[论文解读] Fingerprint Extraction Using Smartphone Camera

Saksham Gupta, Sukhad Anand+1 more|arXiv (Cornell University)|Aug 2, 2017

Biometric Identification and Security参考文献 1被引用 4

一句话总结

本文提出一种基于智能手机的指纹认证系统，通过Gabor滤波、核心点检测和图像对齐技术，实现对指纹图像的捕获、增强与匹配，从而实现可靠的远程验证。该方法在FVC2004数据库上实现了6–15%的Equal Error Rate（EER），证明其在低资源环境下的实时商业部署可行性。

ABSTRACT

In the previous decade, there has been a considerable rise in the usage of smartphones.Due to exorbitant advancement in technology, computational speed and quality of image capturing has increased considerably. With an increase in the need for remote fingerprint verification, smartphones can be used as a powerful alternative for fingerprint authentication instead of conventional optical sensors. In this research, wepropose a technique to capture finger-images from the smartphones and pre-process them in such a way that it can be easily matched with the optical sensor images.Effective finger-image capturing, image enhancement, fingerprint pattern extraction, core point detection and image alignment techniques have been discussed. The proposed approach has been validated on FVC 2004 DB1 & DB2 dataset and the results show the efficacy of the methodology proposed. The method can be deployed for real-time commercial usage.

研究动机与目标

• 通过仅使用智能手机摄像头，在农村和资源匮乏地区实现远程指纹验证，减少对昂贵光学传感器的依赖。
• 通过稳健的预处理和对齐方法，弥合智能手机摄像头捕获的指纹与传统光学传感器指纹之间的差距。
• 开发一种实时、计算高效的指纹提取与匹配流水线，适用于移动设备部署。
• 使用FVC2004 DB1和DB2等标准基准数据集验证系统的准确性和可靠性。
• 优化关键参数，如Gabor核大小、裁剪区域和多线程处理，以实现最佳匹配性能。

提出的方法

• 开发了一款基于Open Camera的定制Android应用，通过定义感兴趣区域（ROI）控制图像捕获，实现一致对齐并减少背景干扰。
• 通过在不同曝光条件下捕获五张图像并进行融合，采用高动态范围（HDR）成像技术，以保留指纹亮部和暗部的细节。
• 图像预处理包括对比度受限自适应直方图均衡化（CLAHE），以增强对比度并减少噪声放大。
• 应用不同核大小的Gabor滤波器提取纹线-谷线结构，最优性能在21×21核大小下实现。
• 通过核心点检测实现精确裁剪和图像对齐，将图像旋转180°以校正与光学传感器图像的相位差异。
• 使用SourceAFIS进行特征提取与匹配，结合MINDTCT进行细节点提取和Bozorth3进行匹配，通过调整FAR和FRR计算EER。

实验结果

研究问题

• RQ1 在异构匹配场景下，智能手机捕获的指纹图像能否与光学传感器生成的指纹模板实现有效匹配？
• RQ2 在智能手机捕获的指纹图像中，最大化匹配准确率的最优Gabor滤波核大小是多少？
• RQ3 以核心点为中心的裁剪区域大小如何影响匹配性能和计算效率？
• RQ4 在实时应用中，多线程处理能在多大程度上减少Gabor卷积操作的处理时间？
• RQ5 在将智能手机捕获图像与FVC2004等标准光学传感器数据库进行匹配时，可实现的Equal Error Rate（EER）是多少？

主要发现

• 最大匹配得分对应的最优Gabor滤波核大小为21×21，匹配得分为74.23。
• 以检测到的核心点为中心、大小为800×700像素的裁剪区域实现了最高匹配准确率。
• 随着线程数增加，处理时间显著减少，在约5个线程时趋于稳定，表明该水平下实现了最佳并行化。
• 该系统在FVC2004 DB1和DB2数据集上实现了6%至15%的Equal Error Rate（EER），证实其在实际部署中的可行性。
• ROC曲线在不同阈值设置下表现出真阳性率与假阳性率之间的良好平衡，支持可靠的认证性能。
• HDR成像、CLAHE预处理与基于核心点的对齐方法相结合，显著提升了匹配性能，优于基线方法。