Оценка качества и идентификация отпечатков пальцев путем анализа структурных свойств изображения

Асатрян Д. Г.

Статья

Оценка качества и идентификация отпечатков пальцев путем анализа структурных свойств изображения

Асатрян Д. Г.

2020

https://doi.org/10.30764/1819-2785-2020-4-90-97

Рассмотрена задача оценки качества изображения отпечатков пальцев с применением пространственных методов анализа. Предложено использовать математическую модель, разработанную ранее для описания совокупности магнитуд градиента изображения. Модель основана на двухпараметрическом распределении Вейбулла. Для оценки качества отпечатков пальцев предложены два подхода. Первый реализуется с помощью так называемого метода сравнения с эталоном (Full Reference), когда сравниваются значения статистических оценок параметров распределения Вейбулла. Приведены результаты решения задачи идентификации потовых пор этим методом. Второй подход называется «безэталонным» (No-Reference) и применяется для оценки качества отпечатков при анализе и выделении информативности их отдельных участков. В качестве характеристики качества предлагается использовать карту размытости изображения, а в качестве меры размытости – статистическую оценку параметра формы распределения Вейбулла. Параметр формы оценивается в каждой точке изображения по совокупности магнитуд градиента изображения в окрестности точки, при этом применяется разработанная ранее методика построения карты размытости. Эффективность предложенных подходов иллюстрируется конкретными примерами.

Асатрян Д. Г. Оценка качества и идентификация отпечатков пальцев путем анализа структурных свойств изображения. Теория и практика судебной экспертизы. 2020;15(4):90-97. https://doi.org/10.30764/1819-2785-2020-4-90-97

Цитирование

Список литературы

1. Olsen M.A., Šmida V., Busch C. Finger Image Quality Assessment Features – Definitions and Evaluation // IET Biometrics. 2016. Vol. 5. No. 2. P. 47–64. https://doi.org/10.1049/iet-bmt.2014.0055

2. Yao Zh., Le Bars J., Charrier C., Rosenberger C. Literature Review of Fingerprint Quality Assessment and Its Evaluation // IET Biometrics. 2016. Vol. 5. No. 3. P. 243–251. https://doi.org/10.1049/iet-bmt.2015.0027

3. Alonso-Fernandez F., Fierrez J., Ortega- Garcia J., Gonzalez-Rodriguez J., Fronthaler H., Kollreider K., Bigun J. A Comparative Study of Fingerprint Image-Quality Estimation Methods // IEEE Transaction on Information Forensics and Security. 2007. Vol. 2. No. 4. P. 734–743. https://doi.org/10.1109/tifs.2007.908228

4. Kanjan N., Patil K., Ranaware S., Sarokte P. A Comparative Study of Fingerprint Matching Algorithms // International Research Journal of Engineering and Technology. 2017. Vol. 4. No. 11. P. 1892–1896.

5. Chen T., Jiang X., Yau W. Fingerprint Image Quality Analysis / 2004 IEEE International Conference on Image Processing (ICIP 2004). (Singapore, October 24–27, 2004). IEEE, 2004. Vol. 2. P. 1253–1256. https://doi.org/10.1109/icip.2004.1419725

6. Shen L., Kot A., Koo W. Quality Measures of Fingerprint Images. In: Bigun J., Smeraldi F. (eds). Audio- and Video-Based Biometric Person Authentication. Third International Conference, AVBPA 2001 (Halmstad, Sweden, June 6–8, 2001). Proceedings. Lecture Notes in Computer Science. 2001. Vol. 2091. P. 266–271. https://doi.org/10.1007/3-540-45344-x_39

7. Asatryan D., Egiazarian K. Quality Assessment Measure Based on Image Structural Properties / 2009 International Workshop on Local and Non-Local Approximation in Image Processing (Tuusula, Finland, August 19–21, 2009). IEEE. 2009. P. 70–73. https://doi.org/10.1109/lnla.2009.5278400

8. Asatryan D.G. Gradient-Based Technique for Image Structural Analysis and Applications // Computer Optics. 2019. Vol. 43. No. 2. P. 245–250. https://doi.org/10.18287/2412-6179-2019-43-2-245-250

9. Асатрян Д.Г. Оценивание степени размытости изображения путем анализа градиентного поля // Компьютерная оптика. 2017. Т. 41. № 6. С. 957–962. https://doi.org/10.18287/2412-6179-2017-41-6-957-962

10. Geusebroek J.-M. The Stochastic Structure of Images. In: Kimmel R., Sochen N.A., Weickert J. (eds). Scale Space and PDE Methods in Computer Vision. Scale-Space 2005. Lecture Notes in Computer Science. 2005. Vol. 3459. P. 327–338. https://doi.org/10.1007/11408031_28

11. Yanulevskaya V., Geusebroek J.-M. Significance of the Weibull Distribution and its Sub-models in Natural Image Statistics / Proceedings of the Fourth International Conference on Computer Vision Theory and Applications (Lisboa, Portugal). 2009. Vol. 1. P. 355–362. https://doi.org/10.5220/0001793203550362

12. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Изд. 3-е, испр. и доп. М.: Техносфера, 2012. 1104 c.

13. Jain A.K., Chen Y., Demirkus M. Pores and Ridges: High-Resolution Fingerprint Matching Using Level 3 Features / 18th International Conference on Pattern Recognition (ICPR’06). (Hong Kong, China, August 20–24, 2006) / IEEE Transactions on Pattern Analysis and Machine Intelligence. 2007. Vol. 29. No. 1. P. 15–27. https://doi.org/10.1109/icpr.2006.938

14. Maltoni D., Maio D., Jain A., Prabhakar S. Handbook of Fingerprint Recognition. New York: Springer, 2003. 494 p. https://doi.org/10.1007/978-1-84882-254-2

15. Asatryan D., Sazhumyan G., Sakanyan B. New Technique for Analysis of Fingerprint Poroscopical Map / Proceedings of 9th International Conference on Computer Science and Information Technologies – CSIT’2013. Yerevan: IIAP, 2013. P. 181–184.

16. Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transaction on Systems, Man, and Cybernetics. 1979. Vol. 9. No. 1. 62–66. https://doi.org/10.1109/tsmc.1979.4310076

Документы

Источник

Информация

Автор

Асатрян Д. Г. Институт проблем информатики и автоматизации НАН РА; Российско-Армянский университет

Название журнала

Теория и практика судебной экспертизы

Коллекции

Статьи из журнала «Теория и практика судебной экспертизы»

Статья