关键字 |
| 生物识别;增强;指纹;细节;脊;性能 |
介绍 |
| 指纹是山脊和山谷的模式表面上的指尖。每个人都有独特的指纹。指纹的唯一性完全取决于当地的脊特征及其关系[1]。总共150个不同地方脊特征(岛屿,短脊,圈地,等等)已确定。这些地方脊特征不是均匀分布的。他们中的大多数严重依赖的印象条件和质量指纹和很少观察到指纹。山脊是定义为一个单一的曲线段,和一个山谷地区之间的两个相邻的山脊。细节,局部不连续的山脊流动模式,提供用于识别的功能。细节的集合类型被限制到只有两种类型,脊末梢和分岔。岭末梢点脊曲线终止,和分岔是脊分裂从单一路径两条路径在一个三通接头。 Figure 1.1 illustrates an example of a ridge ending and a bifurcation. In this example, the black pixels correspond to the ridges, and the white pixels correspond to the valleys. |
| 高质量的指纹通常包含大约40 - 100细节。指纹图像的质量应该减少由于噪音、皮肤病等。所以一些需要增强技术提高指纹的质量。 |
| 一般来说,对于一个给定的数字指纹图像,感兴趣的地区可以分为以下三个类别。 |
| •定义良好的地区,山脊和山谷显然是有区别的,这样细节提取算法能够合理地运作。 |
| •可恢复损坏的区域,山脊和山谷被少量的折痕,污迹,等等。但是,他们仍然可见和周边地区提供足够的信息真正的山脊和山谷结构。 |
| •不可恢复的损坏区域,山脊和山谷都被这样一个严重的噪声和失真不可见的山脊和山谷和邻近地区不提供足够的信息真正的山脊和山谷结构。 |
| 增强算法的目标是改善指纹图像的脊结构清晰可恢复的地区和删除不可恢复的地区。 |
相关工作 |
| 低质量指纹图像的脊结构并不总是明确的,他们不能正确地检测到。这导致了以下问题: |
| 1)可能会产生大量的伪细节。 |
| 2)一个大比例的细节可能会被忽略, |
| 3)大错误的本地化(位置和姿态)可能被引入。 |
| 为了确保细节提取算法的性能将会强劲对输入指纹图像的质量,增强算法可以改善的明确性脊结构是必要的。使用最广泛的指纹增强的技术之一是受雇于香港[2]的方法,基于图像的卷积与伽柏过滤器频率调谐到本地岭方向和山脊。该算法的主要阶段包括正常化、岭方向估计,脊频率估计和过滤。Sharat Chikkerur et al。[3]引入了一种用于指纹增强的方法基于短时傅里叶变换(STFT)分析算法估计所有提出的指纹的内在属性。Greenberg等。[4]提出了图像增强两种方法。一个是使用直方图均衡化,维纳滤波和图像二值化和其他使用各向异性过滤直接灰度增强.Tsai-Yang牛仔裤等。[5]提出了一种方法,使用局部二次特性来源于相对.D.K细节信息。Misra等。[6]提出了指纹增强方法在傅里叶域中基于细节匹配和匹配。 |
指纹增强算法 |
| 指纹增强可以进行 |
| 1)或二进制图像 |
| 2)灰度图像。 |
| 一个二进制岭脊上图像是一个图像所有像素被分配一个值,谷像素赋值为零。然而,在应用脊提取算法的原始灰度图像,信息真实的脊结构往往是失去取决于脊提取算法的性能。因此,提高二进制岭图像有其固有的局限性。在灰度指纹图像、山脊和山谷在当地附近形成一个sinusoidal-shaped平面波具有定义良好的频率和方向。指纹增强算法包括以下。 |
| 吗?正常化, |
| 吗?分割 |
| 吗?方向估计, |
| 吗?岭频率估计 |
| 吗?伽柏过滤。 |
| 吗?二值化和细化 |
| 指纹输入图像的流程图如下。 |
| 答:归一化 |
| 输入指纹图像归一化,它有一个预先指定的均值和方差。规范化是用来规范在图像强度值通过调整灰度级值的范围,所需的值范围内。让我(我;j)表示像素的灰度级值(我;j)和N(我;j)表示归一化灰度级值的像素(我;j)。归一化图像的定义是: |
 |
| 其中M和V是我估计均值和方差(我;j)和M0和V0所需的均值和方差值,分别。规范化不改变指纹的脊结构;它执行标准化的动态水平灰度级的变化值,便于后续的图像增强的处理阶段。 |
| b .细分: |
| 分割的过程是分离图像中的前景区域从背景区域。前台区域对应清晰的指纹区域包含山脊和山谷,背景对应的指纹区域的边界外的地区,不包含任何有效信息。当细节提取算法应用到一个图像的背景区域,它导致的提取噪声和虚假的细节。在指纹图像,背景区域通常表现出很低的灰度方差值,而前台区域有一个非常高的方差。因此,基于方差阈值的方法可以用来执行分割。 |
| 指纹图像的分割视图如图。首先,图像分为块和灰度方差计算每一块的图像。如果方差小于全球阈值,然后分配的块是背景区域;否则,它是分配给前台的一部分。 |
| c取向估计: |
| 指纹图像的方向场定义中包含的山脊的当地取向指纹。方向估计是一个基本的步骤,增强过程伽柏过滤阶段依赖于当地的取向为了提高指纹图像。最小均方(LMS)估算方法受雇于香港[2]等人是用来计算定位图像。图3.3表示方位估计。 |
| d .岭频率估计和伽柏过滤: |
| 除了定位形象,另一个重要的参数,它是用于建设当地岭伽柏过滤器的频率。频图像代表了当地频率指纹的脊。频率估计阶段的第一步是把图像分成大小的小块W * W .下一步是项目内所有像素的灰度级值位于每个块沿一个方向正交于当地岭方向。下图描述了伽柏过滤操作在空间域。 |
| 一旦岭方向和脊频率信息已经确定,这些参数用于构造even-symmetric伽柏过滤器。二维伽柏滤波器由一个正弦平面波的一个特定的方向和频率,调制高斯包络。伽柏过滤器是使用,因为他们有frequencyselective和orientation-selective属性。这些属性允许调整过滤器给山脊最大响应在一个特定的方向和频率指纹图像。因此,适当调整伽柏过滤器可以用来有效地保护脊结构减少噪音。 |
| 二值化和细化 |
| 二值化的过程是将灰度级图像转换成一个二进制图像。这提高了山脊和山谷之间的对比在指纹图像,并促进细节的提取。二值化过程包括检查每个像素的灰度级值的增强图像,而且,如果该值大于全局阈值,那么像素值设置为一个二进制值;否则,它被设置为零。薄是一个形态学操作,先后侵蚀前景像素到一个像素宽。采用标准的细化算法,使用两个子迭代执行细化操作。 |
绩效评估 |
| 答:使用善指数评价 |
| 我们使用了善指数(GI)的细节中提取定量评估我们的指纹增强算法的性能。GI值越大,越细节提取算法。胃肠道的最大价值等于1,这意味着没有失踪,虚假的细节。我们的指纹增强算法测试50典型可怜的指纹图像。 |
 |
| 首先,我们计算了善指数提取的细节没有应用增强算法的善指数提取的细节与增强算法应用于计算输入指纹图像提取前的细节。表显示了GI值8个典型的指纹图像和GI值的平均值和标准偏差的所有50图像。GI值在应用增强算法总是比没有增强算法。因此,我们可以得出结论,我们的指纹增强算法提高指纹图像的质量,内弯,提高提取的细节的准确性和可靠性。 |
| b .使用验证性能评价: |
| 增强算法的性能也得到了评估的第一卷MSU指纹数据库(700年live-scan图像;10个人)使用一个在线的精度验证指纹验证系统[6]。我们证明,指纹验证系统将增强算法提高了系统性能。在第一个测试中,指纹图像数据集的直接匹配另一个数据库中的指纹图像。在第二个测试中,指纹增强算法应用到每个指纹图像的数据集。然后,增强指纹图像进行了验证。 |
| 从这些实验结果,我们可以观察到指纹验证系统的性能显著提高,当我们的指纹增强算法应用于输入指纹图像。 |
结论 |
| 快速指纹增强算法可以自适应地提高清晰度的山脊和山谷结构基于当地岭方向和脊频率估计的输入图像介绍。算法的性能评估使用善指数提取的细节和在线指纹验证系统的性能,包括我们的指纹增强算法的细节提取模块。实验结果表明,我们的增强算法能够提高善指数和验证性能 |
数据乍一看 |
|
|
引用 |
- d . Maltoni d .苗族a . k . Jain和角色,指纹识别手册》,第二版。伦敦,英国:斯普林格出版社,2009年版
- 美国Pankanti l .香港A.K. Jain,中,Bolle r . Proc“指纹增强”。第一个IEEE WACV,页202 - 207,佛罗里达州萨拉索塔。,1996年。
- Sharat s Chikkerur亚历山大·n·卡特赖特诉Govindaraju“指纹图像增强采用STFT分析”中心forUnified生物识别技术和传感器,pp.202 - 520, 2006
- 格林伯格,m . Aladjem d . Kogan季米特洛夫即“指纹图像增强使用过滤技术学报15 thinternational模式识别会议,3卷,页。322 - 350年,2000年9月。
- Tsai-Yang牛仔裤,诉Govindaraju minutia-based部分指纹识别系统在模式识别38页。1672 -1684卷,2005年。
- 位Misra Dr.S.P。特里帕西和a·辛格“指纹图像增强、变薄和匹配”在国际JournalEmerging趋势与技术在计算机科学卷1,问题2,2012年7月- 8月。
|
菜单
