关节识别系统的系统实现方法

Prof.V.U.Kale¹, Prof.R.A.Wakode²，瑞基·巴特拉^3.

印度马哈拉施特拉邦巴德涅拉Amravati PRMRIT & R电子与电信系教授
马哈拉施特拉邦巴德涅拉，阿姆拉瓦蒂，PRMRIT & R，电子与电信系助理教授，
印度
教学助理，电子与电信系，PRMRIT & R，巴德涅拉，阿姆拉瓦蒂，马哈拉施特拉邦，
印度

摘要

提出了一种实现手指背部成像的个人身份验证新方法。通过手指指节弯曲产生独特的生物特征标识表面纹理图案，具有高度的独特性。由于骨骼、肌肉、皮肤和组织之间的复杂相互作用，存在一些手部特征(当然这些特征因人而异)，这些特征在生物识别尤其是法医应用方面的潜力相对尚未被探索。一个独立的生物特征识别模式从主指节模式演化而来(形成于连接近端指骨和中指骨的手指表面)。采用感兴趣区域分割、图像归一化、增强和鲁棒匹配等关键步骤，实现了一个完全自动化的指关节识别系统。本文提出了FKP的工作，以提高识别效率和安全性。

关键字

生物识别技术，指节生物识别技术，主指节，次指节，指节分割，匹配技术。

介绍

通过特征或特征区分的人的自动识别可以定义为生物识别。认证和验证是生物特征识别技术中实现人体识别的两个过程。身份验证可以定义为“在正确的时间为正确的人提供正确的权限和正确的访问权限”。在验证应用程序中，生物识别系统需要用户输入密码、令牌或用户名(或三者的任何组合)，以声明其身份。

利用指纹和两张虹膜图像进行唯一识别是一项很难识别10亿人口的任务。指关节生物识别技术正在成为自动个人识别的完整证明方法。与指纹相似，这些真皮图案是在出生时形成的，在一个人的一生中都不会改变。这些线条特征是可靠的，它们可以作为唯一的个人标识符。此外，这些线条纹理在手的上表面清晰可见，可以使用相对便宜的低分辨率设备捕获。

手指指关节模式的准确识别可用于法医和转换识别嫌疑人等多个应用。在一些法医图像中，指关节的形状是唯一可以用来识别嫌疑人的证据。有一些例子，如绑架，性/身体攻击，摄像头无法跟踪嫌疑人的面部/指纹，在这种情况下，手指指关节的模式是唯一或主要的信息来源，科学地确定个人的身份

1.1指节解剖:

正常人的手有四个手指，每个手指有3个骨段和3个关节。拇指有两个骨段和两个关节。这些部分被称为phalanges (phalanx的复数)。每根手指上有三根骨头，分别是近端趾骨、中心趾骨和远端趾骨。近端指骨是手指与手连接的第一个连接点。近端指间关节，或称PIP关节是第二个关节。远端指间关节(DIP)是指的最后一个关节，如图1所示。

图1:指节解剖

1.2 FKP的需求:

有许多不同类型的生物识别，这些是，虹膜识别，视网膜识别，人脸识别，说话人/声音识别，指纹，手/手指几何，签名验证，击键动力学，和其他深奥的生物识别。基于手的生物识别，如指纹和手部几何，是市场上最流行的生物识别系统

然而，指纹有一个主要的缺点，那就是它容易受到反安全威胁，例如在表面上留下的指纹的复制来欺骗系统。另一方面，当用户数量增加时，手部几何特征的描述性不够，无法进行识别。与其他标识符相关的问题是，由于人的声音和签名可以复制，所以人脸识别将不是万无一失的标识符。手掌侧可以同时提取掌纹和指纹，可以更好地提高性能，但手指指节的尺寸相对掌纹来说非常小，相比掌纹需要的处理更少，提供了更有吸引力的选择。这些生物识别系统可能会给儿童和成人带来问题。

提出了许多概念，以探索一种替代方法来利用主要的指关节指纹进行人类识别。这种生物识别系统的实现是非接触式和无钉式的，并且不受疲劳等因素的影响，这些因素会雷竞技网页版导致其他生物识别系统的问题。在某些情况下，只有指关节部分在法医图像中可见。考虑到这一问题，我们提出了同时利用关节部分进行准确可靠的生物特征识别。

2相关工作

利用指关节指纹作为生物特征识别器在文献中引起了越来越多的兴趣。Woodard和Flynn成功地演示了使用3D手指背部图像进行个人识别。这项工作本质上是利用三维手指表面的局部曲率模式，并将其量化为各种形状指标进行匹配。[1]论文成功地研究了使用小指节图像进行识别的可能性。本文提出的粗到细分割策略具有较高的匹配精度，是一种较为自制的方法。[2]详细介绍了一个利用手背表面图像的在线系统，该系统可以同时利用多个手指的指关节模式及其几何形状特征。采用主成分分析(PCA)、线性判别分析(LDA)和独立成分分析(ICA)等基本技术进行不同的融合，可以得到较好的结果。该方法克服了由于手指环和黑色背景的问题。该方法的缺点是使用扫描仪成像，速度较慢。[3]在本文中研究了一种提高手指静脉识别系统性能的新方法。 The projected system at the same time acquires the finger vein and low resolution finger print images and combines these two evidences employing a novel score level combination strategy. . They developed and investigated two new score level combos, i.e., holistic and nonlinear fusion, and relatively assess them with additional well-liked score level fusion approaches to establish their effectiveness in their projected system. [5] in this paper they work on FKP recognition based on Band Limited Phase Only Correlation (BLPOC). POC is an imaging matching technique using the phase components in 2D DCT of given images. BLPOC is a modified version of POC which is dedicated to evaluate similarity between images, in order to handle the non-linear deformation of FKP images.[12]This paper details the development of a smart phone based online system to automatically identify a person by using their finger knuckle image. This paper uses 1D log-Gabor filter to extract the finger knuckle templates which are matched using Hamming distance. The limitation with this system is that for accurate finger knuckle detection, the acquire image background should be largely uniform as the background noise would influence the auto finger detect capability. [13]Different edge detection methods, to detect edges in knuckle image, are employed in this system. Artificial neural network play a major role for classifying the knuckle surface.

3提出了系统

A.系统含义:

图2给出了手指关节分割和匹配策略的简化框图，对固定大小的主要手指关节图像进行分割，并将分割后的图像与数据集进行匹配。使用主要指节模式进行准确的个人识别需要对感兴趣的图像区域进行准确的分割。分割方法应能从不同年龄组受试者的手指背图像中生成标准化的、固定大小的感兴趣区域图像。在没有任何固定钉或手指对接架的情况下，获取的手指背侧图像显示了不同姿势、位置和比例变化的手指。此外，不同的手指长度、手指宽度、指甲、皮肤色素沉着和近端指间点的位置，对利用手指的任何解剖特征进行稳健的主指节分割提出了严峻的挑战。感兴趣区域提取完成后，下一步是手指指关节图像的特征提取。这是通过阈值化和边缘检测来实现的。然后使用不同的匹配算法将特征提取的手指与数据集进行匹配。根据匹配分数显示手指指节是否与现有数据集验证/匹配。

B.提出的算法描述:

针对手指关节实现所开发的算法如图3所示

创建数据库:

1.选择图片:在这个项目中，用于捕捉手指图像的相机范围从2Mp-5Mp。在捕获图像时，考虑了非均匀背景下的不同闪电条件。

2.读取并调整图像大小:然后在MATLAB中读取图像并将其大小调整为200*200。为了简化对图像的操作，对图像进行了压缩/还原。图像缩减的另一个重要优点是执行操作的时间更短。

3.将其转换为BW图像:为了将图像转换为BW，对图像进行了阈值处理。阈值分割是一种前景分离技术。它使用直方图。直方图是一种图像统计数据，通常作用于强度图像，即具有0-255之间单个值的像素。0-255的范围被划分为多个容器，例如，每个强度值可以被赋予它自己的容器。与背景相比，前景足够亮/暗，即直方图分离清晰。阈值已经通过先前的观察估计出来，或者可以自动计算出来。在这些假设下，该方法对闪电条件非常敏感，将前景一侧的所有像素设置为255(亮)，所有其他像素设置为0(暗)。这里使用阈值分割的目的是将手指部分从非均匀背景中分离出来。

4.节节部分:期望的部分/感兴趣的区域是从原始手指图像裁剪的主要指节。

5.图像边缘检测:边是图像中与物体边界相对应的地方。边缘是图像亮度突然变化的像素。边是附加到单个像素的属性，由像素邻域内的图像函数行为计算得出。如果一个灰度值与它周围的值相似，那么在这一点上可能没有边。如果一个像素的邻居有很大不同的灰度，它可能会出现一个边缘点。边缘检测是一种图像分割技术，它确定图像中是否存在边或线，并以适当的方式勾勒出它们。边缘检测的主要目的是简化图像数据，以尽量减少需要处理的数据量。通常，边缘被定义为连接图像中每个像素元素中具有不同恒定亮度和三刺激值等图像振幅属性的两个独立区域的边界像素。图像中感兴趣的特定子区域的振幅、方向和位置基本上是可能边缘的重要特征。基于这些特征，检测器必须判断每个被检查的像素是否为边缘。 By edge detection the features i.e. the lines or creases of the finger knuckle are extracted.

6.数据库:最后分割、特征提取、过滤后的手指指关节图像以数字和扩展名。jpg保存在数据集中。已经创建了31个图像的数据库。

评估图片:

7.选择和读取图像:相机拍摄的图像存储在现有的一个驱动器中。在执行算法时，第一步是从驱动器中选择输入并读取它。所选输入如图3.a所示

8.调整图像大小:参考步骤2

9.将图像转换为灰度:此步骤是阈值设置的必要步骤。灰度与像素的亮度有关。与像素相关的值，表示像素从黑到白的亮度。通常定义为，0到255之间的值，0表示黑，255表示白。阈值是使用0-255之间的像素值完成的。输入图像的灰度图像如图3b所示

10.将灰度图像转换为BW图像:参考步骤3。

11.去除噪音以保留手指部分:通过自动去除孤立区域/像素(< 100像素)来清洗(去噪)生成的图像，以便只保留代表手指的最长物体

12.边缘检测:参考步骤5。输入图像的边缘检测图像如图3c所示

13.节节部分:为了使系统完全自动化，使用函数子模块对图像进行子模块的提取。函数的输入是左上角的像素值和子图像的大小(m*n个像素)。使用这个函数和输入的手指关节被提取的100*100像素。

14.匹配:为了匹配，将提取的指关节图像与数据库图像进行比较，并显示结果。本文使用了三种匹配算法，分别是:

a.使用相关性的算法:在该算法中，对像素值进行逐像素比较。计算像素值之间的相关性/相似度。用于匹配的最小值为0.86/ 86%(该值考虑了所有条件)。相关性基本上是用平均值发现的。

b.使用均方根值的算法:在该算法中，图像1中所有像素的和减去图像2中所有像素的和，然后用图像1归一化(使用基本概念(x-y/x))。结果应该是理想的零完美匹配;这里取的值是0.3

c.代数公式算法:算法基于表达式(x-y/x+y)逐像素运算，其中x为输入图像，y为输入图像要与数据库中的图像进行比较。对于完美的图像，结果应该是零，这里的结果值与0.3进行比较。

15.显示结果:输入的图像是否与数据集中的图像匹配，结果在消息框中以消息的形式显示。如果输入图像与数据集中存在的图像匹配，则使用消息框显示输入图像与哪个编号的图像匹配。

四、仿真结果

用MATLAB实现的手指关节实现系统在图像序列中的结果如下图所示。实验结果试图确定手指指节模式的唯一性。该标准要求任何潜在的“生物特征”都应该能够确保“可重复的生物特征”能够作为有用的生物特征。在本文中，对指关节生物特征的研究使用了两次采集的个体图像，两次采集的时间间隔较小，约为7个月。仔细研究这些指关节的模式指向稳定的弯曲折痕和线形成主要的指关节模式。匹配结果如前一节图所示。两幅图像之间的验证正确率为86%左右(使用相关算法)，错误率为5.67%(使用均方根算法)，错误率为5.67%(使用代数公式)。由于相机，背景，不同的闪电条件等变化引起的错误。

五、结论与未来工作

这项工作研究了使用主要手指指关节图像进行生物特征识别的可能性。前一节所示的实验结果取得了良好的性能。这项工作确定了7个月左右指关节模式的稳定性。从结果来看，使用指节模式的效率和安全性仍然很高，与指纹识别、虹膜识别、掌纹识别等模式相当。虽然还有很多工作要做，但目前的结果确保了主要的指节图像代表了生物识别的安全性，特别是对于图像取证和监视应用

在这项工作中，手指指关节生物特征使用了在两个场合收集的图像。然而，这两次会议之间的间隔非常小，可能不足以作为可靠的生物识别，特别是对于法医应用，匹配嫌疑人的时间间隔可能是几年。我们可以通过增加数据集中的图像数量来检验系统的效率。准确分割稳定的指节主区是非常重要的，因为它可以控制手指背侧图像所能达到的识别精度。因此，需要进一步努力开发精确的分割算法。在一些人的主要指关节被毛发遮挡，在提取特征时可能会产生问题，因此需要更多的努力来克服这些问题。

确认

在此，我衷心感谢V.U.Kale教授和R.A.Wakode教授在整个工作过程中的指导和支持。

参考文献

A. Kumar，“手指背模式独特的重要性:在验证人类身份时探索小手指指关节模式”，IEEE Trans。Inf.取证安全，vol.9, no. 9。8，页98-110,2014年8月。
A. Kumar和C. Ravikanth，“使用指关节表面的个人身份验证”，IEEE Trans。Inf.取证安全，第4卷，no. 4。1，第98 - 110页，2009年3月。
A. Kumar和Y. Zhou，“使用手指图像进行人体识别”，IEEE Trans。图像的过程。，vol. 21, no. 4, pp. 2228–2244, Apr. 2012.
张磊，张磊，张丹丹，朱海华，“基于指纹识别的个人身份认证”，模式识别。，第43卷，no。7，页2560-2571,2010年7月。
S. Aoyama, K. Ito和T. Aoki，“使用基于blpoc的局部块匹配的指关节指纹识别”，在Proc. ACPR, 2011年11月，第525-529页。
A. Kumar说，“我们可以用小手指关节图像来识别人类吗?见Proc. IEEE 5th BTAS, 2012年9月，第55-60页。
S. Aoyama, K. Ito，和T. Aoki，“使用局部相位特征的相似性测量及其在生物特征识别中的应用”，CVPR, 2013年6月，第180-187页。
张林，张磊，张大卫，“基于带限相位相关性的指关节指纹验证”，香港理工大学计算系生物识别研究中心[在线]。
Mrs. S.S. Kulkarni, Dr. Mrs. R.D. Rout，“安全生物识别:手指指关节指纹”国际计算机与通信工程高级研究杂志第1卷，第10期，2012年12月。
林章阿，雷章阿，David Zhanga, zhailong Zhub，在线:“个人身份认证的指关节指纹验证”，计算机系生物特征研究中心。
G s。Badrinath, A.Nigam,Phalguni Gupta，“融合SIFT和SURF匹配分数的高效手指指关节指纹识别系统”。
KamYuen Cheng, Ajay Kumar，“使雷竞技网页版用智能手机的非接触式指关节识别”，香港理工大学，红磡，香港九龙。
Kyi Pyar Zaw, Aung Soe Khaing，“非接触式指关节识别系统的实现”。雷竞技网页版
Shoichiro Aoyama, Koichi Ito, Takafumi Aoki，“基于相位对应匹配的掌纹识别性能改进”，东北大学信息科学研究生院，6-6-05,Aramaki Aza Aoba，仙台市，980-8579，日本。