法医应用中重叠指纹的分离

J.Vanitha¹, S.Thilagavathi²
印度泰米尔纳德邦Tisaiyanvilai VV工程学院欧洲经委会系助理教授

摘要

通常，指纹图像包含单个指纹或一组不重叠的指纹。可能会出现指纹重叠的情况。在犯罪现场提取的潜在指纹中经常会遇到。将这些重叠的指纹分离为其组成指纹是很有必要的。重叠指纹分离的难点在于将混合方向场分离为其分量方向场。本文提出了松弛标记算法来完成分离任务。首先，我们使用局部傅里叶分析方法来估计初始方向场。然后采用松弛标记算法分离初始方向场。最后，通过Gabor滤波得到所需的成分指纹。

关键字

指纹分离，潜在指纹，方向场，松弛标签，Gabor滤波器。

介绍

指纹是指人体手指或指纹的摩擦脊皮肤。指纹是一种有方向的纹理，具有局部光滑和中间的山脊和山谷。指纹是唯一的和永久的，使其成为一个理想的生物特征的人识别。指纹识别已成功应用于各种应用，如入境控制、考勤、计算机登录、取证和机场安全。目前一个具有挑战性的问题是重叠指纹的处理和匹配。当一个表面的同一位置在不同时间被两个或多个指纹触摸时，显影的潜在图像可能包含重叠的指纹。当指纹传感器的表面含有之前指纹的残留时，也可能出现在实时扫描指纹图像中。

验证者无法分割两组指纹，因此无法提取重叠区域的脊线。这对现有的指纹识别算法提出了挑战。法医科学家已经提出了一种利用黄金材料分离重叠指纹的方法。这项技术非常有趣，但不方便，因为它只适用于某些特定的指纹。Fan等人提出了一种基于人工标记方向场的图像增强分离重叠指纹的算法。但是，在重叠的指纹图像中手工标记每个组件指纹的方向场是非常繁琐和耗时的。Geng等人提出利用形态成分分析分离重叠指纹。实验结果表明，该算法只能分离出重叠图像中占主导地位的成分指纹。Singh等人建议使用独立成分分析(ICA)来分离重叠指纹，但他们没有提供分离算法。

本文提出了一种分离重叠指纹的算法，并利用真实重叠潜在指纹和模拟重叠指纹对算法进行了评估。该算法基于两个合理且实用的假设。

1.重叠指纹图像最多包含两个指纹。

2.在重叠区域，两组分指纹的取向场存在差异。

本文提出的算法由以下三步组成:

1.区域分割:将重叠指纹图像分为两组指纹的背景区域、重叠区域、非重叠区域。

2.初始方向场估计:利用局部傅里叶分析方法估计给定重叠指纹图像的初始方向场。

3.方向场分离:然后采用松弛标记方法将初始方向场标记为两个类。在此基础上，将初始方向场分解为两个分量方向场。

4.指纹分离:最后，利用Gabor滤波器将两组指纹分离。

图1给出了所提算法的流程模型。

重叠指纹分离

区域划分:

对于两个重叠的指纹，区域掩码是手动标记的。手动标记区域掩码是潜伏指纹社区的一种常见做法。重叠指纹图像由两个区域组成，即两个分量指纹的重叠区域和非重叠区域。重叠区域是两个面具的公共区域，它包含两个指纹的重叠部分，而非重叠区域只包含一个指纹。

在图2中给出了区域划分的步骤。

重叠的指纹图像被分割成16x16像素的不重叠的块。重叠区域中的块称为重叠块，非重叠区域中的块称为非重叠块。在非重叠块体中存在一个优势方向，在重叠块体中存在两个优势方向。

初始方向场估计:

指纹方向场是一个矩阵，其在(x,y)处的值表示在(x,y)[2]处的主脊方向。重叠指纹图像的方向场不同于单一指纹图像的方向场，它在非重叠区域包含一个优势方向，在重叠区域包含两个优势方向。在本文中，我们假设构件指纹的区域掩码已经被人工标记。在建立区域掩模后，采用局部傅里叶分析方法提取初始方向场。

我们取输入的重叠指纹图像，然后将其分成16x16像素的不重叠的块。每个块中的脊可以用二维正弦波表示。以每个块为中心，然后将64x64窗口中的本地图像乘以一个高斯函数(σ = 16)。计算结果图像的离散傅里叶变换(DFT) F(u,v)，并将低频分量的振幅设为零。此外，在频域中还发现了具有最大振幅的局部极大值点。每个点可以用一个二维正弦波w(x,y)= a表示。sin(2Πf(sin(θ)x + cos(θ)y) + Φ)，其中a, f， θ， Φ分别表示振幅、频率、方向和相位。可由以下公式确定:

图3显示了重叠块体中两个优势方向的估计。

方向场分离:

因此，初始方向域在每个重叠块中包含两个主导方向。在本文中，我们提出了松弛标记算法，以便将初始方向场分离为两个方向场对应于两个单独的指纹。

松弛标记是一个迭代过程。它迭代地计算标签赋值P，直到它收敛为止。该过程最初以一些初始概率开始，例如0.6,0.4........该算法指定了标签概率在每个瞬间如何更新。在算法1中解释。

分离重叠方向场

1.问题建模:初始方向场O0是一个m × n × 2矩阵。因此对象集为O=(O1,O2)，标签集为Λ=(1,2)。为了分离初始方向字段，我们必须用Λ的标签1或2来标记O的每个对象。

2.建筑相容系数:我们知道，松弛过程的效率在很大程度上受到相容系数的选择的影响。定义对象O(i,j,k)与O(i '，j '，k ')之间的兼容系数矩阵RIJ = R(i.n.2+j.2+k)(i ' .n.2+j ' .2+k ')为

其中s是对象O(i,j,k)和O(i '，j '，k ')具有相同标签时的支持度，1-s是对不同标签的支持度。因此，S的计算为

合并方向字段:如果我们只在重叠区域中分离，对用户来说是有效的。这是基于两个考虑。首先，非重叠区域只有一个方向。其次，只处理重叠区域可以节省大量的计算时间。将重叠区域中分离的两个方向场与非重叠区域中的两个方向场合并，完成方向场分离过程。M0和Mn,j(x,y)之间的边界Bj, j=1,2定义为

其中D是控制边界宽度的参数，这里我们将其赋值为D=6块。

在重叠区域;C)一个不重叠的方向场;D)另一个不重叠的方向场。(e)- (h)分别为(a)-(d)对应的区域掩码

在图4中给出了重叠区域和非重叠区域的方向场

图5:(a):重叠区域与两个非重叠区域之一之间的边界

(b):重叠区域与其他非重叠区域的边界。

可以选择两种可能的组合来合并方向字段。两种可能的组合是:(i) Oo,1和On,1和Oo,2和On,2，和(ii) Oo,1和On,2和Oo,2和On,1。对于每个组合，我们计算兼容性定义为:

如果C1 < C2，我们选择第一个组合，否则我们选择第二个组合。在得到两个分量的方向场后，使用平均滤波器去除两个方向场中的噪声。

在图7中。图8为Gabor分离重叠指纹图

本文提出的算法如下:

初始化:设t=0，获得初始标签概率:

P(0) = (p1(0)，p2(0)，.....，pN(0))。

而真正的

1)标签的选择:

对于i= 1,2，…N做

根据当前标签概率pi(t)随机选择一个标签。

结束

2)响应计算:

对于i= 1,2，.....N做

设q为步骤1)为Oi选择的标签，计算对Oi的响应βiq为

Βiq = (1/N) ΣjRij(q,sj)，

其中sj为步骤1中为对象Oj选择的标签)。

结束。

3)标签概率更新:

对于i= 1,2，…N做

设q为步骤1中Oi选择的标签)，Pi(t)更新为

Piq(t+1) = Piq(t) + αβiq(1 - Piq(t))，

Pir(t+1) = Pir(t) - αβiqPir(t)， r≠q。

结束

4)迭代:问

如果概率向量收敛

休息。

结束

其他的

T = T +1。

结束

指纹分离

使用2D Gabor滤波器的上下文滤波对指纹增强[2]非常有效。二维Gabor滤波器的两个重要参数是局部脊向和频率。在得到脊向场和脊频图后，Gabor滤波可以将断裂脊连接起来，去除中间的脊。最后，两个重叠的指纹被成功分离。

结论

在犯罪现场发现的重叠指纹质量不高。然而，对于现有的算法来说，重叠指纹的分离是一个非常具有挑战性的问题。提出了一种用于分离重叠指纹的松弛标记算法。通过对从局部傅里叶分析得到的初始方向场输出应用松弛标记算法，我们得到了两个分离的方向场。然后利用Gabor滤波器对重叠指纹图像进行滤波，分离出两组指纹。

参考文献

陈飞，冯俊杰，周俊杰，张俊杰，“重叠指纹的分离”，电子工程学报。信息取证与安全，vol.6, no. 1。2011年6月2日。
D. Maltoni, D. Maio, A.K.Jain，和S. Prabhakar，指纹识别手册(第二版)。纽约:施普林格，2009。
L. Hong, Y. Wan，和A.K.Jain，“指纹图像增强:算法和性能评估”，IEEE学报。模式肛门。马赫。智能。，vol.20, no.8, pp.777-789, Aug.1998.
A.K. Jain和J. Feng，“潜在掌纹匹配”，IEEE Trans。模式肛门。马赫。智能。，vol.31, no.6, pp.1032-1047, Jun 2009.
M.Pelillo, F.Abbattista, A. Maffione，“放松标记过程的进化学习”，《科学进展》，1993，第230-241页。
M. pelillo和M. Refice，“松弛标记过程的学习兼容系数”，IEEE Trans。模式肛门。马赫。智能。，vol.16, no.9, pp.933-945, sep.1994.
周俊杰，顾俊杰，“基于模型的指纹计算方法”，电子工程学报。图像的过程。第13卷，no。6，页821-835,2004年6月。
王玉华，胡俊杰，D.Philips，“基于二维傅里叶展开(FOMFE)的指纹定位模型及其在点检测和指纹索引中的应用”，电子工程学报，2015。模式肛门。马赫。智能。，vol.29, no.4, pp.573-585, Apr.2007.
A.Rosenfeld, R.A.Hummel，和S.W. Zucker，“通过松弛操作进行场景标记”，IEEE Trans。Sys。，Man, Cybern. vol.6, no.6, pp.420- 433, Jun. 1976.
M. Thathachar和P.Sastry，“学习自动机的放松标记”，IEEE Trans。模式肛门。马赫。智能。，vol.8, no.2, pp.256-268, Feb.1986.
J.道格曼，“二维视觉皮层滤波器优化的空间分辨率，空间频率和方向的不确定性关系，”j.p opt . soc . amer。A, vol.2，没有。7，页1160-1169,1985。