Identifying the Origin of Finger Vein Samples Using Texture Descriptors
University of Salzburg(萨尔茨堡大学)
识别生物识别系统中的样本图像的来源对于在针对系统的攻击的情况下的数据认证以及对于在传感器异构环境中启动传感器特定的处理流水线可以是有益的。针对基于光响应非均匀性(PRNU)的方法在生物特征识别方面的不足,我们使用纹理分类方法来检测手指静脉样本图像的起源。基于八个公开可用的手指静脉数据集,并应用八个经典而简单的纹理描述符和SVM分类,我们展示了优秀的传感器模型识别结果的原始手指静脉样本,以及更具有挑战性的感兴趣区域的数据。观察到的结果建立纹理描述符作为有效的竞争对手PRNU在手指静脉传感器模型识别。
2021-02-08 cs.CV
Fusion of Methods Based on Minutiae, Ridges and Pores for Robust Fingerprint Recognition
Unesp - Brazil(巴西圣保罗大学(Unesp - 巴西))
使用物理和行为特征进行身份识别被称为生物识别。在众多生物特征中,指纹是使用最广泛的。指纹识别是基于指纹的印痕模式,指纹的印痕模式包括指纹的纹线模式和指纹的细节点模式,分别是指纹的第一级特征和第二级特征。由于传感器的低成本,当前的识别系统使用这两个级别的指纹特征。然而,由于传感器技术的最新进展,可以使用存在于脊内的第三级特征,例如汗孔。最近的研究表明,使用第三级特征可以提高生物识别系统的安全性和欺诈保护,因为它们很难复制。此外,由于多生物特征识别的诸多优点,近年来的研究也集中在多生物特征识别上。这项工作的目标是应用融合技术的指纹识别,以结合细节,脊和孔为基础的方法,从而提供更强大的生物识别系统。对基于各向同性和自适应的自动毛孔提取方法以及基于毛孔的方法与基于细节点和脊线的识别方法的融合进行了评价。实验在公共数据库PolyU HRF上进行,与单独使用这些方法获得的最佳结果相比,相等出错率降低了约16%。
2018-05-28 cs.CV
Fully Automated Binary Pattern Extraction For Finger Vein Identification using Double Optimization Stages-Based Unsupervised Learning Approach
University of Diyala(迪亚拉大学)
如今,手指静脉识别作为一种潜在的生物识别框架解决方案越来越受欢迎。基于机器学习的无监督、有监督和深度学习算法目前对手指静脉检测和识别产生了重大影响。另一方面,深度学习需要大量的训练数据集,这些数据集必须手动生成和标记。在这项研究中,我们提供了一个完全自动化的无监督学习策略来创建训练数据集。我们的方法旨在完全自动地提取和构建一个体面的二进制掩码训练数据集。在该技术中,设计并采用了两个优化步骤。优化的初始阶段是创建一个完全自动化的无监督图像聚类的基础上手指静脉图像定位。在第二次优化中采用全球手指静脉图案方向估计来优化检索到的手指静脉线。最后,该系统实现了99.6%的模式提取准确率,这是显着高于其他常见的无监督学习方法,如k-means和模糊C-均值(FCM)。
2022-05-08 cs.AI cs.CV
Victory Sign Biometric for Terrorists Identification
Mu'tah University(穆塔大学);Al-Hussein Bin Talal University(侯赛因·本·塔拉尔大学)
覆盖面部和所有身体部位,有时识别一个人的唯一证据是他们的手的几何形状,而不是整个手-只有两个手指(食指和中指),同时显示胜利的迹象,正如许多恐怖分子的视频中所看到的那样。本文首次探讨了一种新的方法来识别人,特别是(恐怖分子)从他们的胜利标志。我们在这方面建立了一个新的数据库,使用手机摄像头,对两届会议期间50个不同的人的胜利标志进行成像。除了手指区域的Hu矩之外,还使用手指的简单测量来提取分割后所示的手的所示部分的几何特征。使用KNN分类器的实验结果是令人鼓舞的大多数记录的人,约40%至93%的总识别精度,这取决于功能,距离度量和K使用。
2016-02-26 cs.CV
Using Wavelet Domain Fingerprints to Improve Source Camera Identification
Department of Mathematical Sciences, University of Bath, Claverton Down(数学科学系,巴斯大学,克劳尔顿山)
该研究提出小波域指纹概念,将指纹处理从图像域改至小波系数域,简化流程并降低计算成本,适用于大规模源相机识别。
2026-08-25 cs.CV eess.IV stat.AP
DWT Based Fingerprint Recognition using Non Minutiae Features
Cambridge Institute of Technology(剑桥理工学院);University Visvesvaraya College of Engineering(维斯瓦瓦拉亚工程大学学院);Bangalore University(班加罗尔大学);Seemanta Engineering College(西曼塔工程学院);F.M. University(F.M.大学)
刑事调查、恐怖分子识别和国家安全问题等法医应用需要强大的指纹数据库和高效的识别系统。本文提出了一种基于小波变换的非细节点指纹识别算法。采用三层小波变换将指纹图像分解为LL、LH、HL和HH四个多分辨率子带。仅在LL频带上计算主导局部取向角θ和相干性。中心区域特征和边缘参数通过考虑所有四个子带在每个DWT级别上确定。基于各特征的欧氏距离确定测试指纹与数据库指纹的比较。与现有算法相比,FAR、FRR和TSR的值得到了改善。
2011-06-17 cs.CV
An Efficient Method for Recognizing the Low Quality Fingerprint Verification by Means of Cross Correlation
SVSCE;SKCET
在本文中,我们提出了一种有效的方法来提供个人身份识别使用指纹,以获得更好的准确性,即使在嘈杂的条件下。长期以来,指纹匹配一直采用基于特征点对个数的匹配方法,但这种方法对于低质量的指纹识别效率不高。为了克服这个问题,相关技术的使用。基于相关性的指纹验证系统能够处理不能可靠地提取细节点的低质量图像,以及遭受非均匀形状失真的指纹,也能够处理损坏和部分图像的情况。方向场方法(OFM)已被用作预处理模块,它将图像转换成基于指纹图像中的脊,环和分叉的方向的场模式。然后将输入图像与聚类中的所有图像进行交叉相关(CC),并将最高相关图像作为输出。实验结果表明,该方案采用场方向互相关(CCFO = OFM + CC)进行指纹识别,具有较好的识别率。
2013-11-13 cs.CV
Using CNNs to Identify the Origin of Finger Vein Image
University of Salzburg(萨尔茨堡大学)
我们使用深度学习方法研究手指静脉(FV)传感器模型识别任务。到目前为止,对于这种生物特征模态,仅应用了基于相关性的PRNU和基于纹理特征的方法。我们采用了五个突出的CNN架构,涵盖了广泛的CNN系列模型,包括VGG 16,ResNet和Xception模型。此外,在这项工作中,提出了一种新的架构称为FV 2021,它优于其紧凑性和少量的参数进行训练。实验中使用了原始样本以及来自8个公开访问的FV数据集的感兴趣区域数据。一个优秀的传感器识别AUC-ROC评分为1.0补丁的未裁剪的样品和0.9997的ROI样品已经实现。与以往方法的比较表明,基于CNN的方法是优越的,改善了结果。
2021-03-02 cs.CV
Automatic Fingerprint Recognition Using Minutiae Matching Technique for the Large Fingerprint Database
Khulna University of Engineering & Technology(库尔纳工程技术大学)
指纹特征点提取是自动指纹识别系统中最重要的步骤之一。由于细节点匹配无疑是最知名和最广泛使用的指纹匹配方法,细节点是指纹图案中的局部不连续性。本文提出了一种基于细节点特征的指纹匹配算法,该算法通过为大型指纹数据库生成相应的指纹模板,使获取的指纹图像尺寸最小化。与其他方法的结果进行了比较,结果表明,该方法在细节点检测过程中,在内存和时间上都有一定的改进。
2013-04-08 cs.CV
Robust Pose Invariant Shape and Texture based Hand Recognition
School of Computer Science and Software Engineering, The University of Western Australia(西澳大学计算机科学与软件工程学院)
本文提出了一种新的个人身份识别和验证系统,利用信息提取的手的形状和纹理。该系统有两个主要的组成模块:一个全自动和强大的peg自由分割和姿态归一化模块,和一个识别模块。在第一个模块中,手从其背景分割使用阈值技术的基础上大津的方法结合肤色检测器。然后提出了一套全自动的算法来分割手掌和手指。在这些算法中,估计手和手指的骨架和轮廓,并用于确定手的全局姿态和每个单独手指的姿态。最后,手掌和手指被裁剪,姿势校正和标准化。在识别模块中,提取各种基于形状和纹理的特征并用于匹配目的。采用改进的Hausdorff距离、迭代最近点(ICP)和独立分量分析(ICA)算法对手指的形状和纹理特征进行提取。对于掌纹,我们使用离散余弦变换(DCT),方向线特征和ICA。识别(识别和验证)测试进行融合策略的基础上的手指和手掌的相似性分数。实验结果表明,该系统在560个不同受试者的数据库中,手部识别和验证的准确率(出错率相等)超过98%,具有较好的性能.
2019-12-22 cs.CV
A Robust Algorithm for Contactless Fingerprint Enhancement and Matching
Visual Computing Technologies PVT(视觉计算技术私人有限公司);Abasyn University Islamabad Campus(阿巴辛大学伊斯兰堡校区);Technology Control Company(技术控制公司);School of Computer Science & Engineering, UNSW(新南威尔士大学计算机科学与工程学院)
针对非接触式指纹图像的特性带来的增强难题,研究提出含改进频率估计、区域质量细节点提取及编码匹配的识别方案,在PolyU数据集上EER低至2.84%,性能优于现有技术。
2024-08-18 cs.AI cs.CV
Beyond PRNU: Learning Robust Device-Specific Fingerprint for Source Camera Identification
Manipal Institute of Technology, Manipal Academy of Higher Education(曼尼帕尔理工学院,曼尼帕尔高等教育学院);Deakin University(迪肯大学)
源相机识别工具帮助图像取证调查人员将有问题的图像与可疑相机相关联。基于对采集过程中图像中留下的细微痕迹的分析,已经开发了各种技术。由传感器缺陷引起的光响应非均匀性(PRNU)噪声模式已被证明是识别源相机的有效方法。现有文献表明,PRNU是唯一的指纹,是设备特定的,能够识别确切的源设备。然而,PRNU易受相机设置、图像内容、图像处理操作和反取证攻击的影响。一个不知道反法医攻击或偶然的图像处理的法医调查员有被误导的风险。在两个PRNU的匹配期间的空间同步要求也表示PRNU的主要限制。近年来,基于深度学习的方法已经成功地识别源相机模型。然而,通过这些数据驱动的方法识别同一型号的单个相机仍然不能令人满意。在本文中,我们揭示了一个新的强大的数据驱动的设备特定的指纹在数字图像中,这是能够识别同一型号的各个摄像头的存在。研究发现,新的设备指纹具有位置无关性、随机性和全局可用性,解决了空间同步问题。与驻留在高频带的PRNU不同,新的设备指纹是从低频和中频带提取的,这解决了PRNU无法应对的脆弱性问题。我们在各种数据集上的实验表明,新的指纹是高度弹性的图像操作,如旋转,伽玛校正,和积极的JPEG压缩。
2021-11-03 cs.CR cs.CV eess.IV
Fingertip Detection: A Fast Method with Natural Hand
CEERI/CSIR Pilani(中央电子工程研究所/印度科学工业研究理事会(皮拉尼));Don Bosco University(唐博斯科大学);BITS Pilani(皮拉尼比尔拉理工学院)
许多基于视觉的应用已经在其应用中使用指尖来跟踪或操纵手势。手势识别是一种将信号传递给机器的自然方式,因为人类大部分时间都用手势表达自己的情感。这里描述了一种新的时间有效的算法用于指尖检测。该方法对手的方向具有不变性,并且在预处理时只从整幅图像中分割出手的一部分,因此进一步的计算将比处理整幅图像快得多。该方法首先利用基于HSV颜色空间的皮肤滤波器生成输入图像的二值轮廓,然后根据手部图像的亮度直方图进行手部裁剪
2012-12-01 cs.CV
PRNU Based Source Camera Identification for Webcam and Smartphone Videos
atlanTTic research center for Telecommunication Technologies, University of Vigo(维戈大学 atlanTTic 电信技术研究中心)
这篇文章是关于图像取证的应用,我们使用摄像头传感器指纹来识别网络摄像头/智能手机视频中的源摄像头(SCI:源摄像头识别)。传感器或相机指纹是基于计算由于制造缺陷而始终存在于此类传感器中的固有噪声。这是将每个传感器与其噪声模式联系起来的不可避免的特性。PRNU(照片响应非均匀性)已成为计算相机指纹的默认技术。现在有许多应用程序处理PRNU模式的相机识别使用静止图像。在这项工作中,我们专注于视频,首先是网络摄像头视频,然后是智能手机视频。网络摄像头和智能手机是当今最常用的摄像机。在这项工作中,三种可能的方法SCI的实施和评估。
2022-01-27 cs.CV eess.IV
A Novel Technique of Noninvasive Hemoglobin Level Measurement Using HSV Value of Fingertip Image
Blood Center of Wisconsin(威斯康星血液中心);AmaderGram
在过去的十年中,智能手机已经发生了根本性的变化,以支持我们的mHealth技术,云计算和机器学习算法。有其多方面的设施,我们提出了一种新的基于智能手机的非侵入性血红蛋白(Hb)水平预测模型,通过分析指尖视频的色调,饱和度和值(HSV)。在这里,我们收集了来自两个不同地点的60名受试者的60个视频:美国威斯康星州血液中心和孟加拉国AmaderGram。我们提取智能手机摄像头在闪光灯开启时拍摄的视频中所选图像的红、绿、蓝(RGB)像素强度,然后将指尖视频中所选视频帧的RGB值转换到HSV颜色空间,并生成这些HSV像素强度的直方图值。我们对指尖视频的这些直方图值进行平均,并将其视为对金标准Hb浓度的观察。我们根据对两个不同数据集的观察生成两个输入特征矩阵。偏最小二乘(PLS)算法应用于输入的特征矩阵。通过我们的研究,我们在两个数据集中观察到R2=0.95。我们使用Python OpenCV,Matlab和R统计工具分析数据。
2019-10-07 cs.CV eess.IV
Deep Encoder-Decoder Neural Network for Fingerprint Image Denoising and Inpainting
Chongqing Normal University(重庆师范大学)
指纹图像去噪是指纹识别中非常重要的一步。为了提高指纹图像的去噪效果,设计了一种基于深度编解码器网络的指纹去噪算法,编码器子网学习含噪图像的指纹特征,解码器子网根据特征重构原始指纹图像实现去噪,同时在网络中使用扩张卷积,在不增加复杂度的情况下增加受体场,改善网络推理速度此外,通过引入残差学习,实现了网络不同层次的特征融合,进一步还原了指纹的细节特征,提高了去噪效果。实验结果表明,该算法能较好地恢复指纹图像的边缘、直线和曲线特征,与其他方法相比,具有更好的视觉效果和更高的峰值信噪比(PSNR)。
2020-05-03 cs.CV eess.IV
Minutiae Extraction from Fingerprint Images - a Review
University of Delhi(德里大学);Keshav Mahavidyalaya, University of Delhi(德里大学凯沙夫 Mahavidyalaya)
指纹是最古老和最广泛使用的生物识别形式。众所周知,每个人都有独特的、不可改变的指纹。由于大多数自动指纹识别系统都是基于局部脊线特征(细节点)的,因此准确地标记细节点并剔除假细节点是非常重要的。然而,由于皮肤和印象条件的变化,指纹图像会退化和损坏。因此,在细节点提取之前采用图像增强技术。指纹自动匹配的一个关键步骤是从输入的指纹图像中可靠地提取细节点。本文介绍了大量的技术,目前在文献中提取指纹细节点。这些技术大致分为那些工作在二值化的图像和那些工作的灰度图像直接。
2011-11-29 cs.CR cs.CV
Feature Level Fusion of Biometrics Cues: Human Identification with Doddingtons Caricature
Dr. B. C. Roy Engineering College(Dr. B. C. Roy工程学院);Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Jadavpur University(贾达沃普尔大学)
本文提出了一种多模式的指纹和耳朵生物识别系统。基于尺度不变特征变换(SIFT)描述子对人耳和指纹提取的特征集进行融合.融合集采用K-中心点分割方法进行编码,减少了特征点的个数。K-medoids将整个数据集划分为聚类,以最小化属于聚类的数据点与其中心之间的误差。缩减特征集用于两个生物特征集之间的匹配。匹配分数使用Doddington引入的基于用户的特征加权方案生成。该技术进行了测试,以展示其强大的性能。
2010-02-02 cs.AI cs.CV
A leak in PRNU based source identification. Questioning fingerprint uniqueness
University of Florence(佛罗伦萨大学);PIN Scrl(PIN 斯卡尔公司)
照片响应非均匀性(PRNU)被认为是图像源归因任务的最有效的跟踪。它的唯一性确保了从不同相机提取的传感器模式噪声是强不相关的,即使它们属于相同的相机模型。然而,随着计算摄影的出现,大多数最新的设备大量处理所获取的像素,可能会引入非唯一的伪影,这可能会降低PRNU噪声的独特性,特别是当分析中涉及相同设备模型的几个样本时。考虑到PRNU是一种图像取证技术,在全球范围内被执法机构广泛使用,因此必须在最新设备上不断验证此类技术。在本文中,我们对最近发布的45款智能手机和25款DSLR相机型号的33.000多张Flickr图像进行了广泛的测试,以确定该问题的普遍程度以及可能的原因。实验表明,大多数品牌,如三星,华为,佳能,尼康,富士,适马和徕卡,都受到这个问题的强烈影响。我们发现,高误报率的主要原因不能直接关系到特定的相机型号,固件,也不是图像内容。很明显,必须根据这些结果重新考虑基于\prnu的最新器械源识别的有效性。因此,本文件旨在呼吁科学界采取行动,而不是全面处理这一问题。此外,我们认为公布这些数据对于提高人们对执法界PRNU可靠性可能存在的问题的认识非常重要。
2021-04-12 cs.CV eess.IV
Fingerprint Verification based on Gabor Filter Enhancement
University Visvesvariah College of Engineering, Bangalore University(班加罗尔大学维斯瓦瓦拉亚工程学院)
指纹具有唯一性和持久性,是身份识别的可靠特征。指纹图案由脊线、谷线和细节点组成。本文提出了一种基于Gabor滤波增强的指纹鉴别算法,该算法基于9像素邻域进行细节点特征提取和后处理。全局特征提取和指纹增强基于Hong增强方法,该方法能够同时提取局部脊线方向和脊线频率。据观察,灵敏度和特异性值优于现有算法。
2009-12-04 cs.CR cs.CV
SynFi: Automatic Synthetic Fingerprint Generation
UC San Diego(加州大学圣地亚哥分校)
基于人类指纹的认证和识别方法在从政府组织到消费产品的若干系统中无处不在。这些系统的性能和可靠性直接取决于它们所验证的数据量。不幸的是,由于许多隐私和安全问题,大量的指纹数据库是不可公开的。在本文中,我们介绍了一种新的方法来自动生成高保真度的合成指纹的规模。我们的方法依赖于(i)生成对抗网络来估计人类指纹的概率分布,以及(ii)超分辨率方法来合成细粒度纹理。我们严格测试了我们的系统,并表明我们的方法是第一个生成的指纹是计算上无法区分从真正的,现有技术无法完成的任务。
2020-02-16 cs.CV cs.LG eess.IV