系统方法的关节系统实现对人类识别

Prof.V.U.Kale¹,Prof.R.A.Wakode²,Rinky L.Batra³

教授,电子与电信部门,PRMRIT & R, Badnera, Amravati,印度马哈拉施特拉邦
助理教授,电子与电信部门,PRMRIT & R, Badnera, Amravati,马哈拉施特拉邦,
印度
教学助理,部门电子&电信PRMRIT & R, Badnera, Amravati,马哈拉施特拉邦,
印度

文摘

个人身份验证的新方法实现手指背面成像提出了这项工作。独特的生物标识符表面纹理模式是由手指关节弯曲,非常独特。存在几个手特性之间的复杂的相互作用所产生的骨骼,肌肉,皮肤和组织(自动从人)这些都是独特的,保持相对未知的潜在生物尤其是法医的应用程序。一个独立的生物标识符模式从主要的手指关节发展模式(手指表面形成加入近节指骨和中间指骨骨)。一个完全自动化的手指关节识别系统实现使用关键步骤如感兴趣的区域分割,图像归一化,增强,健壮的匹配。这个提议工作FKP识别人类更高的效率和更高的安全性。

关键字

生物识别技术,手指关节生物识别技术,主要的手指关节,轻微的手指关节,关节分割、匹配技术。

介绍

自动识别一个人有区别的特征或特征可以被定义为生物识别技术。身份验证和验证两个过程被用于生物识别的人工识别可以做到的。身份验证可以定义为“提供正确的人在正确的时间正确的权限访问”。在验证应用程序中,生物识别系统需要输入密码令牌,或者用户名(或任何组合的三个)的用户,声称他的身份。

唯一标识使用指纹和两个虹膜图像是如此困难的任务来确定十亿人口。手指关节生物识别技术正成为全自动化的个人身份的证明方法。类似于指纹,这些真皮模式形成出生时,他们会在一个人的生活没有改变。这些线特性是可靠的,他们可以作为独特的个人标识符。此外,这些线纹理清晰可见的手的上表面,他们可以使用相对廉价的低分辨率捕获设备。

准确的识别手指关节模式可用于多个应用程序包括法医和转换嫌疑人的识别。有法医手指关节的图像模式是唯一可用的证据来确定嫌疑人。有一些例子绑架,性/物理攻击的摄像头无法跟踪嫌疑人的脸/指纹,在这种情况下,手指关节模式是唯一的或主要的信息来源可以科学地确定个人的身份

1.1手指关节解剖:

一个正常人类的手有四个手指的关节骨段和3。拇指关节骨段和2。这些片段被称为趾骨方阵(复数)。有三个骨头在每个手指近端趾骨,中心趾骨和远端趾骨。手指近节指骨是第一个加入的连接。近端指间关节,或PIP关节是第二个关节。远端指间关节或倾斜是最后一个关节的手指如图1所示。

图1:手指关节解剖

1.2需要FKP:

有许多不同类型的生物识别技术,这些是虹膜识别、视网膜识别、面部识别、说话人/语音识别,指纹,手/手指几何、签名验证,击键力学和其他深奥的生物识别技术。Hand-based生物识别技术,如指纹、手几何,在市场上是最普遍的生物系统

然而,指纹遭受一个主要的缺点,这是它倾向anti-security威胁,如指纹留在表面欺骗的生殖系统。另一方面,手几何特性不够描述性识别当用户数量的增长更大。问题相关的其他标识符是人类的声音和签名可以被复制,复制可用所以人脸识别将不会简单标识符。棕榈打印和指纹可以同时从手掌中提取,可以提供更好的性能改善,但手指关节的大小相比是非常小的手掌印和提供了更有吸引力的选择,因为它需要更少的处理比手掌印。这些生物标识系统在儿童和成人可以导致问题。

许多概念提出了探索另一种方式利用人类识别的主要关节打印。这个生物系统实现非接触式和peg-free摆脱疲劳等因素等导致的问题在其他生物标雷竞技网页版识符。有些情况下,只在法医关节部分是可见的图像。通过考虑这个问题,我们提出利用关节部分同时为准确和可靠的生物识别。

二世。相关工作

使用手指关节打印生物标识符文学产生了越来越多的兴趣。Woodard和弗林成功演示了使用3 d手指背个人识别的图像。这项工作是利用当地的3 d手指表面曲率模式和量化成各种形状匹配的索引。[1]论文已经成功研究雇佣的可能性小的手指关节图像识别。而且分割策略开发本文已经完全白手起家的,因为它能够达到较高的匹配精度。[2]细节在线系统使用手背表面图像可以同时利用多个手指的手指关节模式和他们的几何形状特征。更好的结果发现不同融合的基本技术,主成分分析(PCA),线性判别分析(LDA)和独立分量分析(ICA)。这个方法克服问题由于手指戒指和黑色背景。这种方法的缺点是速度的工作,因为它使用扫描仪的成像。摘要[3]他们工作在一个新方法来增强手指静脉识别系统的性能。 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.

三世。提出了系统

答:系统的含义:

图2说明了简化框图的手指关节分割和匹配策略来段固定大小主要手指关节图像和匹配分割图像数据集。准确的个人识别使用主要的手指关节模式需要准确分割的区域感兴趣的图像。分割方法应该能够生成规范化和固定大小的图像从手指背侧图像的主题在不同的年龄组。在没有任何固定挂钩或手指对接框架,后天手指背侧图像说明手指不同姿势,位置和规模的变化。此外,不同长度的手指,焦头烂额,指甲,皮肤色素沉着和近端指间的位置点,提出了严峻的挑战,利用任何手指强劲主要解剖特征的手指关节分割。ROI提取后的下一步是提取手指关节图像的特性。这是通过阈值边缘检测过程。特征提取的手指然后使用不同的匹配算法与数据集。根据匹配得分结果显示手指关节是否验证/匹配与现有的数据集。

b算法的描述:

手指关节实现的算法开发了图3所示

创建数据库:

1。选择图片:在这个项目中,所使用的相机捕捉手指图像范围从2 mp-5mp。不同的闪电与非均匀背景条件被认为是同时捕捉图像。

2。阅读和调整图片:然后在MATLAB和正在读图像调整到200 * 200。简化操作图像,图像压缩/减少。减少图像的另一个重要优点是执行操作的时间更少。

3所示。将它转换为黑白图片:将图像转换成黑白,阈值过程就完成了。阈值是一个前景分离技术。它使用直方图。直方图是图像数据,通常运行在一个强度的图像,即像素有一个值在0 - 255之间。范围0 - 255分为垃圾箱,例如每个强度值会给自己的本。前景相比足够亮/暗背景,即直方图有明显分离。阈值的估计使用前观察或可以自动计算。这个方法是非常敏感的闪电给这些假设条件,设置所有像素255年前景的一面(亮),和所有其他像素为0(黑色)。这里使用的阈值的目的是分离的手指部分不均匀背景。

4所示。段关节部分:所需的部分/感兴趣的地区是主要的手指关节出现从原始的手指图像。

5。边缘检测的图像:这些地方在一个图像边缘对应对象边界。边缘像素,图像亮度突然发生了变化。优势是一个属性附加到一个单独的像素和计算图像函数的行为在一个附近的像素。如果一个灰度值相似,可能是没有优势。如果一个像素的邻居灰色水平相差很大,可能存在一个边缘点。边缘检测是图像分割的一种技术决定了存在一条边或在一个图像,并概述了在一个适当的方式。边缘检测的主要目的是简化图像数据以减少要处理的数据量。一般来说,优势的定义是连接两个独立的区域的边界像素改变振幅属性,如不同的常数图像亮度和三色值在一个图像中每个像素的元素。振幅、方向和位置的图像中某一分区的利益本质上是重要特征可能的边缘。基于这些特点,探测器必须决定是否检查每个像素是一个优势。 By edge detection the features i.e. the lines or creases of the finger knuckle are extracted.

6。数据库:最终的分割、特征提取和过滤的手指关节与数字和扩展jpg图像保存在数据集。31图像创建的数据库。

评估图片:

7所示。选择和阅读图片:由摄像机拍摄的图像存储在一个硬盘。在执行算法的第一步是选择输入驱动和阅读它。选定的输入图3.所示

8。调整图像:请参考第2步

9。将图像转换为灰度图:这一步是必要的阈值。灰度相关像素的亮度。关联的值与代表其明度从黑到白的一个像素。通常定义为,一个值从0到255,255 0是黑色和白色。阈值是通过使用这些像素值从0 - 255。输入图像的灰度图像在fig.3b如图所示

10。将灰度图像转换成黑白图像:步骤3。

11。去除噪声保持手指的部分:由此产生的图像是清洁(去噪)通过自动去除孤立的地区/像素(< 100像素),这样表示手指最长的对象只是保留

12。边缘检测:参考步骤5。输入图像的边缘检测图像如fig.3c所示

13。段关节部分:使系统完全自动化,功能subim用于提取图像的组成部分。函数的输入值的像素从左,上角和大小的部分图像(m * n像素)。使用这个函数和输入手指关节是100 * 100像素的提取。

14。匹配:特征提取的匹配,手指关节图像与数据库比较图像并显示结果。三个匹配算法被用于这项工作,这些都是:

使用相关性。算法:在这个算法中,像素的像素值比较。相关/像素值之间的相似度计算。的最小值匹配是0.86 / 86%(这个值考虑所有条件)。发现的相关性基本上使用的意思。

b。算法利用均方根值:在这个算法中,从图1像素的总和减去从像素的总和image2然后规范化image1(使用基本概念(x - y / x))。结果应该是理想的完美匹配零;这里的值是0.3

c。使用代数公式算法:该算法执行逐像素操作基于表达式(x - y / x + y), x代表输入图像和y代表图像与输入图像的数据库进行比较。完美的形象合成应该是零,结果值是相对于0.3。

15。显示结果:输入图像是否匹配图像的数据集,在消息框显示结果的信息。如果输入图像匹配的图像出现在数据集显示数字图像输入图像匹配使用消息框。

四、仿真结果

手指关节的结果实现系统用MATLAB实现图像序列中,下图所示。实验结果都试图确定手指关节模式的独特性。标准要求任何潜在的生物特征应该能够确保“可重复的生物特性”能够成为有用的生物。在此论文中,研究手指关节生物利用收集的图片,从个人在两次,两次之间的间隔很小约7个月。仔细研究这些手指关节指向模式曲线折痕和线条形成主要关节的稳定模式。匹配结果图在前一节所示。两个图像之间的验证精度约为86%(使用相关算法),错误率5.67%(使用均方根算法),错误率5.67%(使用代数公式)。错误引起的相机,由于变化的背景,不同的闪电条件等。

诉的结论和未来的工作

这项工作研究的可能性,使用生物识别的主要手指关节图像。前一节所示的实验结果取得了一个有前途的性能。这项工作大约7个月确定手指关节的稳定模式。从结果、效率和安全相关的使用手指关节模式仍然是高从这些类似的模式,如指纹、虹膜识别、棕榈打印等等。虽然还必须做更多的工作,但是结果提出确保主要的手指关节图像代表了生物识别技术的安全,特别是对图像取证和监视应用程序

在这部作品中,手指关节生物图像收集在两次使用。然而这两次之间的间隔很小,并且可能不足够作为可靠的生物识别,特别是对取证程序的时间间隔匹配嫌疑人可能年。我们可以增加图像数据集的数量检查系统的效率。精确稳定的分割主要关节区域明显重要,因为它可以控制可实现的从手指背图像识别的准确性。因此需要进一步努力开发准确的分割算法。在一些人类的主要关节由毛发堵塞,可以创建问题虽然提取特性所以需要更多的努力来克服这些问题。

确认

我想表达我真诚的感谢教授?羽衣甘蓝和教授R.A.太太Wakode引导和支持工作。

引用

a . Kumar“从手指背独特模式的重要性:探索小手指关节在人类的身份验证模式,“IEEE反式。正无穷,取证安全vol.9,不。8,Aug2014 pp.98 - 110。
a·库马尔和c . Ravikanth“个人身份验证使用手指关节表面,“IEEE反式。正,取证安全4卷,没有。1,第110 - 98页,2009年3月. .
a·库马尔和y周”,人类使用手指图像识别,”IEEE反式。图像的过程。,vol. 21, no. 4, pp. 2228–2244, Apr. 2012.
l, l·张,d . Zhang和h·朱”在线finger-knuckle-print验证个人身份验证,”Recognit模式。,43卷,不。7日,第2571 - 2560页,2010年7月。
青山,k .伊藤,t .青木“Finger-knuckle-print识别使用BLPOC-based本地块匹配,”在Proc。ACPR, 2011年11月,页525 - 529。
a·库马尔”,我们可以使用小的手指关节图像识别人类?“在Proc, IEEE第五bta。2012年9月,则高达55 -页。
青山,k .伊藤,t .青木“相似性测量使用本地特性及其应用生物识别阶段,“在Proc。CVPR, 2013年6月,第180 - 187页。
林,Lei,大卫·张“Finger-Knuckle-Print验证基于带限Phase-Only相关性,”生物识别技术研究中心部门计算,香港理工大学(网上)。
Kulkarni轮太太太太博士r溃败,“安全的生物识别技术:手指关节打印”国际先进研究期刊》的研究在计算机和通信工程1卷,10个问题,2012年12月。
林Zhanga, Lei Zhanga,大卫Zhanga和海龙Zhub在线:“Finger-Knuckle-Print验证个人身份验证”,生物识别技术研究中心部门的计算。
G s。Badrinath朝拜,。尼噶的,Phalguni Gupta,“一个有效的手指knuckle-print基础识别系统融合筛选和冲浪匹配分数”。
KamYuen Cheng Ajay Kumar“非接触雷竞技网页版式识别手指关节使用智能手机”,香港理工大学,香港九龙红磡民。
苏姬Pyar凿,昂山素季(Aung Soe Khaing”,实现非接触式的手指关节识别系统”。雷竞技网页版
青山,丰田章一郎Koichi Ito Takafumi青木,”性能改进的分阶段对应匹配的掌纹识别”,信息科学研究生院,东北大学,6-6-05,Aramaki阿扎Aoba, Aoba-ku, Sendai-shi, 980 - 8579年,日本。