基于摄像头的数字旋转不变指纹验证方法

文摘

指纹登记和验证是一个活跃的研究领域领域的图像处理。通常,从传感器获得的指纹;然而,最近有兴趣用手指从数码相机获取的图像代替扫描仪。一个尚未解决的问题的处理从数字图像中提取的指纹图像捕获时手指的角度。与100%的准确率匹配指纹,匹配特征的角度应该是相似的。提出了一种旋转和尺度不变的智能决策方法注册和识别的指纹。一根手指的数字图像作为输入并与derotation的参考图像。Derotation执行通过应用二进制图像分割,其次是加快健壮的功能的应用程序(冲浪)提取和特征匹配。潜在的内围层通过应用M-estimator提取匹配特性。匹配窗点是用来形成一个单应性矩阵,手指的旋转角度的差异在两个输入和参考图像计算,最后,derotation执行。 Input fingerprint features are extracted and compared or stored based on the decision support system required for the situation.

1。介绍

图像处理有很多应用(1- - - - - -3),包括生物注册和验证。生物注册和验证执行限制未经授权的人进入一个特定的建筑或翼,跟踪服务的用户通过注册他们的指纹数据库,自动考勤的员工,并在数据库中存储数据和生物特征签发护照或国家身份证。

生物验证和注册使用人脸检测等图像处理技术,指纹检测、视网膜和虹膜检测被广泛研究[4- - - - - -8]。脸检测技术(9,10)存储面部特征比较在注册和验证过程。脸核查和登记提供精度为代价的高复杂性和广泛的系统内存分配。精度要求等问题规模差异,姿势,照明,打开和关闭的眼睛和嘴得到解决,进一步增加了复杂性。

Iris-based识别和验证7,11,12),另一方面,是通过应用分割区域的虹膜来提取它的半径。这是紧随其后的是特征提取。这些技术使用指纹验证在机场和其他高风险的建筑提供准确识别。Iris-based识别和验证提供良好的精度,但所需的设备是昂贵的。

指纹验证和注册是一个广泛研究的领域(13- - - - - -23)的工作都集中在算法和技术来存储和使用扫描仪获取的指纹特征进行比较。Fingerprint-based生物识别验证和登记广泛应用于银行(19,20.)和国家保持护照和身份证信息数据库(24]。

通过使用不同的方法,如指纹登记结合气味分析(21和应用脊波变换22),研究人员改进现有算法。可以减少复杂性比较少量的特性,而不是整个图像。然而,这些方法需要使用传感器(指纹阅读器)并不总是可用的。这可以使执行登记和验证过程困难。

提出了解决方案,避免传感器的需要(24- - - - - -27]。这些技术专注于处理用普通数码相机图像捕获。Hiew et al。24- - - - - -26]应用皮肤颜色分割之后,形态学处理提取感兴趣的区域。短时傅里叶变换(STFT)分析应用,其次是岭方向计算和核心点检测。检测和匹配的特征,如分岔和山脊不在本文的讨论范围。然而,检测和匹配可以执行使用相同的指纹技术中使用的算法应用于从传感器获得的输入。

Sankaran et al。27)提出了一个方法类似于本文中讨论执行肤色分割之后,感兴趣的区域(ROI)提取。应用图像增强ScatNet-based特征提取紧随其后。最后,基于特征指纹登记/执行匹配。

当特征提取指纹的数字图像扫描仪不需要。方向对齐是一个问题,是解决不足Hiew等人提出的算法和Sankaran et al .指纹输入图像时必须垂直对齐的传统方法是使用。当转动手指,指纹不匹配会发生,即使这个人的特点出现在数据库中。

因此,本文提出了一种旋转和尺度不变的技术,将一个图像使用普通数码相机捕捉到一个作为输入和皮肤的颜色分割适用于输入图像和参考图像中提取图像感兴趣的区域。冲浪(28)算法应用于分段二进制图像,图像匹配和检测功能。内围层提取匹配特性使用M-estimator [29日]对准确计算旋转角度使用单应性矩阵(30.]。输入图像derotated获得图像的垂直对齐的手指。垂直对齐然后输入图像进行图像增强技术,如钝的掩蔽和上下文块傅立叶域滤波。大津阈值进行二值化。然后,nonmaximal抑制用于获得脊有厚度的一个像素。特性,比如分岔和山脊的结局从薄中提取山脊是存储在数据库中注册或与注册指纹的特征核查。仿真结果表明,该方法提供了一个100%如果建议参数精度范围。

本文的组织结构如下:部分2论述了提出方法,部分3包含结果与讨论部分4给出了结论和未来工作的方向。

2。方法

这项工作的目的是提出一个具有成本效益的旋转和尺度不变的选择使用扫描仪获得的指纹图像的处理。算法的流程图如图1。该算法的主要步骤是输入的derotation图像,图像增强,二值化,细化,细节提取和匹配。的步骤流程图所示在本节详细解释。

2.1。图像采集

在这项研究中,使用一些智能手机进行图像采集:三星Galaxy S2, iPhone 3 s,银河S6和iPhone 8。图像的手指都被关注他们的山脊。

2.2。图像Derotation

流程图描绘derotation过程如图2。图像包含一个手指沿对齐y设在被选中作为参考图像,见图3(一个)。任何输入手指图像需要注册或验证被认为是一个输入图像和受到derotation过程,使指纹登记/匹配过程可以顺利完成。图3 (b)显示了一个示例的输入图像,需要旋转定位准确的特征匹配。

2.2.1。皮肤的颜色分割

输入和参考图像进行自适应皮肤基于颜色的图像分割(31日]。所示的图像数据3 (c)和3 (d)显示的结果和输入图像分割的参考。在图所示的输入图像3 (b)尤其复杂,因为背景的颜色类似于皮肤的颜色。因此,噪声检测的手指。白色的区域图3 (d)感兴趣的区域(ROI),在接下来的部分将被使用。

2.2.2。输入图像规模调整

输入和参考图像通常都是不同的维度。因此,手指在两个图像可能有一个大规模的区别。在这种情况下,规模差异可能产生问题,同时检测和比较功能。为了提供一个扇区derotation,尺度的输入和参考的手指应该几乎是相同的。如果像素属于手指的数量在分割参考图像,它是用如果像素属于ROI的数量,它是用 。比例因子计算使用(1),

如果 ,强度和分段输入的图像都是按比例缩小的一个因素 ,反之,如果 ,图像插值的一个因素使用简单的双线性插值。

2.2.3。特征提取和匹配

强度图像转换成二进制图像匹配效率特性。因为手指的形状都是类似的,功能检测的边界可以提供更好的估计几何差异。特征检测,冲浪(28)方法应用于分段二进制图像获取图像的边界特征。选择冲浪的鲁棒性和合理匹配率为两个相同的图像旋转不同的角度(29日]。获得特性后,最近的neighbor-based特性匹配执行通过计算两两之间的距离特性。特征匹配提供匹配特性,包含真正匹配的内围层以及错误匹配的离群值。图3 (e)显示所有匹配的特性包括内围层和离群值。

2.2.4。窗的提取和Derotation形象

从匹配点,提取内围层一个M-estimator [29日)算法。图3 (f)显示了内围层提取使用M-estimator所有匹配特性。可以看出,内围层提取代表真正的比赛,可以用来估计准确匹配窗之间的转动角点。

一旦几个潜在的内围层提取,匹配之间的转动角窗必须确定。单应性矩阵(30.为此)计算。两组的匹配点, 对参考图像和 输入图像。然后,它们之间的关系是在以下方程: 在哪里

合成矩阵(3)的形式给出了(4),

因此,旋转的角度可以使用计算或使用(5), 在哪里可用于derotate输入图像获取图像的垂直对齐的手指。图3 (g)显示了derotation计算后的输入图像 。图4显示了对齐方法应用于各种输入图像,图像显示了手指旋转不同的角度。可以看出,该算法预测旋转角度准确,手指在derotated垂直对齐的图像无论他们的初始对准。

2.3。图像增强

Edge-based图像增强是应用于灰度图像提高能见度山脊的手指。Edge-based增强执行两个阶段。首先,钝的掩蔽(32应用于图像。这个算法减去一个图像从一个模糊的版本本身和提高这些地区提供一个良好的减法后的反应。计算模糊图像,高斯滤波器卷积与原灰度图像使用以下方程: 在哪里

图像增强的第二阶段,上下文块傅立叶域滤波器(33)应用于灰度图像除以16×16块重叠。这些块然后过滤在傅里叶域中使用频率和orientation-selective滤波器参数的基础上,估计当地岭方向和频率。傅立叶域的增强的结果是另一个形象表示 。 乘以一个skin-segmented二进制图像,因此只有感兴趣的区域(ROI)进一步处理。

图5显示了该方法对derotated输入图像。形象图5(一个)显示了不可见的山脊。钝的屏蔽的结果图中可以看到5 (b)显示改善山脊的可见性。图5 (c)显示了一旦被转换为灰度图像。图5 (d)表明Fourier-based图像增强的应用进一步提高不清楚边缘和其他细节。图5 (e)显示了提取ROI。

2.4。图像二值化和边缘变薄

特性如脊末梢和分岔时可以准确地提取山脊厚度检测到一个像素。检测薄山脊,山脊都首先发现运用大津阈值(34增强地区的利益。这将导致一个二进制图像脊像素代表在黑色白色和剩下的像素。然而,这将导致厚脊的检测。限制结果薄山脊,nonmaximal抑制(35]。这种方法集所有山脊像素在某个方向为零,如果他们没有最大梯度值和保留岭像素最大价值。这导致转换的厚脊脊的厚度只有一个像素。图6(一)显示大津阈值被应用于增强感兴趣的地区。检测到山脊是厚的,因此不能用于特征检测。应用nonmaximal抑制导致更理想的瘦身山脊,见图6 (b)。

2.5。细节提取

细节特征用于生物识别验证。而不是存储数据库中的指纹图像细节存储和比较。最常见的方法用于提取细节穿越数(CN) [36]。

对于提取细节,3×3在图所示的窗口7穿过每个像素计算其交叉使用以下方程: 在哪里表示中心像素周围的像素位置 。使用 ,岭像素可以被归类为岭结束,分叉或孤立点用表1。图6 (c)显示分岔脊的结局由蓝色和红色方块表示,分别。

对于每一个分岔和山脊的结局,欧几里得距离之间的空间坐标 和 ,归一化梯度值 ,和梯度方向存储在和 ,分别存储或比较。因此,每一个分岔和脊终点是存储在或3 d的形式 和 ,分别。捐赠的值和是x设在和y设在点取自两个ROI点对应于最小值x设在和y设在值。图8显示了一个示例的计算 这是由一个绿色圆圈表示。这是决定使用最低x设在ROI点由蓝十字和最低y设在ROI点由一个红十字会表示。

2.6。指纹登记和匹配

提取细节存储或与细节在数据库中已经存在的用例的要求。假设岭结局从输入图像中提取由一组表示分岔表示如下: 在哪里和在一个升序排序根据计算欧几里得距离,这样 和 对所有 和 。这些设置必须与存储特性的指纹存储在数据库中,如下所示: 在哪里

和也在一个升序排序根据欧几里得距离吗和在哪里 和 。假设和要与第i个指纹的存储特性特性集和 。首先, , , ,和使用以下公式确定: 在哪里和正脊末梢的数量从输入图像中提取和第i个图像特征数据库中存储和和提取的数量分岔。输入指纹特征与第i个指纹特征如果条件(19)是合理的:

对于匹配,所有3 d分岔和脊终点的第i个指纹输入指纹和指纹存储在数据库和输入 , , ,和分别。是相对于 ,和是相对于 。匹配的步骤(一)如果有更少的分岔,商店在和在和副versa。初始化分叉匹配分数为零。(b)比较每个分叉的3 d点在位置与所有分岔点的位置 在在哪里 。(c)如果 适用于任何的价值吗t,然后增量和移动到下一个分岔点匹配。在这里,和是归一化梯度的大小和方向的分岔的在位置p和和的大小和方向在任何步骤11个地点的b。(d)重复步骤a - c,比较脊末梢和更新跟踪脊的数量匹配。(e)如果 ,两个指纹匹配。

3所示。结果与讨论

MATLAB 2018被用于这项研究。的值 使用和高斯窗的尺寸吗 ,和 在整个工作。没有数据可供评估的目的,所以从40人的指纹特征存储在数据库中。手指的功能从数字图像中获得100人,包括那些注册的人,比较与功能已经存储在数据库中,以评估算法的性能。每一个人提供八个手指约的图像 , , , , , , ,和 。

该方法的性能被分析的性能评估derotation和匹配方法。不可能计算旋转角度的精确计算中的错误,所以误差计算做了手动为每组十随机输入旋转角度。

本手册根据评估、错误的范围来对所有病例。角的误差范围 , ,和来自来 。的旋转角度 ,误差大约是 。

真阳性,真阴性、假阳性和假阴性的不同的值计算匹配阈值 。真阳性,真阴性、假阳性和假阴性的(20.)- (23),

图9显示了一个比较真实的百分比(TP)和错误的匹配不匹配(FN)。从图可以看出9的一个值 成功注册的指纹验证所有40不管他们的旋转角。然而,对于价值观的 ,从发生错误的不匹配 。真正的不匹配(TN)发生在100%的情况下,和错误的匹配(FP)在0%的情况下发生。

4所示。结论和未来的工作

本文提出一种指纹检测和验证方法,使用手指的数字图像作为输入而不是一个传感器。输入指纹图像可以是任何决议,取决于质量的数码相机。通常,图像中的手指不是垂直对齐。因此,输入图像derotated通过皮肤的颜色二元分割,紧随其后的是输入图像的缩小规模或升级和规模计算使用分段输入图像和参考图像。输入的旋转角的手指然后计算通过应用SURF-based二进制图像特征提取。中检测到特征图像匹配和离群值使用M-estimator从匹配点。匹配的内围层之间的夹角计算使用单应性矩阵,计算输入图像是derotated的角。derotation后,增强了技术包括钝的屏蔽和Fourier-based块增强应用增加输入图像的脊的可见性。图像增强是紧随其后的应用大津阈值分割岭地区,然后nonmaximal抑制适用于边缘变薄。跨越数字技术用于提取山脊的结局和分岔。 This is followed by the proposed Euclidean distance-based matching to detect a fingerprint match or mismatch based on a matching score. The proposed method is a novel method, and simulation results show that if the matching threshold is kept within a suggested range, accuracy of 100% can be achieved.

疤痕removal-based指纹检测使用数字图像和edge-preserving图像插值技术可以扩展该方法,被认为是未来的工作。

缩写

STFT:	短时傅里叶变换分析
投资回报:	感兴趣的区域
浏览:	加快健壮的特性
M-estimator:	最大似然估计量
CN:	穿越数
TP:	真正的阳性
TN:	真正的底片
外交政策:	假阳性
FN:	假阴性。

数据可用性

使用的数据来支持本研究的发现可以通过联系获得相应的作者通过电子邮件:dhlee77@hanyang.ac.kr。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Sajid汗执行所有的模拟和研究的大多数问题的解决方案的监督下李东湖。阿西夫•汗的终结提供帮助手稿的内容和写作的手稿。艾哈迈德·瓦和阿卜杜勒·拉赫曼Gilal收集的指纹实验和验证。Zahid Hussain Khand帮助理解的数学模型和方程用于这项研究。

引用

1. 汗和d·h·李,“动态自适应加权中值滤波对脉冲噪声消除,”EURASIP在信号处理的发展》杂志上,卷2017,不。1、1 - 14,2017页。视图:出版商的网站|谷歌学术搜索
2. 汗,D.-H。Lee m . a .汗a . r . Gilal和g . Mujtaba”高效edge-based图像插值方法利用邻近边坡信息,“IEEE访问7卷,第133548 - 133539页,2019年。视图:出版商的网站|谷歌学术搜索
3. 汗和d·李,“高效反交错使用简单的斜坡边缘跟踪方法,”光学工程,54卷,不。10日,103108 - 103111年,2015页。视图:出版商的网站|谷歌学术搜索
4. m·j·伯吉斯和k·w·鲍耶虹膜识别的手册施普林格出版社,柏林,德国,2013年。
5. d . s .月亮,刘贤月亮,y . o . o . Jang-Hee et al .,“指纹验证方法和装置具有高安全性,”美国专利和商标办公室,华盛顿特区,美国,2014年,美国专利号8699799。视图:谷歌学术搜索
6. h . Guesmi h . Trichili a . m . Alimi b . Solaiman,“基于曲波变换的指纹验证系统和可能性理论,“多媒体工具和应用程序,卷74,不。9日,第3272 - 3253页,2015年。视图:出版商的网站|谷歌学术搜索
7. k·b·拉贾r . Raghavendra v . k . Vemuri和c·布希,“基于智能手机的虹膜识别使用深可见稀疏的过滤,“模式识别的字母卷,57 33-42,2015页。视图:出版商的网站|谷歌学术搜索
8. r . Jafri和h r . Arabnia“人脸识别技术的调查”杂志的信息处理系统,5卷,不。2,41 - 68,2009页。视图:出版商的网站|谷歌学术搜索
9. o . m . Parkhi a Vedaldi, a . Zisserman“深人脸识别,”BMVC,1卷,不。3、1 - 12,2015页。视图:谷歌学术搜索
10. y Taigman, m .杨·m·a·Ranzato和l .狼”Deepface:缩小差距以人类性能验证,”《IEEE计算机视觉与模式识别会议哥伦布,页1701 - 1708年,哦,美国,2014年6月。视图:出版商的网站|谷歌学术搜索
11. h·拉伊和a . Yadav虹膜识别使用结合支持向量机和汉明距离方法,”专家系统与应用程序第41卷。。2、588 - 593年,2014页。视图:出版商的网站|谷歌学术搜索
12. 人工智能伊斯梅尔、h·s·阿里和f·a·法拉克”有效的增强对于虹膜的识别和匹配使用冲浪,”信息技术的程序:对新智能的世界,页1 - 5,利雅得,沙特阿拉伯,2015年2月。视图:出版商的网站|谷歌学术搜索
13. z . m . Kovacs-Vajna“指纹验证系统基于三角形匹配和动态时间扭曲,“IEEE模式分析与机器智能,22卷,不。11日,第1276 - 1266页,2000年。视图:出版商的网站|谷歌学术搜索
14. j .田罗x, y,“指纹验证的细节匹配算法,模式识别,4卷,不。15日,第836 - 833页,2000年。视图:谷歌学术搜索
15. r·卡佩里d . Maio d . Maltoni j·l·Wayman和a . k . Jain“指纹验证系统的性能评估,”IEEE模式分析与机器智能,28卷,不。1,3-18,2006页。视图:出版商的网站|谷歌学术搜索
16. x y, j .田罗,t·张“图像增强和细节匹配指纹验证。”模式识别的字母,24卷,不。9 - 10,1349 - 1360年,2003页。视图:出版商的网站|谷歌学术搜索
17. 汗,A·瓦·m·A·汗和A·w·艾哈迈德,“基于成像指纹注册和验证方法,”国际计算机科学杂志和网络安全,18卷,不。11日,26-31,2018页。视图:谷歌学术搜索
18. k·Delac和m . Grgic“生物特征识别的方法,调查”美国埃尔- 2004。46国际研讨会在海洋电子扎达尔,页184 - 193年,克罗地亚,2004年6月。视图:谷歌学术搜索
19. p . Mahajan m . Malekar a, a . Wairagade和b . Mahalakshmi“使用指纹认证、安全的网上银行”国际期刊的创新在计算机和通信工程的研究,4卷,不。3、6199 - 6208年,2016页。视图:谷歌学术搜索
20. r . Priya诉Tamilselvi, g . p . Rameshkumar”小说算法对指纹识别、安全的网上银行”《嵌入式系统国际会议(冰)哥印拜陀,页104 - 109年,印度,2014年7月。视图:出版商的网站|谷歌学术搜索
21. d . d . Baldisserra a Franco Maio, d . Maltoni“假指纹气味的检测分析,”生物识别技术的国际会议,页265 - 272,香港,中国,2006年1月。视图:谷歌学术搜索
22. s . b . Nikam和阿加瓦尔,”Ridgelet-based假指纹检测”Neurocomputing,卷72,不。10 - 12,2491 - 2506年,2009页。视图:出版商的网站|谷歌学术搜索
23. 崔崔h·r·康k·a·t·b·金和j·h·金,“Fake-fingerprint检测使用多个静态特性,”光学工程,48卷,不。4、文章ID 047202, 2009。视图:出版商的网站|谷歌学术搜索
24. b . y . Hiew A . b . j .销量和o . s .阴”安全的基于数码相机的指纹验证系统”,杂志的视觉传达和图像表示,21卷,不。3、219 - 231年,2010页。视图:出版商的网站|谷歌学术搜索
25. b . y . Hiew a . b .销量和黄懿慧彭日成,“基于数码相机的指纹识别,”《IEEE国际会议上电信和马来西亚国际会议交流槟城,页676 - 681年,马来西亚,2007年5月。视图:出版商的网站|谷歌学术搜索
26. b . y . Hiew a . b .销量,d . c .非政府组织“自动基于数码相机的指纹图像预处理,”国际会议的程序在计算机图形学中,成像和可视化澳大利亚悉尼,页182 - 189,,2006年7月。视图:出版商的网站|谷歌学术搜索
27. 米塔尔,a . Sankaran a Malhotra m . Vatsa和r·辛格“基于智能手机相机的fingerphoto认证,”生物识别技术理论,国际会议应用程序和系统(bta),页1 - 7,阿灵顿,弗吉尼亚州,美国,2015年9月。视图:出版商的网站|谷歌学术搜索
28. a . h .湾Ess、t . Tuytelaars和l . Van干傻事,“骗补健壮的特性(冲浪),”计算机视觉和图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
29. d·e·泰勒“传播变为免费M估计的多元散射,美元”统计年报,15卷,不。1,第251 - 234页,1987。视图:出版商的网站|谷歌学术搜索
30. “灵活的摄像机标定从未知的方向,通过查看飞机”《IEEE计算机视觉国际会议克基拉岛,页666 - 673年,希腊,1999年9月。视图:出版商的网站|谷歌学术搜索
31. s . l . Phung d柴,a . Bouzerdoum“自适应皮肤在彩色图像分割,”《ICASSP,页353 - 356,香港,中国,2003年4月。视图:出版商的网站|谷歌学术搜索
32. g . Ramponi n . k . Strobel s . k . Mitra和t·h·Yu”非线性钝的掩蔽图像对比度增强方法,”电子杂志的成像,5卷,不。3、353 - 367年,1996页。视图:谷歌学术搜索
33. s . Chikkerur c . Wu,诉Govindaraju”在指纹图像特征提取的系统方法,”生物特征身份验证施普林格,页344 - 350年,柏林,德国,2004年。视图:出版商的网站|谷歌学术搜索
34. 大津,“从灰度直方图的阈值选择方法,”IEEE系统,人,控制论,9卷,不。1,第66 - 62页,1979。视图:出版商的网站|谷歌学术搜索
35. j .精明的边缘检测的计算方法,“IEEE模式分析与机器智能,PAMI-8卷,不。6,679 - 698年,1986页。视图:出版商的网站|谷歌学术搜索
36. l . Wieclaw“minutiae-based匹配算法在指纹识别系统中,“医学信息与技术杂志》上13卷,第72 - 65页,2009年。视图:谷歌学术搜索

版权

版权©2020 Sajid汗等。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。