指纹识别和验证的匹配系统外文翻译资料

 2022-08-30 11:08

Fingerprint Identification and Verification System using Minutiae Matching

Abstract: Fingerprints are the most widely used biometric feature for person identification and verification in the field of biometric identification. Fingerprints possess two main types of features that are used for automatic fingerprint identification and verification: (i) global ridge and furrow structure that forms a special pattern in the central region of the fingerprint and (ii) Minutiae details associated with the local ridge and furrow structure.This paper presents the implementation of a minutiae based approach to fingerprint identification and verification and serves as a review of the different techniques used in various steps in the development of minutiae based Automatic Fingerprint Identification Systems (AFIS). The technique conferred in this paper is based on the extraction of minutiae from the thinned, binarized and segmented version of a fingerprint image. The system uses fingerprint classification for indexing during fingerprint matching which greatly enhances the performance of the matching algorithm. Good results (~92% accuracy) were obtained using the FVC2000 fingerprint databases.

1. INTRODUCTION

Fingerprints have been in use for biometric recognition since long because of their high acceptability, immutability and individuality. Immutability refers to the persistence of the fingerprints over time whereas individuality is related to the uniqueness of ridge details across individuals. The probability that two fingerprints are alike is 1 in 1.9 x 1015[1]. These features make the use of fingerprints extremely effective in areas where the provision of a high degree of security is an issue. The major steps involved in automated fingerprint recognition include a) Fingerprint Acquisition, b) Fingerprint Segmentation, c) Fingerprint Image Enhancement, d) Feature Extraction e) Minutiae Matching, f) Fingerprint Classification.

Fingerprint acquisition can either be offline (inked) or Online (Live scan). In the inked method an imprint of an inked finger is first obtained on a paper, which is then scanned. This method usually produces images of very poor quality because of the non-uniform spread of ink and is therefore not exercised in online AFIS. For online fingerprint image acquisition, capacitative or optical fingerprint scanners such as URU 4000, etc. are utilized which make use of techniques such as frustrated total internal reflection (FTIR)[2], ultrasound total internal reflection[3], sensing of differential capacitance[4] and non contact 3D scanning[5] for image development. Live scan scanners offer much greater image quality, usually a resolution of 512 dpi, which results in superior reliability during matching in comparison to inked fingerprints.

Segmentation refers to the separation of fingerprint area (foreground) from the image background [6]. Segmentation is useful to avoid extraction of features in the noisy areas of fingerprints or the background. A Simple thresholding technique [7] proves to be ineffective because of the streaked nature of the fingerprint area. The presence of noise in a fingerprint image requires more vigorous techniques for effective fingerprint segmentation. A good segmentation method should exhibit the following characteristics [8]:

· It should be insensitive to image contrast

· It should detect smudged or noisy regions

· Segmentation results should be independent of whether the input image is an enhanced image

or a raw image

· The segmentation results should be independent of image quality

Ren et al. [8] proposed an algorithm for segmentation that employs feature dots, which are then used to obtain a close segmentation curve. The authors claim that their method surpasses directional field and orientation based methods [9,10,11] for fingerprint image segmentation. Shen et al. [12] proposed a Gabor filter based method in which eight Gabor filters are convolved with each image block and the variance of the filter response is used both for fingerprint segmentation and quality specification. Xian et al. [13] proposed a segmentation algorithm that exploits a blockrsquo;s cluster degree, mean and variance. An optimal linear classifier is used for classification with morphological post-processing to remove classification errors. Bazen et al. [14] proposed a pixel wise technique for segmentation involving a linear combination of three feature vectors (i.e. gradient coherence, intensity mean and variance). A final morphological post-processing step is performed to eliminate holes in both the foreground and background. In spite of its high accuracy this algorithm has a very high computational complexity, which makes it impractical for real time processing. Klein et al.[15] proposed an algorithm that employs HMMs to remove the problem of fragmented segmentation encountered during the use of different segmentation algorithms.

For a good quality fingerprint feature extraction is much easier, efficient and reliable in comparison to a relatively lower quality fingerprint. The quality of fingerprints is degraded by skin conditions (e.g. wet or dry, cuts and bruises), sensor noise, non-uniform contact with sensor surface, and inherently low quality fingerprint images (e.g. those of elderly people, laborers). A significant percentage of fingerprints are of poor quality, which must be enhanced for the recognition process to be effective. Thereare two major objectives of fingerprint enhancement i.e. i) to increase the contrast between ridges and valleys and ii) to connect broken ridges. These objectives can be fulfilled by using a contextual filter whose characteristics vary according

剩余内容已隐藏,支付完成后下载完整资料


指纹识别和验证的匹配系统

摘要:指纹是在生物识别领域中使用最广泛的生物特征。指纹具有两大特征用于指纹自动识别和验证:(1)指纹脊谷结构形成在一个指纹的中心区域(2)细微区别在于局部脊线和沟结构。这就提出了自动指纹识别系统(AFIS)是一种贯彻指纹识别与验证和细节特征处理。这项技术在本文中利用单薄和分段的指纹图像中提取出指纹的特征点。该系统采用指纹索引中的指纹分类匹配,大大提高了性能匹配算法。最终结果(~ 92%精度)使用FVC2000指纹数据库获得。

1.引言

由于其高度的可接受性,不变性和独特性,指纹已经在生物识别中使用很久了。不变性指的是随着时间的推移,不同的个体,指纹的独特脊骨结构是相关的。两个指纹相似的概率为[1]。这些特征制作如何使用指纹高效性和安全性是一个问题。自动指纹识别的步骤包括:a)指纹采集,b)指纹图像分割,c)指纹图像增强,d)特征提取,e)特征匹配,f)指纹分类。

指纹采集可以使用离线(墨水涂染)或在线(实时扫描)。在着墨的方法首先获得在纸上,然后将扫描的着墨手指的印记。这种方法通常产生质量非常差的,因为油墨的非均匀扩散的图像,因此没有在网上AFIS行使。在线指纹图像采集,电容或光学指纹扫描仪,如URU4000等被用于其中使用的技术,如受抑全内反射(FTIR)[2],超声内部全反射[3],感应差动电容的[4]和非接触式三维扫描[5]用于图像显影。在线扫描的扫描仪提供的大得多的图像质量,512 dpi,这导致了更高的可靠性相比,着墨的指纹匹配时,通常的分辨率。

分割指的是指纹区的分离(前景)从图像背景[6]。分割是有用,以避免在提取的特征指纹或背景的嘈杂的地方。一简单的阈值技术[7]被证明是无效的由于指纹区域的挑染性质。该噪声的指纹图像存在需要更多的有力的技术进行有效的指纹分割。一个好的分割方法应具有以下特点[8]

·它应该是不敏感的图像对比度
·它应该检测污迹或嘈杂的地区
·分割结果应该是独立的输入图像是否是一种增强的图像或原始图像
·该分割结果应该是独立的图像质量

Ren等人[8]提出了一种算法分割的采用特征点,然后将其用于获得接近分割曲线。研究者声称,他们的方法超越方向场,并根据定向方法[9,10,11]指纹图像分割。 Shen等人[12]提出了一种基于Gabor滤波器的方法,其中8 Gabor滤波器进行卷积以每个图像块和滤波器响应的方差为指纹用于既分割和质量标准。Xian等人[13]提出了分割算法,它利用一个块的集群度,均值和方差。最佳线性分类器是用于与形态分类后处理以去除分类错误。 Bazen等人[14]提出了一种像素明智的技术分割涉及三个特征向量的线性组合(即梯度连贯性,强度均值和方差)。最后形态后处理步骤被执行以消除在这两个前景和背景的孔。尽管其精度高但该算法具有非常高的计算复杂性,这使得它不适合实时处理。Klein等人[15]提出了一种算法,它采用的HMM除去的问题在使用过程中零散分割遇到不同的分割算法。

一个质量好的指纹特征提取相比一个相对低质量的指纹是更容易,有效和可靠的得出结果。指纹的质量皮肤状况(如潮湿或干燥,削减和降低瘀伤),传感器噪声,非均匀与触摸传感器表面固有的低质量的指纹图像(如这些老人,劳动者)的。一个显著百分比的指纹质量较差,这必须是增强识别的有效的过程。这是指纹增强,即两大目标。(1)增强脊和谷的之间的对比度(2)连接断脊。通过上文提及的滤波器可以达到这些目标,其特点各不相同协助本文用于INSTEAD图像传统过滤器的增强。过滤应该提出以下特点:

·它应该提供一个低通(平均)效果,其目的是连接小间隙,杂质,噪声。

·它应该提供一个带通(区分)效果,以便增加脊谷之间的 区别。

夏洛克等人[16]提出了一种算法,指纹图像增位置相关的傅里叶域滤波为基础的定位和平滑阈值技术。 Greenberg等人[17]提出了两个方案的指纹增强。一种方法是使用局部直方图均衡化,维纳滤波和图像二值化方法使用一个单一的
各向异性过滤现场灰度增强。奥戈尔曼等人[18,19]提出了一种基于上下文过滤器,该方法利用指纹的手烤箱参数。鉴于每张图片的分辨率,即最大值和最小值的的脊和谷的宽度,形成一个滤波器,其原理旋转图像以产生增强的输出。Hong等人[20]提出一种基于Gabor的过滤图像增强方法。 Gabor滤波器履行良好的指纹增强。滤波器前面提到它兼具分辨平均效果轻微的修改,该技术作Greenberg等人[21],江威等人[22]修正鉴于技术。[20]他们的做法车型脊 - 谷结构的一个更接近正弦形状的方式,并提供更好的结果。Tico等人[23]利用技术检测的基础上,第二条脊图像的方向导进行指纹增强。Watson等人[24]成倍的增加了傅立叶变换的每个32times;32块由提高到一个电力k到功率谱上,以产生高效率的技术,信息通信技术可以在网上指纹识别系统。指纹具备两大种特性:特殊的模式,由沟垄结构的指纹细节和中部地区形成了局部隆起和沟细枝末节相关。脊的结局(无WHERE脊突然结束)或脊分叉(WHERE脊分解成两脊)都是些细节。细节的特征是由位置和偏差方向(岭结束或分叉)的决定的。全局特征用于指纹分类分为六个主要类别,而细节细节用于基于指纹识别的人。指纹特征分析,请使用信息指纹识别,它是历史最悠久的AFIS的技术领域。该技术的精确度取决于在细节的提取精度。还有的方法用于也就是说细节提取1)基于二值化的方法两大类2)灰度提取的方法。在二值化的基于方法的一些信息丢失吊坠二进制化即能降解细节提取器的性能。直接的灰度方法克服问题的论文旨在实现可能是困难和耗时的操作。为二值化的基于方法的典型方法涉及先验增强,二值化和随后变薄。不同的二值化和细化方法是讨论[25,26,27,28,29]。一旦一个二进制骨架过气获得一个图像扫描允许像素对应的细枝末节将由找到交叉数检测。为此作为细节提取的结果而获得的细节需要登录进行过滤,以去除伪细节介绍。各种细节过滤技术被提出[30,31]

在注册过程中从个人的指纹中获得的特征点集存储作为该主题的模板。在认证模块,作为输入的指纹进行比较,或与模板匹配,以提供认证的决定。这个过程被称为细节匹配。匹配是有效的细节输入指纹应该同时使用指纹的细节信息注册到模板指纹。登记之后所使用的空间距离,这必须大于作为匹配要声明了两个细节的特定的阈值进行比较的细节集。 细节匹配通常是由使用霍夫变换[32,33]或前对齐[34]

指纹分类是一个定指纹分成若干类,如左环,右环,螺纹,拱拱帐篷,双环等指纹分类的过程是用于索引的指纹数据库,可以极大地提高性能的AFIS(自动指纹识别系统)。一个典型的指纹分类方法是基于指纹奇异点(核心和变量增量)和以规则为基础的分类系统,该系统需要根据指纹的数量和核心变量增量安置其决定的执行情况的提取。不同的分类算法提出[35,36,37]

本文的其余部分安排如下:第二部分提供了有关使用方法的详细信息,第三节展示结果,第四节给出结论。

2. 指纹自动识别系统的实现

本文介绍了一种原型的自动身份认证系统,能够进行身份验证一个人的身份,使用指纹。在AFIS的主要成分是:

  1. 指纹数据库
  2. 指纹数据库的功能
  3. 注册模块
  4. 验证模块

指纹数据库用于存储的指纹图像。用于此目的。从本文的指纹中提取的特征被存储在特征数据库连同该人的ID。注册模块的目标是承认使用他/她的ID和指纹的指纹数据库导入特征提取的过程后。这些特征形成模板被用来确定那些验证对象的身份,制定认证过程中用于验证的组件被称为该验证模块。

指纹分割是指纹识别和验证系统的重要组成部分。无论其花时间在美国东部时间分割的关键。在[13][14]中提出的算法工作得非常好于所需的区域的提取预期本文算法-具备非常高的计算成本。发展的一年中,我们具备高效的算法,工程与可接受的性能和更低的计算成本:有。这个算法是基于仅在一年的块一致性图像。连贯性给了我们如何以及指纹图像的梯度指向萨米方向的措施。在大小WXW围绕一个像素一个窗口,该稠度的定义为:

(1)

GX和GY是沿X和Y方向的各自的局部梯度。梯度所得和连贯图象是通过使用高斯平滑滤波器的平滑化,得到一个图像稠度C(X,Y)。画面平滑然后二值化,产生一个分割遮罩CB。二值化是全球性阈值作为开展:

(2)

图1:在不同的分割步骤

A.原图 B.连贯图像分割 C.切割面 D.分段式

2.4 特征提取
特征提取使用的交叉数法进行。[39]渡像素“P”被定义为的差异一半的总和恩特雷里奥斯相邻像素限定的p的8邻域的对等体的数量。数学表达式为:

(3)

其中,P0为P7是属于限定p和VAL(P)的8邻域的像素的有序序列中的像素是像素值。

图2.cn(P)=2,cn(P)=3和cn(P)=1代表一个非细节区域,具有脊分叉和结束

通过数字1和3相应于各自的脊末梢和脊分岔。中间脊交叉点:拥有一批细枝末节为此,从该算法获得必须经过过滤,以保留唯一真正的细枝末节。不同种类的假细枝末节介绍吊坠细节特征提取,包括峰,桥,孔,断裂,刺,阶梯和误判边境地区。 (参见图3)

图3.虚假细节分类

  1. 峰B.桥C.孔D.断裂E.刺F.阶梯

细枝末节在一个给定的有限区域EST澳大利亚游泳会的数量,因此细枝末节密度必须澳大利亚游泳会保持在检查。为了筛选出虚假细节论文具有三个级滤波处理中的应用:

等级1:删除创建的细节特征提取算法在细化图像的两端实施结果的假脊的结局。
等级2:删除第5种细枝末节上述使用鉴于细枝末节形态基于规则的过滤方法[40]
级别3:该过程限制了细节中存在的细线化图像,以一个预先指定的阈值的最大数量。

一个细枝末节m由三个元素描述m={X,Y,theta;},其中x,y坐标指示标志的细枝末节租赁和theta;表示细枝末节的方向,魁EST评估的方向从期间为此获得的照片方向的细枝末节租金增强的过程。就像是白色的细枝末节,不使用的细枝末节的匹配过程,因为类型可以是由于增强和二值化步骤期间。

图4.过滤和未过滤特征点设置

2.5细节点匹配
让T和I表示输入各自指纹模板。让两个指纹的细节特征集来计算公式如下:

在I的一个细节MJ和细节中,T被认为是可匹配的,如果他们的方位和空间差异指定在和阈值。是细节匹配使用鉴于做法[32]进行。在这种方法的细节集被使用霍夫的衍生物变换使用空间取向和基于距离的计算(图5),然后加入指纹匹配第一登记。匹配算法返回一个百分比分数的游戏, 然后用来把比赛比赛没有基于安全标准的决定。

图5. A.未注册 B.细节注册

2.6指纹分类
指纹分类是由从指纹图像使用[41]提出的方法的奇点的提取进行(参见图6)提到在[42]的奇点的方法的提取后用于执行基于规则的分类。引入指纹分类大大提高了时间,特别是匹配对于大型数据库。

图6.原始图像的提取奇异点

3. 结果与讨论
该系统是在FVC2000数据库[38]进行测试。使用成本低电容式指纹扫描仪使用的数据库的开发.该数据库共收录了不同的手指约800110指纹。该系统的精度进行定量的误接受率(FAR)和错误拒绝比(RIF)的条款。1%的FAR当时为此获得的7%用于该数据库的FRR.等错误率(FAR= FRR)的发现中提到的系统为5%意味着95%的准确性。该系统可以处理指纹图像旋转180O。利用MATLAB6.5[43]所述系统的实施,并采取一种用于处理单个指纹的时间是12秒为2.2 GHz的496MB的RAM已经P4.with - 已经过气为此获得这些结果没有代码优化。系统会在C 代码实现优化,这将进一步降低顶部的总处理时间之后。

4. 总结

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[147920],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。