手指指关节形状和纹理分析的识别方法

Journal of King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com基于指关节形状特征和纹理分析的K. Ushaa，*，M.Ezhilarasanba印度Puducherry Pillaichavady本地治里工程学院计算机科学与工程系b印度Puducherry Pillaichavady本地治里工程学院信息技术系接收日期：2014年6月5日;修订日期：2015年1月24日;接受日期：2015年2月23日2015年10月31日在线发布摘要指关节纹是一种新兴的手部生物特征，具有很大的个体识别潜力。本文提出了一种基于几何和纹理分析的指纹识别方法。在第一种方法中，手指指关节纹的形状导向的特征提取的角度几何分析，然后集成，以实现更好的准确率。而关节纹理特征的分析是通过多分辨率变换（Curvelet变换）来实现的该Curvelet变换具有以最少数量的Curvelet系数近似弯曲奇点的能力由于手指指关节图案主要由直线和曲线组成，Curvelet变换非常适合于其表示。此外，Curvelet变换将手指指关节图像分解成称为“Curvelet指关节”的Curvelet子带。最后，主成分分析应用于每个Curvelet关节提取其特征向量，通过协方差矩阵从他们的Curvelet系数。使用理大数据库和IIT指关节数据库进行了广泛的实验实验结果表明，我们提出的方法具有较高的识别率为98.72%，较低的错误接受率为0.06%。©2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍*通讯作者。电子邮件地址：ushavaratharajn@gmail.com，cs0722@pec.edu（K.Usha），mrezhil@pec.edu（M. Ezhilarasan）。沙特国王大学负责同行审查制作和主办：Elsevierhttp://dx.doi.org/10.1016/j.jksuci.2015.02.004基于手的生物识别技术已经引起了研究人员的相当大的关注，因为（i）它在获取数据方面的低成本，（ii）它在识别个体方面的可靠性以及（iii）它被用户接受的程度（基于手的生物识别技术，2003）。最常用的手部生物特征是指纹、掌纹、手部几何形状、手部静脉图案、指关节纹和掌侧指关节纹（Bolle等人，2000年）。在这些生物特征中，指纹被认为是用于个人身份识别的第一种方式。指纹除了具有最有利的特征外，1319-1578© 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词指关节纹;角几何分析法;Curvelet变换; Curvelet拐点;主成分分析;混合规则使用几何和纹理分析的个人识别417缺点是，例如，它对于所获取的指纹图像及其特征如minu tiae、奇异点、delta点等的侵入具有更大的脆弱性，手指表面的伤口和损伤会使人高度分心（Ribaric和Fratric，2005）。另一方面，掌纹识别系统捕获用于识别的大区域，其仅包含有限数量的特征，如主线、皱纹等， （Sun等人， 2005年）。 在手指几何形状和手部几何形状的情况下，当用户数量呈指数增长时，提取的特征不足以区分个体（Kumar等人，2003;Malassiotis等人，2006年）。在手部静脉系统中，存在于手背和手掌区域中的静脉结构通过高分辨率设备来 捕 获 ， 这 被 发 现 是 更 昂 贵 的 （ Kumar 和Venkataprathyusha，2008）。指关节纹是一种新兴的手部生物特征.基本上，指关节表面被定义为存在于手的指背区域中的皮肤图案。手的每个手指背部区域有三个指骨关节。将手指与手表面连接的关节称为掌指关节，形成在手指的中间表面中的关节这些关节在指背表面中的存在在皮肤的外部区域上形成屈曲收缩，这产生由线条、皱纹、轮廓等组成的真皮图案。由指背区域上的PIP关节产生的图案被称为指关节纹（Zhang等人，2009年a）。与指纹不同，指关节指纹图案非常难以废弃，因为它集中在以非接触方式捕获的手指区域的内此外，与为掌纹识别捕获的区域相比，捕获的指关节指纹的区域非常小，并且它还具有非常适合潜在生物识别系统的高度独特的特征（Loris和Alessandra，2009）。Woodard和Flynn在2005年通过在3D传感器中捕获FKP而首次将其作为生物计量性状引入（Woodard和Flynn，2005）。其他研究人员也贡献了许多有效的方法来表示FKP图像的特征，以有效地分类它们。然而，手指指关节纹生物特征识别需要高度的探索，以建立其在大规模实时应用的适用性本文提出了一种同时提取指关节纹的形状特征和纹理特征的新方法。在文献中，对包括FKP的任何基于手的生物特征执行的几何分析仅产生基于幅度的特征信息。与此相反，本文引入了角度几何分析方法，得到了基于幅度和方向的FKP形状特征信息。为了有效地表示FKP图像的纹理特征，需要进行多分辨率分析，因为它可以处理由于缩放，旋转和变换变化特性而失真的FKP图像。被称为Curvelet变换的多分辨率变换比小波更有效地表示弯曲奇异性，它非常适合于表示指关节纹纹理特征，因为FKP图像的纹理图案是线、曲线和轮廓（Mandal等人，2009年）。因此，我们将Curvelet变换与主成分分析结合起来，表示所捕获的指关节图像的纹理特征。将提取的形状和纹理特征信息相结合，得到了更好的准确度，非常适合于大规模的个人身份认证系统。本文的其余部分组织如下。第2节详细介绍了文献中各种手部生物特征的特征提取方法。第三部分提出了手指关节个人识别系统的系统模型。第四部分介绍了对采集到的指关节纹图像进行预处理和感兴趣区域提取的方法。第五章和第六章分别介绍了基于几何分析和纹理分析的特征提取方法。第7节介绍了融合过程和为生成最终分数而实施的各种规则。第8节介绍了实验分析，以评估所提出的系统的性能，以及其结果第9节对本文进行了总结，并提出了可能的建议。2. 相关工作在文献中，研究人员提出了各种方法的特征提取手的生物特征。这些技术可以大致分为几何分析和纹理分析。几何分析方法从生物特征中提取面向形状的特征，而纹理分析方法通过分析捕获图像中存在的空间变化来提取特 征 信 息 （ Kumar 和 Zhang ， 2006; Kumar 和 Zhou ，2009）。通常，用于特征提取的纹理分析方法分为三种类型，即，(i)基于模型的纹理分析方法，（ii）基于变换的纹理分析方法和（iii）统计纹理分析方法。基于模型的纹理分析方法利用分形和随机模型对图像纹理特征进行量化，而基于变换的纹理分析方法将图像表示在一个空间坐标系中，并对纹理特征进行解释。然而，在统计纹理分析方法中，使用与图像的灰度级像素之间的分布和关系相关的参数来表示图像纹理图案（Aoyama等人，2013年）。下面讨论一些几何分析方法和基于变换的纹理分析方法，这些方法被结合以从基于手的生物特征提取特征信息Kumar等人贡献了近三种使用手部生物特征进行个人 认 证 的 几 何 方 法 。 在 他 们 的 第 一 项 工 作 中 ，（Kumar和Ravikanth，2009）使用指关节纹理分析和手指几何分析提取手指指关节特征。手指长度，手指宽度等，是通过几何分析从指关节表面提取的一些几何特征作者还使用了三种基于外观的方法，如主成分分析，独立成分分析和线性判别分析，从关节图像中生成匹配分数。在他们的第二项工作中（Kumar和Venkataprathyusha，2009），作者介绍了一种新的模式，称为手静脉结构，用于个人认证。在这个系统中，使用红外成像系统捕获的手背表面。所捕获的图像418 K。乌莎，M。埃日拉拉桑对纹理图像进行直方图均衡化增强，并采用关键点三角剖分方法研究纹理结构。作者还结合了关节形状信息的同时提取，以实现更好的性能。此外，他们还通过结合高度依赖于捕获设备的特征的质量特征来探索手指关节表面的分析（Kumar和Zhang，2010）。这是通过质量相关的融合来实现的，其中从捕获的图像获取的数据的质量的量化被用于匹配分数的估计本文通过掌纹纹理分析、手部几何分析和指关节纹父系分析等方法获取完整的手部除了这些基于几何的方法之外，Usha和Ezhilarasan（2013 a，b）还贡献了两种用于指关节纹识别的基于几何分析的新方法，该方法通过检查捕获特征的子集来提取特征信息，以实现更好的性能。混合凸曲线的模式是从捕获的指关节纹和几何方法，因为（i）采用切线和割线法（Usha和Ezhilarasan，2013 a）和（ii）三角测量法（Usha和Ezhilarasan，2013 b）。这些方法还产生的角度几何信息的生物特征，这被发现是非常有潜力的个人识别。实验结果表明，该方法具有较高的准确率和较低的计算复杂度。除此之外，Zhang等人（2009 b）研究了一种新方法，即，提出了一种基于纹理分析的带限相位相关指纹匹配方法。该方法通过分析从POC方法获得的峰值来进行匹配过程。2010年，（Zhang等人，2010a），作者介绍了一种使用单基因编码对指关节指纹特征进行分层编码的方法。该编码是通过将单基因信号应用于手指关节图像的每个像素来生成的，并对信号进行二值化以产生输出。此外，Zhang等人（2010 b）推荐了一种基于Gabor滤波器的手指关节生物特征识别算法。该方法从捕获的FKP图像中提取幅度和方向信息。接下来，Shen等人（2010）提出了一种生物识别系统，其合并了掌纹和指关节纹的特征集。利用二维Gabor滤波器分别对掌纹和指关节纹进行特征提取。二维Gabor滤波器产生的信息的幅度和相位信息的FKP图像被用来形成特征向量匹配。利用汉明距离度量对输入图像和参考图像的掌纹和指关节纹进行相似性和差异性识别。此外，Michael et al. （2010）提出了使用掌纹和指关节纹的双峰验证系统。在该系统中，整个手图像由图像获取装置捕获。利用竞争性手谷检测算法从采集的手部图像中提取正常手掌和指关节区域利用方向编码技术提取掌纹感兴趣区域的特征信息，并以比特串的形式表示。关节感兴趣区域的特征信息通过对图像进行脊波变换来获得图像。Choras和Kozik（2010）在他们的工作中使用概率霍夫变换（PHT）来编码指关节纹的线特征。在这项工作中，加速鲁棒性的功能，通过SURF算法的性能改善。利用欧氏度量来寻找相似性匹配。然而，Meraoumia等人（2011）已经示出了用于从手指关节区域和手掌区域导出特征信息的傅立叶变换函数的实现。匹配过程是通过相位相关算法识别频率上的线性相移来完成的。从逆傅立叶变换中获取所识别的相移以定义相位分量之间的互相关。 Wankou等人（2011）使用Gabor滤波器、线性判别分析和主成分分析来表征指关节纹。本文对手指关节进行了识别通过使用主要用于面部识别的纹理表示技术。该技术充分利用了Gabor滤波器和正交线性判别分析在人脸识别中的优势。Jing等人（2011）提出了一种新的基于模型的纹理分析方法，称为复杂局部保持投影方法，用于区分手指关节表面图像。该方法通过保持输入数据集的流形来提取低维特征，并推导出正交基函数来克服冗余信息。此外，Zhang et al. （2011）提出了一种生物识别系统，其结合了基于手指指关节纹的纹理分析的特征提取和表示的新方法。本文提出了一种基于Riesz变换的特征识别新方法，将FKP特征编码为6位码，称为Riesz-CompCode。此外，Zhang等人（2012）提出了一种基于相位一致性模型的新特征提取机制。相位一致性模型提取FKP图像的局部Hegde等人（2011年）使用随机变换来表征指关节纹。对预处理后的FKP图像进行随机变换，并计算特征值。作者在他们的进一步工作中使用指关节指纹实现了实时个人认证，其中使用Radon变换提取指关节表面的特征（Hegde等人， 2013年）。作者利用从关节表面的本征区域获得的本征值和从Radon图导出的峰值点提供了两个安全水平然而，Madasu等人提出了另一种使用基于模型的纹理分析进行个人识别的方法。（2012年）。基于手指指关节纹的线特征，Zhang和Li（2012）提出了一种基于Riesz变换对掌纹和指关节纹图像的局部特征进行编码的有效方法。在这项工作中，掌纹和FKP功能编码使用两种编码方案，即，Rcode1和Rcode2通过使它们分别进行一阶和二阶Riesz变换。Li等人（2012）贡献了 用 于 指 关 节 纹 识 别 的 自 适 应 可 控 方 向 编 码（ASOC）。作者采用多级直方图阈值法提取方向信息。××使用几何和纹理分析的个人识别419Zahra Shariatmadar和Karim Faez（2013）提出了一种新的用于个人身份识别和验证的手指指关节指纹识别方案。作者已经纳入了一个新的编码方案，其中所捕获的图像的ROI被划分为几个块，并进行银行的Gabor滤波器，从生成的二进制模式，并表示在直方图的形式。采用生物哈希方法对注册图像和输入图像的定长特征向量Pengfei Yu等人（2014）研究了一种特征提取方法，该方法根据局部二进制特征对FKP特征进行编码，局部二进制特征形成为指关节图像块的直方图Gao等人（2013年）推荐了一种用于FKP图像的重建方法，该方法具有缩放、有理和变换变体特性。该方法利用基于字典学习的模板样本对查询图像进行作者在其进一步的工作中，Gao et al. （2014）结合了纹理特征分析机制，其从捕获的FKP图像提取多个方向编码和纹理特征信息。最后，Kumar（2014）在他最近的工作中研究了用于个人识别的次要手指关节模式，并证明了将次要特征模式与FKP特征相结合会在准确性方面产生更好的结果。现有的几何和纹理分析方法的详细调查阐明了以下一些限制。他们是，现有的基于几何分析的手部生物特征提取方法提取的特征信息包括手指长度、手指宽度、手掌宽度、周长和区域面积等，识别能力较低这种方法计算角度为导向的特征信息，从生物特征尚未在文献中探索。现有的基于变换的纹理特征表示方法，如Gabor滤波器、傅立叶变换、小波变换等，由于它们缺乏良好的选择取向和缩放参数，因此不能处理更高维的尺度和方向归一化Curvelet谱分析对特征提取过程的影响还没有被探索到我们所知的最好的。因此，我们的动机是开发一个自动化的方法，手指指关节纹识别，结合几何分析和纹理分析。前一种方法提取基于角度的特征信息，后一种方法利用多分辨率变换来研究生物识别系统的性能。利用指关节纹而不是使用多个特征或任何其他手部特征进行识别的原因如下，1. 指关节生物特征包含了最具鉴别力的纹理模式，这些模式很容易通过低分辨率相机获得。2. 手指关节指纹具有高度的用户接受率，因为它是通过无接触图像采集设置捕获的，并且它对欺骗攻击具有很高的弹性3. 观察到所有手指的指关节纹理图案是高度独特的，因此，期望人的不同指关节模式的组合执行与多模式生物测定系统的等效3. 所提出的系统提出了一种新的基于手指关节纹的身份识别系统下面的图 1示出了所提出的个人识别系统的框图。首先，对采集到的手指指关节纹进行预处理，并通过一种鲁棒的方法提取感兴趣区域，该方法可以处理具有缩放、平移和旋转变化特性的FKP图像这种预处理方法还克服了由于扭曲或受损的指关节图像而可能出现的问题。其次，对提取的指关节纹ROI图像进行几何和纹理分析，同时提取形状和纹理特征信息。通过上述方法导出的所提取的特征向量作为输入被传递到其相关联的匹配模块以用于生成匹配分数。最后，一个人的身份是决定的基础上融合的匹配得分来自两个不同的分类器。4. 预处理和ROI提取利用所捕获的指关节指纹来执行预处理，以定位特定的指关节区域，该特定的指关节区域具有用于可靠地识别个人的实质特征。感兴趣区域（ROI）分割过程是必需的，因为FKP图像是在各种场景中收集的，这些场景可能会表现出缩放、平移和旋转方差。从捕获的手指关节打印（FKP），一个样本区域大小为90 180像素的裁剪，以获得其子图像。该像素尺寸是通过经验分析获得的。 所获得的子图像经受canny边缘检测算法（Bao等人，2005），其产生其对应的边缘图图像。下面的图2（a-e）分别示出了原始捕获的FKP图像、FKP图像的子图像、FKP图像的边缘图图像、用其中线表示的FKP的边缘图图像和FKP的提取的ROI图像。如图2（c）所示，通过基于高强度像素分析边缘图FKP图像来从FKP图像提取ROI例如，如图2（d）所示，每个FKP边缘图图像被标记有其中线，该中线表示手指关节区域的长度，如图2（d）所示。如图2（d）所示，存在于对称中线的中心和两侧的区域密集地填充有高强度像素。因此，该区域在中线的任一侧上按比例地从指关节区域提取，该指关节区域距指关节的基部区域的距离为指关节长度的三分之一至指关节长度的四分之三。从如2（e）中所呈现的手指指关节纹图像的子图像中提取具有90 160的平均尺寸的所得ROI图像，其具有丰富的特征集，可以从这些特征集提取可靠的特征信息。通过对FKP图像边缘图的分析，提取出基于高密集像素的感兴趣区域如图所示●●×图1使用指关节纹的个人识别系统的框图42万乌莎，M。埃日拉拉桑图2（a）捕获的FKP图像，（b）FKP图像的子图像，（c）FKP图像的边缘图图像，（d）用其中线表示的FKP边缘图图像，（d）提取的FKP ROI图像。在图2（c）中。例如，如图2（d）所示，每个FKP边缘图图像用其表示手指关节区域的长度的中线标记如图2（d）所示，存在于对称中线的中心和两侧的区域密集地填充有高强度像素。因此，在距指关节的基部区域三分之一指关节长度至四分之三指关节长度的距离处，在距指关节区域的中线的任一侧上按比例提取该区域这导致从如2（e）中所呈现的指关节纹图像的子图像中提取具有90 160的平均尺寸的ROI图像，其具有丰富的特征集，可以从这些特征集提取可靠的特征信息。这种预处理方法的正确性分析如下。预处理和ROI提取方法通过集中于包含丰富特征集的区域而不是从FKP图像中裁剪固定大小的像素来分割区域因此，这种预处理机制提取的关节特征是不变的缩放，平移和旋转属性。此外，该方法具有在不影响系统性能的情况问题由于受伤的关节表面提出可以压倒在两个步骤。(i)通过计算手指指关节纹的像素强度来识别手指指关节纹中的变形或损伤区域。由于失真区域将具有极低的强度像素值，因此可以通过将从失真区域获得的像素强度的总和与强度阈值进行比较来识别FKP图像的这些区域。该阈值是从正常FKP图像导出的(ii)一旦检测到关节的变形或受损区域，则利用连续跟随检测到的表面的区域执行ROI提取因此，可以认为，这种预处理和感兴趣区域提取的方法是一种有效的方法，有助于提高个人识别系统的性能。5. 指关节几何分析我们所提出的工作的主要目标是量化的性能改善纳入手指指关节打印在个人识别系统中使用几何分析和纹理分析。对所提取的指关节纹的ROI图像执行几何分析，以便基于几何和纹理分析的身份识别421提取其面向形状的特征。正如在Usha和NV¼aVGij-minVGijb-að1ÞEzhilarasan（2013a，b）从FKP图像中导出的凸曲线用于提取可靠的形状导向有限元分析。Gij最大电压Gij最小值吉吉角几何分析法（AGAM）。该方法提取了七个特征，有效地表征了手指关节图像的形状。这七个面向形状的特征包括一个指关节长度，三个指关节宽度和两个指关节角度。与其他现有的几何方法相比，该角度几何分析方法的主要优点在于，该方法专注于提取基于关节方向的特征信息，这是用于个人识别的高度唯一且可靠的特征。此外，将提取的指关节表面的形状特征信息存储在特征向量中。该特征向量被进一步归一化到特征值的特定范围如果VGij是fea-通过手指的几何分析获得的真实矢量其中，V Gi j=V Gi1;V Gi2;. . V Gi7是存储七个手指指关节形状特征的特征向量。“a”和“b”的值根据特征值被归一化的范围来指定。例如，如果'a'和'b'的值分别指定为0和1，则归一化向量包含0和1之间的值。这种归一化方法被称为基于单位的归一化，选择它是因为它的计算更简单。通过计算从测试图像NVGtest获得的特征向量与从注册图像NVGreg获得的特征向量之间的欧几里德距离来执行手指关节形状定向特征的匹配。欧几里得距离的计算可以在（2）中给出，指关节印图像，则归一化特征向量NVGij通过（1）获得，distNVGreg;NVGtestXjNVGregij我-NVGtestij2100ROC -左手食指指关节印95908580757065FKG（AGAM）FKT（CT+PCA）600 1 2 3 4 5 6 7 8 9 10错误接受率%（一）ROC-右食指指关节印100959085807570656055 FKG（AGAM）FKT（CT+PCA）500 1 2 3 4 5 6 7 8 9 10错误接受率%（b）第（1）款图3代表（a）左食指指关节纹，（b）右食指指关节纹，（c）左中指指关节纹，（d）右中指指关节纹的录取率（%）录取率（%）422K.乌莎，M。埃日拉拉桑半]i;j;c1;c2×100ROC -左中指指关节印95908580757065FKG（AGAM）FKT（CT+PCA）600 1 2 3 4 5 6 7 8 9 10错误接受率%（c）第（1）款ROC-右中指指关节印1009590858075706560FKG（AGAM）FKT（CT+PCA）550 1 2 3 4 5 6 7 8 9 10错误接受率%（d）其他事项图3（续）根据得到的最小匹配距离值生成匹配得分分解为表示为Curvelet knucklec m;n的多个子带;其中，0mM; 0nN可以通过（3）<<<<6. 指关节纹理分析CDi;j;c1;c2Xf½m;n]wD½m;n]103mm提取的指关节纹的ROI图像也是子Di;j;c1;c2 ½m;n]是Curvelet波形。采用快速离散Curvelet变换提取指关节纹纹理。该图像分析的Curvelet变换方法是一种多分辨率、带通、方向和函数分析方法，其在以计算高效的方式表示图像的弯曲奇异性方面具有高度意义由于指关节纹的纹理模式是以曲线的形式存在的，因此Curvelet变换方法非常适合于指关节纹的特征表示。所提取的像素大小为90 160的 FKP ROI图像进行Curvelet变换，缩放因子为4，方向因子为16。选择前16个子带，该变换导出具有尺度i、方向j和参数kc1;c2k的系数向量：6.1. Curvelet变换基 于以 下 步骤 执 行在 指关 节 印迹 图 像的ROI 中 的Curvelet变换的实现1. 提取的ROI图像进行二维快速傅立叶变换，这导致在二维频率平面。录取率（%）录取率（%）其中w基于几何和纹理分析的身份识别423FKT（CT+PCA）上午）G（AGFK上午）PCA）CJJ2. 所得到的二维频率平面基于不同的缩放和取向被3. 傅立叶平面的每个区域被分解成具有表示其尺度和取向参数的各种角度划分的同心圆。4. 此外，对这些区域进行快速傅立叶逆变换对关节进行主成分分析（PCA），以创建特征向量。该特征提取过程涉及手指关节图像的子带系数用m × n维归一化向量rj表示。然后，通过（4）实现其协方差矩阵u的计算，变换以确定Curvelet系数基于特定的缩放和定向参数。u¼1XrrT第1页ð4Þ在该实现中，通过将Curvelet与真实关节图像编组来获得Curvelet系数的值，其中根据平滑锥形区域边界来选择区域平面。这导致Curvelet系数与其他变换相比更好地定位于频域和6.2. 主成分分析从每个Curvelet关节区域，生成并存储Curvelet系数前16个最优Curvelet然后，这些特征描述向量用于生成匹配分数，用于使用欧几里德距离测试图像。7. 融合过程该融合过程的主要目标是通过结合从不同模态获得的特征信息来研究系统的性能由于四个手指的指关节特征表现出不同的纹理模式，因此将所获得的信息结合起来是有意义的100959085807570656055ROC -食指指关节印FKG（AG）FKT（CT+500 1 2 3 4 5 6 7 8 9 10错误接受率%（一）100959085807570656055500 1 2 3 4 5 6 7 8 9 10错误接受率%（b）第（1）款图4表示（a）食指指关节纹、（b）中指指关节纹、（c）无名指指关节纹、（d）小指指关节纹的个体表现的ROC图录取率（%）录取率（%）424K.乌莎，M。埃日拉拉桑上午）PCA）KG（AGKTYPn h1i1009590858075706560架FF550 1 2 3 4 5 6 7 8 9 10错误接受率%（c）第（1）款ROC -小指关节打印100959085807570FKGFKT（CT+PCA）650 1 2 3 4 5 6 7 8 9 10错误接受率%（d）其他事项图4（续）从每个手指关节区域使用融合过程来评估所提出的系统的性能因此，该过程导致使用具有多个单元的单个生物特征（FKP）的个人认证为了提高系统的效率，本文采用匹配分数级融合方法将四个手指关节表面的分数融合在一起。该匹配分数级融合方法使用在该融合过程中定义的规则集来组合从不同分类器获得的匹配分数（Tax等人， 2000; Wayman等人， 2005年）。在这项工作中，我们考虑三个不同的因素，即，匹配分数(SUS)，匹配分数（MUL）和亲的加权和。匹配分数（SWS）的管道，以估计综合通过（6）给出的乘积规则得到匹配分数DF的融合nDFDi61/1其中Di是从第i个分类器获得的用于指关节指纹匹配的分数。通过加权求和规则获得匹配得分DF的融合，由（7）给出XnDF¼ Wi×Di71/1性能使用匹配分数的因子和获得的匹配分数DF的融合由（5）给出XnDF¼ Di51/1其中，Di是指关节纹匹配的第i个分类器获得的分数，Wi的值通过（8）获得，1其中，D是从手指的第i个分类器获得的分数W¼j¼1EERj我ð8Þ我指关节指纹匹配EERi录取率（%）录取率（%）基于几何和纹理分析的身份识别425建议的手指关节的性能进行了研究，通过分析从所有四个手指关节样本的角度几何分析方法和纹理分析方法获得的匹配分数的各种组合。8. 实验分析与结果建议的个人识别系统的性能理大指关节纹数据库（理大指关节纹数据库）及印度理工学院指关节纹数据库（印度理工学院德里指关节纹数据库）。理大FKP数据集由使用低成本和低分辨率相机在无钉环境中捕获的指关节指纹图像组成在该数据库中，采集了每个人的左食指、左中指、右食指和右中指的FKP图像理大数据库共收录7920张图像，包括660张不同手指关节的图像，收集自165人。对于该实验分析，从100个对象获得的FKP图像被认为是训练样本，从65个对象获得的图像被认为是测试图像。因此，它的结果，400FKP图像作为训练样本和260 FKP图像作为测试图像。类似地，IIT FKP数据库由使用低分辨率相机以无接触方式捕获的手指关节图像组成在该数据集中，采集了食指、中指、无名指、小指和拇指的FKP图像此外，该数据集包括从158人获得的790个FKP图像。对于这个实验，我们考虑从100个用户获得的FKP图像作为训练样本和从58个用户用于测试过程。此外，在这个实验中，我们考虑了除拇指外的所有四个手指的指关节区域。进行了大量的实验，以证明优越性建议的个人识别系统的性能的表2使用IIT FKP数据集对拟议的个人识别系统进行性能分析。各种组合正品验收ERR DT比率（%）（%）对该系统进行了性能评估远远远通过考虑单个指关节，百分之零点一百分之零点五百分之一他们的组合。在角几何分析中，所有的有限元-SUS（FKGi）81.4582.4383.595.733.74具有非零值的真向量被考虑用于fea。MUL（FKGi）82.1283.2484.235.543.52真实提取近400个特征向量，SWS（FKGi）83.1384.9085.275.343.12每个手指关节图像的训练样本被存储在SUS（FKTi）84.1285.2686.344.952.98数据库对于纹理分析，Curvelet变换MUL（FKTi）85.2386.1287.894.683.12用于将手指关节图像分解成子带。这里，以4的缩放因子和16的定向因子的Curvelet变换被实现用于特征分析，这导致16个Curvelet关节图像，并且主分量分析被应用于从其生成的Curvelet系数导出协方差向量的子带。因此，我们从每个数据集的训练样本中获得了近400个特征向量。接收器操作特性（ROC），说明通过几何和纹理获得的性能SWS（FKTi）86.1287.2488.24SUS（FKGi，FKTi）87.2689.234.12 3.87MUL（FKGi，FKTi）88.0489.983.80 3.42SWS（FKGi，FKTi）89.6790.132.76 3.43SUS（MUL（FKGi），MUL90.0992.562.34 3.26（FKTi））SUS（SWS（FKGi），SWS91.2392.4593.23（FKTi））SWS（SUS（FKGi），SUS92.5893.6794.27（FKTi））SWS（MUL（FKGi），MUL93.8094.7896.29理大FKP数据集的四个指关节分析方法如图所示。3.第三章。从左食指指关节和右食指指关节获得的ROC指数手指转向节是描绘在的图3(a)（b）表明在较低的FAR率下，使用Curvelet变换和PCA的纹理分析方法比角几何分析方法的真实接受率从0.57%提高到1.08%。同时，从左中指和右中指指关节区域获得的ROC在图3（c）和（d）中示出，纹理法和几何法的性能相当。同样，通过对四个手指关节的几何和纹理分析方法获得的ROC，表1使用理大FKP数据集进行各种组合正品率（%）ance错误率（%）DT远远远百分之零点一百分之零点五百分之一SUS（FKGi）82.9884.3285.094.683.12MUL（FKGi）83.7884.8985.764.652.98SWS（FKGi）84.7685.6786.984.232.65SUS（FKTi）85.7586.0487.753.872.87MUL（FKTi）86.3486.9888.343.762.45SWS（FKTi）86.9887.4589.622.822.41SUS（FKGi，FKTi）87.8288.9391.362.722.21MUL（FKGi，FKTi）88.2589.3592.772.502.12SWS（FKGi，FKTi）89.1790.2293.342.362.17SUS（MUL（FKGi），MUL（FKTi））90.1891.5694.631.831.74SUS（SWS（FKGi），SWS91.5493.7595.541.671.95（FKTi））SWS（SUS（FKGi），SUS92.6694.8596.741.241.44（FKTi））SWS（MUL（FKGi），MUL93.8295.7397.941.131.32（FKTi））MUL（SUS（FKGi），SUS94.1395.8297.491.151.98（FKTi））MUL（SWS（FKGi），SWS（FKTi））95.3096.4098.270.941.35426K.乌莎，M。埃日拉拉桑斐济群岛）i中国（FKG）i中国（中国（MUL（9590858075706560FKG）i55斐济克朗）i50MUL（FKT）i450 1 2 3 4 5 6 7 8 9 10错误接受率%图5a表示通过几何或纹理分析获得的匹配分数的融合的组合性能的ROC图，其来自PolyU数据集的手指关节区域。9085807570SUS（FKG）i65MUL（FKG）i60SWS（FKG）iSUS（FKT）i55MUL（FKT）iSWS（FKT）i500 1 2 3 4 5 6 7 8 9 10错误接受率%图5b表示通过几何或纹理分析获得的匹配分数的融合的组合性能的ROC图，其来源于IIT数据集的手指关节区域。959085807570SUS（FKGi，FKTi）MUL（FKGi，FKTi）SWS（FKGi，FKTi）650 1 2 3 4 5 6 7 8 9 10错误接受率%图5c组合性能的ROC图，表示从几何和纹理分析获得的匹配分数的融合，这些分析使用基本融合规则从PolyU数据集的手指关节区域导出FKG）i中国（录取率（%）录取率（%）录取率（%）基于几何和纹理分析的身份识别427959085807570SUS（FKGi，FKTi）65MUL（FKGi，FKTi）SWS（FKGi，FKTi）600 1 2 3 4 5 6 7 8 9 10错误接受率%图5d组合性能的ROC图（d）从几何和纹理分析两者获得的匹配分数的融合，其使用基本融合规则从IIT数据集的手指关节区域导出。100959085807570650 1 2 34SUS（MUL（FKGi），MUL（FKTi））SUS（SWS（FKGi），SWS（FKTi）SWS（SUS（FKGi），SUS（FKTi））SWS（SUS（FKG）i），SUS（FKTi）MUL（SUS（FKGi），SUS（FKTi））MUL（SWS（FKGi），SWS（FKTi））5 6 7 8 9 10错误接受率%图5e组合性能的ROC图，表示从几何和纹理分析中获得的匹配分数的融合，这些分析是使用混合规则从PolyU数据集的手指关节区域导出的100959085807570650 1 2 34SUS（MUL（FKGi），MUL（FKTi））SUS（SWS（FKGi），SWS（FKTi）SWS（SUS（FKGi），SUS（FKTi））SWS（SUS（FKG）i），SUS（FKTi）MUL（SUS（FKGi），SUS（FKTi））MUL（SWS（FKGi），SWS（FKTi））5 6 7 8 9 10错误接受率%图5f表示从几何和纹理分析获得的匹配分数的融合的组合性能的ROC图，所述几何和纹理分析使用混合规则从IIT数据集的手指关节区域导出。录取率（%）录取率（%）录取率（%）428K.乌莎，M。埃日拉拉桑ð ð Þ ðÞÞð ð Þ ðÞÞIIT FKP数据集见图4。如图4（a）-（c）所示，从食指、中指和无名指关节区域获得的ROC描绘了所提出的基于Curvelet变换和PCA的纹理分析 方法分别显示出98.14%、98.46%和98.91%的较高GAR值，其与角度几何分析方法的平均值相差0.68-1.45%。然而，我们提出的角度几何分析方法（AGAM）产生了97.46%的高识别率 ， 与 Kumar 和 Ravikanth （ 2009 ） 和 Kumar 和 Zhang（2010）中详细描述的现有几何分析方法相比，错误接受率为0.04%，因为AGAM产生了基于角度的特征信息，该信息具有可靠识别个体的高潜力。还观察到，小指指关节区域的GAR性能为82.45%，与其他指关节区域相比，这是不可感知的，这可能是由于其小尺寸和不清晰的纹理图案。使用融合方法组合由各个手指关节区域求和规则（ SUS ） 、 乘 积 规 则 （ MUL ） 和 求 和 加 权 规 则（SWS），如第7节中所讨论的，用于分析组合性能。除了基本的融合方法，我们还结合了混合规则，结合任何两个融合策略，如上文所述例如，通过几何分析方法或纹理分析从各个指关节获得的匹配分数使用加权求和规则进行组合下表1说明了通过匹配分数的各种组合获得的实验结果，这些匹配分数对应于使用理大FKP数据库导出的几何和纹理分析。表中的“i "的值可以给出为i = 1、2、3和