Filtreleme teknikleri ile iyileştirilmiş parmakizlerini yapay sinir ağları ile tanımada yeni bir yaklaşım

Bu çalışmada parmakizi görüntüsünün iyileştirilmesi için iki yöntem önerilmiştir. Bunlardan birincisinde lokal histogram eşitleme ve gürültü azaltma filtreleri kullanılmıştır. Gürültü azaltma aşamasında doğrusal, medyan ve uyarlamalı filtreleri kullanılmıştır. İkinci yöntemde ise dalgacık dönüşümü ve iki boyutlu dalgacık dönüşümünün yeni bir açılımı olan çevritsel dönüşüm uygulanmıştır. Elde edilen uygulama sonuçları performans açısından karşılaştırılmıştır. Çalışmada ayrıca filtre-kümesi kullanılarak elde edilen parmakizi özellik vektörlerinin yapay sinir ağları (YSA)’nda eğitilmesiyle bir parmakizi tanıma yöntemi geliştirilmiştir. Parmakizi görüntüsü bütünüyle frekans içerikli bir yapıya sahip olduğundan dolayı filtreleme yönteminin geleneksel yöntemlere göre verimli sonuçlar doğuracağı düşünülmüştür. Geliştirilen yöntemde öncelikle parmakizi görüntüsünün yönsel histogramlar aracılığıyla bulunan bir referans noktası merkez alınarak belirlenen bir dairesel alanı 2 boyutlu Gabor filtreden geçirilmektedir. Her bir parmakizi için elde edilen sabit uzunluklu ve nispeten kısa özellik vektörleri, YSA kullanılarak karşılaştırma işlemine tabi tutulur. YSA kullanılarak eğitilen bir parmakizi özellik vektörleri için karşılaştırma işlemi çok hızlı bir şekilde gerçekleştirilmiş ve başarılı sonuçlar elde edilmiştir.

A new approach to recognition of fingerprints enhanced by filtering techniques with artificial neural networks

In this work, we propose two methods for fingerprint image enhancement. The first one is carried out using local histogram equalization and noise reduction filters. In noise reduction step, linear, median and wiener filters are used. In the second method a wavelet transform and a contourlet transform which is a new extension of the wavelet transform in two dimensions are applied. The results are compared with each other based on performance. In addition, a method is developed to recognize fingerprints by using an Artificial Neural Network (ANN) which is trained by data obtained from a filterbank. Because of fingerprint patterns contains mainly frequency data, it is thought that filtering method gives better results than traditional methods. At developed method, fingerprint pattern is filtered by a 2D Gabor filter in a circular area whose center is obtained by a reference point determined by directional histogram. For every fingerprint, fixed length and comparatively small feature vectors are obtained and these vectors are applied a matching process by using ANN. These processes are concluded rapidly and improved results are obtained.

PDF

___

1. Wayman J., Jain A.K., Maltoni D., Maio D., Biometric Systems: Technology, Design and Performance Evaluation, Springer, 2004.
2. Mario, D., Maltoni, D., “Direct Gray-Scale Minutiae Detection in Fingerprints”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 1, pp.27-40, 1997.
3. Duncan, D., Po, Y., Do, M.N., “Directional Multiscale Modeling Of Images Using The Contourlet Transform”, IEEE Transactions on Image Processing, June 11, 2004.
4. Altun A.A., Allahverdi N., Koçer H.E., “2 Boyutlu Gabor Filtre Kullanarak Yapay Sinir Ağları İle Parmakizi Analizi”, 4. Uluslar arası İleri Teknolojiler Sempozyumu, cilt 1, sf. 10-14, 2005.
5. Yıldırım N., Saraç, U., Özer, H., “Gabor Filtre Kullanarak Parmakizi Analizi”, SIU 2002, 10. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Pamukkale, 2002.
6. Jain, A.K., Prabhakar, S., Lin, H., Pankanti, S., “FingerCode: A Filterbank for Fingerprint Representation and Matching”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, , pt. 2, p 187-93, Vol. 2, 1999.
7. Yaman, K., Sarucan, A., Atak, M., Aktürk, N., “Dinamik Çizelgeleme İçin Görüntü İşleme ve ARIMA Modelleri Yardımıyla Veri Hazırlama”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 16, No 1, 19-40, 2001.
8. Altun, A., Allahverdi, N., Koçer, H.E., Yılmaz, T., Alan, S., “Filtreleme Teknikleri Kullanarak Parmakizi Görüntüsü İyileştirme”, SIU 2005 13. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, 2005.
9. Ortiz, F., Torres, F., Gil, P., “Gaussian Noise Elimination in Colour Images by Vector- Connected Filters”, 17th International Conference on Pattern Recognition, pt. 4, Vol.4, p 807-10, 2004.
10. Vatansever, F., Çankaya, İ., Akgün, D., “Dalgacık Tabanlı Görüntü Temizleme”, 4. Uluslar arası İleri Teknolojiler Sempozyumu, cilt 1, sf. 63-68, 2005.
11. Prabhakar, S., Fingerprint Classification and Matching Using a Filterbank, PhD Thesis, Michigan State University, 2001.
12. Erdem, O.A., Uzun, E., “Yapay Sinir Ağları ile Türkçe Times New Roman, Arial ve Elyazısı Karakterleri Tanıma”, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 20, No 1, 13-19, 2005.
13. Bishop, C.M., Neural Networks for Pattern Recognition , Oxford University Press, Oxford, UK, 1995.
14. Ghada, B., B. John, O., “Enhancing trie-based syntactic pattern recognition using AI heuristic search strategies”, Lecture Notes in Computer Science, v 3686, n PART I, Pattern Recognition and Data Mining: Third International Conference on Advances in Pattern Recognition, ICAPR 2005. Proceedings, p 1-17, 2005.