没有合适的资源?快使用搜索试试~ 我知道了~
指纹鉴别方法的毛孔排汗和纹理特征融合
沙特国王大学学报融合毛孔排汗和纹理特征Diwakar Agarwal,Atul Bansal电子和通信工程,GLA大学,马图拉,印度阿提奇莱因福奥文章历史记录:收到2020年2020年9月20日修订2020年10月4日接受在线预订2020年关键词:生物特征Gabor孔汗水欺骗纹理A B S T R A C T随着生物识别技术的发展和应用,对指纹扫描仪的欺骗攻击成为一个主要的和严重的问题。1级和2级特征;据说是指纹验证系统中唯一和最常用的特征,很容易被欺骗。此外,基于单个特征的专门设计的欺骗检测方法在不同的指纹扫描仪和欺骗材料上不能很好地执行。提出了一种基于静态软件的毛孔汗纹和纹理特征融合的指纹鉴别方法。通过计算检测到的毛孔周围的脊信号能量和灰度级分布来量化毛孔排汗活动。这些孔隙特征是静态测定的,而不是动态测量的。采用自编码神经网络对高维特征向量进行约简,并无监督地学习其低维隐含表示。在两个类的二进制分类:活和欺骗是由监督训练的softmax分类器。分类器的性能是根据平均分类误差(ACE)和误分类率:FerrLive和FerrFake进行评估的。在LivDet 2013和LivDet 2015数据库上进行的实验结果表明,与最先进的方法相比,分类器性能©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍在所有生物特征中,指纹在执法机构、移民和边境控制、法医和若干民用应用中使用最广泛(Jain等人, 2007 a,2007 b; Maltoni等人,2003; Zhang,2000)。近年来随着随着指纹传感技术的发展,与此技术相关的风险也在增加。欺骗攻击是威胁演示攻击之一,包括使用假指纹(由乳胶,play-doh,木胶,明胶,ecoflex,铂催化硅树脂,modasil等制成)。以获得对生物测定系统的未授权访问(Matsumoto等人,2002;Galbally-Herrero等人,2006; Espinoza等人,2011;Espinoza和Champod,2011 a)。指纹活体检测是最可行的*通讯作者。电子邮件地址:diwakar. gla.ac.in(D. Agarwal),atul. gla.ac.in(A.Bansal)。沙特国王大学负责同行审查针对指纹欺骗攻击的对策活体检测的目的是确定被捕获的指纹形式的生物特征样本是否属于活体(真实)手指或欺骗(假)手指。指 纹 活 性 可 以 通 过 应 用 基 于 硬 件 和 软 件 的 方 法 来 检 测(Matsumoto等人,2002年)。基于硬件的系统采用昂贵的传感器,需要更多的硬件(Abhyankar和Schuckers,2004)。另一方面,基于软件的系统仅利用可能具有一个处理单元的图像处理算法基于软件的指纹活性检测方法分为动态和静态两大类动态方法检查某些属性,如皮肤,汗液等的变化通过捕获指纹图像的多个帧相比之下,静态方法在单个输入指纹图像上工作广泛的研究表明,基于硬件的方法是非广义的,具体的欺骗材料。由于基于软件的方法依赖于区分真实指纹和伪造指纹之间的特征,因此它们可以鲁棒地处理欺骗材料的变化。此外,依赖于单个指纹压痕的方法,即, 静态方法,导致快速认证并且花费更少的计算时间(Toosi等人, 2017年)。https://doi.org/10.1016/j.jksuci.2020.10.0031319-1578/©2020作者。由爱思唯尔公司出版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/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comD. Agarwal和A. Bansal沙特国王大学学报4090据观察,从同一个传感器采集活体和假指纹样本会在它们之间产生区别特征。这些特征可以基于皮肤变形、纹理、图像质量和毛孔。在众多的指纹特征中,毛孔的突出特点迫使研究者们设计了基于毛孔的指纹活性检测算法。孔是永久性的,并且固有地具有很强的区分能力,可以长期用于法医界(Ashbaugh,1991; Roddy和Stosz,1997; Champod等人,2004; Jain等人,2007年a、2007年b)。此外,作为微观细节出现的孔难以出现在假指纹中(Marcialis等人,2010; Ghiani等人,2012年)。大多数现有的基于静态孔隙的指纹活性检测方法依赖于对孔隙数量、孔隙密度和孔隙空间分布的估计。最近,随着生物识别技术的改进,创建假指纹的方法也在进步。因此,对于熟练的冒名顶替者来说,在假指纹中表示毛孔不是一个大问题。现有的基于毛孔的指纹活性检测方法大多是利用毛孔的排汗活性来动态地处理指纹脊线上毛孔的虚假出现问题。考虑到软件优于硬件和静态优于动态的优点,这项工作侧重于软件静态方法,其中静态测量毛孔排汗和纹理特征。假设假指纹上有毛孔,通过使用Lindeberg的自动尺度选择方法(Lindeberg,1998)来检测活指纹和伪造指纹中的孔然后通过测量毛孔周围的汗液或湿气的分散来量化毛孔的出汗。为此,分析了孔隙中心周围圆形区域的灰度分布和脊信号能量。由灰度均值、方差和最大灰度差统计定义的局部灰度强度分布。由于活体指纹中的出汗现象在其孔隙周围积聚湿气的事实,与其脊信号相关联的能量不同于欺骗指纹的脊信号能量(Derakhshani等人,2003年)。 因此,脊信号能量可以作为描述毛孔排汗的重要特征。原始指纹的不准确复制会导致不同的弹性特性,从而影响假指纹的纹理(Sousedik和Busch,2014; Nikam和Agarwal,2008)。因此,纹理特征也被确定以评估真实指纹与假指纹之间的差异。本文中的特征融合依赖于局部定义的灰度均值、方差、最大灰度差、脊信号能量、纹理特征和检测到的孔隙总数544维特征向量由此从特征融合生成使用融合方法的基本原理是考虑由从输入指纹样本提取的不同特征描绘的不同观察。单一特征提供了从单一视点对输入数据的单一观察;因此,正在设计的解决方案没有考虑分析中的问题的几个方面。与此相反,特征融合方法集成了涉及多个观测的多个特征,从而可以设计给定问题的最优解毛孔排汗和纹理特征是互补的,各有优势,能够将指纹活体检测推广到不同的传感器。544维的特征向量,然后减少使用堆叠的自动编码器。由自动编码器获得的输入特征的抽象和隐藏表示由两类softmax分类器学习。所提出的方法在LivDet 2013(Ghiani等人,2013)和LivDet 2015数据库(Mura等人, 2015年)。所提出的方法的主要贡献如下:1. 通过提取局部毛孔特征来静态地执行毛孔排汗的评估,即,将活指纹和欺骗指纹的单个印记用于特征提取。2. 提出了一种基于特征融合的通用指纹活性检测算法,该算法对特定的传感器不具有特定性。3. 所提出的方法显示了手工特征工程与监督分类的结合。提取的手工特征的抽象和编码表示是通过使用堆叠的自动编码器获得的。第2节介绍了文献综述,第3节简要介绍了孔隙提取方法,第4节介绍了特征提取过程,第5节简要介绍了自动编码器,第6节和第7节给出了实验结果,最后给出了结论。2. 相关工作指纹活性检测的基于硬件的方法包括指纹温度(Jin和Elliott,2007)、气味(Drahansky'etal., 2006)、血压(Jin和Elliott,2007)和脉搏血氧仪(Jia等人,2007; Reddy等人,2007年)。由于基于软件的方法仅包括图像处理算法,并且不需要额外的硬件,因此它们现在最流行。文献中提出的基于软件的方法的算法的数量主要是基于皮肤变形的(Abhyankar和Schuckers,2004;Antonelli等人,2006; Zhang等人,2007; Tan和Schuckers,2008),基于手工纹理特征(Champod等人,2004;Mura等人,2015; Tan和Schuckers,2008; Moon等人,2005;Abhyankar 和 Schuckers , 2006; Lee 等 人 , 2009; Marasco 和Sansone,2010; Nikam和Agarwal,2010; Jin等人, 2011;Galbally等人,2012,2013; Gottschlich等人,2014年; Gragnaniello例如,2015; Ghiani等人,2016; Agrawal等人,2019; Sharma和Dey,2019;Tan等人,2020),基于从深度学习技术提取的纹理特征(Nogueira等人,2016; Jang等人,2017; Yuan等人, 2017,2019 a,2019 b,2020 a,2020 b; Chugh等人,2017年; Zhang等人,2019,2020;Jung等人,2019)和基于孔隙特征(Espinoza等人,2011; Memon等人, 2011;Espinoza和Champod,2011 b; li等人,2015; Lu等人,2015;Marcialis等人,2010; Derakhshani等人,2003; Schuckers和Abhyankar,2004; Parthasaradhi等人,2005; Tan和Schuckers,2005,2006 a ,2006 b,2010; Abhyankar 和Schuckers,2008 ,2010; DeCann等人,2009; Johnson and Schuckers,2014)。由于基于孔隙的指纹自动识别系统具有高效、匹配准确率高等优点,近年来,基于孔隙的指纹活性检测方法成为研究者探索的热点。Derakhshani等人(2003年)提出了检测每个孔的方法,通过指尖的呼吸活动来检测指纹的活力。静态和动态测量被用来训练反向传播神经网络和分类。该方法在实验室生成的数据库中进行。Marcialis等人(2010)提出的算法也是基于毛孔排汗现象。在0秒和5秒时捕获两个指纹图像,以分析真指纹利用两幅图像之间的孔隙数量、欧氏距离和质量差异来训练K-NN分类器。实验结果进行了D. Agarwal和A. Bansal沙特国王大学学报4091××实验室提取的指纹样本Abhyankar和Schuckers(2010)将指纹活性检测与基于孔的匹配技术相结合,设计了一个鲁棒的指纹识别系统。在0秒和2秒时捕获输入指纹图像的序列以记录毛孔排汗活动。Memon等人(2011)通过使用高通和相关滤波检测活性孔隙。据推测,活指纹中的活性孔通常比假指纹中的非活性孔大5-10倍。该方法已使用NIST 4数据库(Watson和Wilson,2008)。Espinoza和Champod(2011 b)研究发现,指纹脊上的孔隙数量是更具区分性的信息,而不是孔隙总数。提出了一种基于静态软件的方法,利用线性判别分析(LDA)对输入的指纹图像进行分类。采用LScan1000T 型 光 学 扫 描 仪 采 集 指 纹 图 谱 . Johnson 和 Schuckers(2014)分析了毛孔周围区域的排汗现象。该方法基于静态软件,提取孔隙间距、方差和最大灰度差等特征并输入支持向量机(SVM)分类器。该算法已经在LivDet 2011上进行了测试(Yambay等人,2012)和LivDet 2013数据库。Li等人(2015)利用孔隙的几何分布进行智能手机中的在线欺骗检测。小波分析对脊线数据进行序列变换,作为SVM分类器的输入。使用的数据库是LivDet 2009(Marcialis和Roli,2009)和LivDet 2013。Lu等人(2015)提出了基于静态软件的孔隙方法,该方法将孔隙密度用作孔隙特征,用于分类目的。使用的数据库是ATVS-FFp(Galbally等人, 2012年)。很少有工作提出在特征级融合指纹的其他特征与孔隙以提高活性检测性能(Jia和Cai,2007; Marasco和Sansone,2012; Da Silva等人,2015年)。Jia和Cai(2007)利用动态方法并对指纹图像进行时间序列分析。将皮肤弹性特征和毛孔排汗特征结合起来形成特征向量。数据库 由 Veridicom FPS200 光 学 扫 描 仪 采 集 。 Marasco 和 Sansone(2012)结合了孔渗汗和形态特征的动态测量用于指纹活性检测。该方法使用LivDet 2009数据库。Da Silva等人(2015)结合了孔隙静态特征和质量特征。所使用的数据库是UNESP-FSDP数据库。基于学习的指纹活性检测方法已有大量的研究工作Nogueira等人(2016)提出使用卷积神经网络(CNN)和局部二进制模式(LBP)进行特征提取。CNN模型由三个大小为5的过滤器和一个步幅为2的最大池化层组成主成分分析(PCA)之前,SVM的使用,以减少提取的特征的维数。该方法使用LivDet 2009、LivDet 2011和LivDet2013数据库。 Jang等人(2017)强调对比度增强作为预处理步骤,以提高识别准确性。对输入的指纹图像进行分块处理,对每个分块进行活性检测大小为16 16的块被馈送到4个卷积层和2个完全连接层的CNN然后将每个分块的两类结果合并起来,对真假指纹进行综合判定。如此使用的数据库是ATVS 数据库( Galbally 等人, 2011年)。 Yuan等人(2017)在CNN的帮助下,从指纹的原始像素数据中生成了高级结构特征。PCA和SVM分别用于特征约简和分类。在 实 验 中 使 用 Liv-Det 2011 和 LivDet 2013 数 据 库 Chugh 等 人(2017)提出的方法基于深度CNN的inception- v3模型当地人描述了这些特征,细节点周围的补丁。结果在LivDet 2011、LivDet 2013和LivDet 2015数据库上进行。Yuan等人(2019 b)提出了一种改进形式的深度卷积神经网络,以处理在提供给网络的输入图像的裁剪和缩放过程中通常发生的纹理和分辨率损失该结构在全连接层之前嵌入了尺度均衡层在LivDet2011和LivDet 2013数据库上进行实验。Zhang et al.(2019)提出了最大限度地利用指纹信息的定制残差网络。利用脊线和谷线像素的连续分布,采用统计直方图和重心法去除指纹内部的无信息空白区域在 LivDet 2013 和 LivDet 2015 数 据 库 上 评 价 了 性 能 Jung 等 人(2019)介绍了在探针指纹的活性检测中使用后台数据库中登记的配对模板指纹。采用两个卷积神经网络,一个提取探针指纹和参考指纹的指纹活性特征图,另一个根据输入的特征图进行真伪鉴别。该系列实验在LivDet 2015数据库上进行Yuan等人(2019 a)介绍了使用反向传播神经网络,该神经网络根据训练数据集中指纹图像梯度的差异共生矩阵计算的纹理特征值进行训练实验结果在LivDet 2013数据库上进行。Yuan等人( 2020b)提出了 一种基 于 深 度 学 习 的 自适应学习方法。指纹活性检测的残差网络模型。在模型的训练过程中,通过动态调整学习率,克服了分类精度稳定的情况,提高了分类精度。在LivDet2011、LivDet 2013和LivDet 2015数据库上评价了性能。Yuan等人(2020 a)介绍了简单的三层自动编码器的使用,以学习输入指纹图像的抽象编码表示。该方法不依赖于手工特征,使用softmax分类器对LivDet 2011和LivDet 2013数据集上的真假指纹进行分类. Zhang等人(2020)介绍了用于指纹活性检测的轻量级CNN架构。在该模型中,传统的全局平均池层已被替换为注意力池层,以利用特征映射的多个单元中可用的特征独特性。实验结果在LivDet 2013和LivDet 2015数据库上进行。从广泛的文献调查中了解到以下几点:1. 大多数基于软件的指纹活性检测方法利用每年举行两次的指纹活性检测比赛产生的数据集。2. 在LivDet 2013和LivDet 2015数据库上应用的基于孔隙特征的算法有限。3. 孔隙检测本文利用Agarwal和Bansal在2020提出的毛孔提取算法对活体和假指纹中的毛孔进行检测。该算法是基于这样一个事实,即毛孔出现作为小的明亮的斑点的可变大小均匀分布沿指纹脊。孔隙检测被认为是计算机视觉的常见斑点检测问题,其通过使用2D高斯滤波器来解决(Gonzales等人,2004)作为最常用的斑点检测器,如图1所示。在斑点检测中,2D高斯函数的标准偏差r(等式10)可以被估计(1))负责对特定尺寸的对象作出最大响应。因此,考虑到标准D. Agarwal和A. Bansal沙特国王大学学报4092×kfk pFig. 1. 基于LoG的孔隙模型的3D阴影表面表示。偏差作为尺度参数,通过在N个尺度值下设计N个2D高斯函数来检测N个具有不同尺寸的孔,(二)、根据Lindeberg的理论,待检测的对象最大地响应于所设计的滤波器之一的标度值。输入指纹图像(实时/欺骗)与N个2D高斯函数卷积以形成布置在N维尺度空间中的卷积响应。然后,沿着尺度空间的每个像素被探测以在其邻域中保持最大极值,从而成为候选孔隙点。换句话说,如果作为中心像素,探测像素在沿着N维尺度空间的3 × 3局部窗口中保持最大强度值,则探测像素被认为是合适的候选孔隙点收集所有检测到的候选孔隙点以生成初始孔隙图。该图可能包含许多虚假点,因为可能在山谷区域中检测到一些候选孔隙点这是由于光学传感器的玻璃表面上存在的灰尘颗粒、油和其他损害而发生的因此,需要后处理步骤来生成细化的孔隙图。为此目的,通过用二值化脊图的互补物掩蔽初始候选孔隙图来执行简单的掩蔽操作。图3(b)中示出了在应用Hong方法期间获得的二进制化脊图此外,基于其强度值对精细孔隙图中的候选点进行丢弃最后5%的弱点,以生成最终的改进G=x;y;r12012年2月2日1--e2r21--孔隙图如图3(c)所示。图3示出了孔提取算法的结果。4. 特征提取Gx;y;rk2prk2e2rk22在所提出的方法中,其中,rk是k1/4; 2;···:;N处的多个标度值。标度值rk通过使用等式(1)确定。(三)、r<$1;k<$1;2···:N=3所形成的图像包括孔隙总数、脊信号能量、平均值、方差、最大灰度差和纹理特征值。表1显示了每个特征在特征值数量方面的贡献其中,fk是局部脊频率,并且设置p的值4.1. 毛孔出汗11实验中,通过应用最流行的Hong等人(1998)的方法来确定局部脊频率,该方法基于以下事实:沿垂直于鳍中的脊和谷布置的方向的灰度级强度印刷品形成如图1所示的正弦图案。 二、图二、 沿着垂直于局部脊排列的方向的正弦波形(Hong等人, 1998年)。文献中大多数现有的基于孔隙的软件指纹活性检测方法通过动态测量来评估孔隙排汗。本文通过静态提取被测毛孔位置的局部毛孔特征来获取毛孔出汗量。通过计算毛细孔周围脊信号的能量和灰度分布来量化毛细孔出汗。4.1.1. 脊信号能量的计算根据Derakhshani et al. (2003),区分活体指纹和假指纹的一种方法是测量毛孔周围湿气的扩散。活体指纹中湿气的存在由于孔沿脊均匀分布,因此周围的孔强度引起沿活体指纹的脊的灰度级强度分布的大的变化。在本文中,无论是活的和欺骗的指纹,沿所有个人的指纹脊的灰度强度变化被记录和连接,形成大的一维脊信号。以下步骤总结了单个脊的标记。1. 对输入指纹图像的二值化脊线图进行形态学细化操作 这种操作将二进制脊的宽度减少到1个像素,如图所示。第4(a)段。这里,二值化的脊图是从孔隙检测算法中采用的。图4(b)示出了经过输入指纹图像的中间的细化的二值化脊线跟踪。D. Agarwal和A. Bansal沙特国王大学学报4093X1-X2-X3-X4-X4-X5-X4-X4-X5-X4-X4-X5-X4-X4-X5-X4-Xfk第一页第二页n图3.第三章。孔隙检测算法的结果(a)来自LivDet 2013 Biometrika训练数据库的输入实时指纹图像(b)用于掩蔽的二进制增强图像的补充(c)包含候选孔隙点的细化孔隙图(d)由红色圆圈突出显示的检测到的孔隙中心。表1在所提出的方法中使用的特征向量据推断,在给定的孔隙位置处,与欺骗指纹相比,在活体指纹中观察到的灰度强度值更大。量化这一点的特征是与孔的空间频率范围内的所有单个脊信号相关联的平均能量。在这项工作中,Derakhshani等人(2003)采用的方法被应用于评估平均脊信号能量。以下步骤总结了能量评估。1. 确定了256点快速单个脊信号2. 确定由方程给出的孔的空间频率范围内的能量。(四)、33E F2K411其中fk表示为Pn. P256Siape-j2pk-1p-1 = 256。2. 删除Y形连接,以获得单个脊曲线和一些长度不超过10像素的小脊。图4(c)示出了该步骤的结果。图5示出了串联的1D脊信号相对于沿着以10个像素的间隔连续标记的脊的距离的图(两个出汗孔相隔10个像素)。观察到活体指纹信号的峰值点出现在对应于潮湿区域的孔隙位置处,谷点位于对应于干燥区域的两个孔隙之间。其中,n是脊曲线的总数,Si是由等式(1)给出的(六)、Sia¼Si-平均值为Si64.1.2. 灰度分布分析单个毛孔周围的灰度级分布是评估毛孔排汗活动的另一种方法。本文测量了汗液在毛孔周围区域的弥散这是通过提取的圆形区域Rx;y中的平均值、方差和最大灰度差来量化的。见图4。(a)图3(a)(b)中所示的指纹的细化二值化图像,叠加在输入指纹图像上的细化图像,(c)具有示出各个脊的移除的Y结的叠加图像。ð5ÞS.没有类型的特征的特征值描述12孔总量脊形信号11精细孔隙图所有个体3能源是说10脊信号圆形区域周围的孔隙分布在104方差10区间直方图10箱直方图分布5最大10孔隙周围变化10箱直方图分布6灰度差纹理512孔隙周围最大和最小灰度强度之间的差异8张Gabor滤波图像,每张64生成纹理特征值这总共贡献了64×8 =512个特征值D. Agarwal和A. Bansal沙特国王大学学报4094×××2 22GMð ÞM93. 将输入指纹图像的大小调整为256 256,并通过Gabor滤波器组进行滤波,以形成大小为256 256的8个滤波图像的集合。图6示出了图1所示的输入指纹图像的四个Gabor滤波图像的示例。第3(a)段。4. 集合中的每个滤波图像被分割成32 × 32的非重叠相等大小的块,导致每个滤波图像64个单元。5. 对于每个单元确定作为纹理特征值的绝对平均强度。以这种方式,每个滤波图像由64个特征值组成。然后,将所有滤波图像的特征值组合以形成512输入指纹图像的纹理特征值。5. Autoencoder图五. 1D脊信号的灰度级强度轮廓。围绕孔中心的固定半径r为xc; yc。圆形区域Rx;y由等式定义。(七)、x-x c þ ðy—y cÞ
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功