轻量级的验证模式基于图像的掌纹生物识别系统

文摘

的掌纹生物识别技术是一种很有前途的形态,使人类识别效率,也在移动场景。在本文中,一种新的特征提取方法对掌纹验证。从几何和手掌纹纹理提取的特征和融合。使用融合的特性有利于获得更高的精度,同时,提供了更多侵入性的因素,如光照鲁棒性,变异,或噪音。本文的主要贡献是一个轻量级的命题和评估验证模式生物识别系统,提高了准确性不增加计算复杂度在真实的场景中这是一个必要的需求。

1。介绍

生物识别系统正变得越来越受欢迎,最近被广泛研究。他们应用安全系统,例如,检测嫌疑人在人群中,发现一个人的身份进入一架飞机或一个受限制的区域。生物识别技术的主要优势1)如下:不可能忘记任何令牌(这些令牌实际上是身体或行为的部分!),它不需要进行任何额外的物品(如钥匙和徽章),和相同的生物识别功能可以使用在许多情况下(例如,在生物识别护照,在当地的体育中心,并开启智能手机)。因此,生物识别技术是用户友好的,因此新方法和新兴模式仍在提出(2]。目前,这种系统的关键挑战是活力检测易受攻击,计算时间(特别是与巨大的数据库系统),用户验收,隐私和扭曲(构成旋转或光照条件变化)。生物识别技术可能是基于大量的特征,如指纹、掌纹、虹膜、声音,步态,和许多其他人3]。他们可以是解剖(物理)如耳朵生物识别技术(4)和嘴唇识别(5击键力学等)或行为(6]或鼠标点击[7]。虽然指纹是最受欢迎和虹膜生物识别特征似乎是最可靠的一个(8),在我们的研究集中在掌纹图像。设备获取虹膜样本是非常昂贵,而指纹识别手指脏时是很困难的。心要比其他生物特征更有优势2,9- - - - - -11]由于这些都是独特的,在怀孕期间形成的,独特的,和容易在空间,有丰富的结构,并可基于低分辨率的图像和更重要的是,样本采集设备是相对便宜。

因此,我们在这项工作的目标是提出一个新的轻量级验证模式基于掌纹图像,可能在未来被转移到移动系统和场景。此外,图像不相关和警方的行动或刑事调查,从而对最终用户和社会更具吸引力。

本文的组织结构如下:在部分2生物识别系统和多通道生物识别技术,在部分3,该方法。在部分4和5,结果和结论分别提供。

2。相关工作

介绍了palmprint-based识别20多年前。第一个提出了实现系统(12),伽柏过滤器是利用特征提取。二维伽柏过滤器被多次重复使用,例如,在[13,14]。

最常用的生物认证系统由几个步骤列举由张等人在12):图像采集、预处理、特征提取和特征匹配。在文献中,有许多方法来执行这些步骤。

执行预处理达到两个目标(15]。第一个是图像增强(减少不必要的细节和噪声)。第二个是ROI提取。选择合适的预处理方法是有意义的,可以强烈影响整个验证系统的准确性,这一事实是调查在我们以前的工作16]。

第一次的掌纹识别方法的总结,提出了在这本书17]。那里,一组可能的特征提取掌纹是提到:主要线路,细节点,质地,和几何。各种特征提取方法在文献中提出的。他们中的一些人是基于不同的转换。其中,有使用的霍夫变换18),实现的Haar离散小波变换(19),而使用的离散余弦变换(20.]。也有一些局部描述符用于特征提取:局部二进制模式(21),冲浪和筛选描述符(22),和定向图的直方图用于我们的以前的工作(16]。另一个流行的方法是基于统计的主成分分析(PCA)中实现(23,24提出了),例如,在25- - - - - -27]。另一个方法用磨刀石磨主要线路,如(28]。在[29日),黄等人强调主体的有用性在palmprint-based系统:(1)这种方法类似于人类的行为来比较两个图像,人们本能地比较主要线(线的头、心脏和生活),(2)主要线条更稳定,更可见,然后皱纹,和他们不太受噪音影响或照明条件,和(3)可在检索系统中,例如,在法医的问题。

特征提取掌纹图像需要匹配。有大量的匹配方法。通常,他们可以分成两组:简单的距离和人工智能的方法。从第一组有可能列举:欧几里得距离(30.),汉明距离31日),平均距离平方和(32]。流行的神经网络(人工智能方法33),支持向量机(SVM) [34),或专门的分类器(多级投影极端学习机(MPELM))提出(35]。与此同时,手提出了几何作为生物识别功能。在[36],Yoruk等人独立分量分析(ICA)用于特征提取和修改的豪斯多夫距离匹配。

由于生物测定的准确性不足,提出了多通道的方法。有许多乘法了(37),描述如下:(我)多个传感器:由至少两个传感器获得的样本(2)例如,多个生物识别技术:分析掌纹和指纹在同一时间(3)多个单位:集成信息由两个或两个以上的手指(当使用指纹或虹膜)的单个用户(iv)多个快照:分析多个样品相同的特征采取相同的传感器(v)多个分类器:提取多个特性和使用不同的分类器,每个特性

提出了多通道生物识别技术的优点在38]。它提供了改善匹配的准确性和不太敏感的冒名顶替者攻击和感知数据中的噪声。在这种多通道场景图像被广泛实施。在[34),Mokni等人结合形状和纹理来识别身份。然而,形状在这种方法处理的形状主要线路,而不是一个人的手的形状。三个主要线条提取三曲线基于可操纵的过滤和滞后阈值。纹理是基于分形分析调查。一个分形对象是一个数学对象来自一个迭代的过程,是自相似(其形状重复出现在不同的尺度上)。分形几何上不规则和复杂。分形的基础上,提出了名为“分形维数的测量和计算出多个盒子。获得最高的结果是98.32%。分形分析,基于分形理论,也被用于39),提出了描述符乘法:第一个是前面提到的分形维数及其推广,第二个是多重分形维数描述符。Mokni等人支持向量机和随机森林算法用于分类。这项研究是两个基准数据库上执行:香港理工大学和CASIA。获得最高的结果是97%。在接下来的论文(40),提出了另一种融合方法。Mokni等人提出使用伽柏过滤器和灰度赞同矩阵应用灰度共生矩阵建立()。GLCM可以使用方法,以发现信息强度的统计分布和相对位置邻近像素的图像分析。特征提取后,通过支持向量机进行分类,提供最高的结果等于98.25%。另一个分类器方法给出了乘法(41),上述融合增加了分形维数。该系统使用香港理工大学和IITD数据库进行了测试。在每个实验结果再次接近97%。也有其他文章呈现两种生物特征的融合:在42手几何和静脉使用模式和在43几何形状和手被使用,而在44融合的掌纹特征和虹膜模式提出了。

也有一些使用的掌纹生物识别技术在移动场景的例子(45- - - - - -47]。很明显,使用智能手机实现palmprint-based生物系统可能是成功的,尽管它有一些困难:复杂背景、光照变化,手的姿势变化,最后但并非最不重要的一个有限的处理能力(48]。为了使容易,成功实现系统在移动场景中,我们关注的是准确性和处理时间。计算复杂度也在这个场景中一个至关重要的参数。因此,我们考虑到这些担忧而设计一种新颖的验证模式移动场景下一节详细描述。

3所示。该方法

给出了该方法的概述图1。样品采集后,进行预处理。然后,几何和纹理特征提取。下一步是模板匹配和计算几何特性之间的比率。构成了分类和最后一部分给出了结果:真正的积极的验证和假- 1。

3.1。预处理

该算法利用手形和掌纹纹理。预处理阶段的连续步骤呈现在图2。

研究中使用的生物样本(图片)从IITD数据库,获得网上(http://www4.comp.polyu.edu.hk/∼csajaykr / database.php)。的示范样本数据库呈现在图2(一个)。首先,正常化和阈值进行(图2 (b))。由于各种样品,阈值是基于整个样本的平均计算。然后,手轮廓检测和轮廓凸包被发现(图2 (c))。从凸包,提取凸性缺陷。9个要点(图的集合2 (d)从轮廓):(0)小指(1)谷小和无名指之间(2)无名指的顶部(3)无名指和中指之间的山谷(4)中指(5)中指和食指之间的山谷(6)食指(7)质量中心的轮廓(8)凸包的质量中心

质量中心坐标计算使用方程(1)和(2),而米表达与方程(3),x和y到原点的距离到水平和垂直轴,我和j的时刻,我一个像素的强度:

这组点也用于从图像中提取ROI。ROI提取是类似于我们以前的工作中描述(16]。

中间点和距离d计算点2和6之间。然后,发现了这两个点之间的夹角,整个形象被这个角(图旋转2 (e))。一个正方形(维 )是发现,这二次区域成为一个ROI(图2 (f))。该算法的优点是手的旋转不变性。

3.2。几何特征提取

然后,特征提取部分执行。由于未来可能实现在移动的情况下,我们决定使用一个简短的特征向量。短向量不应过分挑战为移动设备。并给出了特征向量的元素在方程(4),要点之间的距离。使用距离的比值代替原始距离确保该方法是不变的规模变化。距离计算使用方程(5),一个和B点之间的距离估计, , , ,和 ,在这x和y点的坐标。

3.3。匹配

下一步是匹配。首先,texture-based使用模板匹配。有多种方法可用。我们决定使用三个them-CCOEFF, CCORR, SQDIFF-in标准化版本和比较结果。

两个ROI图像之间的平等是测量之前,他们需要调整大小以同等大小。计算相似度,方程(6),(9)和(10)使用,x,y和我,j点的坐标, , , 和ROI的宽度和高度,我和T基本图像ROI和测试图像ROI。标准化确保最优结果等于1。 在哪里

然后,比较使用方程(几何特性11), , 是我元测试图像的特征向量,是我基本图像的有效特征向量。再一次,最优结果= 1:

4所示。分类、实验设置、结果和讨论

为了提供更高的可能结果,多个实验被处决。

结果呈现在PC(64位Windows 8.1、CPU 4×1.7 GB, RAM: 4.00 GB)。在实验过程中,IITD使用数据库(数据库和150年600个元素测试元素)。第一种方法是将特征向量的每个元素添加到模板匹配和比较的结果与一个阈值之和α使用以下方程:

表1介绍了准确性达到和系统之间的差异只使用几何特性(第1行)和系统使用的融合特性(2 - 4行)。每个texture-based方法可以提高计算的准确性没有时间显著增加(时间上升了1.1 -1.6%)。图3礼物ROC曲线的方法。

由于增加观测精度,在接下来的实验中,分类是基于方程(13)。它使用5几何特性也使用了三个texture-based方法:CCOEFF ( ),CCORR ( ),和SQDIFF ( )在同一时间。产生的实验精度等于83%。图4该方法的提出了曾经。

因为没有达到改善和观察到在第二个实验中,我们测试了另一个实验装置。

CCOEFF以来最有前途的方法,它提供了9%的准确性增加在第一种方法,这种方法被选为下一个实验。可见,该分类方法更依赖geometric-based特性(几何特性和5日我们继电器只有1 texture-based)。因此,我们改善匹配步骤使用方程(14)。图5提出了根据图表的x参数范围 ,而表2包含结果取决于参数的值x。最有前途的结果是获得了91% 。

由于该方法获得的最高达到91%。值是与其他可用的文学研究。表3提出了一些掌纹和hand-geometry-based研究。

5。结论

在本文中,我们提出了一个轻量级palmprint-based验证系统专门为移动场景和有前景的结果报道。系统的关键在于融合两种特点:手几何和掌纹纹理。使用多通道生物识别技术保证了较高的健壮性各种入侵的因素如光照变化或噪声对感知数据。增加的准确性得到没有显著延迟的计算时间。因此,我们证明了该方法不是计算要求。现在正在实施在一个移动设备在我们正在进行的工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作由BS / 30/2018项目曾收到来自波兰科技部资助高等教育。

引用

1. a . k . Jain,“生物特征识别:我怎么知道你是谁?“在IEEE 12信号处理和通信应用研讨会论文集,2004,3 - 5页,Kuşadası,土耳其,2004年4月。视图:谷歌学术搜索
2. m . Choraś和r . Kozik”,非接触式掌纹和关节生物识别技术为移动设备”,模式分析与应用,15卷,不。1,第85 - 73页,2012。视图:出版商的网站|谷歌学术搜索
3. j . A . Unar w . c, A . Abbasi,“回顾生物识别技术的趋势和前景,”模式识别卷,47号8,2673 - 2688年,2014页。视图:出版商的网站|谷歌学术搜索
4. m . Choras“耳朵biometrics-a调查中,图像特征提取方法”6日学报》国际会议上计算机信息系统和工业管理应用程序(CISIM ' 07)IEEE,页261 - 265年,麋鹿,波兰,2007年6月。视图:谷歌学术搜索
5. p . Porwik r . Doroz, k .“”一个学习方法lip-based生物识别验证,动态选择的分类器,”专家系统与应用程序卷,115年,第683 - 673页,2019年。视图:出版商的网站|谷歌学术搜索
6. m . Choraś和p . Mroczkowski”,生物识别技术识别、击键力学”学报》国际会议上自适应和自然计算算法(ICANNGA 2007)施普林格,页424 - 431年,华沙,波兰,2007年4月。视图:出版商的网站|谷歌学术搜索
7. p . Panasiuk m . Szymkowski m . Dabrowski和k·赛义德,“多通道生物识别用户识别系统基于击键力学和鼠标移动,”学报》15日联合会国际会议上计算机信息系统和工业管理施普林格,页672 - 681年,维尔纽斯,立陶宛,2016年9月。视图:出版商的网站|谷歌学术搜索
8. s . Afsal A . k . Rafeeq j . Jothykumar s艾哈迈德和f .细哔叽,”一个手掌印识别利用熵信息特性的新方法,”学报》国际会议上无线通信、信号处理和网络(WiSPNET)钦奈,页1439 - 1442年,印度,2016年3月。视图:谷歌学术搜索
9. Dubey p和t . Kanumuri”最优局部二进制模式基于掌纹识别方向,”IEEE学报》2日计算为全球可持续发展国际会议(INDIACom),3卷,第1984 - 1979页,新德里,印度,2015年3月。视图:谷歌学术搜索
10. s . Jadhav m . Raut诉Humbe, t . Kartheeswaran”低成本的非接触式手掌打印设备基于纹理测量识别人,”国际期刊的工程、技术、科学和研究,3卷,1 - 7,2016页。视图:谷歌学术搜索
11. w·贾张,陆j . et al .,掌纹识别基于完整的方向表示,“IEEE图像处理,26卷,不。9日,第4498 - 4483页,2017年。视图:出版商的网站|谷歌学术搜索
12. d . Zhang w .香港、j .你和m . Wong“在线掌纹识别、”IEEE模式分析与机器智能,25卷,不。9日,第1050 - 1041页,2003年。视图:出版商的网站|谷歌学术搜索
13. g . Jaswal r·纳,a科尔,”基于纹理的手掌印认可使用二维伽柏过滤器和子空间方法,”学报IEEE国际会议信号处理、计算和控制(ISPCC)25卷,第349 - 344页,Waknaghat,印度,2015年9月。视图:谷歌学术搜索
14. h . Sherawat和美国Dalal掌纹识别系统使用二维伽柏和支持向量机作为分类器,”国际创新技术和研究杂志》上4卷,第3010 - 3007页,2016年。视图:谷歌学术搜索
15. m . l .愣,g . Liu, m·k·汗和a . m . Al-Khouri”的逻辑连词triple-perpendicular-directional翻译剩余非接触式图像预处理,”学报2014年11日信息技术国际会议:新一代(ITNG)IEEE,页523 - 528年,拉斯维加斯,内华达州,美国,2014年4月。视图:谷歌学术搜索
16. a . Wojciechowska m . Choraś,r . Kozik”评估基于图像的预处理方法的掌纹生物识别技术,”9日学报》国际会议上图像处理和通信的挑战、m Choraś和r s ChoraśEds。,卷。9,pp. 43–48, Bydgoszcz, Poland, September 2017.视图:出版商的网站|谷歌学术搜索
17. d .张的掌纹认证Kluwer学术出版商,多德雷赫特,荷兰,2004年。
18. k·雷和r . Misra“棕榈打印识别使用Hough变换”学报》国际会议上计算情报和通信网络(CICN)贾巴尔普尔,页422 - 425年,印度,2015年12月。视图:谷歌学术搜索
19. r . Ramteke和a . Alsubari”提取掌纹纹理特性,使用组合DWT-DCT和本地二进制模式,”IEEE学报》2日下一代计算技术国际会议(NGCT)乌,页748 - 753年,印度,2016年10月。视图:谷歌学术搜索
20. j·帕蒂尔、c . Nayak和m . Jain”的掌纹识别利用DWT, DCT和PCA技术,”学报IEEE国际会议上计算智能和计算研究(ICCIC),页1 - 5,泰米尔纳德邦,印度,2015。视图:谷歌学术搜索
21. Y.-T。罗,L.-Y。赵,b . Zhang et al .,“当地行定向模式对掌纹识别,”模式识别卷,50 26-44,2016页。视图:出版商的网站|谷歌学术搜索
22. Verma s和s . Chandran”分析筛选和冲浪特征提取的掌纹验证系统”学报》国际会议上计算机、通信和控制技术IC4T研究,勒克瑙,页,印度,2016年11月。视图:谷歌学术搜索
23. 张x白:高,z, d,“三维掌纹识别结合了圣和PCA,”模式识别的字母卷,100年,第95 - 89页,2017年。视图:出版商的网站|谷歌学术搜索
24. h·李,j . Zhang和l . Wang“健壮的掌纹识别基于定向表征和压缩传感、”多媒体工具和应用程序,卷70,不。3、2331 - 2345年,2012页。视图:出版商的网站|谷歌学术搜索
25. j . Chen Y.-S。月亮,M.-F。黄,g .苏“掌纹认证使用符号表示的图像,”图像和视觉计算,28卷,不。3、343 - 351年,2010页。视图:出版商的网站|谷歌学术搜索
26. m . Franzgrote c . Borg b·里斯et al .,“掌纹验证手机使用加速竞争代码,”学报IEEE国际会议Hand-Based生物识别技术(ICHB),页1 - 6,香港,中国,2011年11月。视图:谷歌学术搜索
27. y徐,范l . j·温,d .张“歧视和强劲竞争力的代码掌纹识别。”IEEE系统,人,和控制论:系统,48卷,不。2、232 - 241年,2018页。视图:出版商的网站|谷歌学术搜索
28. h·k·Kalluri和m . v . n . k .普拉萨德”的掌纹识别使用伽柏和宽主要线特性,”Procedia计算机科学卷,93年,第712 - 706页,2016年。视图:出版商的网站|谷歌学术搜索
29. D.-S。张黄、w·贾和d,“掌纹验证基于主要线路,”模式识别第41卷。。4、1316 - 1328年,2008页。视图:出版商的网站|谷歌学术搜索
30. d . Aishwarya m . Gowri, r . Saranya“棕榈打印识别使用活性检测技术”IEEE第二国际研讨会论文集(ICONSTEM)科学技术工程和管理钦奈,页109 - 114年,印度,2016年3月。视图:谷歌学术搜索
31. 张l、h·李和j .妞妞,“脆弱”位在掌纹识别中,IEEE信号处理信件,19卷,不。10日,663 - 666年,2012页。视图:出版商的网站|谷歌学术搜索
32. Imtiaz和h . s . Anowarul Fattah”占主导地位直方图小波域特征选择算法palm-print识别,”计算机与电气工程,39卷,不。4、1114 - 1128年,2013页。视图:出版商的网站|谷歌学术搜索
33. l .殿和s . Dongmei”非接触式掌纹识别基于卷积神经网络,”IEEE学报》13日国际会议信号处理(ICSP)成都,页1363 - 1367年,中国,2016年11月。视图:谷歌学术搜索
34. r . Mokni h . Drira, m . Kherallah”结合形状分析和纹理模式的掌纹识别、”多媒体工具和应用程序,卷76,不。22日,第24008 - 23981页,2016年。视图:出版商的网站|谷歌学术搜索
35. 张x, x, l . Lu h . Lu和w·邓”多光谱掌纹识别使用多级投影极端学习机和数字shearlet变换,“神经计算和应用,27卷,不。1,第153 - 143页,2014。视图:出版商的网站|谷歌学术搜索
36. e . Yoruk e . Konukoglu b Sankur, j . Darbon Shape-based手承认,“IEEE图像处理,15卷,不。7,1803 - 1815年,2006页。视图:出版商的网站|谷歌学术搜索
37. 答:罗斯和a . Jain“多通道生物识别技术:概述”IEEE学报》12日欧洲信号处理的会议,第1224 - 1221页,维也纳,奥地利,2004年9月。视图:谷歌学术搜索
38. c . Taouche m . Batouche m . Berkane, a . Taleb-Ahmed“多通道生物识别系统,”学报IEEE国际会议多媒体计算和系统(ICMCS)马拉喀什,页301 - 308年,摩洛哥,2014年4月。视图:谷歌学术搜索
39. r . Mokni h . Drira, m . Kherallah”融合multi-techniques基于LDA-CCA和他们的应用程序在掌纹识别系统,”学报2017年IEEE / ACS 14日国际会议上计算机系统和应用程序(AICCSA)IEEE,页350 - 357年,哈,突尼斯,2017年10月。视图:谷歌学术搜索
40. r . Mokni m . Elleuch和m . Kherallah”生物通过有效的纹理特征融合的掌纹识别,”学报IEEE国际神经网络(IJCNN)联席会议温哥华,页4857 - 4864年,公元前,加拿大,2016年7月。视图:谷歌学术搜索
41. r . Mokni a . Mezghani h . Drira, m . Kherallah“多重集典型相关分析:纹理特征级融合多个描述符intra-modal掌纹生物特征识别,”环太平洋学报》研讨会上图像和视频技术页3-16 Springer,武汉,中国,2017年11月。视图:出版商的网站|谷歌学术搜索
42. p·古普塔,s·斯利瓦斯塔瓦和p·古普塔,”一个精确的基于红外手几何和静脉模式的身份验证系统,”以知识为基础的系统卷,103年,第155 - 143页,2016年。视图:出版商的网站|谷歌学术搜索
43. 沙玛,Dubey r, s . k .辛格r . Saxena和r·k·辛格“身份验证使用几何形状和人类的手,“专家系统与应用程序,42卷,不。2、821 - 832年,2015页。视图:出版商的网站|谷歌学术搜索
44. 美国Hariprasath和t . Prabakar多通道生物识别利用虹膜特征提取和掌纹特征,”学报2012年国际会议上工程的进步,科学与管理(ICAESM)IEEE,页174 - 179年,泰米尔纳德邦,印度,2012年3月。视图:谷歌学术搜索
45. l .方舟子和妮娜,“移动基于掌纹识别系统”学报IEEE国际会议控制、自动化和机器人(ICCAR),页233 - 237,新加坡,2015年5月。视图:谷歌学术搜索
46. l .愣,f·高,问:陈,c .金”的掌纹识别系统在移动设备上与double-line-single-point援助,”个人和无处不在的计算,22卷,不。1,第104 - 93页,2017。视图:出版商的网站|谷歌学术搜索
47. 其子a.s.。Ungureanu, s . Thavalengal t . e . Cognard c . Costache p·科克兰,“作为一个智能手机生物不受约束的掌纹,”IEEE消费类电子产品,卷63,不。3、334 - 342年,2017页。视图:出版商的网站|谷歌学术搜索
48. h . Javidnia a . Ungureanu c . Costache p·科克兰,“图像智能生物,”IEEE国际会议消费电子学报》(ICCE)拉斯维加斯,页463 - 466年,NV,美国,2016年1月。视图:谷歌学术搜索
49. s . Barra m . De Marsico m . Nappi f . Narducci d·里奇奥,“hand-based生物识别系统在可见光的移动环境中,“信息科学卷,479年,第485 - 472页,2019年。视图:出版商的网站|谷歌学术搜索
50. r . Kozik和m . Choraś”形状和纹理信息掌纹生物识别技术相结合,“杂志的信息保障和安全卷。5日,58 - 63、2010页。视图:谷歌学术搜索
51. a·库马尔和d .张”,个人使用手的形状和纹理识别,”IEEE图像处理,15卷,不。8,2454 - 2461年,2006页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Agata Giełczyk等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。