[论文解读] DWT Based Fingerprint Recognition using Non Minutiae Features

Deepak Kumar, K B Raja+2 more|arXiv (Cornell University)|Jun 17, 2011

Biometric Identification and Security参考文献 25被引用 12

一句话总结

本文提出一种基于离散小波变换（DWT）的指纹识别系统，采用非纹线特征以提升法医学和安全应用中的识别准确率。通过将3级离散小波变换（DWT）应用于指纹图像，从LL子带提取主方向和相干性，并在所有子带中计算中心区域特征和边缘特征，利用欧氏距离进行匹配，该方法在误识率（FAR）、误拒率（FRR）和总成功率（TSR）方面均优于现有方法。

ABSTRACT

Forensic applications like criminal investigations, terrorist identification and National security issues require a strong fingerprint data base and efficient identification system. In this paper we propose DWT based Fingerprint Recognition using Non Minutiae (DWTFR) algorithm. Fingerprint image is decomposed into multi resolution sub bands of LL, LH, HL and HH by applying 3 level DWT. The Dominant local orientation angle θ and Coherence are computed on LL band only. The Centre Area Features and Edge Parameters are determined on each DWT level by considering all four sub bands. The comparison of test fingerprint with database fingerprint is decided based on the Euclidean Distance of all the features. It is observed that the values of FAR, FRR and TSR are improved compared to the existing algorithm.

研究动机与目标

• 开发一种适用于法医学和国家安防应用的鲁棒指纹识别系统。
• 降低对传统纹线特征的依赖，后者易受图像退化影响。
• 通过利用多分辨率DWT分解所得的非纹线特征，提升识别准确率。
• 通过基于特征的匹配方法，最小化误识率（FAR）、误拒率（FRR）和总成功率（TSR）。
• 采用标准指纹识别指标，评估性能并与现有算法进行对比。

提出的方法

• 对指纹图像应用3级离散小波变换（DWT），将其分解为子带：LL、LH、HL 和 HH。
• 仅从LL子带计算主局部方向角（θ）和相干性，以捕捉主要结构信息。
• 在每个分解层级中，从所有四个DWT子带提取中心区域特征和边缘参数。
• 使用欧氏距离将测试指纹的特征与数据库中的特征进行比对以实现匹配。
• 通过聚合多个DWT层级的特征，提升判别能力与鲁棒性。
• 采用结合方向、相干性、中心区域和边缘参数的特征向量进行分类。

实验结果

研究问题

• RQ1 与传统纹线特征方法相比，从DWT中提取的非纹线特征是否能提升指纹识别准确率？
• RQ2 多分辨率DWT分解在噪声或退化指纹图像中如何增强特征提取能力？
• RQ3 所提取的特征（方向、相干性、中心区域、边缘参数）在降低FAR和FRR方面贡献程度如何？
• RQ4 所提出的基于DWT的匹配策略在性能上与现有指纹识别算法相比如何？
• RQ5 跨多个DWT子带整合特征是否能提升识别的可靠性和鲁棒性？

主要发现

• 所提出的DWTFR算法在误识率（FAR）方面相比现有方法表现更优。
• 误拒率（FRR）降低，表明在匹配真实指纹样本时具有更高的可靠性。
• 总成功率（TSR）得到提升，表明指纹识别整体准确率更高。
• 采用非纹线特征（如方向、相干性、边缘参数）显著增强了对图像退化的鲁棒性。
• 从LL子带提取方向与相干性，并结合多层级DWT子带分析，增强了特征的判别能力。
• 基于欧氏距离的匹配策略能有效比较特征向量，实现一致且准确的识别结果。