为法医学应用程序分离重叠指纹

J.Vanitha¹,S.Thilagavathi²
ECE学系助理教授,VV工程学院,Tisaiyanvilai Tamilnadu、印度

文摘

通常,指纹图像包含一个指纹或一组非重叠指纹。可能会有重叠的情况下可以获得的指纹。它可以是经常遇到的潜指纹从犯罪现场。必须单独的重叠指纹指纹到它的组件。分离重叠指纹的具有挑战性的工作是面向混合的分离领域组件定位领域。摘要松弛标记算法执行的任务分离。最初,我们使用当地的傅里叶分析方法来估计初始取向。然后放松标签算法是用来分离初始取向。最后,通过使用伽柏滤波器所需的组件的指纹。

关键字

指纹分离,潜在的指纹,取向,放松标签,伽柏过滤器。

介绍

指纹是指人类手指的摩擦脊皮肤或其印象。指纹是一种面向结构局部平滑和干预山脊和山谷。的指纹都是独一无二的,永久的,人的理想生物特征识别。指纹识别技术已经成功地部署在各种应用程序中,如入口控制、时间和出勤率,计算机登录、取证和机场安检。一个挑战性的问题的处理和匹配是现今重叠指纹。当同一位置的表面是感动两个或两个以上的指纹在不同的时间,开发潜在的图像可能包含重叠指纹。它也可能出现在现场扫描指纹图像前当指纹传感器的表面含有残留的指纹。

指纹证实无法分割的两个组件,因此他无法提取山脊在重叠区域。因此,创建一个挑战现有的指纹识别算法。法医科学家提出了一个方法来分离重叠指纹使用金材料。这种技术是非常有趣的和不方便,因为它只适用于某些特定的指纹。风机等人提出了一个基于图像增强算法分离重叠指纹使用手动标记定位。然而,很繁琐和费时的手工标记的每个组件指纹方向场重叠指纹图像。耿等人提出使用形态成分分析分离重叠指纹。实验结果表明,其算法只能单独组件指纹占据重叠的图像。辛格等人建议使用独立分量分析(ICA)分离重叠指纹,但是他们并没有提供一个分离算法。

在本文中,我们提出了一个算法分离重叠使用真实重叠指纹和评估它潜在的指纹和模拟重叠指纹。该算法是基于两个假设都是合理和实用的。

1。重叠指纹图像由atmost两个指纹。

2。存在差异这两个组件的定位领域指纹在重叠区域。

该算法包括以下三个步骤:

1。区域划分:重叠指纹图像分为背景区域,重叠区域,两个组件的非重叠区域指纹。

2。初始方向场估计:利用局部傅里叶分析方法的初始取向领域重叠指纹图像估计。

3所示。取向磁场分离:放松标签方法然后用来标签初始取向在两类。根据结果,初始取向场分解成两个分量方向领域。

4所示。指纹分离:最后,两个组件的指纹由用人伽柏过滤器。

在图1中,它显示了该算法的流模型。

重叠指纹分离

区域划分:

该地区面具手动标记为两个重叠指纹。手动标记区域掩模在社区潜在指纹是一种常见的做法。重叠指纹图像由两个区域组成,重叠区域和非重叠区域的两个组件的指纹。重叠区域的共同区域两个口罩和它包含的重叠部分两个指纹和非重叠区域只包含一个指纹。

在图2中,它给过程来划分区域。

一个重叠指纹图像划分为非重叠16 x16像素的小块。块在重叠区域称为重叠块和块在非重叠区域被称为非重叠块。存在一个非重叠块的主导方向和两个重叠的主导方向。

初始方向场估计:

指纹方向场是一个矩阵,其价值(x, y)表示主导岭方向点(x, y) [2]。重叠指纹方向场的图像是不同于一个指纹方向场的图像,它包含一个非重叠区域的主导方向和两个重叠区域的主导方向。在本文中,我们认为,该地区面具组件的指纹已经手动标记。创建区域掩模后我们使用局部傅里叶分析方法来提取初始取向。

我们已经输入重叠指纹图像,然后分为非重叠的16 x16像素的小块。岭存在于每一块可以表示为一个二维正弦波。集中在每个块,当地的形象在64 x64窗口然后乘以一个高斯函数(σ= 16)。离散傅里叶变换(DFT) F (u, v)计算的结果图像和低频率的振幅组件被设置为零。同时,最大振幅的局部极大值点在频域。每一个点都可以表示为一个二维正弦波w (x, y) = a sin(2Πf (sin(θ)x + cos(θ)y) +Φ),一个,f,θ,Φ代表振幅、频率、方向和阶段分别。它可以由下面的公式,

在图3中,它显示了估计的两个主要方向重叠块。

方向场分离:

最初的方向场在每个重叠块包含两个主要方向。在本文中,我们提出了松弛标记算法以不同初始取向在两个方向字段对应于两个人的指纹。

放松的标签是一个迭代的过程。它计算标签分配P迭代直至收敛。过程最初始于一些初始概率如0.6、0.4 ........算法指定标签的概率是在每个即时更新。它是解释算法1。

分离重叠取向领域

1。问题建模:初始取向场O0 m x n x 2的矩阵。因此,对象集O = (O1、O2)和标签组Λ= (1、2)。分离的初始取向标签我们必须每个对象与一个标签OΛ1或2。

2。构建Compatility系数:众所周知,弛豫过程的效率大大影响兼容性的选择系数。系数矩阵的兼容性RIJ = R (i.n.2 + j.2 + k)(我的.n.2 + j。2 + k”)之间的对象O (i, j, k)和O (i, j, k”)被定义为

年代是支持对象O (i, j, k)和O (i, j, k”)有相同的标签和1 s是支持不同的标签。因此,S是计算

合并取向领域:高效的为用户如果我们分开只有在重叠区域。这是基于两方面的考虑。首先,只有一个方向的非重叠区域。第二,只处理重叠区域可以节省大量计算时间。重叠区域的两个分离取向字段应该合并的两个方向字段nonoverlapped地区敲定取向场分离过程。边界Bj, j = 1, 2, M0和Mn, j (x, y)被定义为

在D参数控制边界的宽度,我们被分配为D = 6块。

在重叠区域;c)的一个非重叠取向领域;d)其他非重叠取向。(e) - (h)相应地区的面具(一)——(d)

视图,它给取向领域重叠与非重叠区域

图5:(一):边界之间的重叠区域和两个nonoverlapped区域之一

(b):边界之间的重叠区域和其他nonoverlapped区域。

有两种可能的组合,可以选择合并取向字段。这两个可能的组合:(i) Oo, 1, 1, Oo, 2, 2,和(2)面向对象,1,2,Oo, 2, 1。对于每个组合,我们计算出兼容性定义为,

如果C1 < C2,我们选择第一个组合,否则我们选择第二个组合。在获得两组件定位领域的平均滤波器用于消除噪音的两个方向字段。

在图7所示。和图8所示,它显示了由伽柏分离重叠指纹

该算法如下所示:

初始化:设置t = 0时,获得初始标签概率:

P (0) = (p1 (0), p2 (0) ....., pN (0))。

而真正的做

1)选择标签:

因为我= 1,2,…N做

随机选择一个标签基于当前标签概率π(t)。

结束

2)计算的反应:

因为我= 1,2,.....N做

让问标签选择在步骤1中Oi)和计算响应βiq Oi

Βiq = (1 / N)ΣjRij (q, sj),

sj在哪里标签为对象选择橙汁在步骤1)。

结束。

3)更新标签概率:

因为我= 1,2,…N做

让问标签选择在步骤1中Oi)和π(t)是更新

Piq (t + 1) = Piq (t) +αβiq (1 - Piq (t)),

Pir (t + 1) = Pir (t) -αβiqPir (t) r≠q。

结束

4)迭代:问

如果概率向量有聚合

休息。

结束

其他的

t = t + 1。

结束

指纹分离

上下文使用2 d伽柏过滤器过滤是非常有效的指纹增强[2]。两个重要参数的二维伽柏过滤器是当地岭方向和频率。当岭方向场和脊频率得到地图,伽柏过滤可以连接破碎的山脊和删除干预山脊。最后,两个重叠的指纹已经成功分离。

结论

重叠指纹,从犯罪现场遇到的不是质量好。然而,分离重叠指纹是一个非常具有挑战性的问题,现有的算法。我们已经提出了一个松弛标记算法分离重叠指纹。Byapplying松弛标记算法的初始取向场输出从当地获得傅里叶分析我们得到两个取向分离领域。然后这两个组件的指纹由使用伽柏过滤器过滤重叠指纹图像。

引用

F。陈,J。冯,A.K.Jain, J。周和J。张“分离重叠指纹”,IEEE反式。在取证和安全信息,下册,没有。2、2011年6月。
d . Maltoni d . Maio A.K.耆那教徒,美国角色,指纹识别技术(第二版)的手册。纽约:施普林格,2009年。
l .香港y Wan, A.K.耆那教的“指纹图像增强:算法和性能评价,“IEEE反式。模式肛门。马赫。智能。,vol.20, no.8, pp.777-789, Aug.1998.
A.K. Jain和j .冯“潜在的图像匹配,IEEE反式。模式肛门。马赫。智能。,vol.31, no.6, pp.1032-1047, Jun 2009.
M。Pelillo F。Abbattista, a . Maffione“进化学习松弛标记过程,“在Proc。AI * IA, 1993年,pp.230 - 241。
M。Pelillo和m . Refice”学习兼容性系数松弛标记过程,“IEEE反式。模式肛门。马赫。智能。,vol.16, no.9, pp.933-945, sep.1994.
J。周和j·顾”,一个基于模型的方法计算指纹,“IEEE反式。图像的过程。13卷,没有。6,Jun.2004 pp.821 - 835。
Y。王、胡j .和D。飞利浦”,基于二维傅里叶展开的指纹定位模型(FOMFE)及其应用奇异点检测和指纹索引、“IEEE反式。模式肛门。马赫。智能。,vol.29, no.4, pp.573-585, Apr.2007.
一个。罗森菲尔德,R.A.胡梅尔和S.W. Zucker现场标签通过松弛操作”,IEEE反式。Sys。,Man, Cybern. vol.6, no.6, pp.420- 433, Jun. 1976.
m . Thathachar和P。Sastry“放松标签学习自动机”,IEEE反式。模式肛门。马赫。智能。,vol.8, no.2, pp.256-268, Feb.1986.
j . Daugman”不确定关系在空间分辨率,空间频率和方向优化的二维视觉皮质过滤器、“J.Opt.Soc.Amer。一,二,不。7,pp.1160 - 1169, 1985。