Обработка изображения в задаче идентификации по отпечатку пальца Текст научной статьи по специальности «Прочие технологии»

формационное сопротивление относительно большое, то необходимо развивать технику чтения, если информационная ригидность относительно большая, то следует расширять объём понятий в рассматриваемой области знаний, если информационная память относительно мала, то следует развивать память, как основу интеллекта. При оценке группы обучающихся приведенный способ позволит более точно определить средний уровень и отклонение от среднего информационных характеристик и планировать виды занятий.

Список литературы:

1. Модели и методы управления персоналом [Текст] / Под ред. Е.Б. Моргунова. - М.: ЗАО «Бизнес-школа Интел-Синтез», 2001. - С. 235-237.

2. Базаров Т.Ю. Управление персоналом [Текст] / Т.Ю. Базаров, Е.Л. Еремин. - М.: ЮНИТИ, 2002. - С. 323-325.

3. Пат. ЯИ 3040881, А61В 5/16 // Способ и полоса психологической подготовки и определения профессиональной пригодности. Опубл. 10.06.1996.

4. Пат. RU 2245097, А61В 5/00, А61М 21/00 // Способ определения профессиональной пригодности персонала для различных видов деятельности. Опубл. 27.01.2005.

5. Денисов, А.А.: Теория больших систем управления [Текст] / А.А. Денисов, Д.Н. Колесников. - Л.: Энергоиздат, 1982. - С. 241-245.

6. Пат. RU 2293511, А61В 5/00 // Способ определения информационных параметров оператора службы провайдера сети при взаимодействии с абонентом. Опубл. 20.02.2007.

7. Пат. 2360595 МПК А61В 5/00 // Способ определения информационных параметров обучаемого или тестируемого человека; Авторы: В.С. Жабреев, Т.Н. Половова. - Опубл. 10.07.2009. Бюл. №19. Зарегистрировано 10 июля 2009 г.

8. Пат. 2468749 МПК А61В 5/16 // Способ оценки информационных характеристик обучающегося; Авторы: В.С. Жабреев, Н.Д. Давыдова, В.Л. Фе-дяев. - Опубл.10.12.2012. Бюл. № 34. Зарегистрировано 10 декабря 2012 г.

ОБРАБОТКА ИЗОБРАЖЕНИЯ В ЗАДАЧЕ ИДЕНТИФИКАЦИИ ПО ОТПЕЧАТКУ ПАЛЬЦА

© Киндеркнехт Р.Н.*

Санкт-Петербургский государственный университет аэрокосмического приборостроения, Санкт-Петербург

Рассмотрена структура отпечатка пальца и методы обработки изображения для построения шаблона. Идентификация по изображению

* Аспирант кафедры Математического моделирования и вычислительных систем.

осуществляется с использованием геометрических преобразований, статистических методов и методов цифровой обработки сигналов.

Ключевые слова: идентификация, отпечаток пальца, обработка изображений.

Использование отпечатка пальца в качестве биометрического идентификатора основано на явлении статичности его формы и хорошо различимого узора, состоящего из гребней и впадин. Выделяют три основных типа узоров: арка, петля и завиток. Различное сочетание этих типов образует дополнительно несколько видов и разновидностей. Узоры отпечатков имеют две особые точки - ядро и дельту. Ядро - это точка отпечатка пальца, которую огибает максимальное количество папиллярных линий. Дельта - точка, вокруг которой папиллярные линии расходятся в трех разных направлениях. Установлено, что один отпечаток может содержать не более двух ядер и не более двух дельт, при этом точка ядра присутствует всегда, а точка дельты может отсутствовать. Вторым уровнем классификации отпечатков является локализация точек окончаний и разветвлений гребней, т.н. точек минуций. Обычно именно их используют для составления индивидуального шаблона. Третий уровень классификации - еще большая детализация изображения, поиск мелких структур узора, например, пор, расположенных на гребнях и имеющих большое разнообразие форм. Однако вследствие среднего качества изображений, достоверное определение формы и положения признаков третьего уровня затруднительно.

Обработка изображения отпечатка основана на поиске признаков второго уровня (точек минуций) и вычислении различного рода взаимосвязей между ними. Решение этой задачи предполагает фильтрацию изображения для устранения шумов, вносимых как самими сканерами из-за высокой чувствительности, так и неравномерным распределением яркости вследствие деформации поверхности пальца при сканировании. Затем изображение сегментируют на область фона и область интереса на основе информации о среднем значении, дисперсии и когерентности по следующему правилу:

J1 if (M,(x,y) < thmean)&(D,(x,y) > thvar)&(C,(x,y) > th^) mascFG (x y) = •! . (1а)

0 otherwise

^ , , - D^ )2 + 4^ (Gx (x, y) - MGx XGy (x, y) - M^)

С,(x, y) =-dTTD- (1б)

Dr;v ^ Dru,

где Мг(х, у), Вг(х, у), С](х, у) - среднее, дисперсия и когерентность в точке; ^теап, Жуаг, 1ксок - соответствующие пороговые значения; Ох, Оу - составляющие градиента;

БСх, Б0у, МСх, МСу - дисперсия и среднее по окну Ж(Дх, Ду).

После локализации рабочей области изображение улучшают путем нормализации уровней яркости к заданным значениям среднего и дисперсии:

In (x, y) Ч

M 0 + ,

M 0

1Do х (I (x, y) - MI )2

1 DI '

Do х (I (x, y) - MI )2

, I (x, y) > Mt

D,

, otherwise

(2)

где 1(х, у) - яркость исходного изображения; 1п(х, у) - нормализованное значение; М/, Д - среднее и дисперсия в окрестности точки (х, у); М0, Д0 - требуемые значения среднего и дисперсии.

В качестве усредняющего окна можно использовать единичную матрицу или гауссово окно:

W (x, y) =-

1

а

exp

2 2 x2 + y2

" 2а2

(3)

где ст- стандартное отклонение, задающее размер области усреднения.

Целью дальнейшей обработки является сглаживание линий папиллярного узора для устранения областей пор, микроразрывов и микрозалипаний линий, бинаризация уровней яркости и скелетизация изображения.

В качестве сглаживающего фильтра используется фильтр Габора, который обладает свойством пространственной ориентации и частотной избирательности:

H (x, y, f ,в) = exp X = y' = x sin0 + y cosd.

rx'2 y ': а 2

Л"

\ax

y / ax = cos(6>)

cos(2fx'), ay = sin(6>)

(4)

где/- частота изменения яркости в направлении 9,

стх, сту - задают размер окна по осям и, соответственно, ориентацию.

Бинаризация - процесс преобразования изображения из оттенков серого в черно-белое. Для изображения с хорошей контрастностью на гистограмме яркости присутствуют два локальных максимума, между которыми устанавливается порог бинаризации. Недостатком такого подхода является получение шума на бинарном изображении. Указанный недостаток можно устранить, если при принятии решения учитывать информацию об окрестности пикселя, а именно, значение яркости, которым характеризуется большинство соседних пикселей относительно глобального порога бинаризации.

Скелетизацией называется процесс, заключающийся в утончении линий изображения до толщины в один пиксель. Одним из подходов является алгоритм Зонга-Суня [1]. Изображение обрабатывается за две итерации. На

первой итерации удаляются все пиксели, отвечающие условию (5), на следующей итерации из полученного изображения удаляются все пиксели, удовлетворяющие условию (6):

'2 < N(p1) < 6 M (Pl) = 1 Pl * P4 • P6 = 0 Р4 * P6 * P8 = 0 2 < N(Л) < 6 M (= 1

(5)

Р2 * Р4

= 0

(6)

Р2 * Р6 * Р8 = 0

9

где N(p1) = ^ р - число черных пикселей вокруг пикселяp1 (рис. 2а);

i=2

M(p1) - число переходов от белого к черному при проходе по часовой стрелке.

Полученный скелет изображения позволяет использовать морфологические шаблоны (рис. 1) для извлечения координат минуций.

ин яш вшнн

ЖНЙНИИИ®

Рис. 1

Для извлечения особых точек (ядро и дельта) определяют индекс Пуанкаре, который показывает суммарное изменение направлений вдоль замкнутой кривой на поле направленности. Индекс Пуанкаре определяется как

1 7

р(г, л)=^т £Д * ('', л),

2ж *=0

8к (г, Л) \8к (г, Л)| <ж /2

Д к (', л =

ж

+ 8к (г, Л) \8к (г, Л)| <-ж /2

ж -8к (г, Л) оШет^е

8к (г, Л) = 0(4+1, Л к+1)-в(гк, лк), 0 < к < 6

87 =О(г0, Лс) Л)

где 6(1,у) - элемент поля направленности и 0 < 6(1,у) < 2л;

¿к(г, у) - разница между направлениями вокруг центрального пикселя.

Индекс Пуанкаре принимает значения -72, 0, 72 или 1. В точке ядра индекс равен 72, а в точке дельты равен -72.

p9 p2 p3

p8 p1 p4

p7 p6 p5

(15J5) (i4j4) (i3,j3)

(i6j6) (ij) (i2,j 2)

(i7j7) (iojo) (i1,j1)

/ \

(i,j) t

it t

(i,j)

\

а) б)

Рис. 2

Поле направленности [2] показывает общее направление линий папиллярного узора и представляет собой матрицу углов. Информация о направленности применяется почти на каждом этапе построения шаблона.

Один из методов построения приближенного поля основан на применении банка фильтров Габора с заданными пространственными ориентациями.

Более точным является метод на основе квадратичных градиентов. Известно, что градиент указывает в направлении наиболее быстрого изменения физической величины. Метод квадратичных градиентов заключается в том, чтобы определить направление наименьшего изменения яркости (вдоль линий), т.е. направление, перпендикулярное направлению градиента и характеризующееся наибольшей когерентностью линий (1б).

DGx (- У) - DGy (^ У) 1

2ZW (Gx (x, y) - Mgx )(Gr (x, y) -Mcy )J' ( )

где Zw - оператор усреднения по окну W.

В результате комплексной обработки изображения определяются координаты особых точек и точек минуций, а также их типы. На основе этих данных вычисляют вторичные признаки (угол наклона папиллярной линии в каждой точке, количество папиллярных линий, проходящих между соседними точками и др.).

Список литературы:

1. Zhang T. A fast parallel algorithm for thinning digital patterns / T. Zhang, C. Suen // Communications of the ACM. - 1984. - № 3, Vol. 27. - Р. 236-239.

2. Wei L. Fingerprint Classification Using Singularities Detection // International Journal of Mathematics and Computers in Simulation. - 2008. - № 2, Vol. 2. -P. 158-162.

Gsx (X, У) Gsy (- У)