표준화된 지문 템플릿으로 더 정확한 지문 인식

지문 인식은 지문의 고유한 특징, 지속성 및 획득 용이성 덕분에 오늘날 중요한 생체 인식 기술 중 하나입니다. 이 기술을 활용하는 실제 응용 프로그램은 다양하지만, 특히 저품질 지문 이미지 및 소형 영역을 가진 저비용 획득 장치 사용 시 여전히 해결해야 할 문제가 있습니다. 지문 인식 과정의 핵심 단계는 템플릿과 쿼리 지문의 매칭이며, 이를 향상시키기 위해 다양한 솔루션이 개발되었습니다 (참고 문헌 [1], [2], [5], [6], [7], [9]). 이러한 매칭 알고리즘은 일반적으로 세 가지 유형으로 분류됩니다: 분지점 기반 접근법, 상관관계 기반 접근법, 그리고 특징 기반 접근법. 그러나 [9]의 분석에 따르면, 이러한 알고리즘의 점수는 특히 지문이 같은 손의 것이지만 회전되었거나 교차 부분이 매우 작은 경우 높지 않습니다. 따라서 매칭 정확도를 향상시키기 위해 표준화된 지문 템플릿 모델을 설계하는 것이 필요합니다. 본 논문에서는 모든 데이터베이스에 저장된 지문 템플릿을 대표하는 지문을 합성하는 표준화된 지문 모델을 제안합니다. DB4 (FVC2004 지문 데이터베이스)에 대한 실험 결과는 모델의 능력을 입증합니다.

지문은 손가락 끝 피부 조직의 재현으로, 손가락이 매끄러운 표면에 눌릴 때 생성됩니다. 지문의 가장 두드러진 구조적 특징은 교차된 능선과 골짜기 패턴입니다. 능선과 골짜기는 종종 평행하지만 가끔은 분지하거나 갑자기 끝날 수 있습니다. 이러한 분지점이나 종말점에서 발생하는 분지점(minutia)은 매칭 알고리즘에 중요한 특징입니다.

2. 매개변수 설정 찾기: 먼저, 평균 이미지로 가장 큰 지문 영역을 가진 지문을 선택합니다. 그런 다음 [9]에서 제시한 유전 알고리즘을 사용하여 평균 이미지와의 변환을 찾습니다.

3. 지문 합성: 이전 단계에서 얻은 변환을 사용하여 매개변수 값을 재계산하고(정확한 값을 얻기 위해), 보충 능선 라인과 분지점을 평균 지문에 추가합니다.

4. 후처리: 이 단계는 3단계에서 생성된 노이즈를 제거하는 데 도움이 됩니다.

각 입력 이미지에 대해, 지문 영역을 찾고 두께가 1픽셀인 능선 라인을 얇게 만듭니다. P는 처리된 지문 이미지에서의 점이고, pixel(P)은 P의 픽셀 값입니다:

• pixel(P) = 1: P가 능선에 속할 경우
• pixel(P) = 0: P가 골짜기에 속할 경우

이 단계에서 얻은 각 분지점은 x-좌표, y-좌표, 유형(종말점 또는 분지점), 그리고 분지점의 위치에서의 능선과의 각도 정보를 포함합니다. 이 단계의 결과는 처리된 지문 이미지, 즉 Flist입니다.

사전 처리 단계 결과를 바탕으로, [9]에서 제안한 Tan과 Bhanu의 유전 알고리즘을 사용하여 평균 F (최대 지문 영역을 가진 평균 지문)와 다른 FList 간의 변환을 찾습니다. 그런 다음 매개변수의 정확한 값을 재계산합니다.

단계 1: 매개변수 설정 찾기: [9]에서 Tan과 Bhanu는 다음과 같은 변환을 제안했습니다.

여기서 s는 스케일 팩터이고, 회전 각도 T=[tx, ty]는 번역 벡터입니다.

합성 지문 단계는 모든 특징을 포함하는 지문 이미지를 생성합니다. 그러나 원본 지문의 일부 분지점은 평균 F에 정확하게 반영되지 않을 수 있습니다. 예를 들어, M은 원본 지문 템플릿의 종말분지점이지만, 평균 F에서는 능선 연결로 인해 잘못 표시될 수 있습니다. 이 단계에서는 평균 F의 모든 분지점을 재검토하고 잘못된 분지점을 제거합니다.

출력: 잘못된 분지점을 제거한 후 업데이트된 평균 F, 즉 meanF와 함께 minutiaList.

• 각 분지점 M에 대해:
  • M의 유형이 종말분지점이고 pixel(M) = 1이며 M이 종말점인 경우, M을 표시합니다.

…(본문이 길어 생략되었습니다. 전체 내용은 원문 PDF를 참고하세요.)…