用于传感器互操作性问题的指纹匹配系统的大规模研究

用于传感器互操作性问题的指纹匹配系统的大规模研究

文摘

指纹是一种常用的生物特征识别方式，被执法机构和商业应用广泛用于身份验证。现有指纹匹配方法的设计基于以下假设：在注册和验证过程中，使用同一传感器捕获指纹。指纹传感器技术的进步提出了一个问题，即当采用不同的传感器进行注册和验证时，当前方法的可用性。这是指纹传感器的互操作性问题。为了提供对该问题的见解并评估解决该问题的最新匹配方法的状态，我们首先分析了使用不同传感器捕获的指纹的特征，这使得跨传感器匹配成为一个具有挑战性的问题。我们证明了指纹增强方法对于跨传感器匹配的重要性。最后，我们对最先进的指纹识别方法进行了比较研究，并深入了解了它们解决此问题的能力。我们使用公共数据库（FingerPass）进行了实验，该数据库包含使用不同传感器捕获的九个数据集。我们分析了不同传感器的影响，发现当使用不同的传感器进行注册和验证时，跨传感器匹配性能会下降。根据我们的分析，我们提出了对该问题的未来研究方向。我们使用公共数据库（FingerPass）进行了实验，该数据库包含使用不同传感器捕获的九个数据集。我们分析了不同传感器的影响，发现当使用不同的传感器进行注册和验证时，跨传感器匹配性能会下降。根据我们的分析，我们提出了对该问题的未来研究方向。我们使用公共数据库（FingerPass）进行了实验，该数据库包含使用不同传感器捕获的九个数据集。我们分析了不同传感器的影响，发现当使用不同的传感器进行注册和验证时，跨传感器匹配性能会下降。根据我们的分析，我们提出了对该问题的未来研究方向。

关键词：生物识别技术，指纹传感器互操作性，跨传感器指纹匹配，指纹增强

1.简介

指纹的使用是最古老，最流行的人员识别和身份验证方法。指纹匹配问题已被广泛研究，并且文献中对指纹匹配方法进行了重要的讨论。但是，大多数现有算法都设计用于特定类型的传感器，即用于注册和验证的传感器。新应用的快速增长和指纹传感器技术的进步引起了指纹传感器互操作性或跨传感器匹配问题，即与从不同传感器获得的个人指纹匹配的问题。

指纹感应技术基于多种操作原理，例如超声，光学和电容技术。在超声传感器中，图像基于从指尖反弹的声波的响应。在光学传感器中，手指放在透明的棱镜表面上，光从凹谷反射并在凸脊处吸收。山脊看起来很暗，山谷看起来很明亮。电容传感器由位于传感器下方的小电容板组成，空气作为电介质。电场强度是波谷与波谷之间距离的函数[ 1]。这些技术的基本原理呈现出它们自己的变形和不一致形式，从而引入了匹配器用于指纹匹配的描述性特征的变化，并使传感器的互操作性成为挑战。

一些研究已经进行，以显示探索改变指纹传感器的指纹匹配系统[冲击的重要性2，3，4 ]。Shimon等。[ 2 ]进行了一项实证研究，使用错误的不匹配率（FNMR），使用本地数据库（未公开）检查传感器互操作性对基于细节的匹配器VeriFinger的性能的影响。卢吉尼等。[ 3 ]和梅森等。[ 4 ]使用由四个具有相同分辨率的不同光学传感器捕获的相同本地数据库（不公开提供）进行了实证研究。这些研究在Shimon等人的意义上是有限的。[ 2]只集中于一个基于细节的匹配器（VeriFinger），而Lugini等人。[ 3 ]和梅森等。[ 4）采用了由四个具有相同技术类型的传感器捕获的可互操作的数据集，这些数据集不能推广到其他技术类型的传感器。此外，这些研究是在本地数据库上进行的；对于问题的新解决方案，很难重现在这些评估中获得的结果并比较新算法的性能。必须进行研究才能回答某些问题，其中一些问题包括：哪种类型的功能可以抵抗使用不同技术类型和捕获类型的传感器捕获的指纹中出现的不同结构和失真不一致？互操作性对增强算法性能有何影响？传感器的互操作性如何影响最新的指纹匹配方法的性能？这些问题促使我们分析使用不同传感器捕获的指纹的结构不一致，并提供对最新技术增强方法和匹配系统的比较分析，以使用公共数据库来了解指纹传感器互操作性问题的影响。由于本研究中使用的数据库可在公共领域使用，

进行这项研究以分析指纹的特性以及交叉传感器匹配对最新的指纹增强和匹配方法的影响。匹配方法包括Minutiae圆柱代码（MCC），Bozoroth3（NBIS软件）和商业SDK VeriFinger。实验使用公共数据库FingerPass进行。具体来说，我们的贡献如下：

• 对指纹结构的分析表明，用不同传感器捕获的指纹在小规模结构不一致（例如微纹理图案）和细脊细节（例如宽度和孔）中有所不同。脊的样式，脊的方向和细节是主要的结构组件，与传感器的技术类型和交互类型无关。

• 脊间间距的分析表明，连续脊之间的间距在使用不同传感器捕获的同一手指的印象之间有所不同，并且对跨传感器匹配具有重大影响。设计跨传感器匹配方法时必须解决此问题。

• 对两种最新的增强算法的分析表明，有必要为跨传感器匹配开发新的增强算法，该算法能够保留脊形并抑制小规模结构不一致，外来脊形和细节。

• 对三种最先进的匹配方法的分析表明，需要开发新的跨传感器匹配算法。通常，光学传感器之间的互操作性要比电容传感器更好。必须开发新的特征提取技术以进行跨传感器匹配，同时注意指纹的结构成分，这些指纹随传感器的技术类型和交互类型而变化或不变。

 

本文的其余部分安排如下：第2节介绍了指纹传感器的互操作性问题和特征提取。第3节概述了指纹传感器互操作性问题的数据库。第4节概述了针对指纹传感器互操作性问题提出的方法，第5节提供了两种用于跨传感器匹配的指纹增强方法的分析。第6节讨论指纹缩放对交叉传感器匹配的影响，第7节介绍对交叉传感器匹配的三种匹配方法的分析。本文的结论和未来的研究方向进行了探索。第8节。

2.指纹传感器的互操作性问题和特征提取

指纹传感器的互操作性解决了指纹匹配系统补偿使用不同传感器获取的个人指纹变化的能力。由于在捕获传感器技术，交互类型，传感器分辨率和扫描区域方面存在差异，因此引入了指纹变化。根据技术类型，传感器可分为电容式，光学，温差，非接触式，超声波，压电式或多光谱[ 5]。每种类型都会产生自己的变形类型。在某些捕获系统中，路径长度会反射在指尖的宽度和长度上变化的光，这可能导致梯形失真或在获取的指纹内生成散焦区域。梯形失真是指当一部分比图像的其余部分宽时在图像中出现的差异。电容式传感器会受到噪声和网格伪影的影响，并且对汗水和其他污染物中的盐分敏感。因此，由于技术类型的差异，传感器会导致不同类型的失真。

纹理特征，诸如局部二进制模式（局部二值模式），直方图梯度方向（猪），和Gabor响应的[ 6，7，8，9，10 ]是用于指纹匹配系统是有用的描述符; 但是，由于传感器之间的差异，指纹的纹理会有所不同。图1显示同一只手指的一些指纹的放大视图，但使用不同的传感器捕获；相应的LBP图像显示在图2。LBP的功能彼此不同，显示出较大的类间差异；令人担忧的是，纹理描述符能够区分使用不同传感器捕获的指纹。该图说明，纹理不是跨传感器匹配的区分特征。这种变化使寻找指纹传感器互操作性的强大功能变得更加复杂。

 

可以在 图1 和 图2所有指纹视图的脊纹都相同。这些图案是指纹的最明显的结构特征，并形成用于鉴别的强大特征[ 11 ]。三个级别用于描述指纹[ 1 ] 中的隆起细节，即隆起样式的总体流程（级别1），细节点（级别2）和精细的隆起细节（例如孔和边缘轮廓）（级别3）。问题是这些功能对于指纹传感器的互操作性是否健壮。在使用不同传感器采集的指纹中，脊纹的整体流动保持相同，这表明其辨别力很强。细节点也保持不变，这些是识别的强大区分特征[ 12，13，14，15 ]。但是，传感器捕获区域是一个问题，因为具有较大捕获区域的传感器捕获的指纹将始终比具有较小捕获区域的传感器产生更多的细节，如图所示。图3。这引起了关于仅基于细节特征的指纹匹配系统的关注。由于较小的捕获区域而导致的细节丢失可能会影响辨别力。细脊细节，诸如宽度，边缘轮廓，和毛孔，是高度显着特征[ 16，17，18，19 ]。但是，从中可以看出图2，这些功能无法可靠地检测到。例如，毛孔不会出现在图2a，g，i并且在其他指纹中几乎不可见。此外，宽度和边缘轮廓在各个视图中都不同图2。因此，级别3的功能对于交叉匹配问题不是很可靠。

传感器互操作性对指纹识别的影响尚未得到广泛研究。探索此问题将有助于理解更换传感器的影响。为了开发跨传感器特征提取和匹配算法，需要检查通过不同传感器捕获的指纹及其特征。

3.指纹传感器互操作性问题的数据集

数据库在评估指纹匹配系统的性能中起关键作用；但是，针对指纹互操作性问题的基准数据库很少。这样的数据库包括MCYT [ 20 ]，GUC100 [ 21 ]，ATVS-FFp [ 22 ]，FingerPass [ 23 ]和MOLF [ 24]]数据库。这些数据库在传感器技术，分辨率，图像大小，捕获方法和使用的指纹数量方面有所不同。MCYT数据库仅包含两个具有相同采集分辨率和捕获方法的不同传感器。ATVS-FFp数据库使用三个不同的传感器来获取其图像。但是，使用的指纹总数是所有列出的数据库中最低的。使用三种不同的传感器以相同的传感器技术类型和捕获方法来获取MOLF数据库数据。使用六种不同的扫描仪和具有相同分辨率和捕获方法的多种传感器技术类型捕获了来自GUC100数据库的指纹。GUC100是一个半公开数据库，要求研究人员要么在Gjøvik大学学院（挪威）的场所进行测试，要么以编译后的形式提交算法，由Gjøvik的研究人员运行。FingerPass数据库包括具有两种技术类型和两种交互类型的传感器，两者在分辨率和图像大小方面都不同。为了解决指纹传感器互操作性所涉及的挑战，重要的是使用一个数据库，该数据库在使用的传感器数量及其特性方面有很多变化。没有可用的数据库包含来自不同技术和交互类型的各种传感器的指纹。需要开发代表各种技术类型和交互类型的新数据库。

在可用的公共领域数据库中，FingerPass是唯一包含最大种类的，具有不同变化的跨设备指纹的大型数据库，这使其成为指纹识别系统的具有挑战性的数据库。 表格1提供了FingerPass数据库的摘要。它由使用不同传感器类型和交互类型捕获的九个数据集组成。

表格1

FingerPass数据库的摘要。

子数据集	传感器	技术	捕获方法	解析度（dpi）	图像尺寸（像素）
FXO	Biometrika FX3000	光学的	按	569	400×560
V3O	CrosssMatch Verifier 300	光学的	按	500	640×480
URO	Digital Persona URU4000B	光学的	按	700	500×550
AEO	Authentec AES2501	光学的	扫	500	未固定
ATC	ATRUA	电容式	扫	250	124×400
SWC	Aymware SW6888	电容式	扫	500	288×384
AEC	Authentec AES3400	电容式	按	500	144×144
软板	FPC1011C	电容式	按	363	152×200
TCC	UPEK TCRU2C	电容式	按	500	208×288

 

4.最新方法概述

文献中大多数现有方法都是为特定技术类型设计的。因此，当通道指纹和探针指纹都来自不同的传感器时，它们的性能会下降。最近的工作显示了各种指纹传感器设备对指纹系统的匹配错误率（EER）的影响。Jain和Ross [ 25 ]通过收集具有光学和电容式传感器的160个人的指纹研究了传感器的互操作性问题。他们研究了一些匹配系统的性能，以匹配使用不同传感器获得的指纹，发现其性能明显下降。当从光学传感器收集的指纹与电容传感器的指纹相匹配时，设备间的EER增加到23.13％。Modi等。[[2 ]研究了指纹传感器互操作性对基于细节的匹配器的性能（以错误的不匹配率表示）的影响。他们制定了一个统计分析框架，以检查细节量，指纹质量以及本机和可互操作数据集的性能之间的相似性。卢吉尼等。[ 3 ]从统计学的角度分析了传感器的互操作性问题，以测量用于注册和验证的传感器不同时匹配分数的变化。这项研究是在一个私人数据库上进行的，该数据库除了使用基于墨水的指纹的扫描版本外，还使用四个不同的光学传感器进行了收集。梅森等。[ 4]使用与[ 3 ] 相同的数据集研究了互操作性对不同匹配器的影响。这些研究表明，指纹传感器的互操作性对现有自动指纹识别系统的匹配性能有重大影响。当使用不同的传感器进行注册和查询时，性能会大大下降。

很少有研究集中在最小化传感器互操作性的影响上。为了解决光学传感器之间互操作性差的影响，Marasco等人（2002年）提出。[ 26 ]提出了一种利用各种类型的功能和分类器的方法，该方法是针对跨设备和设备内匹配而开发的。所采用的功能基于图像质量，基于指纹强度的特征和细节量。实验是在私有数据库上进行的。结果表明，这种方法从错误的不匹配率方面改善了跨设备匹配。据观察，仅基于强度的特征随用于捕获指纹的传感器的类型而变化。在[ 5]，提出了一种非线性校准方法，以解决使用薄板样条（TPS）模型的传感器互操作性问题。该技术产生了定义两个传感器之间空间关系的平均变形模型。这种方法不是完全自动化的。参数取决于手动选择的控制点。

一些工作已经研究了规模对跨传感器匹配的影响，并进行了一些改进。任等人。[ 27 ]提出了一种基于平均岭间距离的方案，以计算生成要匹配的两个指纹的放大视图所需的比例。实验是在FVC2002（不是跨传感器数据库）上进行的。Zang等。[ 28 ]提出了一种估计两个指纹之间最佳比例的方法。在这种方法中，首先使用山脊距离图粗略地计算全局比例，然后在所有可匹配的细节对中确定局部精细比例的直方图。使用FingerPass数据库中的四个数据集评估了该方法。在[ 29]，通过引入比例信息修改了Minutia圆柱代码。这些研究表明，合并规模信息可以增强跨设备指纹匹配的性能。

从以上讨论可以明显看出，很少有研究调查指纹传感器的互操作性问题，它们在解决该问题上的贡献微不足道。因此，这仍然是一个挑战。诸如指纹纹理变化和使用不同传感器时出现的指纹变形等主要问题尚未得到适当解决。

 

5.指纹增强方法

指纹增强方法在特征提取之前通过增强脊结构来提高图像质量起着重要作用[ 30 ]。解决跨传感器匹配问题时，增强方法的作用变得至关重要，因为使用不同传感器捕获的指纹包括不同类型的噪声和微纹理图案。为了评估现有指纹增强方法在指纹传感器互操作性问题上的潜力，我们分析了两种最新方法的影响：（i）HONG，Hong等人使用的方法。[ 31 ]，其中通过应用调整到局部脊的方向的一组Gabor滤波器来增强指纹，以及（ii）CHIK，由Chikkerur等人采用的方法。[ 32]，其中使用短时傅立叶变换（STFT）进行指纹增强。在CHIK中，首先将指纹划分为小的重叠窗口，然后将STFT应用于每个窗口。脊频率，脊取向和块能量是根据傅立叶频谱估算的。然后应用上下文过滤来增强指纹。

图4显示了使用三个不同传感器及其增强版本捕获的三个指纹的放大视图。HONG处理的增强指纹的平滑脊比CHIK处理的平滑。但是，仔细观察发现，这两种增强方法都无法保留指纹的原始脊纹图案，并且无法产生多余的细节点和脊纹。结果，这两种方法不能被认为是鲁棒的，以解决传感器互操作性所涉及的挑战。

 

图4

（a）用三个不同的传感器捕获的同一根手指的指纹，（b）使用Hong等人的方法增强了相应的指纹。（c）使用Chikkerur等人增强的相应指纹。方法。

作为概念证明，我们使用VeriFinger和MCC算法进行了三个实验（详细说明请参见