A Multichannel Approach to Fingerprint Classification

Anil K. Jain, Fellow, IEEE, Salil Prabhakar, Student Member, IEEE, and Lin Hong
источник: IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 21, NO. 4, APRIL 1999

Перевод с английского Евстюничевой А.В.

МНОГОКАНАЛЬНЫЙ ПОДХОД К КЛАССИФИКАЦИИ ОТПЕЧАТКОВ ПАЛЬЦЕВ

Энил K. Джайн, Товарищ, IEEE, Салил Прабхакар, Студент, IEEE, и Лин Хонг

Краткий обзор - Классификация отпечатка пальца - важный аспект индексации в базе данных отпечатков пальцев. Точная и последовательная классификация может значительно сократить время идентификации отпечатка пальца для большой базы данных. Мы представляем алгоритм классификации отпечатка пальца, который в способен достигнуть лучшей точности, чем ранее изложенный в литературе. Мы классифицируем отпечатки пальца в пять классов: завитушка, правая петля, левая петля, дуга и полусфера. Алгоритм использует новое представление (код пальца) и основан на двухэтапном классификаторе, который составляет классификацию. Оно было протестировано на 4 000 изображений в базе данных NIST-4. Для задач пятого класса достигнута точность классификации 90 процентов (с отклонением на 1.8 процента во время фазы извлечения характерных черт). Для задач четвертого класса (дуга и полусфера объединились в один класс), мы можем достигнуть точности классификации 94.8 процентов (с отклонением на 1.8 процента). Объединяя варианты отклонений в классификаторе, точность классификации может быть увеличена до 96 процентов для задачи классификации пятого класса, и до 97.8 процентов для задачи классификации четвертого класса, несмотря на то, что в общей сложности 32.5 процента изображений непригодны для классификации.

Список терминов – биометрия, классификация отпечатка пальца, фильтры Габора, нейронные сети, код отпечатка пальца.

1. ВВЕДЕНИЕ

ОТПЕЧАТКИ ПАЛЬЦА – это узор выступов и бороздочек на кончике пальца [1], они используются для личной идентификации людей [2]. Некоторые примеры отпечатков пальца приведены на рис.1. Каждый день собирается и хранится большое количество отпечатков пальцев для широкого применения, включая суды, контроль доступа, и регистрации лицензии водителя. Для автоматического распознавания людей, основанного на отпечатках пальцев, необходимо, чтобы вводимый отпечаток пальца был сопоставлен с большим количеством отпечатков пальцев в базе данных (база данных ФБР содержит больше чем 70 миллионов отпечатков пальцев!). Чтобы уменьшить время поиска и сложность вычислений, желательно классифицировать эти отпечатки пальца точным и последовательным способом так, чтобы вводимый отпечаток пальца должен был сравниваться только с подмножеством отпечатков пальца в базе данных. Классификация отпечатка пальца - метод, используемый, чтобы включить отпечаток пальца в один из нескольких указанных типов, уже принятых в литературе, который может обеспечить механизм индексации. Классификация отпечатка пальца может быть рассмотрена как грубый уровень соответствия отпечатков пальца. Вводимый отпечаток пальца сначала отнесен на грубом уровне к одному из указанных типов и затем, на более точном уровне, это - сравнение с подмножеством базы данных, соответствующей этому типу отпечатка пальца. В этой области науки, мы классифицируем отпечатки пальца в пять классов, а именно: завитушка (пальцевый узор) (W), правая петля (R), левая петля (L), дуга (A), и полусфера (T) (рис. 1).

Есть два главных типа особенностей в отпечатке пальца:

1) глобальный выступ и структуры бороздочки, которые формируют специальные образцы в центральной области отпечатка пальца, и

2) местный выступ и мелкие детали - бороздочки.

Отпечатки пальца классифицированы и построены только по первому типу особенностей, а однозначно совпадают и построены по второму типу особенностей (одна такая характерная черта - окончания выступов и раздвоения, также известные как детали). В качестве примеров выступов, деталей, области размещения, и особых точек в изображении отпечатка пальцев см. рис.2.

Было развито несколько подходов для автоматической классификации отпечатка пальца. Эти подходы могут быть широко разделены на четыре главных категории:

1) на основе модели,

2) на основе структуры,

3) на основе частоты, и

4) синтаксический.

Метод классификации отпечатка пальца на основе модели использует местоположения особых точек (ядро и разветвление), чтобы классифицировать отпечаток пальца в пять вышеупомянутых классов [3], [4]. Подход на основе модели пытается использовать знания людей-экспертов, получая правила для каждой категории вручную построенной модели и поэтому, не требует обучения. Использование этих подходов показало точность 85 процентов [3] и 87.5 процентов [4] в базе данных NIST-4 [5]. Подход на основе структуры использует предполагаемую область ориентации в изображении отпечатка пальца, чтобы классифицировать отпечаток пальца в один из этих пяти классов. Доказана точность 90.2 процентов с 10-процентным отклонением в NIST-4 [6]. Нейронная сеть, используемая в [6] обучалась на изображениях от 2 000 пальцев (одно изображение на палец) и затем была проверена на независимом наборе 2 000 изображений, взятых от тех же самых пальцев. Ошибка оказалась оптимистически фантастической. Более поздняя версия этого алгоритма [7] была проверена на базе данных NIST-14, которая является естественно распределенной базой данных, и дала лучшие результаты. Однако это улучшение предполагалось, так как база данных NIST-14 содержит только маленький процент отпечатков пальцев типа дуга, которые представляют большинство трудностей классификаторам отпечатка пальца, и нейронная сеть, используемая в алгоритме, неявно использует эту информацию. Подобный подход на основе структуры, который использует скрытые модели Маркова для классификации [8], зависит от надежности оценки местоположений выступов, которая трудна в шумных изображениях. В другом подходе на основе структуры чтобы представить и классифицировать отпечатки пальца используются кривые B-сплайна[9]. Синтаксический подход использует формальную грамматику, чтобы представить и классифицировать отпечатки пальца [10]. Подходы на основе частоты используют спектр частоты отпечатков пальца для классификации [11]. Гибридные подходы комбинируют два или больше подхода для классификации [12], [13]. На эти подходы возлагаются надежды, но не были проверены на больших базах данных. Например, у Чонг и др. [9] отчет заканчивается на 89 отпечатках пальца, Fitz и Green [11] - на 40 отпечатках пальца, и Kawagoe и Tojo [13] - на 94 отпечатках пальца.

Большинство информации об отпечатке пальца содержится в центральной части отпечатка пальца. Основанные на модели методы, которые используют для классификации обе особые точки: и ядро, и разветвление, нуждаются в том, чтобы эти особые точки присутствовали в изображении. Прилагающиеся изображения отпечатка пальца, полученные оптическими сканерами, не всегда захватывают весь отпечаток пальца и часто имеют без вести пропавшие точки разветвления. Новые полупроводниковые устройства снятия отпечатка пальца являются маленькими по размерам и поэтому захватывают только часть отпечатка пальца (например, полупроводниковый датчик FPS100 от Veridicom - в размере почтовой марки). Кроме того, ядро или точки разветвления трудно обнаружить в шумном изображении отпечатка пальца. Тем ни менее, чтобы классифицировать отпечаток пальца имеется достаточно пригодной информации непосредственно в районе точки разветвления. В то время как подход на основе структуры не зависит от точки ядра или точки разветвления, и необходима достоверная оценка области ориентации, которую снова очень трудно получить в изображениях отпечатка пальца низкого качества.

Мы предлагаем алгоритм классификации отпечатка пальца (рис. 3), основанный на новой схеме представления, которая непосредственно получена из местных структур выступов. Представление не использует ядро, разветвления, и область ориентации, явно. Оно лучше может работать с изображениями низкого качества, что представляет основную трудность в классификации отпечатка пальца.

Главные шаги нашего алгоритма классификации следующие:

1) Определить местонахождение регистрационных точек во входном изображении и определить пространственное составление мозаики области вокруг регистрационной точки (сектора).

2) Разбить входное изображение на ряд составляющих изображений, каждое из которых сохраняет определенные структуры выступов; вычислить стандартное отклонение составляющих изображений в каждом секторе, чтобы составить вектор особенности (названный кодом пальца).

3) Ввести вектор особенности в классификатор; в нашем алгоритме, используется двухэтапный классификатор.

Этот двухэтапный классификатор использует классификатор соседа K-ближайший на первой стадии и ряд классификаторов нейронной сети на второй стадии, чтобы классифицировать вектор особенности в один из пяти классов отпечатка пальца.

В следующих главах мы рассмотрим подробности нашего алгоритма классификации отпечатка пальца. Глава 2 представляет нашу схему извлечения особенности. В Главе 3, мы представляем нашу схему классификации. В Главе 4, наши экспериментальные результаты на базе данных NIST-4. Заключения и будущие указания исследования представлены в Главе 5.

2. ИЗВЛЕЧЕНИЕ ХАРАКТЕРНЫХ ЧЕРТ

Категория отпечатка пальца определена его глобальными выступами и структурами бороздочек. Надежный набор признаков для классификации отпечатка пальца должен в состоянии захватить эту глобальную информацию полностью. Мы развили новую схему представления (код пальца), который в состоянии представить и мелкие детали, и глобальные выступы и структуры бороздочек отпечатка пальца. Для классификации, мы используем представление низкого уровня, которое является очень эффективным в представлении глобальных выступов и структур бороздочек и которое является инвариантным к индивидуальным мелким деталям.

Главные шаги нашего алгоритма извлечения особенности следующие:

1) Найти регистрационную точку (точку центра) и определить пространственное составление мозаики места изображения вокруг регистрационной точки (представленное совокупностью секторов).

2) Разложить входное изображение в ряд составляющих изображений, которые сохраняют глобальные выступы и структуры бороздочек.

3) Вычислить стандартное отклонение оценки серого уровня в каждом секторе, чтобы сформировать вектор особенности или код пальца.

Пусть I(x, y) обозначают серый уровень в пикселе (x, y) в МxN изображении отпечатка пальца и пусть (x_c, y_c) обозначают точку центра. Пространственное составление мозаики области изображения, которое состоит из значимой области, определено совокупностью секторов S_i, где i-сектор S_i вычислен в терминах параметров (r, ) следующим образом:

b - ширина каждой полосы, и k - число секторов, которые рассматривают в каждой полосе. Мы используем шесть концентрических полос вокруг пункта центра. Каждая полоса с 20 пикселами шириной (b = 20), и сегментированный в восемь секторов (k = 8) (рис. 4). Самая внутренняя полоса не используется для извлечения особенности, потому что сектора в области около центра содержат очень мало пикселей. Таким образом, в общей сложности определены 8 x 6 = 48 секторов ( с S₀ до S₄₇).

2.1. Местоположение точки Центра

Любая точка, которая может быть последовательно обнаружена в изображении отпечатка пальца, может использоваться как регистрационный точка (или точка центра, потому что мы предпочитаем, чтобы эта точка была помещена в центр изображения). В изображении отпечатка пальца, основная точка представляет такую последовательную точку. Поэтому, в нашем алгоритме, мы определяем основную точку как точку центра (x_c, y_c). Мы использовали основной алгоритм обнаружения точки, описанный в [4], который представлен ниже.

1) Оценить область ориентации О, используя алгоритм оценки ориентации наименьшего квадрата [14]. Область ориентации О определена как NxN изображение, где O(i, j) представляет местную ориентацию выступов в пикселе (i, j). Изображение разделено на ряд wxw неналожившихся окон, и единственная местная ориентация определена для каждого окна.

2) Сгладить область ориентации в местном соседстве. Пусть приглаженной ориентации области будет представлена как O'.

3) Иницализировать A, изображение метки как правило указывает основную точку.

4) Для каждого пиксела (i, j) в O', вычисляют индекс Пуанкарэ (Poincare) и назначают соответствующие пикселы в А значение одного из индекса Poincare - (1/2). Индекс Poincare в пикселе (i, j) приложенный к пальцевидной кривой, которая состоит из последовательности пикселов, которые на расстоянии одного пиксела от соответствующей кривой, вычислен следующим образом:

где (•) и (•) - координаты х и y закрытой пальцевидной кривой с пикселями.

5) Найти связанные компоненты в A. Если область связанного компонента больше семи, ядро обнаружено в средней точке связанного компонента. Если область связанного компонента больше 20-ти, два ядра обнаружены в средней точке связанного компонента.

6) Если обнаружено больше, чем два ядра, возвратитесь к Шагу 2.

7) Если два ядра обнаружены, центр назначен координаты основной точки с нижним значением y (верхнее ядро). Если только одно ядро обнаружено, центр имеет координаты основного центра.

8) Если никакая основная точка не обнаружена, вычислите матрицу ковариации векторной области в местном соседстве (q x q) каждой точки в области ориентации.

Определите изображение особенности I с наибольшим собственным значением матрицы ковариации для каждого элемента в изображении ориентации. Ядро обнаружено в средней точке наибольшего связанного компонента в пороговом изображении F и центр назначен координатами ядра.

Центр, найденный выше перемещен на 40 пикселов вниз для дальнейшей обработки, основанной на факте, что большинство информации в отпечатке пальца находится в более низкой части отпечатка пальца. Эта значение было опытным путем определена. См. Рис. 4, 12, 13, 14, и 15 для результатов нашего алгоритма местоположения центра.

2.2. Разложение

Изображения отпечатка пальца имеют тенденцию к сильной ориентации, а также имеют четкую пространственную частоту в каждом местном соседстве, которое не содержит особых точек (рис. 6b). Фильтры Габора - полосовые фильтры, которые имеют свойства и отборной ориентации, и отборной частоты, и имеют оптимальное объединенное решение и в пространстве и области частоты [18]. Применяя должным образом налаженные фильтры Габора к изображению отпечатка пальца, могут быть хорошо выделены истинные выступы и структуры ряда. Эти выделенные выступы и структуры бороздочек составляют эффективное представление изображения отпечатка пальца.

Ровный симметрический фильтр Габора имеет следующую общую форму в пространственной области

где f - частота синусоидальной волны плоскости по направлению ?от оси X, и и определяют Гауссовскую огибающую по осям Х и Y, соответственно, которые определяют полосу пропускания фильтра Габора.

В нашем алгоритме, частота фильтра f - это средняя частота выступов (1/K), где K - расстояние между выступами. Среднее расстояние между выступами - приблизительно 10 пикселов в изображении отпечатка пальца 500 точек на дюйм. Если f является слишком большим, поддельные выступы могут быть созданы в фильтрованном изображении, тогда как, если f является слишком маленьким, соседние горные хребты могут быть слиты в один. Полоса пропускания фильтров Габора определена и . Выбор значений и основан на следующем обмене. Если они являются слишком большими, фильтр является более устойчивым к шуму, но, более вероятно, пригладит изображение до степени, что выступ и детали бороздочек в отпечатке пальца будут потеряны. С другой стороны, если они являются слишком маленькими, фильтр не эффективен в удалении шума. В нашем алгоритме, были опытным путем определены значения и , и оба берутся равными 4.0.

Изображение отпечатка пальца разделено на четыре составляющих изображения, соответствующие четырем различным значениям ) ?(0⁰, 45⁰ ,90⁰ , and 135⁰ ) относительно оси X (рис. 5). Изображение отпечатка пальца свернуто с каждым из четырех фильтров Габора, чтобы получить четыре составляющих изображения. Свертка с 0⁰ - ориентируемый на фильтр подчеркивает выступы, параллельные оси X, и это приглаживает выступы, которые не параллельны оси X. Фильтры, настроенные к другим указаниям, работают подобным образом. Согласно нашим экспериментальным результатам, четыре составляющих изображения захватывают большинство выступов в изображении отпечатка пальца и таким образом формируют действительное представление. Мы иллюстрируем это, восстанавливая изображение отпечатка пальца, добавляя вместе все четыре фильтрованных изображения. Восстановленное изображение подобно оригинальному изображению, но выступы увеличены (рис. 7).

Перед разложением изображения отпечатка пальца, мы нормализуем необходимую область в каждом секторе отдельно к постоянному среднему и разнице. Нормализация сделана, чтобы удалить эффекты шума датчика и различий давления пальца. Пусть I(x, y) обозначают серое значение в пикселе (x, y), M_i и V_i, предполагаемом среднем и разнице сектора S_i, соответственно, и N_i (x, y), нормализованное значение серого уровня в пикселе (x, y). Для всех пикселов в секторе S_i, нормализованное изображение определено как:

где M₀ и V₀ - требуемое среднее и значение разницы, соответственно. Нормализация - пиксельная операция, которая не изменяет четкость структур бороздочек и выступов. Если нормализация сделана на всем изображении, это не может компенсировать изменения интенсивности в различных частях пальца, которые получены с различным давлением. Нормализация каждого сектора отдельно решает эту проблему. Для наших экспериментов, мы устанавливаем оба значения и M₀, и V₀ равными 100. Нормализованные, фильтрованные, и восстановленные изображения для отпечатка пальца, показанного в рис. 4, приведены в рис. 7.

2.3. Вектор характеристики

В каждом составляющем изображении, местное соседство с выступами и бороздочками, которые являются параллельными соответствующему направлению фильтра, показывает более высокое изменение, тогда как местное соседство с выступами и бороздочками, которые не параллельны соответствующему фильтру, уменьшаются фильтром, что приводит к более низкому изменению. Пространственное распределение изменений в местном соседстве составляющих изображение таким образом составляет характеристику глобальных структур выступов и хорошо захвачено стандартным отклонением значения шкалы яркости. В нашем алгоритме, стандартное отклонение в пределах секторов определяет вектор характеристики. Пусть (x, y) будет составляющим изображением, соответствующим для сектора S_i. Для i, i = 0, 1, ., 47 and Є [0⁰ , 45⁰ , 90⁰ , 135⁰ ], характерная черта - стандартное отклонение , определенный как:

где K_i - число пикселов в S_i, и - средние 0 значения пиксела в (x, y). 192-мерные векторы характеристик, также названные кодом пальца (подобный IrisCode, введен Daugman [16]), для типичных изображений отпечатка пальца различных классов показаны как серые изображения уровня с четырьмя дисками, каждый диск соответствует одному фильтрованному изображению (рис. 8). Серый уровень в каждом секторе диска представляет значение характеристики для этого сектора в фильтрованном изображении. Можно увидеть, что визуально это представление очень хорошо отличает пять классов отпечатка пальца.

3. КЛАССИФИКАЦИЯ

Автоматическая классификация отпечатков пальца – сложная задача из-за небольшой межклассовой изменчивости и большой внутриклассовой изменчивости среди этих пяти рассматриваемых классов.

Чтобы упростить задачу классификации, мы разбиваем задачу пяти классов в ряд 10 задач с двумя классами. Далее, мы используем двухэтапный классификатор для классификации отпечатка пальца. В первой стадии, мы используем классификатор соседа K-ближайший, чтобы найти два самых вероятных класса для данного образца входа. Правило решения соседа K-ближайшего сначала находит самых близких соседей K тестовой модели в характерной области и, тогда, назначает тестовую модель в класс, который наиболее часто представляется среди самых близких К-соседей. Лучшие два вида могут быть восстановлены от классификатора K-NN, соответствующего классам, которые имеют самое высокое, и вторые в наивысшей степени рассчитывают среди самых близких соседей K, то есть, первого отзыва и второго отзыва. Во второй стадии классификатора, ряд 10 (C₂⁵) нейронные сети обучаются решить 10 различных задач с двумя классами. Вторая стадия использует первые и вторые отзывы, чтобы выбрать определенную нейронную сеть, которая обучалась различить соответствующую пару классов, и входную модель тогда посылают отобранной нейронной сети для дальнейшей классификации. Эта нейронная сеть принимает заключительное решение между этими двумя классами.

4. ЭКСПЕРИМЕНТАЛЬНЫЕ РЕЗУЛЬТАТЫ

4.1. Набор данных

Мы сообщаем о результатах нашего алгоритма классификации отпечатка пальца на базе данных NIST-4 для задачи классификации отпечатка пальца с пятью классами. Так как классы отпечатка пальца А (дуга) и T (полусфера) имеют существенное наложение, очень трудно отделить эти два класса. Поэтому, мы также сообщаем о наших результатах для задач классификации четвертого класса, где классы A и T были слиты в один класс. Включая выбор отклонения, точность классификации может быть увеличена. Мы сообщаем об усовершенствовании ошибочных норм по различным нормам отклонения для задачи классификации четвертого и пятого класса.

База данных NIST-4 состоит из 4 000 изображений отпечатка пальца (размер изображения - 512 x 480) от 2 000 пальцев. Каждый палец имеет два представления (f и s). Каждое изображение помечено одним или больше этих пяти классов (W, R, L, A, и T). Чтобы упростить учебную процедуру, мы используем только первую метку отпечатка пальца, чтобы обучать нашу систему. Для испытания, однако, мы используем все метки для отпечатка пальца и полагаем, что результат работы нашего классификатора правильный, если результат соответствует любому из меток. Это соответствует общей практике, используемой другими исследователями в сравнении результатов классификации на базе данных NIST-4. Изображения в базе данных NIST-4 пронумерованы от f0001 до f2000 и от s0001 до s2000. Каждое число представляет отпечаток пальца от различного пальца. Мы формируем наш учебный набор с первыми 2 000 отпечатков пальца по 1 000 пальцев (от f0001 до f1000 и от s0001 до s1000), и тестовый набор содержит хранящиеся 2 000 отпечатков пальца (от f1001 до f2000 и от 1001 до s2000). Естественное соотношение отпечатков пальцев, принадлежащих каждому классу - 0.279, 0.317, 0.338, 0.037, и 0.029 для классов W, R, L, A, и T, соответственно [6]. Точность классификации может быть значительно увеличена при использовании наборов данных, отчеты которых следуют за естественным распределением классов отпечатка пальца, потому что более общие типы отпечатков пальца (петля и пальцевой узор) легче распознать. Однако мы не используем наборы данных с естественным распределением класса. Двадцать восемь отпечатков пальца от учебного набора были отклонены нашим алгоритмом извлечения особенности, потому что центр был обнаружен в углу изображения и, поэтому, действительное составление мозаики не могло быть установлено для этих изображений (рис. 10). Тридцать пять отпечатков пальца были отклонены от тестового набора по той же самой причине. Так, наш учебный набор содержит 1 972 изображения отпечатка пальца. 35 изображений, отклоненных от испытательного набора 2 000 количеств отпечатков пальца с отклоняющейся нормой 1.8 процентов.

4.2. Классификатор Соседа K-ближайший

Классификатор соседа K- ближайший приводит к точности 85.4 процентов для задачи классификации пятого класса, когда рассматриваются 10 самых близких соседей (K = 10). Точность классификации не всегда увеличивается с увеличением K; там существует оптимальная ценность K для конечных учебных задач классификации размера модели (рис. 11) [19]. Для задачи классификации четвертого класса (где классы A и T были свернуты в один класс), достигнута точность 91.5 процентов. Матрица беспорядка для классификации соседа K-ближайший показана в Таблице 1. Диагональные записи в этой матрице показывают число тестовых моделей различных классов, которые правильно классифицированы. Так как множество отпечатков пальца в базе данных NIST-4 помечено как принадлежность двум различным классам, суммы ряда беспорядочной матрицы в таблицах 1, 2, и 3 не идентичны.

Истинный класс	Заданный класс
	W	R	L	A	T
W	320	38	31	6	0
R	1	368	2	10	21
L	0	1	359	13	8
A	1	3	7	422	20
T	0	15	16	95	208

Таблица 1. Смешанная матрица для классификатора K-ближайших соседа (К=10)

4.3. Классификатор Нейронной сети

Мы обучали многослойную передовую нейронную сеть, используя быстрое распространение, обучающее алгоритм [22]. Нейронная сеть имеет один скрытый слой с 20 нейронами, 192 нейронами входа, и пятью нейронами продукции, соответствующими этим пяти классам. Мы получаем точность 86.4 процентов для задачи классификации пятого класса. Для задачи классификации четвертого класса, достигнута точность 92.1 процентов. Матрица беспорядка для классификации нейронной сети показана в Таблице 2.

Истинный класс	Заданный класс
	W	R	L	A	T
W	352	29	10	2	2
R	6	374	1	9	17
L	10	2	353	10	7
A	0	6	8	384	48
T	1	16	19	64	235

Таблица 2 Смешанная матрица для классификатора нейронной сети.

4.4. Двухэтапный Классификатор

Цель здесь состоит в том, чтобы выполнить "простую" задачу классификации, используя классификатор K-NN, и затем использовать группу классификаторов нейронной сети с двумя классами, чтобы обращаться с более тонкими выделениями. Первая стадия использует K-ближайший (K = 10) классификатор, чтобы привести к двум самым вероятным классам. Мы заметили, что 85.4 процентов времени, класс с максимальной частотой среди К-ближайших - правильный класс и 12.6 процентов времени, класс со вторым в наивысшей степени частоты - правильный класс. Другими словами, классификатор K-ближайший приводит к лучшим двум классам с точностью до 98 процентов. Этот результат может использоваться, чтобы точно классифицировать отпечатки пальца в два из этих пяти классов. Каждый отпечаток пальца будет иметь вхождение в два из пяти разделения базы данных, и соответствие обязано будет выполнено только в соответствующие два разделения базы данных. Вторая стадия использует 10 различных нейронных сетей для 10 различных попарных классификаций. Эти нейронные сети имеют 192 нейрона входа, 20-40 скрытых нейронов в одном скрытом слое, и 2 нейрона выхода. Каждая нейронная сеть обучается, используя образцы только от двух соответствующих классов в учебном наборе. Например, нейронная сеть, которая различает R и W, обучается, используя только помеченные образцы R и W в учебном наборе.

Этот двухэтапный классификатор приводит к точности 90 процентов для задачи классификации пятого класса, и точность 94.8 процентов достигнута для задачи классификации четвертого класса. Матриц беспорядка для двухэтапной классификации приведена в Таблице 3. Хотя наш классификатор является устойчивым к шуму и в состоянии правильно классифицировать большинство отпечатков пальца низкого качества в базе данных NIST-4 (рис. 12), оно не применимо на некоторых очень плохих, некачественных изображениях отпечатка пальца, где никакая информация выступа не присутствует в центральной части отпечатка пальца (рис. 13). В отпечатках пальца низкого качества, очень трудно правильно обнаружить точку центра (рис. 10b). Наш классификатор также не в состоянии правильно классифицировать изображения петли близнеца, которые помечены как пальцевой узор в базе данных NIST-4. Для этих изображений, наш алгоритм местоположения центра улучшает верхнее ядро и при рассмотрении, так как центр изображения похож на петлю в нужной области, это приводит к ошибочной классификации W как L или R. См. рис. 14 для этих ошибочных классификаций. Приблизительно 3 процента ошибок (дуги-петли) ошибочно классифицируются из-за тонкого различия между петлей и типами дуги (см. рис. 15a). Ошибочная классификация A-T составляет приблизительно 5 процентов ошибок. Пример этого типа беспорядка показывают в рис. 15b.

Истинный класс	Заданный класс
	W	R	L	A	T
W	366	16	8	4	1
R	3	372	1	8	17
L	6	0	364	6	7
A	2	1	3	405	39
T	0	6	14	55	261

Таблица 3. Смешанная матрица для двухэтапного классификатора.

4.5. Отклонить Выбор

Точность классификации может быть далее увеличена, включая выбор отклонения. Мы используем (K, K')-ближайший классификатор [23] для отклонения и предложенного двухэтапного классификатора для классификации. Если число обучения образцов от класса большинства среди K-ближайших тестовой модели - меньше чем K' (K'

Классификатор	(10,0)-NN	(10,5)-NN	(10,6)-NN	(10,7)-NN
Норма отклонения	1,8 %	8,5 %	19,5 %	32,5 %
Ошибка 5 класса	10 %	8,8 %	6,5 %	1 %
Ошибка 4 класса	5,2 %	4,5 %	3,4 %	2,2 %

Таблица 4. Соотношение отклонения ошибки

5. ВЫВОД

У нас имеется развитый новый многоканальный основанный на фильтре алгоритм классификации, который дает лучшую точность, чем заранее известный в литературе в NIST-4 базе данных. Наша характерная особенность, названная кодом отпечатка пальца, более показательна в информации класса отпечатков пальцев и стойкая к шуму, который отражен в точности классификации. Мы протестировали наш алгоритм в базе данных NIST-4 и было достигнуто очень хорошее выполнение (90% для 5-го класса задач классификации и 94.8% для 4-го класса задач классификации с 1.8% отклонением во время фазы выбора характерных черт). Тем ни менее этот алгоритм страдает от необходимого условия, чтобы область значения была верно определена, требуя точного выявления центра точки в изображении отпечатка пальца. Для повышения качества точности определения регистрационной точки, можно легко предположить лучшее выполнение. Наша система работает около 10 секунд на машине Солнце Ультра-1 для классифицирования одного отпечатка пальца, который является другим аспектом алгоритма, который нуждается в улучшении. После того, как рассмотрены шаги декомпозиции (фильтрации) изображения для 90% общего времени вычислений можно значительно уменьшить общее время для классификации с помощью специально предназначенного «железа» для витков.

БЛАГОДАРНОСТИ

Мы хотели бы поблагодарить доктора Рууда Болл и доктора Шарата Панканти IBM T.J. Уотсон Резерч Синтер и Скотт Коннелл лаборатории PRIP, Мичиганского государственного университета, за их множественные полезные предложения.

ССЫЛКИ

[1] Advances in Fingerprint Technology, H.C. Lee and R.E. Gaensslen, eds. New York: Elsevier, 1991.
[2] A.K. Jain, L. Hong, S. Pankanti, and R. Bolle, “An Identity Authentication System Using Fingerprints,” Proc. IEEE, vol. 85, no. 9, pp. 1,365-1,388, 1997.
[3] K. Karu and A.K. Jain, “Fingerprint Classification,” Pattern Recognition, vol. 29, no. 3, pp. 389-404, 1996.
[4] L. Hong and A.K. Jain, “Classification of Fingerprint Images,” Technical Report MSUCPS:TR98-18, Michigan State Univ., June 1998.
[5] C.I. Watson and C.L. Wilson, “NIST Special Database 4, Fingerprint Database,” Nat’l Inst. of Standards and Technology, Mar. 1992.
[6] C.L. Wilson, G.T. Candela, and C.I. Watson, “Neural Network Fingerprint Classification,” J. Artificial Neural Networks, vol. 1, no. 2, pp. 203-228, 1993.
[7] G.T. Candela, P.J. Grother, C.I. Watson, R.A. Wilkinson, and C.L. Wilson, “PCASYS—A Pattern-Level Classification Automation System for Fingerprints,” Technical Report NISTIR 5647, Apr. 1995.
[8] A. Senior, “A Hidden Markov Model Fingerprint Classifier,” Proc. 31st Asilomar Conf. Signals, Systems and Computers, pp. 306-310, 1997.
[9] M.M.S. Chong, T.H. Ngee, L. Jun, and R.K.L. Gay, “Geometric Framework for Fingerprint Classification,” Pattern Recognition, vol. 30, no. 9, pp. 1,475-1,488, 1997.
[10] C.V.K. Rao and K. Black, “Type Classification of Fingerprints: A Syntactic Approach,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 2, no. 3, pp. 223-231, 1980.
[11] A.P. Fitz and R.J. Green, “Fingerprint Classification Using Hexagonal Fast Fourier Transform,” Pattern Recognition, vol. 29, no. 10, pp. 1,587-1,597, 1996.
[12] B.G. Sherlock and D.M. Monro, “A Model for Interpreting Fingerprint Topology,” Pattern Recognition, vol. 26, no. 7, pp. 1,047-1,055, 1993.
[13] M. Kawagoe and A. Tojo, “Fingerprint Pattern Classification,” Pattern Recognition, vol. 17, no. 3, pp. 295-303, 1984.
[14] A. Jain, L. Hong, and R. Bolle, “On-Line Fingerprint Verification,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 4, pp. 302-314, Apr. 1997.
[15] J.G. Daugman, “Two-Dimensional Spectral Analysis of Cortical Receptive Field Profiles,” Vision Research, vol. 20, pp. 847-856, 1980.
[16] J.G. Daugman, “High Confidence Recognition of Persons by a Test of Statistical Independence,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 15, no. 11, pp. 1,148-1,161, Nov. 1993.
[17] A.K. Jain and F. Farrokhnia, “Unsupervised Texture Segmentation Using Gabor Filters,” Pattern Recognition, vol. 24, no. 12, pp. 1,167-1,186, 1991.
[18] J.G. Daugman, “Uncertainty Relation for Resolution in Space, Spatial Frequency, and Orientation Optimized by Two-Dimensional Visual Cortical Filters,” J. Optical Soc. Amer. A, vol. 2, pp. 1,160-1,169, 1985.
[19] A.K. Jain and B. Chandrasekaran, “Dimensionality and Sample Size Considerations in Pattern Recognition Practice,” Handbook of Statistics, vol. 2, P.R. Krishnaiah and L.N. Kanal, eds., pp. 835-855. North-Holland, 1982.
[20] N. Ratha, S. Chen, and A.K. Jain, “Adaptive Flow Orientation-Based Feature Extraction in Fingerprint Images,” Pattern Recognition, vol. 28, no. 11, pp. 1,657-1,672, 1995.
[21] N. Ratha, K. Karu, S. Chen, and A.K. Jain, “A Real-Time Matching System for Large Fingerprint Databases,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 18, no. 8, pp. 799-813, Aug. 1996.
[22] S.E. Fahlman, “Faster-Learning Variations on Back-Propagation: An Empirical Study,” Proc. 1988 Connectionist Models Summer School, 1988.
[23] R.O. Duda and P.E. Hart, Pattern Classification and Scene Analysis. John Wiley & Sons, 1973.
[24] J.L. Wayman, “Technical Testing and Evaluation of Biometric Identification Devices,” Biometrics: Personal Identification in Networked Society, A.K. Jain, R. Bolle, and S. Pankanti, eds. Kluwer, 1998.
[25] K. Woods, W.P. Kegelmeyer, and K.W. Bowyer, “Combination of Multiple Classifiers Using Local Accuracy Estimates,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 4, pp. 405-410, Apr. 1997.

- подняться на начало страницы -