Распознавание отпечатков пальцев по идентичным отпечаткам пальцев-близнецов

Задумал и спроектировал эксперименты: XT XY JT. Проведены эксперименты: XT XY. Предоставленные реагенты / материалы / инструменты анализа: XY XC. Написал бумагу: XT XC.

Абстрактный

Распознавание отпечатков пальцев у однояйцевых близнецов - сложная задача из-за близких генетических родств, существующих у однояйцевых близнецов. Несколько пионеров проанализировали сходство отпечатков пальцев близнецов. В этой работе мы продолжаем исследовать тему сходства идентичных отпечатков пальцев близнецов. Наше исследование было протестировано на основе большой базы данных идентичных двойных отпечатков пальцев, которая содержит 83 пары близнецов, по 4 пальца на человека и шесть отпечатков на палец: 3984 (83 * 2 * 4 * 6) изображений. По сравнению с предыдущей работой, наш вклад резюмируется следующим образом: (1) Были использованы два современных метода идентификации по отпечатку пальца: P071 и VeriFinger 6.1, а не один метод идентификации по отпечатку пальца в предыдущих исследованиях. (2) Было снято шесть отпечатков на палец, а не только один отпечаток,что делает реальное распределение оценок соответствия более реалистичным. (3) Была собрана более крупная выборка (83 пары). (4) Был проведен новый статистический анализ, цель которого - показать распределение вероятностей типов отпечатков пальцев для соответствующих пальцев идентичных близнецов, имеющих одинаковый тип отпечатка пальца. (5) Был проведен новый анализ, цель которого - показать, какой палец от однояйцевых близнецов имеет более высокую вероятность иметь одинаковый тип отпечатка пальца. Наши результаты показали, что: (а) Современная система автоматической проверки отпечатков пальцев может различать однояйцевых близнецов без резкого ухудшения характеристик. (b) Вероятность того, что отпечатки пальцев одного и того же типа от однояйцевых близнецов составляет 0,7440, по сравнению с 0,3215 от неидентичных близнецов.(c) Для соответствующих пальцев идентичных близнецов, которые имеют одинаковый тип отпечатка пальца, распределение вероятностей пяти основных типов отпечатков пальцев аналогично распределению вероятностей для всех типов отпечатков пальцев. (d) Для каждого из четырех пальцев однояйцевых близнецов вероятность иметь одинаковый тип отпечатка пальца одинакова.

Вступление

Биометрия относится к автоматической идентификации человека на основе его или ее физиологических или поведенческих характеристик. Эти методы имеют преимущества перед традиционными подходами к идентификации на основе токенов с использованием физического ключа или карты доступа и над подходами к идентификации, основанными на знаниях, которые используют пароль по разным причинам. Во-первых, лицо, которое должно быть идентифицировано, должно физически присутствовать в точке идентификации, чтобы предоставить свои биометрические характеристики. Во-вторых, идентификация на основе биометрических характеристик позволяет избежать необходимости носить карту или запоминать пароль. Наконец, биометрические характеристики идентифицированного человека нельзя потерять или подделать. В течение последних нескольких десятилетий был предложен ряд систем проверки, основанных на различных биометрических характеристиках [1].Любые физические или поведенческие характеристики, которые могут использоваться в качестве проверки для распознавания человека, должны удовлетворять следующим требованиям 0: (i) универсальность (каждый обладает характеристикой); (ii) постоянство (характеристика остается неизменной в течение всего срока службы); (iii) собираемость (характеристика легко уловить); и (iv) своеобразие (характеристики у всех разные). Эффективность систем биометрической верификации во многом зависит от различимости биометрических характеристик. Однако не все биометрические данные предоставляют достаточно информации для проверки разных людей, особенно однояйцевых близнецов.(ii) постоянство (характеристика остается неизменной в течение всего срока службы); (iii) собираемость (характеристика легко уловить); и (iv) своеобразие (характеристики у всех разные). Эффективность систем биометрической верификации во многом зависит от различимости биометрических характеристик. Однако не все биометрические данные предоставляют достаточно информации для проверки разных людей, особенно однояйцевых близнецов.(ii) постоянство (характеристика остается неизменной в течение всего срока службы); (iii) собираемость (характеристика легко уловить); и (iv) своеобразие (характеристики у всех разные). Эффективность систем биометрической верификации во многом зависит от различимости биометрических характеристик. Однако не все биометрические данные предоставляют достаточно информации для проверки разных людей, особенно однояйцевых близнецов.

Существует два основных типа близнецов: дизиготные, обычно называемые разнояйцевыми близнецами, и монозиготные, называемые однояйцевыми близнецами [2]. Дизиготные близнецы являются результатом двух яйцеклеток, которые оплодотворяются отдельно двумя разными сперматозоидами. Обычно это происходит, когда мать производит более одной яйцеклетки во время овуляции. Две оплодотворенные яйца развиваются отдельно и имеют собственные гены. Они могут быть одного пола, а могут и не быть. Монозиготные близнецы появляются в результате одного оплодотворенного яйца. Это яйцо делится на двух особей, у которых будут общие гены. Эти близнецы генетически идентичны, с одинаковыми хромосомами и схожими физическими характеристиками, поэтому их нельзя отличить с помощью одной и той же дезоксирибонуклеиновой кислоты. Частота однояйцевых близнецов составляет около 0,4% в разных популяциях [3].Некоторые исследователи считают, что это предел производительности системы распознавания лиц [4]. Следовательно, изучение способности биометрических признаков различать однояйцевых близнецов является важным вопросом для биометрической проверки. По мере того как биометрическая проверка становится все более распространенной, существуют некоторые исследования (например, Fingerprint [2] [5] - [7], Palmprint [8], Speaker [9] и Iris [10]), которые определили отличительные особенности биометрические характеристики для установления пределов производительности таких систем. Jain et al. 0 проанализировал сходство между отпечатками пальцев близнецов в исследовании с использованием изображений отпечатков пальцев 94 пар однояйцевых близнецов.Они получили двойное и двойное самозваное распределение оценок совпадения, вычисленное путем сопоставления отпечатка пальца с его идентичным братом-близнецом (совпадение близнецов-близнецов) и двойное-не-двойное самозваное распределение оценок совпадения между отпечатком пальца человека и всеми остальными, кроме его / ее близнеца. (близнец-неоднозначный матч). Затем они получили подлинное распределение оценок соответствия из стандартной общедоступной базы данных отпечатков пальцев (например, NIST9 CD №1). Результаты экспериментов показали, что системы проверки отпечатков пальцев можно использовать для распознавания однояйцевых близнецов. В другом анализе отпечатков пальцев 66 пар близнецов 0, Han et al. также обнаружил, что отпечатки пальцев могут использоваться для идентификации однояйцевых близнецов с незначительным снижением производительности: равная частота ошибок (EER) обычно увеличивается на 1-2% по сравнению с сопоставлением самозванцев без двойников.Srihari et al. [6] проанализировали сходство между отпечатками пальцев близнецов в исследовании с использованием изображений отпечатков пальцев 298 пар близнецов. Авторы проанализировали это сходство с помощью двухуровневых признаков. Используя особенности уровня 1, они обнаружили, что пальцы близнецов с гораздо большей вероятностью (55%) имеют тот же тип рисунка, чем пальцы не-близнецов (32%). Используя характеристики уровня 2, они пришли к выводу, что сходство между отпечатками пальцев от двух пальцев выше, чем от отпечатков двух произвольных пальцев. Sun et al. [7] проанализировали сходство между близнецами на основании нескольких биометрических характеристик (отпечаток пальца, лицо и радужная оболочка глаза). Для идентификации по отпечатку пальца используемая база данных является только частью базы данных, используемой в этой статье. Kong et al. [8] использовали 1028 изображений ладоней 53 пар ладоней однояйцевых близнецов. Они сделали два разных спичек-близнеца.В первом эксперименте они сопоставили отпечатки ладоней пар ладоней однояйцевых близнецов (так называемое совпадение настоящих близнецов). Во втором эксперименте они сопоставили отпечатки левой и правой ладоней одного и того же человека (это называется виртуальным совпадением близнецов). Авторы обнаружили, что отпечатки ладоней, полученные на основе одной и той же генетической информации, значительно коррелировали; тем не менее, их все же можно было различить с помощью информации, не связанной с генетикой. Ariyaeeinia et al. [9] представили исследования, основанные на речевой базе данных 49 пар однояйцевых близнецов. Авторы выполнили два проверочных теста: OVERALL и TWIN. В ОБЩИХ тестах любой говорящий может заявить, что он идентичен любому другому говорящему в зарегистрированной совокупности. В тестах TWIN каждый зарегистрированный говорящий мог заявить только о своей личности или личности своего идентичного близнеца.Сообщенный равный коэффициент ошибок составил 1,0% для тестов TWIN и 0,5% для тестов ОБЩИХ. Первый патент на распознавание радужной оболочки утверждал, что радужные оболочки близнецов были разными: «Не только радужные оболочки глаз однояйцевых близнецов отличаются, но и радужная оболочка каждого глаза любого человека отличается от радужной оболочки другого глаза» [11].

В этой статье представлены продолжающиеся исследования способности технологии проверки отпечатков пальцев различать однояйцевых близнецов. Исследования тестируются на большой базе данных идентичных двойных отпечатков пальцев, которая содержит 83 пары близнецов, по 4 пальца на человека и шесть отпечатков на пальце: 3984 (83 * 2 * 4 * 6) изображений. По сравнению с работой пионеров [2] [5] [7], наш вклад выглядит следующим образом:

По сравнению со всеми методами [2] [5] [7], два современных метода идентификации по отпечатку пальца: P071 и VeriFinger 6.1 используются для идентификации двойного отпечатка пальца в этом документе, а не один метод идентификации отпечатка пальца в [2] [5] [7].

По сравнению с методами Джайна [2] и Шрихари [6], было зафиксировано шесть отпечатков на палец, а не только один отпечаток, что делает реальное распределение оценок соответствия более реалистичным. Как мы знаем, истинное распределение баллов совпадения необходимо оценивать на основе сопоставления нескольких отпечатков одного и того же пальца. В базах данных как Джайна, так и Шрихари, из-за того, что был зафиксирован только один отпечаток для каждого пальца, необходимо синтезировать распределение истинных оценок, т. Е. Оно не основано на реальном подлинном сопоставлении.

По сравнению с методом Sun et al. [7] база данных отпечатков пальцев взята из того же источника. Однако в [7] использовалась только часть набора данных отпечатков пальцев (51 пара), тогда как в данной статье используется весь набор данных отпечатков пальцев (83 пары).

Новый статистический анализ проводится для пяти основных типов отпечатков пальцев, цель которого - показать распределение вероятностей типов отпечатков пальцев для соответствующих пальцев однояйцевых близнецов, имеющих одинаковый тип отпечатка пальца. Это новинка в нашей газете.

Анализ вероятности проводится для четырех пальцев от однояйцевых близнецов, цель которого состоит в том, чтобы показать, какой палец имеет более высокую вероятность иметь одинаковый тип отпечатка пальца. Это тоже новинка в нашей газете.

Остальная часть этой статьи организована следующим образом. П. 2 описывает базу данных двойных отпечатков пальцев и современное устройство автоматической проверки отпечатков пальцев для данного исследования. П. 3 представлены наши экспериментальные результаты и анализ. П. 4 представлены резюме и заключение.

Материалы и методы

2.1 База данных отпечатков идентичных близнецов

База данных была собрана 2 октября 2007 года в пекинском парке Чаоян во время Четвертого Пекинского фестиваля культуры близнецов. Изображения отпечатков пальцев были получены датчиком развертки sw6888 0 с разрешением 500 точек на дюйм. База данных включает 3984 (3984 = 83 × 2x × 4 × 6) изображений отпечатков пальцев, которые были отсканированы для каждого человека из 83 пар однояйцевых близнецов и четырех разных пальцев (левый указательный, левый средний, правый указательный и правый средний). Количество отпечатков на каждом пальце - шесть. Палец сканировали последовательно шесть раз, чтобы получить шесть отпечатков. Все изображения были сняты в один и тот же день (один сеанс захвата данных). На рис. 1 показаны некоторые примеры изображений отпечатков пальцев в нашей базе данных. На рис. 1 (а) показаны изображения отпечатков пальцев четырех пальцев первого брата идентичной пары близнецов.а на рис. 1 (b) показаны изображения отпечатков пальцев соответствующих пальцев второго брата или сестры идентичной пары близнецов. Рисунки 1 (c) и (d) следуют той же схеме для неидентичной пары близнецов. Интересно отметить, что у однояйцевых близнецов все четыре пары соответствующих пальцев имеют одинаковый тип рисунка; в то время как для неидентичных близнецов только две пары соответствующих пальцев для неидентичных близнецов имеют один и тот же тип рисунка.

(а) являются изображениями отпечатков пальцев четырех пальцев первого близнеца, и (б) являются изображениями отпечатков пальцев соответствующих четырех пальцев его / ее однояйцевого близнеца. (c) и (d) показывают изображения отпечатков пальцев неидентичной пары близнецов.

2.2 Обзор методов идентификации по отпечатку пальца

В этой статье используются два современных метода для определения сходства двойных отпечатков пальцев: P071 [13] и VeriFinger 6.1 SDK (VF6.1) 0. Подробности приведены ниже.

2.2.1 Алгоритм P071

Алгоритм P071 впервые используется для идентификации двойных отпечатков пальцев, который был оценен в конкурсе Fingerprint Verification Competition 2004 (FVC2004), и его производительность заняла 3-е место среди всех задействованных алгоритмов. Подробную работу предложенного алгоритма на FVC2004 можно увидеть на сайте [15]. Метод P071 основан на нормированной нечеткой мере сходства. Алгоритм состоит из двух основных этапов. Сначала были совмещены шаблон и входные отпечатки пальцев. В этом процессе было введено согласование локальной топологической структуры для повышения устойчивости глобального согласования. Во-вторых, был введен метод нормализованной нечеткой меры сходства для вычисления сходства между шаблоном и входными отпечатками пальцев. Выбраны две характеристики: количество совпадающих точек выборки ( n) и средней разности расстояний между согласованными парами контрольных точек ( d ) в процессе вычисления подобия. Нечеткие признаки использовались для представления n и d . Каждый символ связан с нечетким признаком, который присваивает значение (от 0 до 1) каждому вектору признаков в пространстве признаков. Значение, названное степенью принадлежности, показывает степень сходства шаблона и входных отпечатков пальцев.

Признак n представлен нечетким признаком, функция принадлежности которого определяется как:

Где представляет собой расстояние между и. и являются подлинным и ложным соответствием кластеров центром нечеткого множества.

Признак d представлен нечетким признаком, функция принадлежности которого определяется как:

Где представляет собой расстояние между и. и являются подлинным и ложным соответствием кластеров центром нечеткого множества.

Для достижения лучших характеристик классификации и комбинируются. Правило продукта использовалось для вычисления сходства между шаблоном и входными отпечатками пальцев следующим образом:

Cappelli et al. [16] дали высокие комментарии к алгоритму P071, заявив, что он демонстрирует хороший компромисс между скоростью и точностью: достижение третьего лучшего среднего EER со средним временем сравнения 0,67 секунды. На рис. 2 показано исходное изображение отпечатка пальца с его улучшением и результатами извлечения мелких деталей.

(а) Оригинал отпечатка пальца; (b) Результаты улучшения (а); (c) Результаты извлечения мелких деталей из (a).

2.2.2 VeriFinger 6.1 SDK

VeriFinger 6.1 SDK [14] - всемирно известное коммерческое программное обеспечение для распознавания отпечатков пальцев, основанное на передовой технологии распознавания отпечатков пальцев и предназначенное для разработчиков и интеграторов биометрических систем. Эта технология обеспечивает производительность системы за счет быстрого и надежного сопоставления отпечатков пальцев в режимах «1 к 1» и «1 ко многим» и скорости сравнения до 40 000 отпечатков пальцев в секунду. VeriFinger 6.1 SDK имеет множество функций: (1) надежность, подтвержденная NIST MINEX; (2) надежная обработка некачественных и деформированных отпечатков пальцев; (3) VeriFinger SDK поддерживает более 50 сканеров. Некоторые функции VeriFinger 6.1 SDK перечислены ниже:

Зарегистрируйте отпечаток пальца. Отпечаток пальца можно зарегистрировать с изображения или с помощью сканера отпечатка пальца.

Зарегистрируйте отпечаток пальца с обобщением. Используя эту опцию, можно зарегистрировать несколько отпечатков пальцев и обобщить функции.

Проверка. Используя эту опцию, можно сравнить один отпечаток с другим (соответствие 1: 1).

Удостоверение личности. Используя эту опцию, отпечаток пальца идентифицируется во внутренней базе данных (соответствие 1: N).

Алгоритм распознавания отпечатков пальцев VeriFinger следует общепринятой схеме идентификации по отпечатку пальца, которая использует набор определенных точек отпечатка пальца (контрольных точек). Однако он содержит множество запатентованных алгоритмических решений, которые повышают производительность и надежность системы. Некоторые из них перечислены ниже:

Алгоритм адаптивной фильтрации изображения позволяет исключить шумы, разрывы гребней и застрявшие гребни, а также надежно выделить мелкие детали даже из отпечатков пальцев плохого качества;

VeriFinger включает алгоритм быстрого сопоставления шаблонов, устойчивый к перемещению, повороту и деформации отпечатка пальца.

VeriFinger не требует наличия ядра отпечатка пальца или дельта-точек на изображении и может распознавать отпечаток пальца на любой его части.

Пример улучшения отпечатков пальцев и извлечения мелких деталей с помощью пользовательского интерфейса в VeriFinger 6.1 показан на рисунке 3.

ПОПУЛЯРНЫЕ СТАТЬИ