用於傳感器互操作性問題的指紋匹配系統的大規模研究
文摘
指紋是一種常用的生物特徵識別方式,被執法機構和商業應用廣泛用於身份驗證。現有指紋匹配方法的設計基於以下假設:在註冊和驗證過程中,使用同一傳感器捕獲指紋。指紋傳感器技術的進步提出了一個問題,即當採用不同的傳感器進行註冊和驗證時,當前方法的可用性。這是指紋傳感器的互操作性問題。爲了提供對該問題的見解並評估解決該問題的最新匹配方法的狀態,我們首先分析了使用不同傳感器捕獲的指紋的特徵,這使得跨傳感器匹配成爲一個具有挑戰性的問題。我們證明了指紋增強方法對於跨傳感器匹配的重要性。最後,我們對最先進的指紋識別方法進行了比較研究,並深入瞭解了它們解決此問題的能力。我們使用公共數據庫(FingerPass)進行了實驗,該數據庫包含使用不同傳感器捕獲的九個數據集。我們分析了不同傳感器的影響,發現當使用不同的傳感器進行註冊和驗證時,跨傳感器匹配性能會下降。根據我們的分析,我們提出了對該問題的未來研究方向。我們使用公共數據庫(FingerPass)進行了實驗,該數據庫包含使用不同傳感器捕獲的九個數據集。我們分析了不同傳感器的影響,發現當使用不同的傳感器進行註冊和驗證時,跨傳感器匹配性能會下降。根據我們的分析,我們提出了對該問題的未來研究方向。我們使用公共數據庫(FingerPass)進行了實驗,該數據庫包含使用不同傳感器捕獲的九個數據集。我們分析了不同傳感器的影響,發現當使用不同的傳感器進行註冊和驗證時,跨傳感器匹配性能會下降。根據我們的分析,我們提出了對該問題的未來研究方向。
1.簡介
指紋的使用是最古老,最流行的人員識別和身份驗證方法。指紋匹配問題已被廣泛研究,並且文獻中對指紋匹配方法進行了重要的討論。但是,大多數現有算法都設計用於特定類型的傳感器,即用於註冊和驗證的傳感器。新應用的快速增長和指紋傳感器技術的進步引起了指紋傳感器互操作性或跨傳感器匹配問題,即與從不同傳感器獲得的個人指紋匹配的問題。
指紋感應技術基於多種操作原理,例如超聲,光學和電容技術。在超聲傳感器中,圖像基於從指尖反彈的聲波的響應。在光學傳感器中,手指放在透明的棱鏡表面上,光從凹谷反射並在凸脊處吸收。山脊看起來很暗,山谷看起來很明亮。電容傳感器由位於傳感器下方的小電容板組成,空氣作爲電介質。電場強度是波谷與波谷之間距離的函數[ 1]。這些技術的基本原理呈現出它們自己的變形和不一致形式,從而引入了匹配器用於指紋匹配的描述性特徵的變化,並使傳感器的互操作性成爲挑戰。
一些研究已經進行,以顯示探索改變指紋傳感器的指紋匹配系統[衝擊的重要性2,3,4 ]。Shimon等。[ 2 ]進行了一項實證研究,使用錯誤的不匹配率(FNMR),使用本地數據庫(未公開)檢查傳感器互操作性對基於細節的匹配器VeriFinger的性能的影響。盧吉尼等。[ 3 ]和梅森等。[ 4 ]使用由四個具有相同分辨率的不同光學傳感器捕獲的相同本地數據庫(不公開提供)進行了實證研究。這些研究在Shimon等人的意義上是有限的。[ 2]只集中於一個基於細節的匹配器(VeriFinger),而Lugini等人。[ 3 ]和梅森等。[ 4)採用了由四個具有相同技術類型的傳感器捕獲的可互操作的數據集,這些數據集不能推廣到其他技術類型的傳感器。此外,這些研究是在本地數據庫上進行的;對於問題的新解決方案,很難重現在這些評估中獲得的結果並比較新算法的性能。必須進行研究才能回答某些問題,其中一些問題包括:哪種類型的功能可以抵抗使用不同技術類型和捕獲類型的傳感器捕獲的指紋中出現的不同結構和失真不一致?互操作性對增強算法性能有何影響?傳感器的互操作性如何影響最新的指紋匹配方法的性能?這些問題促使我們分析使用不同傳感器捕獲的指紋的結構不一致,並提供對最新技術增強方法和匹配系統的比較分析,以使用公共數據庫來了解指紋傳感器互操作性問題的影響。由於本研究中使用的數據庫可在公共領域使用,
進行這項研究以分析指紋的特性以及交叉傳感器匹配對最新的指紋增強和匹配方法的影響。匹配方法包括Minutiae圓柱代碼(MCC),Bozoroth3(NBIS軟件)和商業SDK VeriFinger。實驗使用公共數據庫FingerPass進行。具體來說,我們的貢獻如下:
-
對指紋結構的分析表明,用不同傳感器捕獲的指紋在小規模結構不一致(例如微紋理圖案)和細脊細節(例如寬度和孔)中有所不同。脊的樣式,脊的方向和細節是主要的結構組件,與傳感器的技術類型和交互類型無關。
-
脊間間距的分析表明,連續脊之間的間距在使用不同傳感器捕獲的同一手指的印象之間有所不同,並且對跨傳感器匹配具有重大影響。設計跨傳感器匹配方法時必須解決此問題。
-
對兩種最新的增強算法的分析表明,有必要爲跨傳感器匹配開發新的增強算法,該算法能夠保留脊形並抑制小規模結構不一致,外來脊形和細節。
-
對三種最先進的匹配方法的分析表明,需要開發新的跨傳感器匹配算法。通常,光學傳感器之間的互操作性要比電容傳感器更好。必須開發新的特徵提取技術以進行跨傳感器匹配,同時注意指紋的結構成分,這些指紋隨傳感器的技術類型和交互類型而變化或不變。
本文的其餘部分安排如下:第2節介紹了指紋傳感器的互操作性問題和特徵提取。第3節概述了指紋傳感器互操作性問題的數據庫。第4節概述了針對指紋傳感器互操作性問題提出的方法,第5節提供了兩種用於跨傳感器匹配的指紋增強方法的分析。第6節討論指紋縮放對交叉傳感器匹配的影響,第7節介紹對交叉傳感器匹配的三種匹配方法的分析。本文的結論和未來的研究方向進行了探索。第8節。
2.指紋傳感器的互操作性問題和特徵提取
指紋傳感器的互操作性解決了指紋匹配系統補償使用不同傳感器獲取的個人指紋變化的能力。由於在捕獲傳感器技術,交互類型,傳感器分辨率和掃描區域方面存在差異,因此引入了指紋變化。根據技術類型,傳感器可分爲電容式,光學,溫差,非接觸式,超聲波,壓電式或多光譜[ 5]。每種類型都會產生自己的變形類型。在某些捕獲系統中,路徑長度會反射在指尖的寬度和長度上變化的光,這可能導致梯形失真或在獲取的指紋內生成散焦區域。梯形失真是指當一部分比圖像的其餘部分寬時在圖像中出現的差異。電容式傳感器會受到噪聲和網格僞影的影響,並且對汗水和其他污染物中的鹽分敏感。因此,由於技術類型的差異,傳感器會導致不同類型的失真。
紋理特徵,諸如局部二進制模式(局部二值模式),直方圖梯度方向(豬),和Gabor響應的[ 6,7,8,9,10 ]是用於指紋匹配系統是有用的描述符; 但是,由於傳感器之間的差異,指紋的紋理會有所不同。圖1顯示同一隻手指的一些指紋的放大視圖,但使用不同的傳感器捕獲;相應的LBP圖像顯示在圖2。LBP的功能彼此不同,顯示出較大的類間差異;令人擔憂的是,紋理描述符能夠區分使用不同傳感器捕獲的指紋。該圖說明,紋理不是跨傳感器匹配的區分特徵。這種變化使尋找指紋傳感器互操作性的強大功能變得更加複雜。
可以在 圖1 和 圖2所有指紋視圖的脊紋都相同。這些圖案是指紋的最明顯的結構特徵,並形成用於鑑別的強大特徵[ 11 ]。三個級別用於描述指紋[ 1 ] 中的隆起細節,即隆起樣式的總體流程(級別1),細節點(級別2)和精細的隆起細節(例如孔和邊緣輪廓)(級別3)。問題是這些功能對於指紋傳感器的互操作性是否健壯。在使用不同傳感器採集的指紋中,脊紋的整體流動保持相同,這表明其辨別力很強。細節點也保持不變,這些是識別的強大區分特徵[ 12,13,14,15 ]。但是,傳感器捕獲區域是一個問題,因爲具有較大捕獲區域的傳感器捕獲的指紋將始終比具有較小捕獲區域的傳感器產生更多的細節,如圖所示。圖3。這引起了關於僅基於細節特徵的指紋匹配系統的關注。由於較小的捕獲區域而導致的細節丟失可能會影響辨別力。細脊細節,諸如寬度,邊緣輪廓,和毛孔,是高度顯着特徵[ 16,17,18,19 ]。但是,從中可以看出圖2,這些功能無法可靠地檢測到。例如,毛孔不會出現在圖2a,g,i並且在其他指紋中幾乎不可見。此外,寬度和邊緣輪廓在各個視圖中都不同圖2。因此,級別3的功能對於交叉匹配問題不是很可靠。
傳感器互操作性對指紋識別的影響尚未得到廣泛研究。探索此問題將有助於理解更換傳感器的影響。爲了開發跨傳感器特徵提取和匹配算法,需要檢查通過不同傳感器捕獲的指紋及其特徵。
3.指紋傳感器互操作性問題的數據集
數據庫在評估指紋匹配系統的性能中起關鍵作用;但是,針對指紋互操作性問題的基準數據庫很少。這樣的數據庫包括MCYT [ 20 ],GUC100 [ 21 ],ATVS-FFp [ 22 ],FingerPass [ 23 ]和MOLF [ 24]]數據庫。這些數據庫在傳感器技術,分辨率,圖像大小,捕獲方法和使用的指紋數量方面有所不同。MCYT數據庫僅包含兩個具有相同採集分辨率和捕獲方法的不同傳感器。ATVS-FFp數據庫使用三個不同的傳感器來獲取其圖像。但是,使用的指紋總數是所有列出的數據庫中最低的。使用三種不同的傳感器以相同的傳感器技術類型和捕獲方法來獲取MOLF數據庫數據。使用六種不同的掃描儀和具有相同分辨率和捕獲方法的多種傳感器技術類型捕獲了來自GUC100數據庫的指紋。GUC100是一個半公開數據庫,要求研究人員要麼在Gjøvik大學學院(挪威)的場所進行測試,要麼以編譯後的形式提交算法,由Gjøvik的研究人員運行。FingerPass數據庫包括具有兩種技術類型和兩種交互類型的傳感器,兩者在分辨率和圖像大小方面都不同。爲了解決指紋傳感器互操作性所涉及的挑戰,重要的是使用一個數據庫,該數據庫在使用的傳感器數量及其特性方面有很多變化。沒有可用的數據庫包含來自不同技術和交互類型的各種傳感器的指紋。需要開發代表各種技術類型和交互類型的新數據庫。
在可用的公共領域數據庫中,FingerPass是唯一包含最大種類的,具有不同變化的跨設備指紋的大型數據庫,這使其成爲指紋識別系統的具有挑戰性的數據庫。 表格1提供了FingerPass數據庫的摘要。它由使用不同傳感器類型和交互類型捕獲的九個數據集組成。
表格1
FingerPass數據庫的摘要。
子數據集 | 傳感器 | 技術 | 捕獲方法 | 解析度(dpi) | 圖像尺寸(像素) |
---|---|---|---|---|---|
FXO | Biometrika FX3000 | 光學的 | 按 | 569 | 400×560 |
V3O | CrosssMatch Verifier 300 | 光學的 | 按 | 500 | 640×480 |
URO | Digital Persona URU4000B | 光學的 | 按 | 700 | 500×550 |
AEO | Authentec AES2501 | 光學的 | 掃 | 500 | 未固定 |
ATC | ATRUA | 電容式 | 掃 | 250 | 124×400 |
SWC | Aymware SW6888 | 電容式 | 掃 | 500 | 288×384 |
AEC | Authentec AES3400 | 電容式 | 按 | 500 | 144×144 |
軟板 | FPC1011C | 電容式 | 按 | 363 | 152×200 |
TCC | UPEK TCRU2C | 電容式 | 按 | 500 | 208×288 |
4.最新方法概述
文獻中大多數現有方法都是爲特定技術類型設計的。因此,當通道指紋和探針指紋都來自不同的傳感器時,它們的性能會下降。最近的工作顯示了各種指紋傳感器設備對指紋系統的匹配錯誤率(EER)的影響。Jain和Ross [ 25 ]通過收集具有光學和電容式傳感器的160個人的指紋研究了傳感器的互操作性問題。他們研究了一些匹配系統的性能,以匹配使用不同傳感器獲得的指紋,發現其性能明顯下降。當從光學傳感器收集的指紋與電容傳感器的指紋相匹配時,設備間的EER增加到23.13%。Modi等。[[2 ]研究了指紋傳感器互操作性對基於細節的匹配器的性能(以錯誤的不匹配率表示)的影響。他們制定了一個統計分析框架,以檢查細節量,指紋質量以及本機和可互操作數據集的性能之間的相似性。盧吉尼等。[ 3 ]從統計學的角度分析了傳感器的互操作性問題,以測量用於註冊和驗證的傳感器不同時匹配分數的變化。這項研究是在一個私人數據庫上進行的,該數據庫除了使用基於墨水的指紋的掃描版本外,還使用四個不同的光學傳感器進行了收集。梅森等。[ 4]使用與[ 3 ] 相同的數據集研究了互操作性對不同匹配器的影響。這些研究表明,指紋傳感器的互操作性對現有自動指紋識別系統的匹配性能有重大影響。當使用不同的傳感器進行註冊和查詢時,性能會大大下降。
很少有研究集中在最小化傳感器互操作性的影響上。爲了解決光學傳感器之間互操作性差的影響,Marasco等人(2002年)提出。[ 26 ]提出了一種利用各種類型的功能和分類器的方法,該方法是針對跨設備和設備內匹配而開發的。所採用的功能基於圖像質量,基於指紋強度的特徵和細節量。實驗是在私有數據庫上進行的。結果表明,這種方法從錯誤的不匹配率方面改善了跨設備匹配。據觀察,僅基於強度的特徵隨用於捕獲指紋的傳感器的類型而變化。在[ 5],提出了一種非線性校準方法,以解決使用薄板樣條(TPS)模型的傳感器互操作性問題。該技術產生了定義兩個傳感器之間空間關係的平均變形模型。這種方法不是完全自動化的。參數取決於手動選擇的控制點。
一些工作已經研究了規模對跨傳感器匹配的影響,並進行了一些改進。任等人。[ 27 ]提出了一種基於平均嶺間距離的方案,以計算生成要匹配的兩個指紋的放大視圖所需的比例。實驗是在FVC2002(不是跨傳感器數據庫)上進行的。Zang等。[ 28 ]提出了一種估計兩個指紋之間最佳比例的方法。在這種方法中,首先使用山脊距離圖粗略地計算全局比例,然後在所有可匹配的細節對中確定局部精細比例的直方圖。使用FingerPass數據庫中的四個數據集評估了該方法。在[ 29],通過引入比例信息修改了Minutia圓柱代碼。這些研究表明,合併規模信息可以增強跨設備指紋匹配的性能。
從以上討論可以明顯看出,很少有研究調查指紋傳感器的互操作性問題,它們在解決該問題上的貢獻微不足道。因此,這仍然是一個挑戰。諸如指紋紋理變化和使用不同傳感器時出現的指紋變形等主要問題尚未得到適當解決。
5.指紋增強方法
指紋增強方法在特徵提取之前通過增強脊結構來提高圖像質量起着重要作用[ 30 ]。解決跨傳感器匹配問題時,增強方法的作用變得至關重要,因爲使用不同傳感器捕獲的指紋包括不同類型的噪聲和微紋理圖案。爲了評估現有指紋增強方法在指紋傳感器互操作性問題上的潛力,我們分析了兩種最新方法的影響:(i)HONG,Hong等人使用的方法。[ 31 ],其中通過應用調整到局部脊的方向的一組Gabor濾波器來增強指紋,以及(ii)CHIK,由Chikkerur等人採用的方法。[ 32],其中使用短時傅立葉變換(STFT)進行指紋增強。在CHIK中,首先將指紋劃分爲小的重疊窗口,然後將STFT應用於每個窗口。脊頻率,脊取向和塊能量是根據傅立葉頻譜估算的。然後應用上下文過濾來增強指紋。
圖4顯示了使用三個不同傳感器及其增強版本捕獲的三個指紋的放大視圖。HONG處理的增強指紋的平滑脊比CHIK處理的平滑。但是,仔細觀察發現,這兩種增強方法都無法保留指紋的原始脊紋圖案,並且無法產生多餘的細節點和脊紋。結果,這兩種方法不能被認爲是魯棒的,以解決傳感器互操作性所涉及的挑戰。
(a)用三個不同的傳感器捕獲的同一根手指的指紋,(b)使用Hong等人的方法增強了相應的指紋。(c)使用Chikkerur等人增強的相應指紋。方法。
作爲概念證明,我們使用VeriFinger和MCC算法進行了三個實驗(詳細說明請參見7.1節),以測試增強效果。表2顯示了實驗結果。增強後的EER較低,並且HONG優於CHIK。儘管增強後效果更好,但改善並不顯着,這很可能是由於兩種增強方法都不能精確地保留山脊圖案和細節,而無論使用哪種傳感器並形成判別式都不會改變交叉傳感器匹配時的內容。由於不同的傳感器由於其技術和捕獲類型而導致不同類型的噪聲和紋理微結構,因此這些方法在這種變化下無法產生一致的結果。
表2
增強前後的VeriFinger和Minutiae圓柱代碼(MCC)算法的匹配錯誤率(EER)。
Gallery | Probe | VeriFinger | MCC | ||||
---|---|---|---|---|---|---|---|
Before Enhancement | HONG | CHIK | Before Enhancement | HONG | CHIK | ||
AEO | AEC | 10.63 | 6.959 | 8.306 | 34.71 | 29.0572 | 33.9610 |
AEO | FPC | 28.98 | 21.007 | 27.422 | 41.25 | 35.4789 | 40.1459 |
FPC | AEC | 38.03 | 29.0856 | 34.8476 | 47.53 | 39.1429 | 45.940 |
6.指紋縮放及其對跨傳感器匹配的影響
指紋由相連的脊組成。所述脊間距離是一個重要的指紋特徵[ 1,33 ],但它是相對於指紋傳感器的互操作性[問題12,13,14,15 ]。它被測量爲兩個相鄰脊之間的平均距離[ 34 ]。圖5顯示來自FingerPass數據庫[ 35 ]的四個指紋,這些指紋是使用四個不同的傳感器從同一對象獲取的;旁邊給出了相應的稀疏指紋以進行比較。稀疏指紋中連續脊之間的間距在不同傳感器捕獲的印痕之間有所不同;即比例尺不同,這會導致真正的指紋匹配失敗。在從同一傳感器獲取指紋的常規匹配方案中,很少出現此問題。
圖6顯示了FingerPass數據庫的每個數據集的嶺間間距的箱形圖。與其他數據集相比,ATC和FPC包含的指紋具有較短的嶺間距離。
已經表明,指紋的規模對跨傳感器匹配有影響[ 28 ]。爲了探索縮放的效果,我們使用VeriFinger和MCC算法進行了三個實驗。我們首先計算要比較的兩個指紋的平均脊間距離,並計算所需的探針指紋比例,作爲比較的指紋的脊間距離的商。表3顯示這些實驗的結果;縮放後,EER大大降低,這表明了縮放的重要性。儘管一些研究建議在指紋匹配系統中增加縮放步驟,但是時間複雜度仍然是現有基於縮放方法的問題,並且需要提取對縮放變化具有魯棒性的特徵。
表3
增強前後的VeriFinger和MCC算法的EER。
Gallery Dataset | Probe Dataset | VeriFinger | MCC | ||
---|---|---|---|---|---|
Before Scale | After Scale | Before Scale | After Scale | ||
AEO | AEC | 10.63 | 3.92 | 34.71 | 18.30 |
AEO | FPC | 28.98 | 17.77 | 41.25 | 30.28 |
FPC | AEC | 38.03 | 23.15 | 47.53 | 33.56 |
7.最先進的匹配方法的性能分析
在本節中,我們將對用於跨傳感器匹配的最新指紋匹配方法進行詳細的性能分析。首先,給出了方法的概述,然後描述了評估協議。
7.1。指紋匹配方法
雖然在修改匹配器天然很少有研究涉及指紋傳感器的互操作性問題,貢獻是邊際和主焦點一直保持在調整失真[ 5,29 ]。使用不同傳感器時出現的主要問題尚未解決。
基於細節的方法被廣泛用於指紋匹配。他們中的大多數使用細節描述。這些方法佔主導地位,因爲與細節有關的信息具有很高的判別力,並且其他功能可以輕鬆地合併到細節描述符中。我們在第2節中對指紋結構的分析表明,細節是可靠的指紋特徵。因此,本研究重點是評估狀態的最先進的三個基於細節-匹配器,其被認爲是用於常規匹配和交叉匹配[比較各種研究工作的基線29,35 ]。
MCC [ 36 ]是基於最新細節的匹配算法。它基於稱爲圓柱體的3D數據結構,該結構是根據細節點和方向的距離構建的。圓柱結構是具有固定編碼長度的平移和旋轉不變量。Bozoroth3 [ 37 ]是由國家標準技術研究院(NIST)開發的基於細節的匹配系統。它僅使用細節的位置和方向來執行匹配。它也是平移和旋轉不變算法。威瑞手指 [ 38]是由Neurotechnology開發的衆所周知的商業匹配算法。它也基於細節,並與其他屬性一起使用細節。
爲了進行評估,我們爲Bozoroth3使用了VeriFinger Extended SDK 9.0,MCC SDK 2.0版和NBIS SDK 5.0版。應該注意的是,VeriFinger和NBIS都使用自己的細節提取算法,而MCC沒有細節提取算法。對於MCC,我們採用了[ 31 ]中提出的細節提取算法。
7.2。評估協議
我們的重點是指紋驗證或身份驗證中的身份驗證。爲了評估匹配性能,我們採用了衆所周知的指標。等錯誤率(EER)是評估性能的基本指標。EER是FMR(錯誤匹配率)和FNMR相等的工作點。FMR是匹配方法錯誤地認爲兩個不同指紋來自同一個人的比率。FNMR是匹配方法認爲同一個人的指紋來自不同個人的比率。
爲了評估評估指紋傳感器互操作性問題的方法,我們考慮兩種匹配方案:(i)常規匹配,即使用同一傳感器獲取的兩個指紋的比較(也稱爲本機設備或設備內匹配),在這種情況下爲EER稱爲本機EER,以及(ii)交叉匹配,即使用不同傳感器捕獲的兩個指紋的比較(也稱爲跨設備或跨設備匹配),在這種情況下,EER被稱爲可互操作(交叉)EER。
7.3。EER分析與討論
表4, 表5 和 表6分別顯示了VeriFinger,MCC和Bozoroth3產生的EER值。VeriFinger的結果在表4,這表明除AEC和FPC分別爲12.83%和5.20%之外,所有本機EER都比可互操作的EER小得多。對於大多數交叉傳感器匹配情況,交叉EER很高。如果探頭傳感器和模板傳感器(FXO,V3O和AEO)均爲光學類型,則在交叉傳感器匹配的情況下,除了URO(也是光學傳感器)之外,交叉EER很小。無論URO是否用作探針或模板,交叉EER都很高,超過20%。當探頭和模板傳感器均爲電容類型(ATC,SWC,AEC,FPC和TCC)時,交叉EER較高。當光學傳感器用作探針,電容傳感器用作模板時(反之亦然),除了TCC以外,交叉EER都很高,這導致EER很小,無論它們是用作探針還是模板,除了URO。在少數交叉傳感器情況下,例如FXO和V3O,FXO和TCC,V3O和TCC以及V3O和AEO(其中一個可以充當探針,而另一個充當模板),交叉EER小於1,而在大多數其他情況下,則比1高得多。這表明VeriFinger通常無法解決跨傳感器匹配問題。
表4
VeriFinger系統產生的EER(%)。
(Template/Probe) | FXO | V3O | URO | AEO | ATC | SWC | AEC | FPC | TCC |
---|---|---|---|---|---|---|---|---|---|
FXO | 0.08 | 0.54 | 2.53 | 2.14 | 26.92 | 3.28 | 7.40 | 36.54 | 0.50 |
V3O | 0.54 | 0.14 | 20.54 | 0.86 | 11.79 | 1.85 | 7.24 | 25.66 | 0.33 |
URO | 2.52 | 20.49 | 0.01 | 20.62 | 41.47 | 19.75 | 27.81 | 43.30 | 17.44 |
AEO | 2.14 | 0.86 | 20.65 | 0.04 | 12.08 | 1.16 | 10.63 | 28.98 | 1.85 |
ATC | 26.89 | 11.79 | 41.47 | 12.09 | 0.67 | 15.56 | 30.32 | 14.14 | 19.06 |
SWC | 3.27 | 1.85 | 19.77 | 1.16 | 15.57 | 0.45 | 12.83 | 31.01 | 3.28 |
AEC | 7.39 | 7.25 | 27.82 | 10.62 | 30.33 | 12.81 | 12.87 | 38.07 | 8.04 |
FPC | 36.56 | 25.66 | 43.35 | 28.99 | 14.13 | 30.99 | 38.03 | 5.20 | 30.62 |
TCC | 0.50 | 0.33 | 17.45 | 1.86 | 19.06 | 3.28 | 8.03 | 30.66 | 0.17 |
表5
MCC系統產生的EER(%)。
(Template/Probe) | FXO | V3O | URO | AEO | ATC | SWC | AEC | FPC | TCC |
---|---|---|---|---|---|---|---|---|---|
FXO | 0.38 | 2.53 | 7.15 | 4.69 | 37.16 | 6.29 | 31.80 | 43.98 | 4.88 |
V3O | 2.53 | 0.90 | 23.53 | 2.85 | 28.49 | 4.51 | 28.88 | 39.67 | 2.60 |
URO | 7.15 | 23.53 | 0.31 | 26.98 | 43.19 | 26.92 | 43.98 | 46.44 | 28.47 |
AEO | 4.69 | 2.85 | 26.98 | 0.92 | 31.59 | 4.97 | 34.71 | 41.25 | 6.81 |
ATC | 37.16 | 28.48 | 43.19 | 31.59 | 9.48 | 32.51 | 47.69 | 33.48 | 37.83 |
SWC | 6.28 | 4.51 | 26.92 | 4.96 | 32.50 | 3.07 | 36.88 | 41.45 | 11.11 |
AEC | 31.80 | 28.88 | 43.98 | 34.71 | 47.70 | 36.88 | 43.18 | 47.53 | 32.05 |
FPC | 43.98 | 39.67 | 46.44 | 41.25 | 33.48 | 41.45 | 47.53 | 25.37 | 41.89 |
TCC | 4.88 | 2.60 | 28.47 | 6.81 | 37.83 | 11.11 | 32.05 | 41.89 | 2.50 |
表6
通過Bozoroth3方法產生的EER(%)。
(Template/Probe) | FXO | V3O | URO | AEO | ATC | SWC | AEC | FPC | TCC |
---|---|---|---|---|---|---|---|---|---|
FXO | 38.51 | 47.98 | 49.72 | 49.03 | 49.64 | 49.00 | 48.68 | 50.44 | 49.33 |
V3O | 47.97 | 2.65 | 34.16 | 38.03 | 49.44 | 11.37 | 47.01 | 50.03 | 33.50 |
URO | 49.72 | 34.14 | 0.58 | 38.85 | 49.42 | 35.66 | 45.70 | 49.99 | 7.83 |
AEO | 49.02 | 38.06 | 38.84 | 41.33 | 50.18 | 39.70 | 47.53 | 50.71 | 35.56 |
ATC | 49.60 | 49.43 | 49.43 | 50.17 | 12.43 | 49.98 | 48.69 | 50.16 | 49.06 |
SWC | 48.97 | 11.38 | 35.68 | 39.69 | 49.97 | 5.51 | 47.18 | 50.92 | 32.90 |
AEC | 48.67 | 47.02 | 45.69 | 47.52 | 48.70 | 47.21 | 36.54 | 48.54 | 45.29 |
FPC | 50.45 | 50.05 | 49.96 | 50.71 | 50.24 | 50.91 | 48.56 | 40.95 | 49.68 |
TCC | 49.32 | 33.55 | 7.88 | 35.56 | 49.04 | 32.92 | 45.31 | 49.71 | 4.95 |
MCC系統結果顯示在 表5,這表明光學傳感器的固有EER比電容傳感器的EER小得多。對於大多數交叉傳感器匹配情況,交叉EER很高。如果探針傳感器和模板傳感器(FXO,V3O和AEO)均爲光學類型,則在交叉傳感器匹配的情況下,除了URO(也是光學傳感器)之外,交叉EER相對較小。不管是否使用URO作爲探針或模板,交叉EER都很高,超過23%。當探頭和模板傳感器均爲電容類型(ATC,SWC,AEC,FPC和TCC)時,交叉EER很高。當光學傳感器用作探針,電容傳感器用作模板時(反之亦然),除了TCC以外,交叉EER都很高,這導致相對較小的EER,無論它們是用作探針還是用作模板以外的模板URO。在幾乎所有交叉傳感器匹配的情況下,交叉EER都高得多。這表明,一般而言,MCC對於跨傳感器匹配問題的執行效率最低。
Bozoroth3方法的EER結果顯示在 表6,這表明所有本機EER(URO除外)和所有可互操作的EER都很高。這種方法不僅在跨傳感器匹配方面表現不佳,而且在從同一傳感器捕獲探針和模板指紋的自然匹配方面也表現不佳。
從上面的結果和討論中,我們可以看到,儘管VeriFinger的性能優於MCC和Bozoroth3方法,但對於跨傳感器匹配,其結果也很差。爲了進一步比較,表7總結了交叉匹配和常規匹配的三種方法的中位數和平均EER;請注意,當列出的數據集用作圖庫集而其餘數據集用作探針集時,將計算均值和中值交叉EER。該表還宣佈VeriFinger爲贏家,但請注意,它無法產生良好的跨傳感器匹配結果;最小中值交叉EER爲2.9(當FXO用作畫廊集時),最小平均交叉EER爲8.6(當V3O用作畫廊集時)。
表7
被測系統產生的本機EER,中值和平均跨設備EER值。
(Template/Probe) | VeriFinger | MCC | Bozoroth3 | ||||||
---|---|---|---|---|---|---|---|---|---|
Native EER | Median cross-EER | Mean cross-EER | Native EER | Median cross-EER | Mean cross-EER | Native EER | Median cross-EER | Mean cross-EER | |
FXO | 0.08 | 2.9 | 9.98 | 0.38 | 6.72 | 17.31 | 38.51 | 49.18 | 49.23 |
V3O | 0.14 | 4.55 | 8.6 | 0.9 | 14.02 | 16.63 | 2.65 | 42.52 | 38.94 |
URO | 0.01 | 20.55 | 24.17 | 0.31 | 27.72 | 30.83 | 0.58 | 42.28 | 38.91 |
AEO | 0.04 | 6.39 | 9.79 | 0.92 | 16.89 | 19.23 | 41.33 | 43.62 | 43.7 |
ATC | 0.67 | 17.31 | 21.41 | 9.48 | 35.32 | 36.49 | 12.43 | 49.51 | 49.56 |
SWC | 0.45 | 8.05 | 11.09 | 3.07 | 19.02 | 20.58 | 5.51 | 43.44 | 39.59 |
AEC | 12.87 | 11.72 | 17.79 | 43.18 | 35.79 | 37.94 | 36.54 | 47.36 | 47.33 |
FPC | 5.2 | 30.8 | 31.04 | 25.37 | 41.67 | 41.96 | 40.95 | 50.15 | 50.07 |
TCC | 0.17 | 5.66 | 10.15 | 2.5 | 19.79 | 20.71 | 4.95 | 40.44 | 37.91 |
表7表示VeriFinger在ATC,FPC和URO數據集上具有很高的中值和平均交叉EER。使用電容掃描傳感器收集ATC,而使用電容壓力傳感器獲得FPC。這是兩個圖像分辨率最低的數據庫。URO是通過壓力相互作用型的光學傳感器收集的。相反,在V3O和FXO上獲得最低的中位數和平均可互操作EER,這是使用光學壓力傳感器捕獲的。儘管指紋的分辨率會影響VeriFinger的性能,但即使是高分辨率的指紋,其匹配結果也不是很好。FXO,V3O,URO和AEO也包含高分辨率指紋。
對於MCC,最低交叉EER中位數和平均交叉EER分別爲6.72%和16.63%,遠高於VeriFinger的中值。交叉EER最高的是FPC,AEC和ATC數據集,這些數據是使用電容傳感器收集的。相反,通過V3O和FXO獲得的最低平均可互操作EER是使用光學壓力傳感器捕獲的。
對於Bozoroth3,最低的中位數交叉EER和平均交叉EER在V3O上分別爲42.52%,在TCC上爲37.91%,這些值遠高於VeriFinger和MCC。交叉EER最高的是FXO,ATC和FPC數據集;ATC和FPC數據集是從電容傳感器收集的,而FXO數據集是從光學壓力傳感器收集的。總體而言,此方法的交叉EER遠高於VeriFinger和MCC。這三種方法在ATC和FPC上產生更高的交叉EER,這很可能是由於指紋的分辨率。
爲了進一步瞭解這三種交叉傳感器匹配方法的性能,我們選擇了一個光學傳感器(V3O)和一個電容傳感器(ATC),並繪製了檢測誤差折衷(DET)曲線。 圖7 和 圖8顯示了將ATC和V3O用作圖庫並將其餘數據集用於探針時,三種方法在跨設備匹配情況下的DET曲線。這些曲線進一步驗證了VeriFinger在跨傳感器匹配方面優於MCC和Bozoroth3,但其性能也很低。
7.4。傳感器技術和交互類型的性能分析
此外,我們根據傳感器的技術類型檢查了這三種方法的跨傳感器匹配性能。在這種情況下,數據集可以分爲兩類:光學的和電容的。共有四種交叉傳感器匹配方案:(i)光學與光學,其中探頭和通道均由光學傳感器捕獲,但類型不同;(ii)電容與電容,其中探頭和通道均爲(iii)光學與電容式傳感器,但使用不同類型的電容式傳感器捕獲,其中探頭由光學傳感器捕獲,通道由電容式傳感器捕獲,並且(iv)方案(iii)的相反。光學組包含通過AEO的FXO,而電容組包含通過TCC的ATC。圖9顯示了四種情況下三種方法的平均交叉EER。對於每種情況,均考慮了所有對應的交叉匹配情況,計算出平均交叉EER,如表2, 表3 和 表4 對於每種方法。 圖9表示對於光學方案與光學方案,獲得最低的交叉EER,而電容方案與電容方案的平均交叉EER最高。儘管每組的最佳性能都是由VeriFinger獲得的,但它也導致較高的平均交叉EER。
爲了檢查傳感器交互類型對跨傳感器匹配的影響,將數據集分爲兩類:按下和清除。共有四種交叉傳感器匹配方案:(i)掃動與掃動,其中使用掃動交互類型的不同傳感器同時捕獲探針和通道集;(ii)壓機與壓力機,同時捕獲探針和通道集(iii)掃視與壓力機,其中探頭組由掃動交互型傳感器捕獲,畫廊組由新聞交互型傳感器捕獲,以及(iv)與方案(iii)相反。掃描組包含AEO,ATC和SWC,而新聞組包含所有其他數據集。圖10顯示每種情況下三種方法的平均交叉EER。結果表明,對於掃描與掃描場景,使用VeriFinger獲得的最低平均交叉EER。其他三個類別的平均交叉EER相同。就這些方法的比較性能而言,在這裏可以觀察到與技術類型相似的趨勢。在這三種方法中,VeriFinger的平均交叉EER最低,但其性能也遠非最佳。
爲了檢驗技術類型以及傳感器的交互類型對跨傳感器匹配性能的影響,以下三種方法的平均交叉EER如下所示: 圖11適用於不同的跨傳感器匹配方案。數據集分爲四組:光學印刷機(FXO,V3O和URO),光學掃描(AEO),電容掃描(ATC和SWC)和電容印刷機(AEC,FPC和TCC)。應該注意的是,在光掃描類別中只有一個數據集(AEO)。如圖所示,共有16種跨傳感器匹配方案,例如光學印刷機與光學印刷機,光學掃描與光學掃描以及光學印刷機與光學掃描。圖11。對於每種情況,平均交叉EER均由表4, 表5 和 表6 考慮到相應的情況,例如,通過考慮所有交叉傳感器匹配的情況(其中不同的光學傳感器用於探針和通道)來計算光學印刷機與光學印刷機的平均交叉EER。
圖11表明在所有方案中(不包括光學掃描和光學掃描),這三種方法的最低平均交叉EER分別適用於光學印刷機和光學印刷機。在三種方法中,VeriFinger的平均交叉EER最低。請注意,光掃描與光掃描是本機匹配方案,因爲此方案只有一個數據集。對於所有其他情況,平均交叉EER很高。儘管在三種方法中,VeriFinger的平均交叉ERR最低(5.27%)(對於光學印刷機還是光學印刷機),但這個結果遠非最佳。
檢查了三種最新方法的性能,包括常規匹配,跨傳感器匹配和跨傳感器匹配,同時查看技術類型,交互類型以及結合交互類型的技術類型。該分析表明,儘管與MCC和Bozoroth3相比,VeriFinger提供了更好的跨傳感器匹配結果,但其性能也不是跨傳感器匹配的最佳選擇。得出的結論是,有必要爲跨傳感器匹配問題開發新的算法。
8.結論與未來工作
我們對指紋傳感器的互操作性問題進行了大規模分析。我們提供有關指紋傳感器互操作性問題的實際問題的見解。在使用不同傳感器捕獲的指紋中,會出現低級的結構不一致和失真。此處顯示,增強算法對跨傳感器匹配具有重大影響。我們還分析了公共多傳感器數據庫上三種最新方法的交叉匹配性能。
由於傳感器之間在捕獲技術,交互類型,傳感器分辨率和掃描區域方面的差異,在使用不同傳感器捕獲的指紋中引入了幾種變體。這些變化表現爲指紋紋理和細小的隆脊細節(如寬度,孔和隆脊間距)不一致,從而難以提取由不同傳感器捕獲的指紋的歧視性描述。但是,脊紋和細節點在不同的傳感器之間是不變的,並且形成了用於跨傳感器匹配的指紋的區分性描述。面臨的挑戰是增強隆起圖案和細節,同時抑制小範圍的不一致性(例如微紋理圖案)和精細的隆起細節(例如寬度和孔)。爲了評估現有增強方法應對這一挑戰的潛力,我們分析了兩種最先進的增強算法的性能。我們發現,儘管增強方法可以克服此問題並提高交叉匹配性能,但爲常規匹配而設計的現有方法對於交叉傳感器匹配而言仍然不夠魯棒。因此,需要設計可互操作的增強算法,該算法可保留脊模式並抑制不一致的小細節。
對三種最新方法的性能分析表明,當使用同一傳感器進行註冊和驗證時,本地EER通常非常低,特別是對於VeriFinger。當使用不同的傳感器進行註冊和驗證時,即使對於性能最佳的VeriFinger方法,性能也會大大降低。這凸顯了跨設備匹配的研究挑戰。事實證明,VeriFinger是三種匹配方法中最好的一種。它產生的EER值低於MCC和Bozoroth3。VeriFinger還將Minutiae以及其他一些屬性(如山脊數量)一起使用,這突顯了將Minutiae與其他功能融合可以對減少互操作性問題產生積極影響。
基於傳感器技術類型的交叉傳感器匹配分析表明,光學傳感器的平均交叉EER相對較低。相比之下,對於所有三種匹配方法,電容式傳感器產生的平均交叉EER最差。因此,交叉傳感器匹配的最佳選擇是使用光學傳感器進行註冊和驗證。
基於傳感器的技術類型和交互類型的交叉傳感器匹配分析顯示,對於三種方法,具有壓力交互類型的光學傳感器的平均交叉EER最低。相比之下,具有壓力相互作用類型的電容式傳感器產生的平均交叉EER最差。此外,電容掃描與電容壓制(反之亦然)導致較高的平均交叉EER。因此,無論是壓力傳感器還是壓力傳感器,光學壓力傳感器之間的互操作性都比電容傳感器更好。
除了傳感器的技術類型和交互類型之外,指紋的大小和分辨率還會對錯誤率產生重要影響。必須研究不同變換模型(例如縮放比例和分辨率補償模型)對跨傳感器匹配的影響。還應檢查傳感器的技術類型和交互類型對圖像質量的影響。
大多數系統僅使用指紋的單一印象來提取特徵。但是,應該研究使用指紋的多次印記來捕獲更多特徵的效果,以獲得更好的結果。
我們對指紋傳感器互操作性問題的研究表明,使用不同技術類型和交互類型的傳感器捕獲的指紋涉及不同類型的變形和小範圍的不一致性,例如微紋理圖案和孔。此外,指紋的大小和分辨率不同。在用不同的傳感器捕獲的指紋中,主要結構不變,包括隆起圖案,隆起方向和細節。有鑑於此,未來的研究應該開發出用於跨傳感器匹配的指紋增強算法,該算法可以增強脊紋和細節,並抑制諸如微紋理圖案之類的不一致性。用不同傳感器捕獲的指紋的大小和分辨率各不相同。
參考文獻