关键字 |
| 生物识别;增强;指纹;细节;脊;性能 |
介绍 |
| 指纹是指指尖表面的脊状和谷状。每个人都有独特的指纹。指纹的唯一性完全由局部脊特征及其相互关系[1]决定。共鉴定出150个不同的局部山脊特征(岛屿、短脊、围地等)。这些局部脊的特征分布不均匀。它们大多严重依赖于指纹的印模条件和质量，很少在指纹中观察到。山脊被定义为一个单一的弯曲段，山谷是两个相邻山脊之间的区域。细节，即脊状流模式中的局部不连续，提供了用于识别的特征。细节类型的集合被限制为两种类型，山脊末端和分叉。山脊终点是山脊曲线终止的点，分叉是山脊在y结点从单一路径分裂为两条路径的地方。 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. |
| 一个高质量的指纹通常包含40-100个细节。由于噪声、皮肤状况等因素，指纹图像的质量会降低。因此，需要一些增强技术来提高指纹的质量。 |
| 一般来说，对于给定的数字指纹图像，感兴趣的区域可以分为以下三类。 |
| •定义良好的区域，其中脊和谷彼此明确区分，以便细节提取算法能够合理地操作。 |
| •可恢复的损坏区域，其中山脊和山谷被少量的折痕，污迹等损坏。但是，它们仍然是可见的，并且邻近的区域提供了关于真正的山脊和山谷结构的足够信息。 |
| •不可恢复的损坏区域，其中山脊和山谷被如此严重的噪声和扭曲损坏，没有山脊和山谷可见，邻近区域也没有提供关于真正的山脊和山谷结构的足够信息。 |
| 一种增强算法的目标是提高指纹图像脊结构在可恢复区域的清晰度，并去除不可恢复区域。 |
相关工作 |
| 在质量差的指纹图像中，脊状结构并不总是定义明确，不能被正确检测。这就导致了以下问题: |
| 1)可能会产生大量虚假的细节。 |
| 2)很大一部分真正的细节可能会被忽略， |
| 3)可能会引入较大的定位(位置和方向)误差。 |
| 为了保证细节提取算法在输入指纹图像质量方面的鲁棒性，需要一种能够提高脊结构清晰度的增强算法。应用最广泛的指纹增强技术之一是Hong[2]所采用的方法，该方法基于图像的卷积与Gabor滤波器调谐到局部脊向和脊频。该算法的主要步骤包括归一化、脊方向估计、脊频率估计和滤波。Sharat S. Chikkerur等人[3]提出了一种基于短时傅里叶变换(STFT)分析算法的指纹增强方法，该算法估计了指纹的所有固有特性。Greenberg等人[4]提出了两种图像增强方法。一种是使用直方图均衡化，维纳滤波和图像二值化，另一种是使用各向异性滤波器进行直接灰度增强。tsai - yang Jea等人[5]提出了一种方法，使用从相对细节信息派生的局部辅助特征。d.k。Misra等人[6]提出了一种基于细节匹配的傅里叶域指纹增强方法。 |
指纹增强算法 |
| 指纹增强可以在任何一种设备上进行 |
| 1)二值图像或 |
| 2)灰度图像。 |
| 二值脊图像是一种图像，其中所有脊像素都赋值为1，而谷像素都赋值为0。然而，在原始灰度图像上应用脊线提取算法后，由于脊线提取算法性能的不同，真实的脊线结构信息往往会丢失。因此，二值脊图像的增强有其固有的局限性。在灰度指纹图像中，局部邻域的山脊和山谷形成了具有明确频率和方向的正弦波。指纹增强算法包括: |
| ？正常化, |
| ？分割 |
| ？方向估计, |
| ？脊频估计 |
| ？伽柏过滤。 |
| ？二值化和细化 |
| 指纹输入图像流程图如下所示。 |
| 答:归一化 |
| 输入的指纹图像是标准化的，因此它具有预先指定的均值和方差。归一化用于通过调整灰度值的范围来标准化图像中的强度值，使其位于所需值的范围内。让我(我;J)表示像素处(i;j)， N(i;J)表示像素处(i;j).定义归一化图像为: |
 |
| 其中M和V是I(I;j)， M0和V0分别为期望的均值和方差值。归一化不会改变指纹的脊结构;它是为了标准化灰度值的动态变化水平，从而便于后续图像增强阶段的处理。 |
| b .细分: |
| 分割是将图像中的前景区域从背景区域中分离出来的过程。前景区域对应于包含山脊和山谷的清晰指纹区域，背景对应于指纹区域边界之外的区域，不包含任何有效信息。将细节提取算法应用于图像的背景区域，会导致噪声和虚假细节的提取。在指纹图像中，背景区域通常表现出非常低的灰度方差值，而前景区域具有非常高的方差值。因此，可以使用基于方差阈值的方法进行分割。 |
| 指纹图像的分段视图如图所示。首先对图像进行分块，计算图像中每个分块的灰度方差;如果方差小于全局阈值，则将该块分配为背景区域;否则，它将被分配为前景的一部分。 |
| C.方向估计: |
| 指纹图像的方向域定义指纹中包含的脊的局部方向。方向估计是增强过程中的一个基本步骤，因为Gabor滤波阶段依赖于局部方向来增强指纹图像。采用Hong[2]等人采用的最小均方(LMS)估计方法计算方向图像。图3.3表示方向估计。 |
| D.岭频估计与Gabor滤波: |
| 除了方向图像外，在Gabor滤波器的构造中使用的另一个重要参数是局部脊频。频率图像表示指纹中脊的局部频率。频率估计阶段的第一步是将图像分成大小为W * W的块，下一步是将位于每个块内的所有像素的灰度值沿与局部脊向正交的方向投影。下图描述了Gabor滤波在空间域的操作。 |
| 一旦山脊方向和山脊频率信息已经确定，这些参数被用来构造均匀对称Gabor滤波器。二维Gabor滤波器由特定方向和频率的正弦波组成，由高斯包络调制。由于Gabor滤波器具有频率选择性和方向选择性，因此采用了Gabor滤波器。这些属性允许过滤器被调整，以给予在指纹图像中特定方向和频率的脊的最大响应。因此，适当调优的Gabor滤波器可以有效地保留脊结构以降低噪声。 |
| E.二值化和细化 |
| 二值化是将灰度图像转换为二值图像的过程。这提高了指纹图像中脊和谷之间的对比度，并有利于提取细节。二值化过程包括检查增强图像中每个像素的灰度值，如果该值大于全局阈值，则将像素值设置为二值1;否则，它被设置为零。细化是一种形态学操作，连续侵蚀前景像素，直到它们是一个像素宽。采用一种标准的细化算法，该算法通过两个子迭代来执行细化操作。 |
绩效评估 |
| A.使用良度指数进行评价 |
| 我们使用提取细节的优度指数(GI)来定量评估我们的指纹增强算法的性能。GI值越大，细节信息提取算法越好。GI的最大值等于1，这意味着没有遗漏和虚假的细节。我们的指纹增强算法在50张典型的差指纹图像上进行了测试。 |
 |
| 首先，在不使用增强算法的情况下计算提取细节特征的优度指数，然后在提取细节特征前，对输入的指纹图像使用增强算法计算提取细节特征的优度指数。表中显示了8张典型指纹图像的GI值，以及50张图像GI值的平均值和标准差。应用增强算法后的GI值总是大于未应用增强算法时的GI值。因此，我们可以得出结论，我们的指纹增强算法确实提高了指纹图像的质量，从而提高了提取细节的准确性和可靠性。 |
| B.使用验证性能进行评估: |
| 增强算法的性能也在MSU指纹数据库的第一卷上进行了评估(700张实时扫描图像;使用在线指纹验证系统的验证精度[6]。我们证明了在指纹验证系统中加入增强算法可以提高系统的性能。在第一个测试中，数据集中的指纹图像直接与数据库中的其他指纹图像进行匹配。在第二次测试中，指纹增强算法应用于数据集中的每个指纹图像。然后，对增强后的指纹图像进行验证。 |
| 从这些实验结果可以看出，当我们的指纹增强算法应用于输入的指纹图像时，指纹验证系统的性能有了明显的提高。 |
结论 |
| 介绍了一种快速指纹增强算法，该算法基于输入图像估计的局部脊向和脊频，自适应地提高脊谷结构的清晰度。通过提取细节信息的优度指数和在线指纹验证系统的性能来评价该算法的性能，该系统在细节信息提取模块中集成了我们的指纹增强算法。实验结果表明，该增强算法既能提高优度指数，又能提高验证性能 |
数字一览 |
|
|
参考文献 |
- m . m . Maltoni, D. Miao, A. K. Jain, S. Prabhakar，“指纹识别手册”，第2版，伦敦，英国:Springer-Verlag, 2009
- L. Hong, A.K. Jain, S. Pankanti，和R. Bolle，“指纹增强”，第一次IEEE WACV，第202-207页，萨拉索塔，佛罗里达州。, 1996年。
- Sharat S. Chikkerur, Alexander N. Cartwright, V. Govindaraju，“基于STFT分析的指纹图像增强”，统一生物识别与传感器中心，第102 - 52,2006
- S. Greenberg, M. Aladjem, D. Kogan, I. Dimitrov“使用过滤技术的指纹图像增强”，第15届国际模式识别会议论文集，第3卷，第3页。322 - 350年,2000年9月。
- 蔡阳Jea, V. Govindaraju，“基于细节的部分指纹识别系统”，《模式识别》vol 38, pp. 1672 -1684, 2005。
- D.K. Misra, dr . s.p.。Tripathi和A. Singh“指纹图像增强、细化和匹配”发表在《国际期刊新兴趋势与技术在计算机科学》第1卷第2期，2012年7月- 8月。
|
菜单
