تشخیص هویت مبتنی بر بیومتریک اثر بند انگشت با استفاده از گشتاورهای متعامد شبه زرنیک

نویسندگان

1 دانشکده مهندسی کامپیوتر - دانشگاه تربیت دبیر شهید رجایی - تهران

2 دانشکده مهندسی برق، پزشکی و مکاترونیک - دانشگاه آزاد اسلامی واحد قزوین

چکیده

پژوهشگران اخیراً دریافته‌اند الگوی چین و چروک پوست در بخش خارجی بند انگشت که به‌اصطلاح اثر بند انگشت نامیده می‌شود، در افراد مختلف منحصربه‌فرد بوده و می‌تواند به‌عنوان یک مشخصه بیومتریک به کار گرفته شود. بر این اساس در این مقاله، الگوریتمی معرفی می‌شود که به تشخیص هویت انسان با استفاده از تصاویر بند انگشت می‌پردازد. در الگوریتم پیشنهادی، با استفاده از گشتاورهای متعامد شبه زرنیک به‌عنوان یک توصیفگر قدرتمند ویژگی‌های سراسری و محلی تصویر بند انگشت ورودی استخراج شده و سپس با ترکیب آن‌ها بردار ویژگی تصویر تشکیل شده است. در نهایت با استفاده از یک شبکه عصبی پرسپترون با یک لایه مخفی هویت تصویر ورودی مشخص می‌گردد. به‌منظور ارزیابی الگوریتم پیشنهادی، از پایگاه داده تصاویر بند انگشت دانشگاه پلی تکنیک هنگ‌کنگ استفاده شده است. با شبیه‌سازی الگوریتم پیشنهادی و انجام آزمایش‌های گوناگون، بهترین حالت به ازای مقادیر مختلف پارامترهای عملی به‌دست‌آمده است. نتایج آزمایش‌ها نشان می‌دهد که نرخ بازشناسی و نرخ خطای برابر به‌دست‌آمده از سیستم پیشنهادی در حالت تک انگشتی و چند انگشتی، در مقایسه با تحقیقات پیشین، بهبود قابل قبولی به دست آورده است.

کلیدواژه‌ها


عنوان مقاله [English]

Identification Based on Finger Knuckle Print (FKP) using Orthogonal Pseudo Zernike Moments

نویسندگان [English]

  • H. R. Rashidy Kanan 1
  • M. Roozbahani 2
1 Department of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran
2 Department of Electrical, Biomedical and Mechatronic Engineering, Qazvin Branch, Islamic Azad University, Qazvin, Iran
چکیده [English]

Researchers have recently found that skin pattern of the outer surface around the phalange which is called Finger Knuckle Print (FKP), is unique in different people and can be used as a distinct biometric characteristic. In this paper, a new identification system is proposed based on FKP images. In this system, Pseudo Zernike Moments (PZMs) which have the best overall performance in terms of robustness to noise, information redundancy and capability for image representation among the commonly used moments, are utilized for feature extraction. By using PZMs for the whole and partitioned FKP images, the global and local features which are concatenated to create the final feature vector are extracted. In the classification stage, a MLP neural network is utilized. Through considering recognition rate and equal error rate obtained for the proposed method in single instance (finger) and multi instance (finger) scenarios using PolyU FKP database, an acceptable improvement can be observed compared with the previous algorithms.

کلیدواژه‌ها [English]

  • Biometric
  • Finger Knuckle Print (FKP)
  • Personal Identification
  • Pseudo Zernike Moments (PZMs)
  • PolyU FKP
[1] حدیث حیدری، عبداله چاله چاله، "استفاده از الگوریتم بهبودیافته دسته ذرات به منظور تشخیص هویت افراد به کمک عنبیه"، مجله مهندسی برق دانشگاه تبریز، دوره 47، شماره 3، پاییز 1396، صفحه 976-965.
[2] سجاد شفیع‌پور یوردشاهی، میرهادی سیدعربی، علی آقاگل‌زاده، "شناسایی چهره بر اساس ظاهر در رشته‌های ویدئویی"، دوره 45، شماره 2، تابستان 1394، صفحه 83-75.
[3] L. Zhang and D. Zhang, "Finger-Knuckle-Print: A new biometric identifier," Proceeding of the international conference on Image Processing (ICIP 09), pp. 1981-1984, 2009.
[4] D. L. Woodward and P. J. Flyn, "Finger Surface as a biometric identifier" Computer Vision and Image Understanding, vol. 100, pp. 357-384, 2005.
[5] Finger-Knuckle-PrintDatabase,Poly-U, [Online], Available: http://www.comp.polyu.edu.hk/~biometrics/FKP.htm.
[6] L.Zhang and D.Zhang, "Finger-Knuckle-Print Verification based on Band Limited Phse-Only Correlation," in Proc. CAIP (LNCS5702), pp. 141-148, 2009.
[7] L.Zhang, D.Zhang and H.Zhu, "Online Finger-Knuckle-Print verification for personal authentication," Pattern Recognition, vol. 43, pp. 2560-2571, 2010.
[8] J. Yin, J. Zhou, Zh. Jin and J. Yang, "Weighted Linear Embedding and its Applications to Finger-Knuckle-Print and Palmprint Recognition," International workshop on Emerging Techniques and Challenges for Hand-Based Biometrics (ETCHB), pp. 1-4, 2010.
[9] L. Zhang and D. Zhang, "Monogenic Code: A novel Fast Feature Coding Algorithm with Applications to Finger-Knuckle-Print Recognition," International Workshop on Emerging Techniques and Challenges for Hand-Based Biometrics (ETCHB), pp. 1-4, 2010.
[10] A. Morals, C. M. Travieso, M. A. Ferrer and J. B. Alonso, "Improved finger-knuckle-print authentication based on orientation enhancement," Electronic Letters, pp. 1-2, 2011.
[11] A. Meraoumia, S. Chitroub and A. Bouridane, "Fusion of Finger-Knuckle-Print and Palm print for Efficient Multi-Biometric System of Person Recognition," IEEE International conference on Communications(ICC), pp. 1-5, 2011.
[12] L. Zhang, L. Zhang, D. Khang and Z. Guo, "Phase congruency induced local features for finger-knuckle-print recognition," Pattern Recognition, vol. 45, no. 7, pp. 2522-2531, 2012.
[13] G. Gao, J. Yang, J. Qian and L. Zhang, "Integration of multiple orientation and texture information," Neurocomputing, vol. 135, pp. 180-191, 2014.
[14] U. Jayaraman, A.K. Gupta and P. Gupta, "Boosted geometric hashing based indexing technique for finger knuckle print database,"Information Sciences,vol. 275, pp. 30-44, 2014.
[15] Lowe, David G. "Object recognition from local scale-invariant features." Computer vision, 1999. The proceedings of the seventh IEEE international conference on. Vol. 2. IEEE, 1999.
[16] Bay, Herbert, Tinne Tuytelaars, and Luc Van Gool. "Surf: Speeded up robust features." Computer vision–ECCV 2006 (2006): 404-417.
[17] T. Kong, G. Yang, and L. Yang "A hierarchical classification method for finger knuckle print recognition,"EURASIP Journal on Advances in Signal Processing2014:44, 2014.
[18] J. Grover and M. Hanmandlu, "Hybrid fusion of score level and adaptive fuzzy decision level fusions for the finger-knuckle-print based authentication,"Applied Soft Computing, vol. 31, pp. 1-13, 2015.
[19] V. Yadav, V. Bharadi and S.K Yadav, "Texture Feature Extraction using Hybrid Wavelet Type I & II for Finger Knuckle Prints for Multi-Algorithmic Feature Fusion,"Procedia Computer Science, vol. 79,pp. 359-366, 2016.
[20] C.H. The, R.T. Chin, On image analysis by the methods of moments, IEEE Trans. Pattern Anal. Mach. Intell. 10 (4) (1988) 496–513.
[21] M. Oujaoura, R. E. Ayachiand M. Fakir, "Zernike moments and neural networks for recognition of isolated Arabic characters", International Journal of Computer Engineering Science, Vol. 2,Issue 3,2012.
[22] A. Wahi, S. Sundaramurthy and P. Poovizhi, "Handwritten Tamil Character Recognition Using Zernike Moments and Legendre Polynomial", Advances in Intelligent Systems and Computing, pp. 595-603, 2014.
[23] S. Karar and R. Parekh, "Palm Print Recognition using Zernike Moments", International Journal of Computer Applications, Vol. 55, no.16, 2012.
[24] Z. Wen-ming, L. Shao-fa, Z. Xian-gui, A hybrid scheme for off-line Chinese signature verification, in: IEEE Conference on Cybernetics and Intelligent Systems, vol. 2, pp. 1402–1405, 2004.
[25] H.R. Kanan, K. Faez and Y. Gao "Face recognition using adaptively weighted patch PZM array from a single exemplar,"Pattern Recognition, vol. 41, no. 12, pp.3799-3812, 2008.
[26] X. Jing, "Orthogonal Complex Locality Preserving Projections based on Image Space Metric for Finger-Knuckle-Print Recognition," in Proc. Hand-Based Biometrics (ICHB), 2011.
[27] A. Kummar and Y.Zhou, "Personal Identification Using FingerKnuckle Orientation Features," in Electronic Letters, pp. vol.45, pp. 1-8, 2009.
[28] L. Zhang, D. Zhang and H. Zhu, "Ensemble of local and global information for finger-knuckle-print recognition," Pattern Recognition, vol. 44, pp. 1990-1998, 2011.