文摘
生物识别技术包括科学方法使用一个人的独特的生理或行为特征对电子识别和验证。生物识别的特征指纹、声音、脸,手掌印认可。然而,本研究认为指纹识别现场识别,因为它们是与众不同的,可靠的,相对容易获得。尽管许多作品完成,精度的问题仍然存在,也许可以归因于不同的特征采集设备。本研究旨在提高识别精度问题的建议两个变换和细节的融合模型。在这项研究中,一个transform-minutiae fusion-based模型提出了指纹识别。第一个变换技术,因此波原子变换,用于数据平滑而第二个变换,因此小波,是用于特征提取。这些特性被添加到细节特征的人认可。评估提出设计2002年FVC数据集显示一个相对更好的性能比现有方法的测量精度100%,96.67%和98.55%的现有方法。
1。介绍
生物处理技术用于电子识别和验证基于行为和生理特征的个体他们拥有1]。它专注于科学的方法识别这些个体独特的基于这些特征。众所周知,这些特征对每个人都是独一无二的。一些标准指纹生物识别方法识别,语音识别,人脸识别,和签名动力学。生物识别设备通常由一个生物识别引擎。生物识别引擎是一个程序一起运行的生物识别系统的硬件设备。其目的是在捕获管理生物特征数据,提取和匹配过程阶段(2]。成功研究生物技术大大提高了识别的可靠性和安全性,认证,并验证标准(3]。
有几个其他的生物认证技术。然而,本研究采用指纹识别技术作为其领域的讨论。这种选择的原因是指纹最近被广泛采用,成功帮助身份证明,因为他们的创意,通过历史,耐久性特点,公众接受,个人入侵,指纹特征匹配的最小风险(4]。从一个手指指纹的印象是模式的表面5]。因为fingerprint-based身份验证和识别是不同的每一个人,不是明显扭曲的随着年龄的增长,这是最常见的一种生物识别技术。除了实现相对便宜,指纹识别的主要原因已经成为应用最广泛的生物认证方法,平均超过50%的识别系统目前在使用,是特殊性等因素,可靠性和相对轻松的收购(6]。由于其众多的优点,相当数量的研究人员的注意力已经被吸引到近年来指纹识别方法(4]。的一个主要好处是,法律社会承认其用于个人身份。这个识别技术是毫不费力的,准确的,便宜,而且相对容易识别(7]。
此外,这种识别方法是公认的认证精度和相同的指纹的可能性发生在两个人是最小的。都说了,该做的也做了,还有其他的实例,系统无法识别一些指纹由于指纹阅读器的可能性可能会失去它的灵敏度随着时间的推移,或用户的指纹可能会损坏(8]。这些问题给我们两个主要错误识别,因此i型和ⅱ型错误。当一个识别系统拒绝授权用户、i型错误或虚假拒绝预计。相比之下,系统可能接受冒名顶替者,导致未经授权的访问授予导致ⅱ型错误或误接受的发生(4]。这些错误是建立一个系统,正确的动机影响了这两种类型的错误。指纹可以获得特殊性分析细节点,脊,沟模式。识别指纹的识别细节和模式是必要的因为没有两个指纹是相同的(9]。
广泛研究指纹识别系统工作已经开展,提出了几种方法和技巧,但识别准确性仍存在于指纹识别的问题(4]。进一步的研究仍在进行中要解决精度问题,主要是由于不匹配或误分类提取指纹特征。因此,特征提取必须接受提高识别精度。本文的后续部分组织如下。一节中介绍的方法2。第三节讨论了实验。第四节广泛的讨论结果记录下来。最后,工作总结第五节。
2。研究设计
本节讨论这些指纹指纹图像预处理和特征提取来帮助的人认可。
2.1。指纹图像预处理
指纹图像的预处理是必不可少的在建立一个成功的识别或验证系统。本节讨论平滑指纹图像的不同阶段来帮助准确识别中提取相关特征。原子波去噪技术是利用这项研究图像平滑。图像正常化,脊定位、执行和评估进一步概述了随后的部分。
2.1.1。平滑的波原子变换技术
在数值分析和处理图像,一波原子变换是一种新技术用于执行Demanet提出的多尺度变换和应10),如图1。这项技术是准确地展示多尺度和多方向的性质,给出一个图像数据(4]。更好的欣赏这个变换与其他变换相比,两个索引和介绍了方案的分析(11]。的参数代表一个多尺度分解定义了定位的基本元素。从图所示,参数值小波变换是令人满意的 ,伽柏变换是 ,曲波是 和 ,和脊波 和 。然而,波原子变换演示了一个多尺度和多方向的空间之间的权衡 这一个选择可能是有用的在这个研究作为去噪技术。
2.1.2。图像归一化
指纹图像的归一化是必要的在这个研究调整的强度值(12]。标准化是一个线性pixel-wise运营商数学的帮助减少灰度变化沿沟和山脊特性感兴趣的同时实现一个不变的均值和方差。此外,研究数据集被不同手指的压力和传感器噪声的影响表现出一个真正的工业场景和这些影响需要标准化减少发病率。在它的实现,一个窗口的大小 用于提高计算时间。给定一个图像 ,估计的意思和方差 ,归一化图像 可以被定义为
指纹图像归一化后,山脊和皱纹的方向估计中概述2.1.3节。
2.1.3。脊方位估计
为了从给定的指纹图像检测的奇异点,岭方向估计(13]。流的山脊和犁沟拥有独特的模式表现出几个方向,范围从0到180度用 。而不是定义一个像素,图像映射与一块局部算子概述如下:(一)输入图像分为不重叠的 块大小。(b)图像的梯度和为每个像素块的计算。这幅图像渐变映射可以估计使用运营商如精明和索贝尔和等等。方程(2)是Sobel梯度算子的一个例子: (c)然后局部场取向估计的计算使用 从这两个方程,方向场估计 (d)在这一点上,预期一定程度的噪音将领导一个不连续的点方向。这种效应可以最小化或软化使用低通滤波器;然而,这个过程需要定位领域被转换为一个连续向量场见以下方程: (e)低通滤波器可以应用于合成输出方程(6)和(7),用 (f)最后,平和取向领域可以获得
这种取向领域现在用来识别指纹核心关键点特征点。
2.2。特征提取
本节详细描述了特征提取的指纹和它们是如何对人的识别。广泛的指纹图像的特点可以分为两种:全球和地方。全球指纹特性包括三角洲和核心点也称为奇异点,以及岭方向和间隔(14]。
2.2.1。指纹特征
根据Maltoni et al。15”在他们的书中指纹识别手册”,有三种基本指纹脊模式:拱,循环,螺纹。
足弓。这种模式,如图2手指的山脊出现从一个边缘,曲线的中部形成一个弧,然后结束没有集中旋转相反的边缘。拱模式可以分为四个主要类型(4),也就是说,平原,径向尺骨,帐篷里的拱门。
循环。这种模式,如图3山脊的出现从一个手指,边缘曲线,然后结束在同一边缘隆起最初出现的地方。循环分为四种类型(4]:平原,中部的口袋里,侧口袋,成双成对的循环模式。
的螺纹。这种模式,如图4,脊圆形成于手指的上腹部。三角洲点形成在这些模式划分成四种类型4:偶然的螺纹,螺纹double-pocket循环,口袋循环螺纹,中部和普通螺纹模式。
2.2.2。指纹要点
另一方面,在指纹细节点局部特征作为岭结束或存在分歧(1]。总之,岭结束终止点指纹的脊脊分岔时一个点指纹脊分裂成两个不同的山脊。一般来说,指纹的细节特征作为国民警卫队应征加入了老兵数据库(GCDB)在西班牙,如图5。
2.2.3。细节提取与序列二值化
理论上,连续的二值化方法是简单和有效的提取特征的角度设计和处理。一般来说,以下三个步骤由一序列二值化过程:二值化,细化,提取细节(16]。
二值化。原始灰度图像转换为二进制图像,给出了形象的二维灰度强度函数 值从0到l−1,l表示所有单个的灰度级。让n表示图像像素的总数与灰度的像素数量我和灰度的概率我可能发生的定义是
指纹图像灰度平均
平均后,指纹图像像素分为两个不同的组: 和 与t作为阈值。感兴趣的物体在给定图像的前景和背景对应C1和C2,分别。方程(13)和(14)各自的概率:
平均灰度值C1和C2分别计算,以下方程:
变薄。二值化过程完成后,稀释过程进行脊线厚度减少到一个像素。这个操作是必要的,以便简化合成图像的准确提取的功能。稀释过程首先将图像划分为两个独立的地图在多变的安排。在最初的subiteration,像素p从第一个图像映射,如果删除吗 , ,和条件得到满足,而像素从第二个图像映射,如果删除吗 , ,和在最后subiteration条件都满足。定义的条件如下。
的值 8的邻居吗 ,从东方邻居和以逆时针的方式计算。
条件方程所示(19), 在哪里
条件方程所示(22),
条件方程所示(23),
在稀释过程的结束,一些像素视为刺激像素,h连接像素,孤立像素点出现,清理干净。最后,一座桥算子应用于合成图像保持一个最佳的骨架提取细节点适合。
细节提取。这个过程包括确定像素是否属于不同的山脊,在这种情况下,山脊是否结束点或分岔,从而获得候选人细节。的x和y坐标记录每发现细节以及方向和相应的脊特征。执行细节的提取使用交叉数方法是最流行的技术之一,这种任务(17]。该方法使用一个3×3窗口检查每个脊像素的当地社区的形象。根据定义,穿越的一半的和相邻像素之间的差异对形成的8-neighborhood吗 ,鉴于在 在哪里表示像素的值(1或0)在一个3×3附近 ,如图6。
十字路口数量和其相应的特征表中列出2。
总之,以下是该算法寻找细节:输入:指纹图像输出:脊末梢和分岔步骤1:binarize输入指纹图像。步骤2:应用稀疏的图像。第三步:分析减少指纹图像和检测细节通过8-neighborhood像素来计算每一块的脊分岔和山脊的结局。步骤4:存储文件中检测到细节。第五步:结束。
一旦提取细节点系数,小波系数提取过程执行下一个。
2.2.4。小波变换技术
在计算指纹图像的小波变换(DWT),低通和高通滤波器用于卷积平滑图像。将采样过程被列在图像获得应用。这里,所有索引列选择,之后高通和低通滤波器用于图像卷积与行将采样过程。必然地,四子带图像的一半大小的原始图像。这些生成的子带图像的近似(一个)、纵向(V)、水平(H)和对角线(D)信息的指纹图像。在四个部分波段图像、指纹图像的近似系数保存重要信息。因此,这是一个主要的选择我们的特征选择。Daubechies 9 (db9)小波被认为是在这项研究中,因为它会产生类似的结果相比,复杂的伽柏小波(18]。它还从图像中提取更合适的功能相对简单的诸如Haar小波。最后,它花费更少的时间来检索结果比其他复杂的小波技术(19]。一般的小波变换的表达式所示 在哪里代表了复共轭函数ψ任何函数满足某些明确的属性(20.]。几种类型的基于正交小波的存在,可以分类属性。这个属性可以帮助开发连续小波变换离散小波变换,可以使用非正交小波生成。两种变换具有以下属性(20.]:(1)用离散小波变换,相同大小的数据向量作为输入返回。通常情况下,大量的数据在这个向量是几乎为零。主要原因是输入信号分解成一组函数或小波等边缩放和翻译。因此,这个信号分解返回一个平等或更低数量的小波系数谱信号数据点的数量。(2)然而,连续小波变换返回是一个一维数组比他们的输入数据。
db9小波变换应用于指纹图像中提取指纹的识别这些系数。一旦细节和db9小波系数为每个图像,提取相应的特征与连接运营商合并形成一个矩阵。合成矩阵划分为训练和测试数据集使用75:25标准。
2.3。分类技术
2.3.1。支持向量机(SVM)
本研究着眼于一个多类支持向量机的多类分类问题,用于这一目的。分类器利用 二进制SVM模型使用one-versus-one编码设计K被不同的类标签的数量。SVM算法主要用于精确定位一个超平面,组织相关的特征点成一个类N维空间N功能(21]。两边的数据点集的超平面可以联合起来到单独的类中。然而,可用特性的数量决定了超平面的尺寸。输入特性,例如,如果有两个维度产生的超平面变成了线如图7。如果输入特性是3,那么一个二维的超平面将产生如图8。因此,它变得相当具有挑战性的决定当特征的数量超出3的值。
(一)
(b)
(一)
(b)
区分两个数据点类,有几种可能的选择选择的超平面。最大的目标是确定一个平面,如最重要的每一个类的数据点之间的距离。边缘的距离最大化提供一些分类未来的空间数据点更多的担保。特征点离超平面的影响方向和位置被称为支持向量。与获得的支持向量分类器的优势最大化,如图9。
2.4。绩效评估
本研究的主要目标是提高指纹识别的准确性,如其他生物认证系统;在这个模型,输入指纹图像与数据库模板。分类过程有助于接受或拒绝用户。为了达到这个目标,指标用来衡量这个模型的精度性能,回忆,和识别精度,在方程(26)(28),分别。积极预测的精确定义了数字是积极的。回忆另一方面定义的所有积极的样品数量正确积极的预测分类器。回忆也可以称为真阳性率(TPR)。从列出的方程,TP表示真阳性,FP表示假阳性、假阴性FN表示:
3所示。结果与讨论
这部分的研究报告数据采集、信息和获得的指纹数据集的分析。计算的经验和结果评价的比较讨论。
3.1。数据的可用性和信息
美国国家标准与技术研究院(NIST),指纹验证(FVC)的竞争,和香港理工大学高分辨率指纹(理大HRF),其中,数据库网上评价的目的要求。公平与现有的研究相比,本研究使用的该模型评估。所选择的数据集通常有四种形式因此如下:DB1、DB2、DB4, DB4。每个数据集都有880灰度指纹,由110个手指8印象。每个数据集分为两组,A和B与以下命名约定:DB1_A DB1_B, DB2_A DB2_B,秩序。设置一个包含指纹标记为1到100(800印象),并设置B包含这些标记101 - 110(80印象)。本研究所有使用该设置B (DB1_B, DB2_B、DB3_B DB4_B)图像导致320印象评价。DB1_B图像获得从一个光学传感器,通过Identix“TouchView II”,这给图像大小为388×374 (142 Kpixels) 500 dpi。同样,DB2_B从一个光学传感器获取的图像“FX2000”生物统计学,这也给了一个图像大小为296×560 (162 Kpixels) 569 dpi。DB3_B图像捕获了一个电容式传感器由精确的生物识别技术,“100 SC”和图像大小为300×300 (88 Kpixels) 500 dpi。 Finally, the DB4_B images were obtained from a synthetic fingerprint generator, “SFinGe v2.51,” which had an image size of 288 × 384 (108 Kpixels) with about 500 dpi each. All these variations introduce some level of difficulty when it comes to their analysis. Figure10描述了8个手指的指纹印象101个人DB1_B数据库。
3.2。提出方法的分析结果
作为该方法的概述,原子波去噪在所有指纹图像上执行所选择的数据集,而小波系数和细节都是提取并保存。提取的细节和小波系数连接形成一个特征矩阵为目的的分类。看起来,图11给出了该管道的示意图。
3.2.1之上。指纹去噪
每个灰度指纹图像去噪和平滑使用波原子变换。首先,对圆形转变过程应用于输入指纹图像,然后应用二维波原子变换。合成过程的输出波原子系数。硬阈值应用于这些系数去除噪声信号,然后应用二维波原子逆变换。最后,一个左循环应用转移到输出完成图像去噪过程。指纹图像去噪然后重组从最后一组系数如图12。
3.2.2。离散小波变换系数
每个运用指纹图像分解为四次能带图13。
重复这个操作先后对近似系数的四倍。第四层次的分解过程中,一组47个Daubechies 9系数提取。这些系数代表一个给定的特征指纹提取近似部分波段。合成功能附加到提取的细节3.2.3节。
3.2.3。细节提取
核心观点、脊末梢和分岔的指纹被检测到,而去除伪细节。这是通过binarizing指纹图像,稀疏的关键图像,检测细节。输入图像和相应的关键图像如图14。
在图15,我们有减少图像(左)创建的关键形象和细节的叠加(右)在减少图像去除伪细节。红点代表岭末梢,粉色和蓝色斑点是分岔,绿点代表了核心的观点。
相应的数字特征为每个指纹细节点提取和存储。样本特征向量代表的前三个印象手指101表所示3。
3.2.4。数值评估建议的方法
指标精度、召回和识别精度分别计算为所有四个数据集评估使用该方法。评价的四个该集合B数据集分别进行主要用于比较与先前的作品。总结实验的结果如表所示4。此外,表5显示了模型的性能在每个单独的两个特性试验。
3.3。比较分析
该方法与之前的作品相比于其他研究,尝试在同一数据集用于评价,因此,该DB1_B数据集。
观察表6,本研究提出的方法执行明显比以前命名的作者的作品。该模型一般执行明显当FVC2002-DB2_B的其他三个数据集上进行了测试,DB3_B,和DB4_B识别精度为95%,100%,和95%,分别。
4所示。讨论
它是观察从表4的四个数据集是来自不同的传感器。然而,该模型表现相对较好,100%的准确率DB1_B和DB3_B。相反,错误地预测模型的20个测试数据在其他两个数据集,取得了95%的准确率。然而,在进一步实验提取的特征作为分离集确定该模型的性能,DWT特性产生了附近DB1_B准确分数的95%。尽管如此,测试模型细节特征,预测的准确性50%记录相当差。DB2_B结果还显示80%和70%的相对较好的预测精度DWT特征和细节特征,分别。DB3_B,模型的性能很差的细节特征的准确性分数40%,但表现要好于DWT特性产生95%的准确率。DB4_B的性能与初始数据集产生比例更高精度的细节特征,与65%的准确性相对较低为40% DWT特性。从实验,发现预测精度显著上升,更多的功能(列)被添加在特征选择阶段的模型;因此,特征选择数越小,预测精度越低。 This may account for the lower scores produced for the minutiae features, which are only 6 for each finger impression, compared to 47 features for DWT producing better results.
5。结论
本研究提出并提出transform-minutiae fusion-based模型来提高指纹识别的准确性。原子波去噪方法,提出了最初从指纹图像去除噪声更好的特征检测和提取。在拟议的方法,细节和小波变换系数(db9小波)提取并用于识别。用于评估的数据集的FVC 2002 B数据库(DB1_B, DB2_B DB3_B, DB4_B)组成的320年总指纹图像。该方法被证明执行更好的识别精度100%,与先前的研究相比使用DB2_B数据集。
数据可用性
用来支持本研究的实验数据可以从该获得(http://bias.csr.unibo.it/fvc2002/)。
的利益冲突
作者宣称没有利益冲突有关的出版。