Fingerprint Recognition

2017-2018
Cuprins
Introducere............................................................................................................................................3
Tipuri de sisteme biometrice.............................................................................................................4
Tipuri de senzori................................................................................................................................4
1. Îmbunătățirea imaginii ..................................................................................................................7
2.Extracția elementelor amprentei..................................................................................................11
3. Potrivirea(găsirea) amprentei......................................................................................................15
4. Generatorul sintetic de amprente SfinGe....................................................................................16
5. Aplicații ale amprentei și comparație tehnologică cu alte sisteme biometrice:...........................17
Bibliografie..........................................................................................................................................18

2
Tipuri de sisteme biometrice

Sistemele biometrice pot fi împărţite în două categorii:

1. Fiziologice
2. Comportamentale
Sistemele biometrice comportamentale sunt mai ieftine şi mai puţin periculoase
pentru utilizator. Cu toate acestea, sistemele biometrice fiziologice sunt mult mai exacte
pentru identificarea persoanelor. Demn de menţionat este faptul ca ambele metode de
identificare sunt mult superioare parolelor sau cardurilor.
Sistemele biometrice sunt folosite într-o varietate largă, cum ar fi:
 Criminalistică: pentru identificarea victimelor;
 Marketing: pentru identificarea deţinătorilor de carduri de loialitate;
 Sisteme de evidenţă a timpului din şcoli, locuri de muncă;
 Sisteme de securitate: pentru a controla accesul;
 Sistem de votare.
Marea varietate de sisteme biometrice existentă prezintă atât avantaje, cât şi
dezavantaje. De exemplu, fotografierea feţei, este avantajoasă pentru că este ieftină şi
neinvazivă. Din păcate, este uşor de falsificat. Mai mult, unele culturi nu acceptă dezvelirea
feţei la femei. Un alt exemplu ar fi amprenta papilară, care este precisă şi neinvazivă, dar
prezintă problema că între 3 şi 7% din populaţie nu au amprente care ar putea fi folosite în
acest scop. Exemplele pot continua, ajungând la precizii tot mai mari, cum ar fi amprenta
ADN. Din păcate, o dată cu creşterea preciziei, creşte şi costul, şi, în unele cazuri, chiar şi
durata obţinerii unui rezultat. De aceea, este importantă găsirea unei căi de mijloc, care să
aducă cât mai multe beneficii şi cât mai puţine dezavantaje.

Tipuri de senzori

Pentru a putea utiliza amprentele papilare în procesul de recunoaștere a persoanelor, ele

trebuiesc prima data prelevate. În trecut acest lucru se făcea cu ajutorul cerenelii comform
figurii S1.

Figura S1 Prelevare de amprente cu ajutorul cernelii

Odată cu avansarea tehnologiei, noi metode și senzori de prelevare a amprentelor au

fost descoperiți. În principal acesti senzori se pot împărți în două mari categori în funcție de
principiul lor de funcționare. Acestea sunt optici și cu stare solidă.

3
 Figura S2 Ilustrație cu senzori și imaginile captate de aceștia

Cele două principii menționate anterior pot fi observate în figura S3.

Figura S3 Principiul de funcționare al senzorilor optici (stânga)

Principiul de funcționare al senzorilor capacitivi(dreapta)

O multitudine de astfel de senzori pot fi observați în tabelul S, în care se pot observa

și parametrii caracteristici fiecăruia.

4
Tabelul S Senzori pentru prelevarea de amprente papilare

5
1. Îmbunătățirea imaginii .

După ce imaginea amprentei este preluată, aceasta trebuie preprocesată înainte de a

putea fi utilizată. În această etapă imaginea amprentei este prelucrată cu ajutorul mai multor
algoritmi pentru ca detaliile să fie cât mai precise.
Un prim algoritm utilizat este cel al îmbunătățirii contrastului local [1]. Acest
algoritm este necesar deoarece după cum putem observa în Figura 1.1 a) imaginea amprentei
are atat zone de calitate bună, cât și de calitate scăzută care trebuiesc corectate în procesul de
enhancement(îmbunătățire). Histograma nivelurilor de gri asociată imaginii amprentei cu
cerneală poate fi observată în Figura 1.2 a). Se observă că nu este o dispersie uniformă a
valorilor, ci este predominantă în jurul valorii 128. Îmbunătățirea inițială constă în
normalizarea intensității variațiilor din imaginea digitizată datorate fie cernelii (cum este
cazul de față) sau dispozitivului de scanare. În cazul de față algoritmul îmbunătățirii
contrastului local calzulează o medie globală a pixelilor (Media globală) pentru întreaga
imagine. Apoi calzulează o medie locală și o varație locală pentru o vecinătate de 15 * 15 a
fiecărui pixel. Un câștig pentru fiecare pixel este calculat după cum urmează.

Câștigul pixelului= Câștigul global * (1/ sqrt(Variația locală)) (1.1)

Factorul de Câștig global este calculat cu ajutorul Mediei globale și a factorului

Corecției globale care este determiant pentru imaginea amprentei în mod empiric (o valoare
tipică ar putea fi 0,5). Calculul este astfel:

Câștigul global = Corecția globală * Media globală (1.2)

O nouă intensitate este calculată pentru fiecare pixel utilizând Câștigul pixelului și
Media locală, după cum urmează:

Noua intensitate = Câștigul pixelului * (Valoarea pixelului – Media locală) + Media locală (1.3)

Efectul produs de metodă se poate observa în Figura 1.1, iar în Figura 1.2 putem
observa că valorile se împrăștie pe întreg spectrul de valori și valoarea medie a pixelilor este
apropiată de 128. Comparând cele două imagini se poate observa clar o îmbunătățire clară în
contrast a imaginii.

Figura 1.1 a) Imagine a unei amprente facută cu cerneală; b) Rezultatul algoritmului de

îmbunătățire a constrastului local

6
 Figura 1.2 Histogramele asociate figurilor1.1 a) și 1.1 b)

O altă metodă de îmbunătățire a imagini este folosirea filtrelor Gabor [1]. Avantajele
acestor filtre față de algoritmul de îmbunătățire a contrastului local sunt următoarele:
 Proprietăți selective a frecvenței
 Proprietăți selective a orientarii
 Rezoluție optimă spațială și în domeniul frecvenței
 Minimizarea benzii de frecvență odată cu maximizarea rezoluției spațiale
Pe baza proprietăților selective imaginea se poate îmbunătăți prin faptul că anumite
goluri sau întreruperi din liniile(ridges) amprentei se pot umple sau lega. De asemenea, se
poate determina o discriminare mai clară între liniile(ridges) și văile(valleys) amprentei.
Aplicarea filtrelor Gabor se face folosind următoarea formulă:
2 2

[ −1 x θ yθ
∙
( +
2 σ x 2 σ y2
g ( x , y :θ , f )=cos ⁡(2 πf ∙ x θ) ∙ e
)] (1.4)

x θ = sin θ cos θ ∙ x
[ ][ ][ ]
y θ −cos θ sin θ y
(1.5)
σ x și σ y reprezintă deviațiile standard ale anvelopei Gauss de-a lungul axelor x și y.
Prin creșterea acestor deviații, banda filtrului Gabor scade.
Astfel, pentru folosirea filtrului Gabor avem nevoie de cunoașterea parametrilor f și θ,
unde f reprezintă frecvența de apariție a liniilor amprentei și θ orientarea acestora.
Estimarea lui f se face pe baza formulei lui Maltoni [2]:
V (h)
f= (1.6)
2∙(x 2−x 1 )∙ α m

,unde V(h) are formula (1.7) și se poate aproxima prin (1.8) considerând că numărul
de linii de pe amprentă variază conform figurii 1.3.
x2
dh(x)
V (h)=∫
x1
dx| | dx (1.7)

V (h)=(x 2−x 1) ∙2 ∙ ∝m ∙ f (1.8)

7
 Figura 1.3 Variația numărului de linii(ridges) de pe amprentă. ∝mreprezintă media
amplitudinii.
Estimarea orientării liniilor se face cu ajutorul formulelor (1.9) și a figurii 1.4 [2]:

(1.9)

Figura 1.4 Tehnica de estimare a orientării liniilor

Această tehnică se bazează pe aproximarea gradiențiilor ∇ x și ∇ y prezenți în fereastra

de orientare de dimensiune W x W, care se aplică pe amprentă, conform figurii:

8
 Figura 1.5 Fereastra de orientare
Considerând următorul exemplu [1] din figura 1.6 aplicat pe figura 1.1 a), putem
observa o îmbunătățire mai bună, în figura 1.7, decât în cazul primului algoritm de
îmbunătățire.

Figura 1.6 Reprezentații grafice ale filtrului Gabor cu parametrii θ =135°,f = 1/5,
σ x =σ y =3.

9
 Figura 1.7 în a) este amprenta inițială și în b) rezultatul aplicării filtrului Gabor cu
parametrii din figura 1.6

2.Extracția elementelor amprentei

Procesul de extracție al amprentei este posibil datorită faptului că amprenta prezintă
următoarele caracteristici (hob) din figurile următoare [1], [2]:

Figura 2.1 Principalele elemente ale amprentei

10
 Figura 2.2 Principalele forme de detalii precise sau singularități(minutae) ale amprentei

De asemenea, extracția acestor detalii ale amprentei ar trebui să țină cont și de

principalele clase ale amprentei din figura următoare[1]:

Figura 2.3 a) arc,b) buclă în dreapta, c)buclă în stânga, d) spirală P, e)spirală C, f) spirală D

Pașii de extracție ai detaliilor de pe amprentă se bazează pe următoarea diagramă din

figură[2]:

11
 Figura 2.4 Etapele de extracție a detaliilor amprentei

O primă etapă este segmentarea imaginii amprentei, care reprezintă izolarea

amprentei față de fundalul imaginii.
O altă etapă este cea de îmbunătățire a imaginii prin filtre Gabor sau prin algoritmul
îmbunătățirii contrastului local.
Un alt pas este cel de detecție a singularităților amprentei(bucle, delta, spirale și
nuclee).
În final, urmând o extracție a detaliilor precise(minutae) ale amprentei prin binarizare
sau nivelul de gri.

12
 Câteva metode de detecție a singularitățiilor sunt metoda Rosenfeld și Poincare [1],
[4].
Prin metoda Rosenfeld se pot determina bifurcațiile și terminațiile liniilor(ridges)
amprentei, precum și alte forme ale liniilor.Iar, prin metoda Poincare se pot determia bucle,
delta și spirale.
Metoda Rosenfeld constă în examinarea unui bloc de 3x3 pixeli din jurul unui pixel
central. În urma acestei examinări se decide dacă pixelul central este alb sau negru. Dacă este
alb, atunci acea locație reprezintă o vale, iar dacă este negru reprezintă o linie. Această
metodă se aplică după binarizarea imaginii. Un exemplu al acestei metode este prezentat în
figurile următoare:

Figura 2.5 Pixelul central P1 este determinat ca fiind o bifurcație

Figura 2.6 Pixelul central P1 este determinat ca fiind o linie

Metoda Poincare constă în utilizarea indexului lui Poincare care poate avea valorile:
0°
PG , C ( i , j )= 360 °
180°
−180 °
{ (2.1)

Dacă acest index are 0°, atunci punctul de coordonate (i,j) nu aparține la o singularitate(arc).
Dacă acest index are 360°, atunci punctul de coordonate (i,j) aparție la o spirală(whorl).
Dacă acest index are 180°, atunci punctul de coordonate (i,j) aparține la o buclă (loop).
Dacă acest index are -180°, atunci punctul de coordonate (i,j) aparține la un delta.

Un exemplu al acestei metode este prezentat în figura 2.7, utilizând formula (2.2).
PG , C ( i , j ) = ∑ angle (d k , d (k +1) mod 8 ) (2.2)
k=0 … 7

13
 Figura 2.7 a) spirală b) buclă, c) delta

Figura 2.8 [4] Exemplu de detecție,folosind indexul Poincare, a unei bucle și o delta( în figura
a) și b) ) și a două bucle ( în figura c) și d) )

O exploatare a acestui index este prezentată în următoarea figură [5]:

d 1+ d 2 l2
Figura 2.9 a) traseu central al unei linii(ridges), b) T= , c) F=
L l1

Conform figurii 2.8 a), prin marcarea unui traseu central pentru linii, se poate obține o
discriminare mai fină printre arce, bucle din dreapta și a bucle din stânga în funcție de înclinația
traseului central. Utilizând parametrul T și F se poate face o distincție între buclele gemene și
spiralele plane.
O altă tehnică ajutătoare la extracție este etapa de binarizare din figura următoare[1]:

14
 Figura 2.10 a) imaginea amprentei după filtrare Gabor, b) binarizarea imaginii a) Subțierea
liniilor și a văilor,din imaginea b), la lațimea de un pixel

Binarizarea reprezintă procescul prin care imaginea din nivel gri este transformată într-o
imagine care conține două valori: alb(văi) și negru(linii). Deși acest proces poate aparent ușura
detecția detaliilor amprentei, nu este recomandată folosirea aceste tehnici, deoarece se pierd multe
informații din imaginea de nivel gri, poate introduce impurității și este greu de folosit la imagini de
slabă calitate.

3. Potrivirea(găsirea) amprentei

În principiu, potrivirea amprentei înseamnă compararea unei amprente de intrare cu o

amprentă șablon stocată într-o bază de date.
O metodă este cea a lui Chang prezentată în figura 3.1[3].

Figura 3.1 a)detaliile extrase din imaginea amprentei șablon, b) detaliile extrase din
imaginea amprentei de intrare, c) detaliile celor două imagini sunt suprapuse și perechea
principală este marcată cu o elipsă ,d) marcarea principalelor perechi de detalii(minutae)

Metoda lui Chang este o metodă de potrivire a amprentei bazată pe tehnici de potrivire a
detaliilor(minutae) amprentei.
Deoarece metodele de potrivire a detaliilor amprentei sunt dificil de utilizat în cazul
extracțiilor detaliilor din imagini de slabă calitate, au apărut alte tehnici de potrivire bazate pe
linii(ridges).
O metodă de acest tip este algoritmul lui Jain din figura 3.2[3]. Acest algoritm
reprezintă o analiză locală a texturii amprentei în conformitate cu nucleul detectat al
amprentei. După ce nucleul amprentei este detectat, imaginea amprentei este împărțită în
sectoare care ,apoi, vor fi normalizate. Apoi, se formează un vector cu informația locală
extrasă conținută în fiecare sector. Informația din acest vector este filtrată cu ajutorul unor
filtre Gabor pentru a păstra informația utilă. Apoi, se calculează o abatere de la media
absolută (A.A.D) a răspunsului filtrului față de celulele sectoarelor pentru elementele
vectorului. În final, rezultă un vector de lungime fixă, numit FingerCode, prin care este
reprezentată o amprentă. Pentru a se realiza operația de potrivire, se aplică distanța

15
Euclidiană între Codul Amprentei(FingerCode) de intrare și un șablon al codului amprentei
dorite. Folosirea acestui algoritm împreună cu cel al lui Chang crește gradul de acuratețe și
robustețe al algoritmilor de potrivire(găsire) a amprentei.

Figura 3.2 Metoda Jain de potrivire a amprentei

4. Generatorul sintetic de amprente SfinGe

Acest generator este dezvoltat de BioLab de la Universitatea din Bologna și este util
pentru testarea algoritmilor de potrivire(găsire) a amprentei.

16
 http://biolab.csr.unibo.it/research.asp?
organize=Activities&select=&selObj=12&pathSubj=111%7C%7C12&

5. Aplicații ale amprentei și comparație tehnologică cu alte sisteme

biometrice:

Figura 5.1 Aplicații [3]

Figura 5.2 Comparație tehnologică cu alte sisteme biometrice [3]

17
Bibliografie

[1] Biometric Systems, Springer.

[2] Handbook of Biometrics, Springer.
[3] D.Maltoni,D.Maio,A.K. Jain and S. Prabhakar,Handbook of Fingerprint Recognition.
Springer, New York, June 2003.
[4] D.Maltoni,D.Maio,A.K. Jain and S. Prabhakar,Handbook of Fingerprint Recognition
Second Edition 2009.
[5] Kawagoe and Tojo (1984). Kawagoe M. and Tojo A., “Fingerprint pattern classification,”
Pattern Recognition, vol. 17, pp. 295–303, 1984.

18