ORL面对数据库(24]:ORL由400年的40人各种面部表情的图片和面部的细节。所有图片都被黑暗背景大小为92×112像素。(3)理大手掌打印数据库(25:香港理工大学包含7752个灰度图像对应386个不同的手掌。每palm已经收集了大约20个图像在两个交易日。每个图像的大小为384×284像素。(4)IIT德里手形状数据库(26]:IIT德里收集了从235例左、右手图像。每个主题的贡献至少5手的图像的每个手。每个图像的大小为800×600像素。从这个数据集分割几种生物识别特征(手掌、手指和手的形状)。手掌和手指使用形态运营商提出了分段(19,20.,22]。
在表1混合物,我们报告发现骗子的真实数据和数据的四个数据集用于这项工作。
在我们的实验中,训练集用于密度估计成立真正的一半和一半的骗子匹配分数随机选择,这个部门是重复10次。取得实验结果,接受者操作特征(ROC)曲线匹配的意思是真正的接受率(雀鳝)值在所有10个测试进行了在不同的价值观,和我们建议的方法导致平均验证精度雀鳝。
LR-GMM ROC曲线的融合规则和四匹配器和个人FVC2004匹配器,理大,ORL数据库呈现在图10。
LR-GMM融合规则的性能相比,显著提高最好的个体形态的四个数据库。LR-GMM融合规则也带来了雀鳝的增加0.01%(表2)。明显,平均精度验证表2表明该方法的效率保持不变在10交叉验证试验和multibiometric融合的区别特征(指纹指纹分数和棕榈打印成绩,分数和分数,和棕榈打印成绩和面对分数)FVC2004,理大,ORL数据库相比大大提高了雀鳝其他multibiometric融合(两个指纹分数的融合,两个手掌打印成绩的融合,两个面对分数“融合和手分数”融合)。
LR-GMM roc曲线的融合规则四个数据库和LR-GMM融合规则对每个数据库(两个指纹分数的融合,两个手掌打印成绩的融合,两个面对分数“融合和手分数”融合)呈现在图11。
LR-GMM roc曲线的融合规则四个数据库和LR-GMM融合规则的差异特征(指纹指纹分数和棕榈打印成绩,分数和分数,棕榈打印成绩和面对分数)FVC2004,理大,ORL数据库如图12。
根据我们的实验结果,实现LR-GMM融合可以提高雀鳝相比最好的个体形态。特别是在远达0.01%,平均LR-GMM融合规则的雀鳝是99.4%,雀鳝的价值观的脸,指纹,棕榈打印和手形状形态先后93.2%,97.8%,96.3%,99.32%。
LR-GMM融合规则的性能也与它的性能使用支持向量机(SVM) classifier-based融合,classifier-based评分融合技术,和分数的总和融合方法,transformation-based评分融合技术。为了提高性能,径向基函数(RBF)被选为核函数的支持向量机分类器。使用技术得分的总和,min-max归一化法(8使用了)。我们指出,求和规则min-max工作有效地选择在我们的实验数据集。LR-GMM ROC曲线的融合规则,支持向量机分类器,和求和规则的多通道min-max FVC2004, ORL、理大,IIT德里图所示13。
拟议的系统也与其他识别系统相比,特别是人脸识别系统(27),指纹识别系统(28)、棕榈打印识别系统(29日),和手的形状识别系统(22使用泽尼克时刻和类似的数据库。比较结果表3证明验证精度平均在0.01%的我们的系统可以执行比其他识别系统的识别率。
4.2。讨论
从实验结果,提出了系统的一些重要特性使用ZM-LR-GMM可以看到如下。(1)确定生物图像的中心将提取更多的功能和增加个人识别的准确性。(2)ZM评选旋转不变性、尺度和翻译。此外,特征提取使用泽尼克时刻可以提供相似系数特性集的简单计算。(3)融合规则使用LR-GMM实现验证率高以及容易实现。(4)我们的方法可以适用于多个数据库。
通常,有一个额外的成本之间的权衡和multibiometric系统性能的改善。成本可以部署的传感器数量,所需的时间进行采集和处理,提高性能(减少远/ FRR),存储和计算要求,并认为方便用户。
5。结论
在本文中,作者提出了一种新的特征提取方法的融合匹配分数multibiometrics系统基于似然比检验和有限高斯混合模型,在生物识别图像中提取的泽尼克时刻获得类似的特征向量。拟议中的ZM-LR-GMM方法测试等公开数据库FVC2004, ORL、理大,IIT德里。它可以从实验指出,类似的特性向量的融合生物图像包含更多的信息,从而可以提高验证率。实际上,雀鳝验证率最高的达到99.4%和0.01%;这代表了这个提议系统的突出表现。其优势,提出ZM-LR-GMM系统可以最小化缺乏信息,增加验证率。
信息披露
这个手稿是一个扩展版的篇名为个人身份验证使用相关向量机(RVM)生物匹配分数融合在2015年第七知识和系统工程国际会议(KSE) [10]。
的利益冲突
作者宣称没有利益冲突。