部分指纹匹配使用小指纹扫描仪的细节和脊形特征外文翻译资料

 2022-07-06 02:07

英语原文共 16 页,剩余内容已隐藏,支付完成后下载完整资料


部分指纹匹配使用小指纹扫描仪的细节和脊形特征

摘要:目前,大多数移动设备采用非常小的指纹传感器,只能捕获小部分指纹图像。 因此,由于细节的缺陷,传统的基于细节的指纹匹配器不能提供令人信服的结果。 为了确保不同的移动应用程序(如需要隐私保护和移动支付的应用程序),需要更精确的指纹匹配器。 该手稿除了提供传统的细节特征之外,还提出了新的部分指纹匹配方法,该方法结合了新的脊形特征(RSF)。 这些新的RSF代表了观察到特定边缘形状(凹面和凸面)的小脊段,并且它们在传统的500dpi图像中是可检测的。 在所提出的匹配方案中有效地利用了RSF,该方案由细节匹配和脊特征匹配阶段组成。 在细节匹配阶段,通过比较局部RSF和与每个细节相邻的细节来确定相应的细节对。 在随后的脊特征匹配阶段,进一步比较两幅图像重叠区域中的RSF,以提高匹配精度。 通过组合来自两个匹配阶段的结果得分来获得最终匹配分数。 在FVC2002,FVC2004和BERC(自建)数据库上进行了部分匹配的各种测试,并且与其他匹配方法相比,所提出的方法显示出明显较低的等误差率。 结果表明,该方法提高了指纹识别的准确性,尤其适用于采用小指纹扫描仪的移动设备。

  1. 介绍

指纹识别是用户认证最可靠的生物识别技术之一。 近年来,其应用已显着扩展到移动设备(智能手机,平板电脑,笔记本电脑等)的隐私保护。 此外,指纹识别已被认为是移动支付中用户识别的重要技术。 最近的移动设备采用小型化指纹扫描仪,因为其体积小巧; 即大多数指纹识别器的感应区域甚至远小于10times;10毫米2。 因此,这些阅读器仅捕获小部分指纹图像。 局部指纹通常意味着整个指纹的非常小或不完整的部分,并且在本文中,局部指纹匹配意味着由小指纹扫描器捕获的两个指纹图像之间的匹配。 尽管指纹匹配的许多方法已经被提出,对于小指纹扫描仪来说,局部指纹匹配在指纹识别中仍然是一项具有挑战性的任务,适用于移动应用。

在正常大小的图像上的常规指纹匹配通常通过仅使用脊末端或分叉处的细节来执行。 在自动指纹识别系统(AFIS)中,通常在两个指纹图像之间进行有效识别观察到超过12个匹配的细节对。 然而,由小的n- gerprint传感器所含的细节数量要少于所需的细节数量,从而能够进行准确的识别。 例如,用小型传感器捕获的几张指纹图像

尺寸为6.9times;6.5毫米2只包含四个细节点。引入了基于细节的部分指纹匹配,但由于细节的精确性,匹配结果仍然有限。另一方面,商业移动指纹认证系统需要在指纹注册过程中注册多次展示(通常最多25次展示)。

一些商业系统控制其登记过程以从一个用户登记指纹的各个部分。然而,小规模指纹图像匹配的困难仍然没有解决。

可以考虑利用附加的非细节特征来提高部分指纹匹配的准确性。已经提出了使用非细节特征的各种指纹匹配方法。 这些方法可以分为四类:基于图像的匹配和基于脊线特征的匹配,基于特征点的匹配以及基于特征的三级匹配。基于图像的方法评估两张指纹图像之间的相似程度。 最直观的方法是计算两个im-。虽然这种方法直接比较两张指纹图像的脊纹图案,易受非线性变形引起的对位误差的影响。其他基于图像的方法采用区分纹理特征,如Gabor响应,局部二值模式(LBP)和定向梯度直方图(HoG)。但是,他们仍然重申,主要对由噪声,皮肤状况或非线性变形引起的图像变化敏感。此外,这些基于图像的方法需要注册整个图像或用于匹配的指纹模板的纹理数据,这对于安全原因可能不是期望的。

基于脊特征的方法利用拓扑信息脊形图案。岭信息能够通过将指纹与细节信息组合来增强指纹的个性。有几种方法将细节与他们的sur-。这些方法表明脊方向和频率信息对于提高匹配性能是有用的。但是,山脊取向和频率在小指纹图像的情况下不提供区分信息,因为它们在指纹区域的小部分中除了在奇异点周围区域以外没有明显改变。在其他方法中,脊线图案或者由取样点表示或与两个细节点之间的脊的拓扑信息。基于这些脊线表示,指纹匹配可以采用脊线曲率,脊线方向和脊线数量(细节点之间)等各种脊线特征。 然而,这些岭表示方案高度依赖于细节的存在;即如果相关的细节被错误地提取或错过,则脊特征可能被错误地获得或错过。此外,没有细节的脊不能纳入指纹匹配。 因此,在部分指纹匹配中不能充分利用脊线信息。冯,欧阳和蔡(2006)引入了一种方法来将整个脊线图案结合在指纹匹配中。整个山脊由沿着变薄的山脊提取的取样点列表表示。在匹配过程中,通过采样点执行直接脊比较。然而,为了实现高匹配性能,需要高采样率,这增加了匹配过程的计算复杂度。

另外,有几项研究提出了局部指纹,基于SIFT或加速KAZE(A-KAZE)特征的匹配,这些特征通常用于物体识别和图像匹配。他们验证了SIFT和A-KAZE特征可以提供歧视-原指纹匹配的原始信息。此外,Mathur等人(2016)显示,基于A-KAZE的方法实现了bet- 性能优于传统的基于细节点的方法在指纹匹配中的应用。然而,这些方法对由噪音或皮肤状况引起的大的结构变化相对敏感。

3级基于特征的方法验证了指纹匹配中诸如气孔,初始脊,点和脊线等脊线细节的有用性。他们提出了将级别3特征与细节特征相结合的匹配方案,并取得了指纹匹配方面的性能改进。但是,仅在1000dpi以上的高分辨率指纹图像中才考虑使用3级特征,而大多数常规指纹图像的分辨率为500dpi。

本文提出了一种适用于小指纹扫描的新的部分指纹匹配方案。 该方案基于传统细节特征与代表具有诸如凸和凹的特定边缘形状的脊段的新脊特征的组合。 先前研究了高分辨率(ge;1000dpi)指纹匹配的脊边缘的使用。但是,通过简化表征脊形轮廓形状,所提出的脊形状特征(RSF)在传统的500dpi指纹图像中是可检测的。所提出的RSF仅从观察到凸面和凹面边缘的特定脊段中提取。与其他利用整个脊形轮廓或整个图像(纹理)的方法相比,所提出的方法被认为更适合于确保指纹模板和节省存储空间。另外,RSF是从任何脊中提取的,不仅是与细节相关的脊。换句话说,在匹配过程中采用丰富的岭信息。

提出了一种使用RSF的部分匹配方法,包括细节匹配和随后的脊特征匹配阶段。在细节匹配阶段,通过比较局部邻域中的细节和RSF来匹配细节点。即使在其中可用的细节非常少,细节的邻域通过额外包括RSF而变得具有区分性。在随后的脊特征匹配阶段,通过使用先前匹配的细节对来确定两个图像的重叠区域,然后比较重叠区域中的RSF以提高指纹匹配的准确性。最后,将从细节匹配和脊匹配中获得的相似度分数组合为最终匹配分数。

本文的其余部分安排如下。在第2节,介绍新的脊特征及其提取方法进行了描述。第3节提出了除传统细节之外还使用新脊特征的指纹匹配方法。第4节给出了各种部分匹配情景的实验结果。最后,第5节总结该论文并提出未来的工作建议。

  1. 提取脊形特征
    1. 脊形特征的表征

摩擦脊边呈现各种形状,不仅是直线。Chatterjee(Ashbaugh,1999年)将脊线分成八个细节形状(直线,凸形,峰形,桌子,凹形,凹形,角形等)(见图。1),并验证了它们在指纹识别中的有用性。这些形状变化被认为是由于其不同的生长而出现的脊和边缘附近存在孔隙。

图1.摩擦脊边缘的形状特征

同样的,Jain等人采用整脊轮廓进行指纹匹配,证明了脊形信息的有效性。这种方法基于1000 dpi以上的高分辨率图像,因为通常仅在这种高分辨率图像中才能观察到详细的脊形状。然而,在传统的500dpi分辨率图像中也观察到一些特殊和大的脊形边缘形状。图2 显示从相同的nger捕获的指纹图像,但分辨率为1000dpi和500dpi。

图2. 1000 dpi和500 dpi分辨率下的两张相同指纹图像

在500dpi指纹扫描中,脊的边缘不如1000dpi的指纹图像清晰。但是,至少可以在500 dpi的分辨率下确定凹凸脊段的形状。如图所示图2凹脊段相对较窄,而凸脊段相比其相邻部分更宽。在这项工作中,我们采用分辨率为500 dpi的脊形信息,只需将脊线的形状分类为凸形,凹形和其他类型。此外,引起边缘形状变化的皮肤弹性是考虑简单分类的另一个实际原因。在本文中,表现出凹或凸边缘的脊段被定义为脊形特征(RSF),其特征在于它们的位置,取向和形状(凹和凸)。

    1. 预处理

需要几个预处理步骤来从给定指纹图像获得传统的细节和新的脊特征。指纹图像的前景首先通过使用局部像素块的均值和方差来分割。然后,图像归一化被执行以改善图像对比度。归一化的指纹图像是毛发。通过使用Gabor滤波器(Hong等人,1998)和这些脊被最终剔除以用于细节提取。对于脊特征提取,一个二值图像,其中通过使用具有恒定值的阈值,也可以从归一化图像中获得明显分离的脊和谷。如以下部分所述,使用二值图像,增强图像,细化图像和脊线方向场来提取脊部特征。

2.3岭形特征提取

通过确定整个脊的每个分段是否可以被认为是凹形或凸形分段来提取脊特征。与邻居相比,这两种类型的脊线段在脊线宽度方面显示出显着的变化。凹区段的脊宽度相对较窄,凸区段的脊宽度较宽。因此,为了确定脊的凹凸部分,沿脊线比较脊宽度值。

首先,使用如下的相同指纹图像的细化图像和二值图像测量脊线宽度:

  1. 令(xt,yt)为减薄中脊点的坐标,在二值图像中,以(xt,yt)为中心的脊线在与局部脊线方向垂直的方向上定义,长度为2omega; 1(在我们的实验中omega;= 8)(看到图3(a))。
  2. 在棱线上确定脊线边界点,每个边线点都被定义为脊线区域中的一个点,其两个相邻点中的一个点位于谷线区域中。通常,在脊上获得两个边界点(x1b,y1b)和(x2b,y2b)。然而,在低质量地区可以提取少于或多于两个边界点。
  3. 如果发现少于两个边界点,则脊点(xt,yt)被认为是不好的点,并且在该点不测量脊线宽度。 另一方面,如果找到两个以上的边界点,则找到脊的相同过程边界在增强图像中的相同位置(xt,yt)处执行(请参阅图3(b))。
  4. 令(x1e,y1e)和(x2e,y2e)为两个脊边界点,在增强图像中找到。在相应的二值图像的边界点中,与(x1e,y1e)和(x2e,y2e)中的每一个最接近的两个点被认为是真的脊边界(x1b,y1b)和(x2b,y2b)。
  5. 在(xt,yt)处的脊宽度W由(x1b,y1b)和(x2b,y2b)之间的欧几里德距离确定图3(C));从而,在二值图像上测量脊线宽度,而使用其他类型的图像。

图3.在(x,y)处的脊宽估计

在测量减薄的脊线的每个点处的脊线宽度之后,通过将脊线宽度与相邻脊线点的脊线宽度进行比较来确定每个脊线点属于凹面还是凸面。 设x是一条细线棱线上的点。将x处的脊线宽度与x(N = 10)两侧的N个相邻脊线点处的脊线宽度值进行比较,如图4(一个)。 在比较过程中,每个相邻脊点iisin;{1,2,...,N}被分为以下三种状态之一:

(1)

其中Wx表示脊点x处的脊线宽度,Wi为相邻脊点处的脊宽度i。Tw是用于比较脊宽值(在我们的例子中Tw= 0.6)的阈值。通过比较脊宽度Wi和Wx,脊点i的状态S(i)被分配为n(更窄),s(相似)或w(更宽)。

比较结果用于将脊点x分类为a,指向脊的凹或凸部分。如果超过N个相邻脊点的一半以上被分类为w,则脊点x被认为是凹点。另一方面,如果N个相邻脊点中的一半以上被归类为n,则脊点x被认为是凸点。T(x),它表示的类型脊点x,分配如下:

(2)

这个分段测试是在每个脊点进行的细化脊线,然后确定凹凸脊点。如果一组连续的脊点被分为同一组凹点或相同的一组凸点,如图所示图4(b)中,相同脊点所在的脊段被认为是凹或凸段,并用于定义脊形特征(RSF)。另一方面,如果单个脊点仅被分类为凹面或凸面,则由于噪声或不明确的分段而将该点视为错误检测点并被丢弃。一个RSF rk由连续凹或凸点的中心脊点表示如下:

rk = (xk, yk, theta;k, tk)T,k=(xk,yk,theta;k,tk)T, (3)

其中(xk,yk)是中心点的坐标,theta;k是该位置的脊线方向,tk表示脊线形状(凹或凸)的类型。 此功能表示与此类似用于指纹识别的传统细节表示。 然而,RSF的方向具有(-pi;/ 2,pi;/ 2)的范围,而细节的方向通常是(-pi;,pi;]的范围。图5 显示从500-dpi指纹图像中提取的RSF示例。

3.指纹匹配将细节与RSF相结合

在这里我们提出了一种匹配方案,该方案比较两张指纹图像中的细节和RSF,以提高部分指纹匹配的准确性。可以使用强力匹配方案直接比较两幅图像中的细节和RSF。

然而,蛮力计划显着增加了因为太多的RSF必须在小的指纹图像中进行比较。此外,蛮力匹配产生许多错误的RSF匹配。 因此,建议的指纹匹配是通过细节匹配和RSF匹配的顺序过程来执行的(见图6)。所提出的匹配方案通过比较与每个细节相邻的局部细节和RSF来首先找到匹配的细节对,然后使用匹配的细节对来估计两个图像之间的线性变换(平移和旋转)。当细节匹配率(mmr)高于预定阈值时,随后执行RSF匹配以计算两个图像之间的重叠区域中的RSF的相似度。在所提出的RSF匹配中,重叠区域中的所有RSF都使用线性变换和匹配的细节对进行比较而无需蛮力搜索。通过结合细节与RSF匹配阶段的匹配得分来获得两张指纹图像的最终匹配分数。

图4.提取RSF的分段测试

图5.从指纹图像中提取的脊形特

全文共19208字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[10285],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。