Сочинение на тему Обзор алгоритмов сопоставления отпечатков пальцев

Улучшенное изображение подвергается процессу извлечения признаков, при котором происходит бинаризация и прореживание. Все изображения отпечатков пальцев не обладают такими же контрастными свойствами, как сила, прикладываемая при нажатии, может варьироваться для каждого экземпляра. Следовательно, изменение контраста удаляется этим процессом бинаризации с использованием локальной адаптивной пороговой обработки. Утончение – это процесс выделения элементов, при котором ширина гребней уменьшается до одного пикселя. Извлечение результирующего признака показано ниже на рисунке 4.

Извлечение функций – после бинаризации и разбавления

Процесс извлечения мелких деталей выполняется как последний шаг в извлечении объектов, а затем окончательное изображение сохраняется в базе данных. Опираясь на утонченное изображение, мелочи можно легко обнаружить, а окончания находятся в точках окончания тонких линий. Бифуркации встречаются на стыках трех линий. Атрибуты объекта определяются для каждой найденной действительной детализации. Они состоят из: окончания гребня, местоположения (x, y) и направления конечной бифуркации. Хотя тип мелочей обычно определяется и сохраняется, многие системы сопоставления отпечатков пальцев не используют эту информацию, потому что зачастую трудно отличить одно от другого. Результатом этапа извлечения признаков является то, что называется шаблоном подробностей, как показано на рисунке 5. Это список подробностей с соответствующими значениями атрибутов. Приблизительный диапазон количества минут, найденных на этом этапе, составляет от 10 до 100. Если каждая минута сохраняется с типом (1 бит), местоположением (9 бит каждый для x и y) и направлением (8 бит), то каждый потребуется 27 бит, скажем, 4 байта, а шаблону потребуется до 400 байтов. Нередко можно увидеть длину шаблона в 1024 байта.

Шаблон мелочей

Теперь начинается онлайн-процесс. На этапе проверки шаблон из отпечатка пальца заявителя сравнивается с шаблоном отпечатка пальца зачисленного. Обычно это делается путем сравнения окрестностей близких мелочей на предмет сходства. Один район может состоять из трех или более соседних мелочей. Каждый из них расположен на определенном расстоянии и взаимной ориентации друг от друга. Кроме того, каждая минута имеет свои собственные атрибуты типа (если он используется) и направления мелочей, которые также сравниваются. Если сравнение показывает только небольшие различия между соседством в отпечатке пальца зачисленного и таковым в отпечатке пальца заявителя, то эти окрестности, как говорят, совпадают. Это делается исчерпывающе для всех комбинаций окрестностей, и, если найдено достаточно сходств, считается, что отпечатки пальцев совпадают. Сопоставление шаблонов может быть визуализировано как сопоставление графиков, в котором сравниваются формы графиков, объединяющих мелочи отпечатков пальцев.

Сопоставление 1: 1 не может быть выполнено, и мы используем пороговое значение, называемое счетом совпадения, обычно это число в диапазоне от 0 до 1. Чем выше значение, тем выше совпадение. Рис. 6: Немного. Соответствие в онлайн-процессе. Извлеченные детали извлекаются из двух отпечатков пальцев и сохраняются как наборы точек в двухмерной плоскости. Сопоставление на основе мелочей состоит из нахождения выравнивания между шаблоном и входными наборами мелочей, что приводит к максимальному количеству пар мелочей.

<Р>

1) Weiguo Sheng et.al

В своей статье авторы предложили меметический алгоритм сопоставления отпечатков пальцев, целью которого было выявить оптимальное глобальное сопоставление между двумя наборами мелочей. Представление локального признака мелочей, называемое дескриптором мелочей, имеющее информацию о поле ориентации, отобранном по круговой схеме вокруг мелочей, использовалось ими на первом этапе. На втором этапе генетический алгоритм (GA) с оператором локального улучшения был использован для эффективной разработки эффективного алгоритма для задачи сопоставления узоров точечных мелочей. Оператор локального улучшения использовал отношение ближайшего соседа для назначения двоичного соответствия на каждом этапе. Функция соответствия, основанная на правиле продукта, использовалась для расчета пригодности. Результаты экспериментов с четырьмя базами данных отпечатков пальцев подтвердили надежность меметического алгоритма сопоставления отпечатков пальцев (MFMA).

2) Кай Цао и др.

<Р>

Авторы выше представили штрафную квадратичную модель для устранения нелинейных искажений при сопоставлении отпечатков пальцев. Отпечаток пальца был представлен с помощью мелочей и точек, отобранных с постоянным интервалом на каждом действительном гребне. Сходство между мелочами оценивалось дескриптором ориентации мелочей на основе соседних точек отбора гребней. Алгоритм жадного сопоставления был принят для установления начальных соответствий между мелкими парами. Предложенный алгоритм использовал эти соответствия для выбора ориентиров или точек для расчета параметров квадратичной модели. Ввод отпечатка пальца деформируется в соответствии с квадратичной моделью и сравнивается с шаблоном для получения окончательного показателя сходства. Алгоритм был оценен по базе данных отпечатков пальцев, состоящей из 800 изображений отпечатков пальцев.

3) Пэн Ши и др.

В своей статье авторы предложили новый алгоритм сопоставления отпечатков пальцев, основанный на наборах мелочей в сочетании с глобальными статистическими характеристиками. Двумя глобальными статистическими характеристиками изображения отпечатка пальца, использованного в их алгоритме, были средняя ширина гребня и нормализованная оценка качества всего изображения. Изображение отпечатка пальца было улучшено на основе карты поля ориентации. Средняя ширина гребня и оценка качества всего изображения были получены в процессе улучшения. Мелочи были извлечены на карте утонченного гребня для формирования множества мелочей входного отпечатка пальца. Алгоритм, используемый для оценки средней ширины гребня отпечатка пальца, основывался на уровне блоков на неперекрывающихся окнах в изображении отпечатка пальца. Четыре базы данных были использованы для вычисления соответствия производительности алгоритма.

4) Sharat Chikkerur et.al

<Р>

Локальная окрестность каждого мелоча была определена представлением, называемым K-plet, которое инвариантно относительно сдвига и вращени. Локальные структурные отношения K-plet были закодированы в виде графа, в котором каждая деталь представлена ​​вершиной, а каждая соседняя деталь – направленным графом. Алгоритм динамического программирования был использован для соответствия локальной окрестности. Для объединения всех локальных совпадений между двумя отпечатками пальцев был предложен алгоритм поиска по ширине. Производительность алгоритма сопоставления была оценена на базе данных, состоящей из 800 изображений.

5) Цзинь Ци и Ян Шэн Ван

Они предложили метод сопоставления отпечатков пальцев на основе мелочей. Они определили новый вектор признаков мелочей, который объединил детали мелочей отпечатка пальца с информацией поля ориентации, которая была инвариантна к вращению и перемещению. Это захватило информацию о структуре потока горного хребта. Был использован метод треугольного соответствия, который был устойчив к нелинейной деформации. Поле ориентации и мелочи были объединены, чтобы определить оценку соответствия. Они оценили эффективность своего алгоритма в общедоступной коллекции из 800 изображений отпечатков пальцев.

6) Атану Чаттерджи и др.

Другие авторы предложили еще один метод идентификации и проверки отпечатков пальцев с помощью выделения признаков. Детали были извлечены из утонченных гребней из изображений отпечатков пальцев, и эти матрицы признаков были применены в качестве входных данных, установленных в Искусственной нейронной сети. Постобработка была сделана, чтобы удалить ложные мелочи. Алгоритм обратного распространения был использован для обучения сети. Извлеченные признаки входного отпечатка были проверены …