译文题目 指纹匹配使用细节和纹理特征外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文(设计)

外文翻译

论文题目 基于MATLAB的指纹识别系统设计

译文题目 指纹匹配使用细节和纹理特征

目 录

1. 介绍···························1
2. 背景···························3
3. 混合匹配法························4

3.1图像对齐·································4

3.2图像嵌套·································4

3.3特征提取·································5

3.4匹配···································5

1. 实验结果·························5
2. 结论···························6
3. 参考资料·························7

指纹匹配使用细节和纹理特征

Anil Jain, Arun Ross Salil Prabhakar

密歇根州立大学 数字人公司

东兰辛，MI48824 红木城，CA94063

{耆那教，rossarun}@cse.msu.edu salilp@digitalpersona.com

摘要

固态指纹传感器的出现提出了一个新的挑战传统的指纹匹配算法。这些传感器提供一个小的接触面积（asymp;0.6“times;0.6”）指尖，因此，感测的只有有限的部分指纹。从而相同的指纹的多个曝光可以只具有重叠的小区域。基于细节匹配算法，其仅考虑在细节点的附近边缘的活性，由于数量不足，所以，在输入和模板图像的对应点不太可能使图像很好地展现。我们目前同时使用混合匹配算法细节（点）信息和匹配指纹的纹理（地区）的信息。在MSU VERIDICOM数据库上获得的结果表明，组合纹理基和细节匹配分数导致在总体匹配性能的显著改进。

1介绍

传统上，密码（以知识为基础的安全性）和徽章（基于令牌的安全性）被用来限制访问来保护系统。然而，安全性可以很容易地在这些系统违反密码时泄露给未授权用户或徽章由冒名顶替被盗。生物识别技术[1]的出现已经解决了困扰传统的验证方法的问题。生物测定是指个人的自动识别（或者验证）（或一权利同一性）通过使用与人（例如，指纹，手的几何形状，虹膜，视网膜，脸，手静脉，面部温谱图相关联的特定的生理或行为特征，签名，声纹）。生物识别标志具有比在这些属性不容易被盗或共享传统安全方法更有优势。

在所有的生物识别标志，指纹具有最高级别的可靠性[2，3]并且 已经在刑事调查[4]法医专家广泛使用。传统上，通过创建在纸上的指尖的着墨印象，指纹图案被提取。现在紧凑型固态传感器提供数字图象这些模式的年龄。这些传感器可以很容易地掺入到鼠标，键盘或移动电话制造使这个识别成为非常有吸引力的方式。指纹系统越来越广泛的用于用户认证的目的民用和商业应用正在越来越多地引入。

1

图1.指纹图像采用固态收购Veridicom公司传感器（A，B）和光学数字生物识别技术传感器（c）所示。所检测的细节点已被标记在指纹图像（在图17（a），21（b）中，39（c）中）。

固态传感器提供仅一个小的接触面积（asymp;0.6“times;0.6”）的指尖，因此，只有样品指纹图案的有限部分（300times;300像素在500 DPI）。的光学传感器，另一方面，具有一个反面的1“times;1”接触面积，从而导致在尺寸为480times;508的图像在500dpi的像素。因此，细节点的数量可以提取从指纹样本获取US-ING的固态传感器较小相比，获得使用光学传感器（参见图1）。此外，相同的手指的多个曝光，取得在不同的实例使用固态传感器，可以仅重叠在一个小区域由于旋转和随后的指纹的翻译（图1的（a）和（b））。在这种情况下，由于缺 乏足够数量的两个曝光之间共同奇点的基于细节匹配方案将不会很好展现。

图二，（一）圆形镶嵌（80扇区）关于核心点。一个Veridicom公司的（B）矩形镶嵌（81个单元格）图像。因为在（b）芯点位于下部图像的右下角，我们建议使用矩形镶嵌。

2

我们描述了一个混合的方式，以指纹匹配，结合具有的伽柏滤波器（纹理为主）的代表进行匹配指纹的细节基础的表示。基于纹理的表示指纹是在[5]中所描述的方法的修饰。该算法首先对两个指纹我们ING从两个图像中提取的细节点，和然后使用纹理信息来执行详细匹配。其结果是，比细节点的详细信息是被用于匹配的指纹。得到的匹配分数与使用基于特征匹配算法获得相结合。验证的结果表明，所提出的混合方法是更适合于使用紧凑的固态传感器获得的图像。

2 背景

指纹可以被看作是一种面向纹理图案。Jain et al.[5]表明，对于足够复杂取向纹理，如指纹，对于足够复杂的面向纹理例如指纹，不变纹理表示可以通过在纹理组合全局和本地歧视性信息被提取。给出的指纹图象，给出的指纹图象，他们证明一个紧凑和可靠的翻译和旋转不变表示可被完全基于底层指纹纹理的固有特性建造。他们进一步表明，该获得的代表，是强大的歧视有用的指纹。对于面向通用表示上述方案质地依赖于在提取指纹核心点。 一个围绕核心点圆形区域位于和镶嵌成扇区（或小区），如图2（a）中。在每个扇区中的像素强度标准化为一个恒定的平均和方差，以及过滤使用一组伽柏过滤器以产生一组滤波图像的滤波。灰度差异内部门量化潜在的脊结构和被用作特征。一个特征向量（长度为640个字节），称为一个指纹代码，是的所有功能，从所有扇区计算，每个滤波图像的集合。该指纹代码捕获的局部信息，指纹代码捕捉当地信息,镶嵌的有序枚举了不变的全球本地模式之间的关系。指纹匹配算法仅仅是基于两者之间的欧几里得距离相应指纹代码，因此是非常快速和可伸缩的。

图3.对齐与模板图像的输入图像。红色减薄图像是模板，蓝色变薄图象是输入。 （一）的两个印象对齐同一手指（非重叠区域显示为白黑色）; （二）两个不同的印象对准手指。

我们提出，为了适应以下改进这种技术匹配图像由固态抓获传感器：（一）估计平移和旋转参数使用对准与模板输入图像所需的其细节点。 （二）使用在[6]段中的输入和模板中描述的前景分割算法图像。 （ⅲ）定义的两个矩形镶嵌对准的图像。提取使用伽柏滤波器从各矩形网（两个图像的）纹理特征。 （ⅳ）匹配从所有的重叠前景的细胞中提取的特征和由过度的量称量匹配距离一圈。（v）结合基于过滤器的匹配的置信度分数与基于细节-匹配，以获得改善的匹配性能。使用矩形单元（而不是圆形扇区）的目的是双重的：（1）由于传感器的已缩减的接触面积，也未必能够检测一个核心点关于该图像可以变成圆镶嵌。此外，即使检测到一个核心点，它可以位于所述图像边界，从而提供很少有效镶嵌扇区。 （二）

3

尺寸减小传感器的限制的非线性变形量图片。因此，图像中的每个区域有平等的重要性，而提取的特征。这是通过具有在一个矩形网孔大小相等的细胞（图2（b））。

3混合匹配法

这里所描述的匹配技术被称为在“混合动力”技术，因为它结合了现有细枝末节信息的指纹与底层的质感在局部区域的信息来执行匹配。

3.1图像对齐

从输入和模板图像细节点使用在[6]中描述的算法被提取。该算法提供了以下两个输出：（a）一套细节点的，各自的特征在于它的空间位置和取向的指纹图像上。 （b）在每个细

节点附近局部脊信息。两套细节的点然后使用点匹配匹配算法。该算法首先选择一个基准点对（一个来自每个图像），然后确定数使用剩余的组的对应的特征点对的点。基准对导致在最大数相应的对误码率来确定最佳对准。

图4.屏蔽掉背景的区域：（1）模板IM-年龄，翻译（b）后的输入图像（C）的输入图像和旋转，（四）屏蔽输入图像

所有点对应的详尽评测，避免因局部脊线信息在每一个细枝末节点的可用性。一旦细节点由该方法对准，旋转和平移参数计算。估计的旋转参数是所有相应细节对的单个旋转值的平均值。平移参数是使用基准点对，以此得到最佳对准的空间坐标来计算。同一个手指的两个印象，不同手指的两种印象的比对的结果显示在图3.可视化的目的，每次展示的薄脊地图已被证明。

3.2图像镶嵌

输入指纹图像的背景区域中的特征提取未使用和匹配算法的阶段（图4）。输入和模板图像是通过对他们建设等大小的非重叠窗口和规范每个窗口内的像素强度以恒定的均值和方差标准化来实现的。每个标准化图像被镶嵌成相等大小的非重叠预定尺寸的矩形细胞（30times;30）。该电池的尺寸被观察的两个后选择邻近桥梁跨越大约30像素。 对于一个300times;300的图像，这导致在81镶嵌化细胞。

4

3.3特征提取

图5.申请结果Gabor滤波器图4（D）的。过滤为方向0图片0度，22.5度、45

度和67.5度被示出。

一组8伽柏滤波器被应用到每一个细分的细胞。所有用于特征提取的8 伽柏滤波器具有相同的频率，0.1 PIX1，但不同的取向（以22.5度为一段从0度至157.5度）。该频率是基于指纹的平均脊间距离（这是〜10个像素）来选择的。这种特殊的过滤结果在一组用于每个小区间的滤波图像。四滤波图像示于图5的绝对平均值在每个滤波单元的强度的年龄偏差被视为特征值（图6）。因此有8特征值决定每个单元格。从所有的特征值细胞被连接起来形成一个648维的（81times;8）特征向量。驻留在输入图像的遮蔽区的特征值的过程中的匹配级没有被使用，并且被标记为在特征向量缺失值。

3.4匹配

匹配输入图像与存储的模板包括丢弃缺失值后计算的两个特征矢量之间的平方差的和。 本距离由有效特征值的数目归一化用于计算的距离。匹配得分是与从基于细节-方法获得结合，使用组合的总和规则。如果匹配得分小于预定阈值，将输入图像以所述已经与模板匹配成功。

4 实验结果

我们的数据库由获得的指纹印模的从使用Veridicom公司传感器160的用户。每个用户是要求提供4种不同的各4个不同手指的印象 - 左手食指，左手的中指，右手食指和右手

的中指。 一套收集2，560（160times;4times;4）的图像。自动质量检查被用来拒绝低质量的图像。

5

图6.从筛选的图像导出功能值图5.对于可视化的目的，特征值具有被缩放至0 - 255范围。

生物识别系统的性能可以显示为一个接受者操作特征(ROC)曲线,真正的接受率对错误接受率(远)在不同阈值的匹配分数。图7示出这里提出的混合方法的性能。我们比较这性能与基于细节的方法[6]不利用纹理信息代表指纹。如在图中可以看出，在混合方法优于在宽范围的容积值的基于细节的方法。例如，在FAR1％，该混合匹配给出了一个真正接受的92％价格而基于细节-匹配给出了一个真正接受72％的速度。

混合匹配的计算要求是由与八个伽柏滤波器相关联的卷积运算决定。整个匹配算法，其包括从输入图像的特征提取，以及随后的匹配处理中，需要大约8秒CPU时间在一个Ultra10 SPARC计算机。然而，也可以通过实施以提高该算法的速度经由专用的DSP芯片卷积运算。

5结论

我们已经提出，利用两者在指纹可用的细枝末节和纹理信息的新颖的指纹匹配方案。伽柏滤波器的银行被用来从模板和输入图像的棋盘格状细胞中提取的特征。虽然目前在指纹图像非线性变形尚未通过此方法占了，我们的论点是，接触面积小区减轻在旋转和平移参数的估计这种变形的影响。

图7. ROC曲线比较的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[29456]，资料为PDF文档或Word文档，PDF文档可免费转换为Word