zastosowanie wybranych miar jakości oceny obrazów cyfrowych w
Transkrypt
zastosowanie wybranych miar jakości oceny obrazów cyfrowych w
P O Z N A N UN I VE RS I T Y O F T E C HN O L O G Y ACA D E MI C J O URN A L S No 80 Electrical Engineering 2014 Jakub PĘKSIŃSKI* Grzegorz MIKOŁAJCZAK* ZASTOSOWANIE WYBRANYCH MIAR JAKOŚCI OCENY OBRAZÓW CYFROWYCH W DAKTYLOSKOPII W artykule przedstawiono metodę identyfikacji odcisków palców uzyskanych w procesie cyfrowego przetwarzania za pomocą urządzenia akwizycji obrazu opierającego swoją budowę na matrycy CCD (Charge Coupled Device). Algorytm identyfikujący odciski palców opiera swoje działanie na porównaniu docisków za pomocą popularnego kryterium służącego do oceny obrazów cyfrowych Szczytowy Błąd Średniokwadratowy PMSE (Peak Mean Square Error). SŁOWA KLUCZOWE: biometria, obrazy cyfrowe, dopasowanie danych 1. WSTĘP Ludzie zawsze starali się stworzyć skuteczne metody, które pozwolą w sposób jednoznaczny zidentyfikować daną osobę. Taką identyfikację można dokonać stosując wiele różnych technik. Obecnie techniki identyfikacji możemy podzielić na następujące grupy: a) Techniki identyfikacyjne wykorzystujące od swojego działania wiedzę danej osoby - zalicza się tutaj wszystkie techniki identyfikacyjne, które wykorzystują hasła, kody PIN itp. b) Techniki identyfikacyjne wykorzystujące do swojego działania porównanie pewnych niepowtarzalnych cech jakie posiada każda osoba - zalicza się tutaj techniki identyfikacyjne, które wykorzystują analizę parametrów biometrycznych. Do drugiej grupy zalicza się techniki identyfikacyjne, które wykorzystują analizę cech biologicznych danego osobnika, tzw. parametrów biometrycznych. Techniki biometryczne opierają swoje działanie, na analizie unikatowych cech posiadanych przez każdą osobę. Do podstawowych technik biometrycznych zalicza się [5, 7] badanie: odcisków palców, geometrii dłoni, __________________________________________ * Zachodniopomorski Uniwersytet Technologiczny. 218 Jakub Pęksiński, Grzegorz Mikołajczak geometrii twarzy, siatkówki oka, tęczówki oka, DNA. Bardzo popularną metodą analizy biometrycznej jest porównywanie odcisków palców. Każdy człowiek posiada unikalny wzór linii papilarnej. Wzór ten składa się z określonych niepowtarzalnych elementów takich jak [5, 7]: miniuncję; układ linii papilarnych, rozmieszczenie porów, kształt porów, kształt krawędzi linii. Celem artykułu jest zaprezentowanie skutecznego algorytmu dwustopniowej identyfikacji użytkownika na podstawie analizy jego odcisku palca, który do swojego działania wykorzystuje popularną miarę oceny jakości obrazów cyfrowych (PMSE) [1,6]: M PMSE 1 M N N [( f in (i, j ) f out (i, j )] 2 i 1 j 1 max[( f out (i, j )2 (1) gdzie: fin(i,j) – obraz oryginalny, fout(i,j) – obraz przetworzony, N∙M rozdzielczość Analizując miarę opisaną wzorem 1 można bez trudu zauważyć, że liczbowe wartości jego wskaźników zależą od treści obrazu. Jest to bardzo istotne gdyż dzięki temu można ją wykorzystywać do porównywania obrazów z wykorzystaniem obrazu odniesienia, tak jak ma to się w przypadku identyfikacji użytkownika na podstawie porównania jego odcisku palca z wzorcem umieszczonym w bazie. 2. ZASADA DZIAŁANIA ALGORYTMU DOPASOWUJĄCEGO Algorytm opiera swoje działanie na porównaniu wzorca odcisku palca pobranego za pomocą skanera cyfrowego i umieszczeniu go w bazie danych użytkowników. Umieszczony tam odcisk jest traktowany jako obraz cyfrowy służący jako wzorzec odniesienia danego użytkownika. Rysunek nr 1 przedstawia przykładowy obraz wzorcowy odcisku palca umieszczonego w bazie danych, oraz obraz odcisku pobranego w trakcie procesu identyfikacji. W celu porównania dwóch obrazów cyfrowych z wykorzystaniem PMSE będących odpowiednikami odcisków palców można zastosować dwie metody. Zastosowanie wybranych miar jakości oceny obrazów cyfrowych w ... 219 Pierwsza z metod polega na porównaniu całych obrazów względem siebie. Jednak taka metoda jest nie zalecana gdyż ma na nią wpływ bardzo wiele czynników [3]: jakość obrazów cyfrowych, dokładność skanowania, dokładność umiejscowienia palca na czytniku linii, uszkodzenie badanego palca. Rys. 1. Obraz cyfrowy odcisku palca: a) wzorzec b) pobrany Druga metoda polega na znalezienie wspólnych cech dwóch obrazów cyfrowych [4, 5]. W tym celu dzielimy oba obrazy na małe segmenty. Otrzymujemy w ten sposób kilkanaście par obrazów cyfrowych. Każdą taką parę porównujemy ze sobą za pomocą miary PMSE w celu znalezienia segmentów najbardziej podobnych do siebie. Segmenty, których wskazanie PMSE osiąga wartości najmniejsze, są segmentami pasującymi do siebie. Działanie algorytmu rozpoczyna się od podzielenia obrazu wzorcowego oraz pobranego w danej chwili odcisku na szereg segmentów tak jak pokazano to na rysunku nr 2. Rys. 2. Podział obrazu wzorcowego a) i pobranego b) na segmenty 220 Jakub Pęksiński, Grzegorz Mikołajczak W ten sposób otrzymamy kilka lub kilkanaście małych obrazów cyfrowych, którym przypisujemy numery parami np. 1-1’, 2-2’ itd. Każdą taką parę obrazów musimy porównać za pomocą miary PMSE. Przykładowe wskazania PMSE pokazano w tabeli 1. Tabela 1. Przykładowe wskazanie PMSE Lp. Numer segmentu Wskazanie PMSE 1. 2. 3. 4. 5. 6. 7. 8. 9. 1-1’ 2-2’ 3-3’ 4-4’ 5-5’ 6-6’ 7-7’ 8-8’ 9-9’ 298 45 643 300 17 311 445 489 987 Na podstawie analizy wskazań PMSE w poszczególnych segmentach możemy wskazać te, które najlepiej pasują do siebie. Segmenty w których wskazanie PMSE osiągnęło wartości minimalne są segmentami podobnymi do siebie. Co za tym idzie można przyjąć, że odcisk palca należy do danego użytkownika. Oczywiście w celu poprawnej identyfikacji użytkownika istotną rolę odgrywają dwa czynniki, mianowicie: dobór odpowiedniej wielkości segmentu. Mniejsze segmenty dają możliwość lepszej identyfikacji ale znacznie wydłużają czas potrzebny do poprawnego zidentyfikowania, dobór odpowiedniej wartości progu wskazania miary, którego osiągnięcie przez wskazania będzie uznawane za podobieństwo. Podczas procesu identyfikacji, może się okazać, że wskazanie kryterium w każdym segmencie będzie znacząco odbiegać od wartości optymalnej. W takim przypadku należy powtórzyć pobranie odcisku palca. 3. WYNIKI BADAŃ DOŚWIADCZALNYCH Poniżej, w tabeli 2, przedstawiono przykładowe wyniki badań doświadczalnych przeprowadzone dla 10 użytkowników. Każdy z obrazów cyfrowych podzielony był na 25 segmentów, w których mierzono wartość PMSE. Jako poziom poprawnej identyfikacji użytkownika przyjęto znalezienie 7 segmentów pasujących do siebie, w których wartość parametru PMSE było mniejsze od 75. Zastosowanie wybranych miar jakości oceny obrazów cyfrowych w ... 221 Tabela 2. Wyniki badań identyfikacji odcisków palców na podstawie PMSE Lp. Pary odcisków Palec położony na matrycy idealnie Ilość segmentów pasujących w pierwszym pomiarze Poprawna Identyfikacja 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Para 1 Para 2 Para 3 Para 4 Para 5 Para 6 Para 7 Para 8 Para 9 Para 10 Tak Tak Tak Tak Tak Tak Tak Tak Tak Tak 11 9 7 12 10 6 5 1 3 5 Tak Tak Tak Tak Tak Nie Nie Nie Nie Nie 3. PODSUMOWANIE Analizując wyniki badań przedstawione w tabeli numer 2 można stwierdzić, że zaproponowany algorytm porównujący odciski palców jest skuteczny, spełnia swoje zadanie i może być z powodzeniem używany do identyfikacji użytkownika. Oczywiście algorytm ten opiera swoje działania na tzw. podwójnej identyfikacji. To znaczy, w pierwszej kolejności użytkowanik podczas procesu weryfikacji musi podać swoją tożsamość, a następnie zostaje poddany drugiej weryfikacji za pomocą badania odcisku palca. LITERATURA [1] [2] [3] [4] [5] J. Peksinski,G. Mikolajczak, (2009). Correction of the digital image shift in two dimensional plane, Journal of Electrical Engineering ., 60(6), pp. 341-351. J. Peksinski, G. Miklajczak, (2010). The Synchronization of the Images Based on Normalized Mean Square Error Algorithm, Advances in Intelligent and Soft Computing vol. 80, Advances in Multimedia and Network Information System Technologies, Springer Verlag, pp.15-26. J. Peksinski, G. Mikolajczak (2011). Generation of FIR filters by using the neural networks to improve digital images, 34th International Conference on Telecommunications and Signal Processing, pp. 527-52. J. Peksinski, G. Mikolajczak,(2009). Generation of a FIR Filter by Means of a Neural Network for Improvement of the Digital Images Obtained Using the Acquisition Equipment Based on the Low Quality CCD Structurecture, Lecture Notes in Artificial Intelligence vol: 5990 pp.190-199. D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar (2009). Handbook of fingerprint recognition. Originally published in the series: Springer Professional Computing 2nd ed. 2009, XVI, 496, p. 205. 222 [6] [7] Jakub Pęksiński, Grzegorz Mikołajczak M. A. Eskicioglu (2000). Quality Measurement For Monochrome Compressed Images In The Past 25 Years. Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) Conference, Vol. 4, pp.19071910. R. Bolle, J. Connel, S. Pankanti, (2004). Guide to Biometrics, Springer Science. APPLICATION OF SOME OF MEASUREMENT OF DIGITAL IMAGE QUALITY ASSESSMENT IN FINGERPRINTING Authors used a popular digital image quality assessment measure for fingerprint identification – Peak Mean Square Error (PMSE). Analysing the measure described by equation (1), it can be seen that the quantity of its indicators depends on the image content. It is very important because, due to this, it may be used for comparison of images with the use of an image of reference, like it is in identification of a user on the basis of the comparison of one's fingerprint with the model kept in the database. The method is to find common characteristics of both digital images. To do so, both images shall be divided into small segments with assignation of sequential numbers to them, as it is shown in fig. 2.